PENERAPAN TEORI DAMPSTER-SHAFER PADA SISTEM CERDAS UNTUK MENDETEKSI GANGGUAN KESEHATAN KANDUNGAN

PENERAPAN TEORI DAMPSTER-SHAFER PADA SISTEM CERDAS UNTUK MENDETEKSI GANGGUAN KESEHATAN KANDUNGAN Edi Faizal Teknik Komputer STMIK El Rahma Yogyakarta e-mail: [email protected]

Abstract Ignorance of women about the disease and how to handle the womb disease causing the higher risk of infection. One specific medical symptoms are expressed differently, depending on patient educational background / social / cultural, necessitating anamnesis techniques that are specific to the same perception. On the other side, the availability of experts is still comparatively rare and relatively expensive, so it requires appropriate technology breakthrough to overcome these problems. As an alternative to overcome this problem is to create an intelligent system that is computer-based expert systems. In reality, that the expert system is not 100% correct, so the user confidence is still low. There are several methods that can be used to handle the distrust,one of theory is dampster-Shafer. This research has resulted in an expert system that can be used as a means to conduct an initial assessment of the womb health problems. The system is able to giving advice on the treatment, and providing trust information for the illness. Results of testing showed that the system is able to recognize correctly worm disease by 100% and has an accuracy rate of 90% with an error rate of 10%. Keywords— diagnosis, womb disease, expert systems, dampster-shafer PENDAHULUAN Penyakit atau gangguan pada kandungan mengakibatkan kematian, terutama pada ibu hamil. Hal ini nantinya juga berpengaruh terhadap angka kematian bayi yang sedang dikandungnya. Penyakit yang menyerang pada kandungan wanita tidak bisa dianggap sepele dan memerlukan campur tangan seorang pakar, sedangkan pakar untuk penyakit ini masih jarang dan dapat dipastikan membutuhkan biaya yang tidak kecil. Perkembangan teknologi begitu pesat terutama dalam bidang komputer, sehingga tidak berlebihan apabila komputer dijadikan alat untuk memperingan beban kerja manusia. Semakin berkembangnya teknologi menyebabkan makin banyak pekerjaan yang memerlukan keahlian tertentu. Dalam menciptakan tenaga ahli (human expert), diperlukan waktu yang relatif lama serta biaya yang tidak sedikit. Salah satu usaha alternatif untuk menanggulangi kebutuhan ini adalah dengan menciptakan suatu sistem cerdas berbasis komputer [1]. Bagian ilmu komputer yang mempelajari hal tersebut dikenal dengan istilah kecerdasan buatan (artificial intelligence). Salah satu implementasi dari cabang kecerdasan buatan yang cukup terkenal adalah sistem pakar (expert system). Sistem ini bekerja dengan meniru atau menduplikasi kepakaran seseorang (human expert), sehingga komputer dapat melakukan pekerjaan layaknya seorang pakar dalam bidang tertentu [2]. Sistem pakar dalam hubungannya dengan komputer adalah pemikiran, ide-ide, atau gagasan-gagasan bagaimana membuat komputer mampu melaksanakan tugas-tugas yang apabila dilakukan oleh manusia memerlukan pemikiran atau keahlian tertentu. Pada kenyataanya bahwa sistem pakar tidak 100% bernilai benar, sehingga kepercayaan pengguna terhadap sistem pakar tersebut masih cukup rendah. Terdapat beberapa metode yang dapat

