MODEL IDENTIFIKASI PENYAKIT YANG DAPAT DI CEGAH MELALUI IMUNISASI DENGAN MENGGUNAKAN METODE DEMPSTER SHAFER BERBASIS WEB Dicky Aditya, Prihastuti Harsani, Arie Qur’ania. Email :
[email protected] Program Studi Ilmu Komputer FMIPA Universitas Pakuan ABSTRAK Sistem pakar (expert system) adalah sistem yang menggunakan pengetahuan/ knowledge khusus untuk memecahkan masalah pada level human expert/pakar, dimana pengetahuan tersebut dimasukan kedalam sebuah komputer,dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia.Dalam kasus ini,sistem pakar digunakan untuk mengidentifikasi penyakit yang dapat dicegah melalui imunisasi.Imunisasi dasar lengkap yang termasuk didalam penyakit menular yang dapat dicegah dengan imunisasi harus mendapat perhatian lebih oleh banyak pihak, Apabila penyakit menular ini tidak segera dilakukan pencegahan dengan pemberian imunisasi lengkap, maka akan menyebabkan kematian ataupun kecacatan pada penderita penyakit, Oleh karena itu pada penelitian ini di buat aplikasi sistem pakar yang menggunakan metode Dempster Shafer (DS) untuk menentukan penilian bobot nilai dentitas gejala, kemudian hasil pembobotan ini di implentasikan kedalam Sistem pakar (SP). Tujuan Penelitian ini adalah membuat aplikasi Model identifikasi penyakit yang dapat dicegah melalui imunisasi dengan menggunakan metode Dempster Shafer, uji coba yang digunakan adalah uji coba akurasi yang diperoleh dari sistem dan pakar. Dari hasil uji coba, diperoleh akurasi sebesar 70% dari hasil pencocokan model identifikasi dengan kesimpulan pakar. Kata Kunci : Sistem Pakar, Imunisasi, Dempster Shafer PENDAHULUAN Latar Belakang Sistem pakar merupakan program komputer yang menggunakan pengetahuan pakar untuk mencapai tingkat kinerja yang tinggi pada area yang sempit (Waterman, 1986). Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli (Sri Kusumadewi, 2003). Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang
tidak dapat diselesaikan orang awam. Sebagai contoh, dokter adalah seorang pakar yang mampu mendiagnosis penyakit yang diderita pasien serta dapat memberikan penatalaksanaan suatu penyakit.. Salah satu contohnya adalah artificial intelegensia. Kecerdasan buatan atau Artificial Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. 1
Permasalahan kesehatan tahun 2012 khususnya terdapat pada bidang imunisasi dasar lengkap yang termasuk didalam penyakit menular yang dapat dicegah dengan imunisasi (PD3I) harus mendapat perhatian lebih oleh banyak pihak. Beberapa diantaranya penyakit Hepatitis A, Campak, Difteri, Pertusis, Tuberkolosis, Hepatitis B, Polio, Gondongan, Tetanus, Rabies, Influenza, Meningitis, Cacar air dan Tifoid. Apabila penyakit menular ini tidak segera dilakukan pencegahan dengan pemberian imunisasi lengkap, maka akan menyebabkan kematian ataupun kecacatan pada penderita. Penyakit menular yang dapat dicegah dengan imunisasi (PD3I) adalah penyakit yang diharapkan dapat diberantas atau ditekan dengan pelaksanaan program imunisasi.Imunisasi adalah suatu cara yang dilakukan untuk menimbulkan ataupun meningkatkan kekebalan tubuh seseorang terhadap paparan penyakit.Prevalensi kasus penyakit yang dapat dicegah dengan imunisasi terkadang menunjukkan peningkatan maupun penurunan, tergantung jenis penyakit menular (Depkes RI, 2005). Tujuan Penelitian ini adalah membuat aplikasi identifikasi penyakit yang dapat dicegah dengan imunisasi dengan menggunakan metode Dempster Shafer. Ruang lingkup pada penelitian ini adalah melakuan analisa penyakit yang dapat dicegah dengan imunisasi dengan mengunakan menggunakan metode Dempster Shafer. Dan merancang aplikasi sistem pakar dalam mengidentifikasi gejala-gejala penyakit yang dapat dicegah dengan imunisasi, Manfaat dari penelitian ini adalah tersedianya aplikasi sistem pakar yang dapat mendiagnosa suatu
penyakit yang ada dalam imunisasi. Pendekatan metode Dempster shafer pada penelitian ini, Dilakukan dengan mengukur evidence (fakta) dalam mendukung suatu himpunan proposisi pada model identifikasi penyakit yang dapat dicegah melalui imunisasi. METODE PENELITIAN Metode penelitian yang digunakan untuk membangun Penerapan Metode Dempster Shafer Untuk Identifikasi Pencegahan Penyakit Melalui Imunisasi Berbasis Web adalah SDLC (Systems Development Life Cycle, Siklus Hidup Pengembangan Sistem). Systems Development Life Cycle merupakan serangkaian aktivitas atau kegiatan yang dilaksanakan oleh para ahli dan pemakai system informasi (user) untuk mengembangkan dan mengimplementasikan sistem Informasi. Metode SDLC yang diterapkan pada penelitian meliputi tahap-tahap yang disajikan pada Gambar 1.