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

di gunakan untuk menangani ketidakpercayaan (uncertainty), salah satu teori tersebut adalah dampster-shafer [3]. Pada penelitian ini akan dikembangkan sebuah sistem pakar yang dapat digunakan sebagai sarana untuk melakukan diagnosa awal terhadap gangguan kandungan. Penerapan sisten tersebut dilengkapi dengan metode perhitungan dampster-shafer yang bertujuan untuk menunjukan tingkat kepercayaan hasil diagnosa. Peran sistem pakar disini adalah untuk membantu (asisten) pakar dan kaum perempuan dalam mendiagnosa, memberi saran pengobatan, serta memberikan informasi tingkat kepercayaan penyakit yang diderita. Penelitian tentang penerapan system pakar sudah banyak dilakukan, terutama dalam hal diagnosis. Metode penaganan ketidakpastian (uncertainty) yang di gunakan juga bervariasi. Penerapan sistem pakar yang menggunakan metode dampster-shafer pernah dilakukan [4]. Pada penelitian ini, sistem pakar yang dikembangkan digunakan untuk melakukan diagnosa terhadap penyakit kanker pada wanita. Penggunaan teori dampstershafer juga di gunakan [5] dalam sistem pakar yang dikembangkanya untuk mendiagnosa penyakit mata. Kedua penelitian diatas menerapkan teori pelacakan yang sama yaitu forward chaining, dimana penelusuran di mulai dari fakta umum menuju kepada kesimpulan akhir. Yang membedaan adalah objek dan fakta-fakta yang terdapat didalam basis pengetahuan (knowledge base) masing-masing peneliti. Berdasarkan hasil pengujian dari kedua peneliti tersebut, tingkat kepercayaan hasil diagnosa yang dihitung menggunakan teori dampster-shafer mampu meningkatkan kepercayaan pengguna terhadap hasil diagnosa. Penelitian yang berfokus pada penyakit kandungan pernah dilakukan [6]. Pada penelitian ini, implementasi sistem di buat dalam bentuk sistem pakar. Metode pelacakan pada mesin inferensi (inference engine) menerapkan teknik forward chaining. Penanganan uncertainty juga di sertakan dalam sistem pakar ini, dimana pemilihan teknik perhitungan menggunakan theorema bayes. Hasil pengujian menunjukan bahwa sistem pakar bekerja dengan baik dan memberikan rekomendasi yang sesuai dengan pakar penyakit kandungan. METODE PENELITIAN Pada penelitian ini yang menjadi subyek adalah membuat sistem untuk mengidentifikasi dini ganguan kandungan. Langkah penelitian yang akan dilakukan terlihat pada Gambar 1.

27

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Gambar 1 Langkah penelitian Sistem yang di kembangagkan dalam penelitian ini adalah sebuah perangkat lunak cerdas sistem pakar (expert system). Langkah untuk melakukan diagnosa penyakit kandungan melalui sistem diwujudkan dengan adanya dialog antara User dengan sistem berupa pertanyaan-pertanyaan yang telah disimpan dalam basis pengetahuan (knowledge base). Keluaran berupa diagnosa tentang penyakit kandungan, solusi untuk mengatasi penyakitnya, serta nilai kepastian penyakit yang diderita berdasar masukan gejala dari pengguna. Metode perhitungan nilai kepastian menggunakan metode damster-shafer. 1. Sistem Pakar Sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan para ahli. Diharapkan dengan sistem ini, orang awam sekalipun dapat menyelesaikan masalah tertentu baik masalah yang sedikit rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman [2]. Secara umum, arsitektur sistem pakar terdiri atas beberapa komponen yang masingmasing berhubungan, seperti terlihat pada Gambar 2. Sedangkan komponen utama sistem pakar adalah basis pengetahuan (knowledge base), mesin inferensi (inferensi engine), basis data (database) dan antar muka dengan pemakai (inferensi user).

Gambar 2 Arsitektur sistem pakar 2. Damster-Shafer Metode Dempster-Shafer pertama kali diperkenalkan oleh Dempster, yang melakukan percoban model ketidakpastian dengan range probabilitas sebagai probabilitas tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster tersebut pada sebuah buku yang berjudul Mathematical Theory of Evident. Secara umum teori Dempster-Shafer ditulis dalam suatu interval [Belief,Plausibility] [7]. Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 (nol) maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Menurut Giarratano dan Riley fungsi belief dapat diformulasikan dengan Persamaan (1).

28


(1)

sedangkan Plausibility (Pls) dinotasikan sebagai Persamaan (2) (2) dimana: Bel(X) = Belief (X) m(X) = mass function dari (X)

Pls(X) = Plausibility (X) m(Y) = mass function dari (Y)

Plausibility juga bernilai 0 sampai 1, jika kita yakin akan X’ maka dapat dikatakan Belief (X’) = 1 sehingga dari rumus di atas nilai Pls (X) = 0. Beberapa kemungkinan range antara Belief dan Plausibility disajikan pada Tabel 1 [7]: Tabel 1 Range Belief dan Plausibility Kemungkinan Keterangan [1,1] Semua Benar [0,0] Semua Salah [0,1] Ketidakpastian [Bel,1] where 0 < Bel < 1 Cenderung Mendukung [0,Pls] where 0 < Pls < 1 Cenderung Menolak [Bel,Pls] where 0 < Bel ≤ Pls Cenderung Mendukung dan <1 Menolak Pada teori Dempster-Shafer juga dikenal adanya frame of discernment yang dinotasikan dengan  . FOD ini merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga sering disebut dengan environment yang di formulasikan dengan Persamaan (3). (3) dimana:   FOD atau environment  1....n  elemen/unsur bagian dalam 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(  ), setiap elemen dalam power set ini memiliki nilai interval antara 0 sampai 1. m = P(  ) [0,1] sehingga dapat dirumuskan dengan Persamaan (4). (4) dengan P(  ) = power set dan m(X) = mass function dari (X), sebagai contoh: P(hostile) = 0,7

29


P(non-hostile)

= 1 – 07 = 0,3

Pada contoh di atas belief dari hostile adalah 0,7 sedangkan disbelief hostile adalah 0,3. dalam teori Dempster-Shafer, disbelief dalam environment biasanya dinotasikan m(  ). Sedangkan mass function (m) dalam teori Dempster-Shafer adalah tingkat kepercayaan dari suatu evidence (gejala), sering disebut dengan evidence measure dan dinotasikan dengan (m). Pada aplikasi sistem pakar, sutau penyakit terdapat sejumlah evidence yang digunakan pada faktor ketidakpastian dalam pengambilan keputusan untuk diagnosa. Untuk mengatasi sejumlah evidence tersebut pada teori Dempster-Shafer menggunakan aturan yang lebih dikenal dengan Dempster’s Rule of Combination yaitu (persamaan 5). (5) dimana: m1  m2( Z ) = mass function dari evidence (Z) m1( X ) = mass function dari evidence (X) m 2(Y ) = mass function dari evidence (Y)  = operator direct sum Dempster’s Rule of Combination diformulasikan pada persamaan (6). (6) dimana: k = Jumlah evidential conflict. Besarnya jumlah evidential conflict (k) dirumuskan Persamaan (7). (7) sehingga bila persamaan (7) disubstitusikan ke persamaan (6) akan menjadi rumus seperti pada Persamaan (8). (8) dimana:

m1  m2(Z ) = mass function dari evidence (Z) m1( X ) = mass function dari evidence (X) m 2(Y ) = mass function dari evidence (Y) k= jumlah evidential conflict 3. Pengujian Sistem Pengujian sistem dilakukan dengan melakukan tes untuk mengukur kemampuan sistem dalam melakukan diagnosa. Sensitivitas dan spesifisitas digunakan untuk mengetahui tingkat akurasi [8]. Analisis dilakukan dengan menggunakan 4 parameter yaitu TP, FP, TN dan FN. selanjutnya digunakan dalam menghitung sensitivitas (sensitivity), spesifisitas (specificity), nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV). Perhitungan nilainilai tersebut menggunakan persamaan (9), (10), (11), (12) [9].

30


Sensitivity = [TP/(TP+FN)] x 100% (9) Specificity = [TN/TN+FP] x 100% (10) PPV = [TP/ (TP+FP)] x 100% (11) NPV = [TN/ (TN+FN)] x100% (12) Keterangan: TP : Sistem menghasilkan kesimpulan positif untuk sampel data positif; FP : Sistem menghasilkan kesimpulan positif untuk sampel data negatif; TN : Sistem menghasilkan kesimpulan negatif untuk sampel data negative; FN : Sistem menghasilkan kesimpulan negatif untuk sampel data positif. Menurut [10], Confusion Matrix adalah cara yang berguna untuk menganalisis seberapa baik sistem mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi ketika sistem benar, sedangkan FP dan FN memberitahu ketika sistem salah. Sensitivity dan specificity dapat digunakan untuk pengklasifikasian akurasi. Sensitivity dapat ditunjuk sebagai true positives (recognition) rate (proporsi dari tuple positif yang diidentifikasi dengan benar). Sedangakan specificity adalah true negatives rate (proporsi tuple negatif yang diidentifikasi secara benar). Fungsi sensitivitas dan spesifisitas dapat menunjukkan tingkat akurasi menggunakan persamaan (13) dan ukuran tingkat kesalahan sistem juga dapat dihitung dengan persamaan (14). =