Gambar 1. Tahap Development Life Cycle. 2
Systems
sistem secara abstrak,dan flowchart sebagai perancangan sistem secara keseluruhan dalam penelitian ini menggunakan flowchart yang merupakan simbol – simbol yang digunakan untuk menggambarkan urutan proses yang terjadi didalam suatu program komputer secara sistematis dan logis.
Tahap Perencanaan Sistem Tahap perencanaan merupakan suatu tahap pengumpulan data yang dilakukan dengan mencari informasi kebutuhan data serta solusi yang tepat apabila sistem mulai dibuat. Dengan melakukan kegiatan pengumpulan data secara teoritis untuk mendukung data yang diperoleh dari lapangan dan buku buku dan pencarian melalui media internet serta melakukan observasi pada pakar untuk memperoleh data yang akurat sesuai yang dibutuhkan dalam pembuatan sistem.
Implementasi Sistem Tahap ini dilakukan dengan penyajian rancangan yang telah di buat ke dalam bentuk pengimplementasian sebuah program yang meliputi penyajian dan visualisasi pada form-form sistem Penerapan Metode Dempster Shafer Untuk Identifikasi Penyakit Dengan Imunisasi Berbasis Web. dengan menggunakan windows 8 sebagai sistem operasinya dibangun dengan menggunakan bahasa pemrograman PHP dan MYSQL sebagai databasenya.
Analisa Sistem Tahap Sistem dilakukan dalam penelitian berjudul Model Identifikasi Penyakit Yang Dapat Di Cegah Melalui Imunisasi Dengan Menggunakan Metode Dempster Shafer Berbasis Web.Pengumpulan dan pengolahan data dengan melakukan wawancara, observasi serta tehnik pengambilan sampel. Mengidentifikasi masalah melihat kebutuhan yang diperlukan pengguna dalam mengetahui keluhan-keluhan yang dialami oleh masyarakat.
Uji Coba sistem Uji coba sistem dilakukan melalui 3 (tiga) tahap uji coba, yakni uji coba struktural, fungsional dan validitas data. a. Uji Coba Struktural Uji coba struktural adalah uji coba yang dilakukan untuk mengetahui apakah struktur atau alur program yang dibuat sudah sesuai dengan perancangan. b. Uji Coba Fungsional Uji coba fungsional adalah uji coba yang dilakukan untuk mengetahui apakah sistem
Perancangan Sistem Perancangan ini meliputi proses pembuatan sistem yang sudah dianalisis sebelumnya Tahap perancangan sistem dalam penelitian ini akan dilakukan dengan menggunakan Data Flow Diagram (DFD), ERD (Entity Relationship Diagram) yang merupakan suatu model jaringan yang menggunakan susunan data yang disimpan dalam 3
Pada teori ini dapat membedakan ketidakpastian dan ketidaktahuan. Teori DempsterShafer 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. [Belief,Plausibility] Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada 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):
yang dibuat sudah dapat berfungsi dengan baik. c. Uji Coba Validasi Uji Coba Validasi adalah uji coba yang dilakukan untuk mengetahui apakah sistem yang dibuat sudah sesuai dengan benar. Tahap Penggunaan Sistem Tahap penggunaan sistem ini akan ada beberapa informasi dan pertanyaan seputar gejala-gejala yang dialami atau terjadi selama mengalami demam berdarah yang nantinya akan menghasilkan output, dimana output tersebut memberikan penjelasan seputar gejala-gejala yang dialami oleh masyarakat beserta solusi dan nilai kepercayaan. Dan dihasilkan dengan menggunakan metode yang diperoleh dari ke akuratan, dimana Proses ini dilakukan untuk mengetahui dan menentukan seberapa baik aplikasi yang dibuat untuk memenuhi kriteria kerja sistem.
Bel (X) =
……………1)
Dan Plausibility dinotasikan pada persamaan (2):
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 Theory Of Evident Dempster-Shafer Theory Of Evidence, menunjukkan suatu cara untuk memberikan bobot kenyakinan sesuai fakta yang dikumpulkan.