=

( + )

+

( + )

+ 100% ( + )

(13) (14)

HASIL DAN PEMBAHASAN Pada penelitian ini tahap-tahap yang dilakukan adalah mengidentifikasi masalah dan kebutuhan serta proses akuisisi pengetahuan. Identifikasi dilakukan dengan mengkaji situasi dan memutuskan dengan pasti tentang masalah yang akan dikomputerisasi yaitu mendiagnosa penyakit berdasar gejala awal. Kondisi ini akan lebih mudah menggunakan metode inferensi forward chaining. Metode perhitungan faktor kepastian menggaunakan teorema damster shafer. Akuisisi pengetahuan diperoleh dari beberapa cara antara lain, pengetahuan dari pakar, buku, laporan, dan literatur. 1. Basis pengatahuan (knowledge base) dan basis aturan (rule base) Basis pengetahuan yang digunakan adalah tentang fakta, gejala, penyakit, penyebab, solusi dan aturan penyakit pada kandungan dan keterangan lain yang mendukung. Fakta penyakit, gejala, penyebab dan solusi disajikan pada Tabel 2, 3, 4 dan Tabel 5. Kode P001 P002 P003 P004 P005 P006 P007

Tabel 2 Daftar fakta penyakit Penyakit Kista Indung Telur (Ovarium Cyst) Kanker Indung Telur (Kanker Ovarium) Kanker Leher Rahim (Kanker Serviks) Myoma Uteri Endometriosis Kanker Rahim (Kanker Uterus = Carcinoma Uteri) Penyakit Infeksi Daerah Panggul 31


P008 P009

Kod e G00 1 G00 2 G00 3 G00 4 G00 5 ...... G05 6

Chlamydia Gonorrhoea

Tabel 3 Daftar fakta gejala Gejala Rasa nyeri pada rongga panggul disertai rasa agak gatal Perdarahan menstruasi tidak normal Siklus menstruasi tidak teratur Rasa nyeri begitu siklus menstruasi selesai Rasa nyeri sewaktu bersetubuh ...... Infeksi anus / rectum

Kode PB01 PB02 PB03 PB04 PB05 …. PB24

Tabel 4 Daftar fakta penyebab Penyebab Gangguan perkembangan folikel ovarium Waktu pelepasan sel telur terjadi perdarahan Terjadinya kehamilan di luar kandungan Gangguan hormon Gangguan menstruasi …. Infeksi kuman Neisseria gonorrhoea

Tabel 5 Daftar fakta solusi Kode Solusi S001 Pemberian obat pil kb (gabungan estrogen-progesteron) bisa ditambahkan anti androgen progesteron cyproteron asetat S002 Pemberian klomiphen sitrat S003 Pengobatan fisik pada ovarium, misal melakukan diatermi dengan sinar laser S004 Operasi untuk melakukan sayatan ovarium pada daerah polikistik S005 Histerektomi total (pengangkatan rahim) ….. ….. 32


S034

Sefotaksim, sefotetan atau sefoksitin

Basis pengetahuan yang sudah dikelompok tersebut kemudian digunakan sebagai input dalam memberikan analisis untuk mengidentifikasi penyakit kandungan. Contoh pembentukan aturan gejala penyakit kandungan disajikan pada Tabel 6.

No 1

2 3 4 5 6 7 8

9 10 11 12 13 14 15 …

Tabel 6 Contoh aturan gejala dan penyakit Aturan IF rasa nyeri pada rongga panggul disertai rasa agak gatal (G001) AND perdarahan menstruasi tidak normal (G002) THEN siklus menstruasi tidak teratur (G003) IF siklus menstruasi tidak teratur (G003) THEN rasa nyeri begitu siklus menstruasi selesai (G004) IF rasa nyeri begitu siklus menstruasi selesai (G004) THEN rasa nyeri sewaktu bersetubuh (G005) IF rasa nyeri sewaktu bersetubuh (G005) THEN perut membesar (G006) IF perut membesar (G006) THEN tidak terjadi ovulasi (G007) IF tidak terjadi ovulasi (G007) THEN mandul (G008) IF mandul (G008) THEN KISTA INDUNG TELUR (P1) IF rasa nyeri pada rongga panggul disertai rasa agak gatal (G001) AND perdarahan menstruasi tidak normal (G002) THEN perut membesar (G006) IF perut membesar (G006) THEN mandul (G008) IF mandul (G008) THEN nyeri perut (G009) IF nyeri perut (G009) AND gangguan fungsi saluran cerna (G010) THEN gangguan saluran kencing (G011) IF gangguan saluran kencing (G011) THEN berat badan turun drastis (G012) IF berat badan turun drastis (G012) THEN nyeri punggung (G013) IF nyeri punggung (G013) THEN penderita bisa meraba sendiri tumor di bagian bawah perut (G014) IF penderita bisa meraba sendiri tumor di bagian bawah perut (G014) THEN KANKER INDUNG TELUR (P2) ….

2. Mesin inferensi Mesin inferensi adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasar urutan dan pola tertentu. Representasi berbasis

33


aturan yang memiliki pola IF kondisi THEN aksi, tabel pakar memberi beberapa keuntungan yaitu kemudahan dalam modifikasi, baik perubahan, penambahan, maupun penghapusannya. Penelusuran dilakukan user dengan memasukkan gejala awal terhadap kemungkinan gejala penyakit yang dialami. Selama proses konsultasi antar sistem dan pemakai, mesin inferensi menguji antara satu demi satu sampai kondisi aturan itu benar dan memberikan kesimpulan yang benar. Pada gambar 3 ditampilkan contoh graf penelusuran dan struktur pelacakan diagnosa penyakit kandungan dengan menggunakan metode forward chaining.

Gambar 3 Graf penelusuran penyakit kanker leher rahim 3. Implementasi sistem

Secara garis besar, implementasi sistem cerdas untuk mendiagnosa penyakit kandungan ini dapat dibagi menjadi 2 kategori berdasarkan jenis pemakai yaitu pakar yang juga bertindak sebagai admin dan paramedis yang bertindak sebagai pemakai biasa. Masing-masing kategori pemakai mempunyai hak akses terhadap sistem yang. dengan fasilitas yang berbeda-beda. Admin atau pakar berfungsi sebagai administrator sistem yang memiliki hak akses untuk memanipulasi data pengguna pada sistem, bertugas untuk memasukan data pengetahuan. Selain itu pakar juga berhak untuk melakukan diagnosa. Sedangkan pemakai biasa hanya berhak untuk melakukan diagnosa dengan memilih gejala-gejala yang sudah tersedia dan mendapatkan hasil diagnosa dari sistem. Ketika sistem mulai dieksekusi, maka tampilan pertama yang akan muncul adalah form utama seperti terlihat pada pada Gambar 4. Sebelum user melakukan login, menu dari sistem yang dapat diakses hanya terbatas pada menu File, Penelusuran dan About. Seorang User dapat menggunakan sistem dengan hak akses penuh harus melakukan login terlebih dahulu.

Gambar 4 Tampilan menu utama a. Menu knowledge base Menu ini adalah menu yang hanya dapat diakses oleh user dengan hak akses sebagai pakar. Menu ini memiliki beberapa sub menu yaitu Data Pakar (terdiri dari data

34


penyakit, penyebab, gejala dan solusi) dan menu Rule. Sub menu Data Pakar adalah fasilitas yang digunakan untuk memasukan data pengetahuan (knowledge base) yaitu data penyakit, penyebab, gejala dan solusi. Sedangkan sub menu Rule adalah fasilitas sistem yang berfungsi sebagai antarmuka untuk memasukan data basis aturan kedalam sistem. Tampilan salah satu sub menu Data Pakar (pengisian data gejala) di tunjukan dengan gambar 5 dan pengaturan basis aturan (rule base)ditunjukan pada gambar 6.