Pls (X) = 1 – Bel (X) = 1 – ……………………... (2) Dimana : Bel (X) = Belief (X) Pls (X) = Plausibility (X) m (X) = mass function dari (X) m (Y) = mass function dari (Y) Teori Dempster-Shafer menyatakan adanya frame of discrement yang dinotasikan dengan simbol (Θ). frame of discrement merupakan semesta pembicaraan dari 4
sekumpulan hipotesis sehingga sering disebut dengan environment yang ditunjukkan pada persamaan (3) :
subset θ adalah 2n. Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai :
Θ = { θ1, θ2, … θN}…….……... (3) Dimana : Θ = frame of discrement atau environment θ1,…,θN = element/ unsur bagian dalam environment
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 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.
Dimana : m3(Z) = mass function dari evidence (Z) (X) = mass function dari evidence (X), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. (Y) = mass function dari evidence (Y), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. = merupakan nilai kekuatan dari evidence Z yang diperoleh dari kombinasi nilai keyakinan
m : P (Θ) →[0,1] Sehingga dapat dirumuskan pada persamaan (4) : ……………...(4) 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
sekumpulan evidence. Gambar 2. Algoritma Dempster Shafer 5
HASIL DAN PEMBAHASAN Hasil Tahap sebelumnya telah dipaparkan proses perancangan dan implementasi mengenai sistem pakar deteksi dini penyakit demam berdarah dengan menggunakan metode Dempster-Shafer dari bentuk tampilan beserta uraiannya mengenai pembahasan halaman pada program ini. Analisis Gejala Untuk mempresentasikan hasil dari gejala yang ada, maka dibuatlah sebuah kaidah sederhana seperti pada pernyataan dibawah ini:
Dan [Gejala 2] Dan [Gejala 3] Maka [Penyakit] Pembahasan Pengujian Akurasi Pengujian Akurasi dari suatu sistem pengukuran yaitu tingkat kedekatan pengukuran kuantitas terhadap nilai yang sebenarnya. Kepresisian dari suatu sistem pengukuran repeatability yang sejauh mana pengulangan pengukuran dalam kondisi yang tidak berubah mendapatkan hasil yang sama
Jika [Gejala 1] Tabel 1. Tabel Akurasi Hasil Diagnosa Sistem Pakar No. 1
2
3
4
5
Gejala Air seni berwarna seperti the Sakit kepala/Pusing Mual/Muntah Sakit Perut Sakit kepala/Pusing Demam/Panas Tinggi Sakit Perut
Lenting berisi cairan Sklera Mata Kuning Sakit kepala/Pusing Demam/Panas tinggi Hidrofobia (Takut air) Deman atau Panas tinggi Prilaku Agresif Sakit Tenggorokan Batuk Kronis Pilek
Diagnosa Sistem
Diagnosa Pakar
Akurasi
Hepatitis B
Hepatitis B
Sesuai
Hepatitis B Influenza (Flu) Cacar air Mumps/Gondongan Tifoid Hepatitis A
Hepatitis B Influenza (Flu) Cacar air Mumps/Gondongan Tifoid Hepatitis A
Tuberkulosis (TBC)
Tuberkulosis (TBC)
Tuberkulosis Polio Difteri Pertusis Tetanus Campak Meningitis Rabies
Tuberkulosis Polio Difteri Pertusis Tetanus Campak Meningitis Rabies
Sesuai
Cacar Air
Cacar Air
Sesuai
Rabies
Rabies
Sesuai
Tuberkulosis(TBC)
Tuberkulosis(TBC)
Sesuai
6
6
7
8
Kaku leher Demam atau Panas tinggi Sakit kepala/Pusing Sklera mata kuning Batuk Kronis Keringat dimalam hari Demam/Panas Tinggi Pilek Sakit Kepala Mual/Muntah Nyeri otot Sakit tenggorokan
Meningitis
Meningitis
Sesuai
Tuberkulosis(TBC)
Hepatitis B Tuberkulosis(TBC)
Tidak Sesuai
Hepatitis B Influenza (Flu) Cacar air Mumps/Gondongan Tifoid Hepatitis A
Difteri Influenza Meningitis Campak Tuberkulosis(TBC
Tuberkulosis (TBC)
Tuberkulosis Polio Difteri Pertusis Campak Meningitis Rabies 9
10
Batuk Kronis Demam/Panas Tinggi Pusing Mual/Muntah Kelumpuhan kaki Demam/Panas tinggi Mual/Muntah Pusing Sakit Prut
Tidak Sesuai
Tuberkulosis(TBC) Pertusis
Polio Pertusis Difteri
Tidak Sesuai
Polio
Polio
Sesuai
Dapat disimpulkan bahwa akurasi sistem pakar menggunakan metode Dempster Shafer berdasarkan 10 data diagnosa gejala penyakit yang dapat dicegah dengan imunisasi yang telah diuji mempunyai tingkat akurasi keberhasilan yang cukup baik sesuai dengan diagnosa pakar yaitu sebesar 70%. Nilai Akurasi = 7/10 x 100% = 70%
merupakan tampilan halaman utama beranda dan tentang program yang ditujukan pada gambar 3 dan gambar 4.