Gambar 5 Tampilan form input gejala

Gambar 6 Tampilan form rule base b. Menu penelusuran Menu Penelusuran digunakan oleh user untuk melakukan proses diagnosa terhadap penyakit kandungan. Proses diagnosa dilakukan dengan cara memasukan gejalagejala yang dialami pasien. Pemasukan gejala dengan memilih daftar seluruh gejala yang bersesuaian dengan keadaan pasien. Jika semua gejala yang dialami pasien sudah di pilih, selanjutnya user dapat mengklik tombol diagnosa untuk mengetahui hasil analisa sistem terhadap gejala-gejala yang dialami. Daftar seluruh gejala, kemungkinan penyakit yang mengikuti serta nilai probabilitas masingmasing gejala di tampilkan pada list di bagian bawah form diagnosa.

35


Sistem akan melakukan analisa gejala dengan mencocokan basis aturan yang tersimpan dalam basis data. Perhitungan nilai kepastian menggunakan metode dampster shafer dilakukan menggunakan nilai probabilitas pada masing-masing gejala. User harus memilih minimal dua buah gejala yang di alami pasien. Jika terdapat kombinasi penyakit yang mengikuti gejala yang di pilih, maka sistem meniympulkan penyakit yang paling sesuai adalah penyakit dengan persentase nilai kepercayaan paling tinggi sebagai kesimpulan hasil diagnosa. Ilustrasi pemilihan gejala sampai dengan penentuan hasil diagnosa di tunjukan pada gambar 7, 8, 9 dan gambar 10. Contoh kasus, user memilih gejala pendarahan menstruasi tidak normal (G002) sebagai gejala awal. Nilai probabilitas G002 adalah 0,5 dan penyakit yang mengikuti gejala tersebut adalah P001, P002, P003 dan P006. Sehingga, m1 {P001,P002,P003,P006} = 0,5 m (θ) = 1 – 0,5 = 0,5

Gambar 7 Pemilihan gejala awal (G002) Selanjutnya user memilih gejala kedua yaitu pendarahan menstruasi lebih banyak dari biasanya (G021) dengan nilai probabilitas 0,6. Penyakit yang mengikuti gejala G021 adalah P004 dan P006. Sehingga, m2 {P004,P006} = 0,6 m (θ) = 1 – 0,6 = 0,4 Dengan munculnya gejala kedua (G021), maka harus dilakukan penghitungan densitas baru untuk beberapa kombinasi (m3). Perhitungan himpunan-himpunan bagian yang terbentuk dimasukkan ke dalam tabel 7. Kolom pertama diisi dengan gejala yang pertama (m1). Sedangkan baris pertama diisi dengan gejala yang kedua (m2) . Sehingga diperoleh nilai m3 sebagai hasil kombinasi m1 dan m2. Tabel 7 Tabel perhitungan gejala G002 dan G021 {P004,P005} (0,6) θ (0,4) {P001,P002,P003,P006} {P006} (0,3) { P001,P002,P003,P006} 36


(0,5) θ (0,5)

(0,2) {P004,P006} (0,2)

(0,3)

θ

Sehingga dapat dihitung : m3 {P006}

=

m3 {P004,P006}

=

m3 {P001,P002,P003,P006}

=

m3 { θ }

=

0,3 1-0,2 0,3 1-0,2 0,2 1-0,2 0,2 1-0,2

=

0,30

=

0,30

=

0,25

=

0,25

Gambar 8 Pemilihan gejala kedua (G021) Dari hasil perhitungan nilai densitas m3 kombinasi di atas, dapat dilihat bahwa nilai {P006} sama dengan {P004,P006} sebesar 0,3. Sedangkan nilai {P001,P002,P003,P0046} sebesar 0,25. Jika kemudian terdapat gejala ketiga yaitu mengalami perdarahan setelah bersetubuh (G035) dengan nilai probabilitas 0,9 dan penyakit yang mengikuti gejala G035 adalah P006.