Halaman Utama Beranda dan Tentang Program Tampilan ini merupakan penjelasan tentang penyakit demam berdarah, dimana tampilan tersebuat terdapat pada halaman utama (Beranda). Sedngkan tentang program adalah penjelasan dari cara kerja sistem pakar, sehingga dapat dimengerti oleh masyarakat untuk meggunakan sistem tersebut. Berikut
Gambar 3. Tampilan Halaman Utama Bera 7
Halaman Diagnosa dan Hasil Diagnosa Tampilan halaman diagnosa ini berisikan pertanyaan-pertanyaan seputar gejala atau keluhan - keluhan yang nantinya akan dipilih oleh user. Sedangkan hasil diagnosa adalah tampilan yang sudah user inputkan mengenai gejala-gejala yang telah dialami, sehingga dapat diproses oleh sistem tersebut Berikut merupakan tampilan halaman diagnosa da hasil diagnosa yang ditunjukan padagambar 6 dan gambar 7. Gambar 4. Tampilan Halaman Utama Tentang Program Halaman Login dan Registrasi Pengguna Sistem pakar deteksi penyakit demam berdarah ini mempunyai kolom login dan registrasi. Dimana fungsi dari login ini user sudah mempunyai akun atau telah terdaftar. Seangkan registrasi untuk user yang belum terdaftar atau mempunyai akun untuk mengakses sistem ini. dapat dilihat pada gambar 5.
Gambar 6. Tampilan Halaman Diagnosa
Gambar 5. Tampilan Halaman Login dan Registrasi Pengguna
Gambar 7. Tampilan Halaman Hasil Diagnosa 8
Perhitungan manual untuk (Uji Coba Validasi) Uji coba validasi merupakan pemeriksaan keakuratan hasil data yang telah dimasukkan kedalam aplikasi. Uji coba tersebut dilakukan dengan validasi sistem pengisian data kedalam sistem dan hasil akhirnya sesuai dengan data yang dimasukkan, Berikut ini merupakan salah satu hasil uji coba validasi pada sistem ini, dengan membandingkan hasil perhitungan Dempster-Shafer manual dengan hasil perhitungan pada sistem : Berikut gejala yang diplih adalah: 1. Air seni berwarna seperti teh [G001] 2. Demam atau panas tinggi [G009] 3. Keringat dimalam hari [G020] 4. Mual atau muntah [G034] 5. Rasa tidak enak diperut/Sakit perut/Konstipasi [G046] 6. Sakit kepala atau pusing [G048] 7. Sklera mata kuning [G050] Diketahui gejala pertama yang dipilih: Air seni berwarna seperti teh (G001), yang merupakan gejala dari Hepatitis B (P1),yang memiliki niai dentitas 60%,lalu dicari Plausanbility dari [G001] tersebut : m1 {G001} = 0,6 m1 {ø} = 1 – 0.6 = 0.4 Lalu cari Ilustrasi nilai keyakinan terhadap 1 gejala : Tabel 4. Ilustrasi Nilai Keyakinan Terhadap 1 Gejala Air seni berwarna seperti the (P1) # m1{P1,P2,P3,P4,P5,P6,P7,P8,P9,P10, P11,P12,P13,P14} >> 1
m1 {P1} >>0,6 m1 {P1} >> 0,6
{Θ} >> 0,4 P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11, P12,P13,P14>> 0,4
Selanjutnya Gejala kedua yaitu : Demam atau Panas tinggi (G009), yang merupakan gejala dari Hepatitis B (P1),Tuberkulosis (P2),Polio (P3), Difetri (P4), Campak (P7),Meningistis (P8),Rabies (P9),Influenza (P10),Cacar air (P11),Mumps(Gondongan/Parotitis) (P12),Tifoid (P13), dan Hepatitis A (P13) yang memiliki nilai dentitas 30%,lalu dicari nilai Plausanbility dari [G009] : m2{G009}= 0,3 m2{ø} = 1- 0.3 = 0.7 Lalu cari Ilustrasi nilai keyakinan terhadap 2 gejala : Tabel 5. Ilustrasi Nilai Keyakinan Terhadap 2 Gejala Demam atau panas tinggi (P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14) #