37


Gambar 9 Pemilihan gejala ketiga (G035) Sehingga, m4 { P006} m (θ)

= 0,9 = 1 – 0,9 = 0,1

Dengan munculnya gejala ketiga (G035), maka harus dilakukan penghitungan densitas baru untuk beberapa kombinasi (m5) seperti disajikan pada tabel 8. Tabel 8 Tabel perhitungan gejala G002, G021 dan G035 {P006} (0,9) θ (0,1) {P006} {P006} (0,27) { P006} (0,3) (0,03) {P004, P006} {P006} (0,27) { P004,P006} (0,3) (0,03) {P001,P002,P003,P006} {P006} (0,18) { P001,P002,P003,P006} (0,2) (0,02) θ {P006} (0,18) θ (0,2) (0,02) Sehingga dapat dihitung : m5 {P006}

=

m5 {P004,P006}

=

m5 {P001,P002,P003,P006}

=

m5 { θ }

=

0,27+0,27+0,18+0,18+0,0 3 1-0.02 0,03 1-0,02 0,02 1-0,02 0,02 1-0,02

= = = =

0,9 5 0,0 3 0,0 2 0,0 2

Hasil perhitungan nilai densitas m5 kombinasi di atas, dapat dilihat bahwa nilai {P006} sebesar 0,95. Sedangkan nilai {P004,P006} dan {P001,P002,P003,P0046} masing-

38


masing sebesar 0,03 dan 0,02. Dari hasil perhitungan diatas diketahui bahwa nilai kepercayaan P006 terhadap gejala G002, G021 dan G035 adalah yang paling tinggi yaitu sebesar 0,95 atau 95%. Sehingga disimpulkan bahwa P006 (Kanker Rahim (Kanker Uterus = Carcinoma Uteri)) adalah penyakit yang menyerang pasien tersebut. Selanjutnya sistem akan menampilkan form hasil diagnosa seperti pada tamiplan gambar 10. Form ini dilengkapi dengan tombol Cetak untuk membuat printout melalui printer.

Gambar 10 Tampilan form hasil diagnosa 4. Pengujian sistem

Proses pengujian sistem dilakukan dengan menggunakan sampel data acak gejalagejala yang dialami pasien terduga mengidap penyakit kandungan. Selain itu digunakan juga beberapa data pasien yang tidak terindikasi mengidap penyakit kandungan. Langkah pengujian dilakukan dengan mengadakan diagnosa menggunakan sistem seperti dijelaskan pada bagian sebelumnya. System dianggap berhasil mendiagnosa dengan benar jika menujukan tingkat kepercayaan lebih bersar atau sama dengan 80%. Evaluasi hasil pengujian sistem dalam mediagnosa penyakit kandungan dilakukan dengan menghitung sensitivitas, spesifisitas, PPV, NPV, akurasi dan error rate. Evaluasi penting dilakukan untuk mengetahui apakah sistem yang dibuat layak diterapkan dalam mendiagnosa penyakit kandungan. Tahap pertama yang harus dilakukan adalah membuat confusion matrix berdasarkan nilai hasil pengujian sistem, seperti terlihat pada tabel 9. Tabel 9 Confusion matrix hasil pengujian sistem DATA UJI SISTEM Bukan Penyakit Penyakit Kandungan Kandungan HASIL PENGUJIAN SISTEM

Kepercayaan ≥ 80% (Positif) Kepercayaan < 80% (Negatif) Total Sample

Total Sample

40 (TP)

0 (FN)

40 Kasus (P)

5 (FP)

10 (TN)

15 Kasus (N)

45 Sample (TP+FP)

10 Sample (FN+TN)

55 Sample (P+N)

Confusion matrix pengujian sistem menunjukan sebanyak 40 sample pasien penyakit kandungan terdiagnosa positif pada system dan sebanyak 5 sample yang yang terdiagnosa negative. Sedangkan pengujian dengan menggunakan sample pasien bukan penyakit kandungan, hasil yang diperoleh dari proses diagnosa menggunakan sistsem seluruhnya terdiagnosa negatif. Berdasarkan data tersebut dapat dihitung tingkat sensitivitas,

39


spesifisitas, PPV, NPV, akurasi dan error rate menggunakan persamaan (9), (10), (11), (12), (13) dan persamaan (14). 1 . 2 . 3 . 4 . 5 .