m2{P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14}>> 0,3
m2{ø} >> 0,7
m1{ P1} >> 0,6
{ P1} >> 0,18
{ P1} >> 0,42
m1{ø} >> 0,4
m2{P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14}>> 0,12
{Θ} >> 0,28
Selanjutnya hitung nilai dentitas baru untuk beberapa kombinasi (m3) dengan persamaan Demster Shafer sebagai berikut : m3 {P1} = (0,18 + 0,42 ) / (1 – 0) = 0,6 m3 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} = (0,12) / ( 1 – 0 ) = 0,14 9
m3 {ø} = (0,28)/ ) / ( 1 – 0 ) = 0,28 Kemudian terdapat lagi gejala ketiga : Keringat dimalam hari (G020),yang merupakan gejala dari Tuberkulosis /TBC (P2),yang memiliki nilai dentitas 50%,lalu dicari nilai Plausanbility dari [G020] tersebut : m4 {G020} = 0,5 m4 {ø} = 1 – 0.5 = 0.5 Lalu cari Ilustrasi nilai keyakinan terhadap 3 gejala : Tabel 6. Ilustrasi Nilai Keyakin Terhadap 3 Gejala Keringat dimalam hari (P2) # m3{ P1} >> 0,6 m3{P1,P2,P3,P4,P7,P8,P9,P10,P1 1,P12,P13,P14}>> 0,12 m3{ø} >>0,28
m4{P2} >> 0,5 {ø} >> 0,3 {P2} >> 0.06 {P2} >> 0,14
m4 {ø} >> 0,5 { P1} >>0,3 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12, P13,P14}>> 0,06 {Θ} >> 0,14
Lalu hitung nilai keyakinan (m) kombinasinya : m5 {P1} = (0,3) / (1 – 0,3) = 0,4286 m5 {P2} = (0,06 + 0,14) ) / ( 1 – 0,3) = 0,2857 m5 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} = (0,06) ) / (1 – 0,3) = 0,0857 m5 {ø} = (0,14) ) / (1 – 0,3) = 0,2 Selanjutnya muncul kembali gejala baru yaitu gejala keempat : Mual atau muntah (G034),yang merupakan gejala dari Hepatitis B (P1),Polio (P3),Pertusis (P5),Meningitis (P8) dan Hepatitis A (P14), yang memiliki dentitas 30%,lalu dicari Plausanbility dari [G034] tersebut : m6 {G034 = 0,3 m6 {ø} = 1 – 0.3 = 0.7 Lalu cari Ilustrasi nilai keyakinan terhadap 4 gejala : Tabel 7. Ilustrasi Nilai Keyakinan Terhadap 4 Gejala Mual atau muntah (P1,P3,P5,P8,P14) # m5{ P1} >> 0,4286 m5{P2} >> 0,2857 m5{P1,P2,P3,P4,P7,P8,P9,P10, P11,P12,P13,P14} >> 0,0857 m5{ø} >> 0,2
m6{P1,P3,P5,P8,P14 }>> 0,3 { P1} >> 0,1286 {ø} >> 0,0857 { P1,P3,P8,P14} >>0,0257 {P1,P3,P5,P8,P14} >> 0,3
m6 {ø} >> 0,7 { P1} >> 0,3 {P2} >> 0,2 {P1,P2,P3,P4,P7,P8,P9,P10, P11,P12,P13,P14} >> 0,06 {Θ} >> 0,14
Lalu hitung nilai keyakinan (m) kombinasinya : m7 {P1} =(0,1286 + 0,3) / (1 – 0,0857) = 0,4688 m7 {P2} = (0,2) / (1 – 0,0857) = 0,2188 m7 {P1,P3,P8,P14} = (0,02570 / ( 1 – 0,0857) = 0,0281 m7 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,060 / (1 – 0,0857) = 0,0656 m7 { P1,P3,P5,P8,P14} = (0,6) / (1 – 0,0857) = 0,656 m7 {ø} = (0,14) / ( 1 – 0,0857) = 0,1531 Kemudian muncul kembali gejala kelima yaitu : Rasa tidak enak diperut/Sakit perut/Konstipasi (G046),yang memiliki nilai dentitas 30%,lalu dicari nilai Plausability dari [G046] tersebut : m8 {G046}= 0,3 m8 {ø} = 1 – 0.3 = 0.7 Lalu cari Ilustrasi nilai keyakinan terhadap 5 gejala :
10
Tabel 8. Ilustrasi Nilai Keyakinan Terhadap 5 Gejala Rasa tidak enak diperut/Sakit perut/Konstipasi (P1,P3,P13) # m7 {P1} >> 0,4688 m7 {P2} >> 0,2188
m8{ P1,P3,P13} >> {P1} >> 0,1406 {P2} >> 0,0656
m8{ø} >> 0,7 {P1} >> 0,3281 {P2} >> 0,1531
m7 {P1,P3,P8,P14} >> 0,0281 m7{P1,P2,P3,P4,P7,P8,P9,P10,P1 1,P12,P13,P14} >> 0,0656 m7 { P1,P3,P5,P8,P14} >> 0,0656
{ P1,P3}>> 0,0084 {P1,P3,P13}>>0,0197 { P1,P3}>> 0,0197
{P1,P3,P8,P14} >> 0,0197 {P1,P2,P3,P4,P7,P8,P9,P10,P11 ,P12,P13,P14} >> 0,0459 { P1,P3,P5,P8,P14} >> 0,0459
m7 {ø} >> 0,1531
{P1,P3,P13}>>0,0459
{Θ} >> 0,1072
Lalu hitung nilai keyakinan (m) kombinasinya : m9 {P1} = (0,1406) + 0,3281 / (1 – 0,656) = 0,5017 m9 {P2} = (0,1531) / (1 – 0.0656) = 0,1639 m9 {P1,P3} = (0,0084 + 0,0197) / ( 1 – 0,0656) = 0,0,0301 m9 {P1,P3,P8,P14} = (0,0197) / ( 1 – 0,0656) = 0,0211 m9 {P1,P3,P13} = (0,0197 + 0,0459) / ( 1 – 0,0656) = 0,0702 m9 {PP1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,0459) / ( 1 – 0,0656 ) = 0,0492 m9 {P1,P3,P5,P8,P14} = (0,0459) / (1 – 0,0656) = 0,0492 m9 {ø} = (0,1072) / ( 1 – 0,0656) = 0,1147 Selanjutnya muncul kembali gejala keenam yaitu: Sakit kepala atau pusing (G048),yang merupakan gejala dari Meningitis (P8),Influenza (P10), Cacar air (P11),Mumps(Gondongan/Parotitis) (P12) ,dan Tifoid (P13),yang memiliki nilai dentitas 30%,lalu dicari nilai Plausability dari [G048] tersebut : m10 {G048}= 0,3 m10 {ø} = 1 – 0.3 = 0.7 Lalu cari Ilustrasi nilai keyakinan terhadap 6 gejala : Tabel 9. Ilustrasi Nilai Keyakinan Terhadap 6 Gejala Sakit kepala atau pusing (P8,P10,P11,P12,P13) # m10{P8,P10,P11,P12, P13} >> 0,3 m9 {P1} >> 0,5017 {ø} >> 0,1505
m10 {ø} >> 0,7 {P1} >> 0,3512
m9 {P2} >> 0,1639
{ø} >> 0,0492
{P2} >> 0,1147
m9 {P1,P3} >> 0,0,0301
{ø} >> 0,009
{P1,P3} >> 0,0211
m9 {P1,P3,P8,P14} >> 0,0211
{P8} >> 0,0063
{P1,P3,P8,P14} >> 0,147
m9 {P1,P3,P13} >>0,0702
{ P13} >> 0,0211
{P1,P3,P13} >> 0,0492
m9{PP1,P2,P3,P4,P7,P8,P9,P10, P11,P12,P13,P14} >> 0,0492 m9 {P1,P3,P5,P8,P14} >> 0,0492
{P8,P10,P11,P12,P13} >> 0,0147 {P8} >> 0,0147
{PP1,P2,P3,P4,P7,P8,P9,P10,P11, P12,P13,P14} >> 0,0344 {P1,P3,P5,P8,P14} >> 0,0344
m9 {ø} >> 0,1147
{P8,P10,P11,P12,P13} >> 0,0344
{Θ} >> 0,0803
Lalu hitung nilai keyakinan (m) kombinasinya : m11 {P1} = (0,0351) / (1 – 0,1505 – 0,0492 – 0,009) = 0,4438 m11 {P2} = (0,1147) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,145 m11 {P1,P3} = (0,0211) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,0266 11
m11 {P8} = (0,0147) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,0266 m11 {P1,P3,P8,P14} = (0,0147) / (1 – 0,1505 – 0,0492 – 0,009) = 0,0186 m11 {P13} = (0,0211) / ( 1 – 0,1505 – 0,0492 – 0,009 ) = 0,0299 m11 {P1,P3,P13} = (0.0492) / ( 1 – 0,1505- 0,0492 – 0,009 ) = 0,0621 m11 {P8,P10,P11,P12,P13} = (0,0147 + 0,0344) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,0621 m11 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,0344)/ (1 – 0,1505 – 0,0492 – 0,009) = 0,0435 m11 {P1,P3,P5,P8,P14} = (0,0344) / ( 1 – 0,01505 – 0,0492 – 0,009) = 0,0435 m11 {ø} = ( 0,0803) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,1015 Kemudian terdapat lagi gejala yang baru yaitu gejala ketujuh : Sklera Mata Kuning (G050),yang merupakan gejala dari Hepatitis B (P1) ,dan Hepatitis A (P14),yang memiliki nilai dentitas 70%,lalu dicari nilai Plausability dari [G050] tersebut : m12 {G050}= 0,7 m12 {ø} = 1 – 0.7 = 0.3 Lalu cari Ilustrasi nilai keyakinan terhadap 7 gejala : Tabel 10. Ilustrasi Nilai Keyakinan Terhadap 7 Gejala Sklera mata kuning (P1,P14) # m11 {P1} >> 0,4438 m11 {P2} >> 0,145 m11 {P1,P3} >> 0,0266
m12{P1,P14} >> 0,7 {P1} >> 0,3107 {ø} >> 0,0015 {P1} >> 0,0186
m12{ø} >> 0,3 {P1} >> 0,1331 {P2} >>0,0435 {P1,P3} >> 0,008
m11 {P8} >> 0,0266
{ø} >> 0,0201
{P8} >> 0,008
m11 {P1,P3,P8,P14} >> 0,0186 m11 {P13} >> 0,0266 m11 {P1,P3,P13} >> 0,0621
{P1,P14} >> 0,013 {ø} >> 0,0186 {P1} >> 0,0435
{P1,P3,P8,P14} >> 0,0056 {P13} >> 0,008 {P1,P3,P13} >> 0,0186
m11 {P8,P10,P11,P12,P13 >> 0,0621
{ø} >> 0,0435
m11{P1,P2,P3,P4,P7,P8,P9,P10,P11,P 12,P13,P14} >> 0,0435 m11 {P1,P3,P5,P8,P14} >> 0,0435
{P1,P14} >> 0,0304 {P1,P14} >> 0,0304
{P8,P10,P11,P12,P13 >> 0,0186 {P1,P2,P3,P4,P7,P8,P9,P10,P 11,P12,P13,P14} >> 0,013 {P1,P3,P5,P8,P14} >> 0,013
m11 {ø} >> 0,1015
{P1,P14} >> 0,0710
{Θ} >> 0,0304
Lalu dihitung nilai keyakinan (m) kombinasinya : m13 {P1} = (0,3107 = 0,0186 + 0,0435 + 0,1331) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435) = 0,06186 m13 {P2} = (0,0435) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435) = 0,0532 m13 {P1,P3} = (0,008) / ( 1 - 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0098 m13 {P8} = ( 0,008) / ( 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0098 m13 {P1,P3,P8,P14} = (0,0056) / ( 1 – 0,1015 – 0,0186 - 0,0186 – 0,0435 ) = 0,0068 m13 {P13} = ( 0,008) / (0,1015 – 0,0186 – 0,1=0186 – 0,0435 ) = 0,0098 m13 {P1,P3,P13} = ( 0,0186) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0228 m13 {P1,P14} = ( 0,013+ 0,0304 + 0,0304 + 0,071 ) / (1- 0,1015 – 0,0186 – 0,186 – 0,0435) = 0,1771 m13 {P8,P10,P11,P12,P13} = (0,0186) / ( 1- 0,1015 – 0,0186 – 0,0186 – 0,0435) = 0,0228
12
m13 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,013) / ( 1- 0,0186 – 0,0186 – 0,0435 ) = 0,0159 m13 {P1,P3,P5,P8,P14} = (0,013) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0159 m13 {ø} = (0,0304) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0372
Kesimpulan : Ternyata dapat disimpulkan bahwa dari hasil dari diagnosa beberapa gejala,seperti Air Seni Bewarna Seperti Teh (G001), Demam atau Panas Tinggi (G009), Keringat dimalam hari (G020), Mual atau Muntah (G034), Rasa tidak enak diperut/Sakit Perut/Parotitis (G046) , Sakit Kepala (G048), Sklera Mata Kuning (G050),dari gejala yang telah dipilih dapat diperoleh hasil dari diagnosa yaitu penyakit Hepatitis B dengan tingkat keyakinan tertinggi yaitu m13 {P1} = 0,6186 / 62% dalam proses perhitungan gejala menggunakan metode Dempster Shafer. Halaman Hasil Diagnosa Tampilan halaman hasil diagnosa ini berisikan hasil dari pemilihan gejala yang telah dipilih sehingga dapat diproses oleh sistem tersebut Berikut merupakan tampilan halaman diagnosa da hasil diagnosa yang ditunjukan pada gambar 7.
Gambar 7. Tampilan Halaman Hasil Diagnosa 13
ini ditunjukan dari beberapa kasus yang telah diujicobakan diperoleh hasil diagnosa yang sama, dengan melakukan akurasi data sistem dengan pakar dan uji coba perhitungan manual sesuai dengan perhitungan yang ada dalam sistem tersebut. Kemudian untuk beberapa kasus yang lain seperti input semua gejala pada menu diagnosa, sistem ini sudah dapat melakukan proses dengan menampilkan diagnosa dari beberapa gejala yang tersedia dan akan menghasilkan diagnosa berupa penyakit dari gejala-gejala yang telah dipilih, , jadi sistem ini sudah mencukupi kebutuhan user dalam mendiagnosa penyakit deteksi yang dapat dicegah melalui imunisasi.
KESIMPULAN DAN SARAN Kesimpulan Hasil penelitian yang dapat disimpulkan dari aplikasi model identifikasi penyakit yang dapat dicegah melalui imunisai ini diharapkan membantu mengetahui jenis gangguan tentang penyakit yang dapat dicegah melalui imunisasi yang disebabkan oleh virus-virus tertentu, dengan mengidentifikasi masalah serta melihat gejala-gejala yang diderita. Sehingga sistem ini dapat membantu untuk melakukan hasil diagnosa yang diperoleh oleh pakar, sehingga dapat mengetahui cara penanganannya dan pencegahannya, sistem ini dibangun dengan pemrograman PHP berbasis web dengan menggunakan Notepad++. Tahap yang dibuat dalam penelitian ini dilakukan dengan mencari informasi sesuai kebutuhan data serta mengumpulkan data dan mengolahnya. yakni dengan melakukan wawancara pada seorang dokter dalam mengidentifikasi masalah untuk menemukan solusi dari penanganan penyakit ini. karena dengan dilakukan teknik ini, dapat mengetahui tentang penyakit yang dapat dicegah melalui imunisasi secara spesifik menurut para pakar. Sistem ini berhasil mengimplementasikan dalam aplikasi identifikasi penyakit yang dapat dicegah melalui imunisasi yang dapat dipergunakan untuk mendiagnosa penyakit Hepatitis A,Tuberkulosis,Polio,Difteri,Pertusis ,Tetanus,Campak,Meningitis,Rabies, Influenza,Cacar air,Mumps(Gondongan),Tifoid,dan Hepatitis A dengan memasukan berupa gejala yang telah dialami.Hal
Saran Aplikasi model identifikasi penyakit yang dapat dicegah melalu imunisasi ini, masih perlu dilakukan pengembangan lagi. Seperti pada jumlah penyakit yang dikaji, kemudian klasifikasi penyakit seperti penyakit yang disebabkan oleh oleh virus-virus yang lain. Serta perancangan halaman web yang perlu penambahan variasi atau animasi agar terlihat lebih menarik. Dan knowledge base disarankan untuk selalu diperbaharui sesuai dengan perkembangan teknologi dan ilmu pengetahuan dengan menambahkan jumlah pakar untuk mengupdate knowledge base. Selain itu perlu dibuat pula dengan versi mobile programmignya sehingga user tersebut lebih mudah mengakses melalu smartphonenya.
14
DAFTAR PUSTAKA Nugroho, Budi. 2012. Dasar Pemograman Web PHPMySQL dengan Dreamwever. Penerbit GAVA MEDIA. Yogyakarta.
Dahria Muhammad. Jurnal SAINTIKOM, Volume 12 Nomor 1, Januari 2013 , Sistem Pakar Metode Dempster Shafer Untuk Menentukan Jenis Gangguan Perkembangan Anak.
Sari Anjas Nur, 2009. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Dengan Metode Certainty Factor. Teknik Informatika.
Departemen Kesehatan RI. 2010. Profil Kesehatan Indonesia 2010. Jakarta: Departemen Kesehatan RI.
Soepardi Jane. Kementrian Kesehatan ,Volume 1, September 2012, Buletin dan Jendela Informasi Kesehatan No 42 Tentang Penyelenggaraam Imunisasi Menteri Kesehatan Replublik Indonesia..
Eliza & Gustri. Jurnal Informatika, Volume 7 Nomor 2, July 2013, Prototype Sistem Pakar Untuk Mendeteksi Tingkat Resiko Penyakit Jantung Koroner dengan Metode Dempster Shafer.
T. Sutjo, Edy Mulyanto, & Vincent Suharto, 2011, Kecerdasan Buatan, Andi Yogyakarta.
Hidayat, A.2005. Pengertian Imunisasi dan penyakit yang dapat dicegah melalui imunisasi. Kusrini.2006,Sistem dan Aplikasi. Andi.Yogyakarta.
Petrou, Maria, And Ahmadzaleh. 2002. Use Of Dempster Shaffer Theory To Combine Classifers Which Use Different Class Boundaries. School Of Electronic Computation and Mathematics. Guilford: University Of Surrey.
Pakar Teori Penerbit:
Kusumadewi, 2003. Sistem Pakar (Expert System) Pengertian Sistem Pakar.
15
16