Sensitifita s Spesifisita s

= =

PPV

=

NPV

=

Accuracy

=

40 (40+0) 10 (10+5) 40 (40+5) 10 (10+0) 100% x

x 100% = 100% x 100% = 67% x 100% = 89% x 100% = 100% 40 (40+15 )

+ 67% x

15 (40+15 )

=90%

(5+0) Error rate = (40+10 x 100% = 10% ) Hasil perhitungan diatas menunjukan persentase kemampuan sistem dalam mengenali penyakit kandungan secara benar sebesar 100% (sensitifitas), persentase kemampuan sistem dalam mengenali penyakit bukan penyakit kandungan secara benar sebesar 67% (spesifisitas), nilai prediksi positif sebesar 89% (PPV), nilai prediksi negatif sebesar 100% (NPV), dan tingkat akurasi sebesar 90% (accuracy) dengan tingkat kesalahan (error rate) sebesar 10%. 6 .

KESIMPULAN Berdasarkan hasil penelitian dan pembahasan yang telah diuraikan pada bagian sebelumnya, maka dapat ditarik beberapa kesimpulan. 1. Penelitian menghasilkan sebuah perangkat lunak (software) baru tentang sistem pakar yang dapat berfungsi untuk mendiagnosa penyakit kandungan. Hasil pengujian menunjukan bahwa sistem mampu mengenali penyakit kandungan dengan benar sebesar 100% dan memiliki tingkat akurasi 90% dengan error rate bebesar 10%. 2. Teori dampster-shafer dapat diterapkan untuk menunjukan tingkat kepercayaan terhadap hasil diagnosa sistem. SARAN Penelitian ini masih memiliki keterbatasan, terutama yang terkait dengan penarikan kesimpulan (diagnosa) penyakit kandungan dan domain penyakit yang diteliti. Saran untuk penelitian selanjutnya antara lain. 1. Sistem ini hanya dapat digunakan untuk diagnosa 9 penyakit (yang merupakan urutan tertinggi) pada kandungan. Untuk penelitian selanjutnya dapat dikembangkan sistem yang dapat mendiagnosa lebih dari 9 penyakit kandungan pada wanita disesuaikan dengan perkembangan pengetahuan seputar penyakit kandungan pada khususnya dan penyakit kewanitaan pada umumnya. 2. Program aplikasi ini masih bisa dikembangkan lagi ke arah multimedia yang lebih interaktif, sistem pakar berbasis web serta menampung lebih banyak data-data yang berhubungan dengan penyakit terkait. DAFTAR PUSTAKA

40


[1] Faizal, E., 2013, Case-Based Reasoning untuk Mendiagnosa Penyakit Cardiovascular dengan Metode Weighted Minkowski, Tesis, S2 Ilmu Komputer UGM, Yogyakarta. [2] Kusrini, 2006, Sistem Pakar: Teori dan Aplikasi, Penerbit Andi offset, Yogyakarta [3] Kusumadewi, S., 2003, Artificial Intelence : Teknik dan Aplikasinya, Penerbit Graha Ilmu, Yogyakarta. [4] Naylah, L., 2010, Sistem Pakar Diagnosa Penyakit Kanker pada Wanita dengan Pengobatan Herbal Menggunakan Metode Dempster-Shafer, Skripsi-S1, Teknik Informatika UAD, Yogyakarta. [5] Tejasari, R. H., 2008, Implementasi Expert System untuk Mendiagnosis Penyakit Mata Menggunakan Dampster Shafer, Skripsi-S1, Teknik Informatika UAD, Yogyakarta. [6] Untari, D., 2005, Aplikasi Expert System Diagnosa Penyakit Kandungan pada Wanita Menggunakan Theorema Bayes, Skripsi-S1, Teknik Informatika UAD, Yogyakarta. [7] Giarratano dan Riley, G., 1994, Expert System Principle and Programming, 2 Publishing Company, Boston.

ed

, Pws

[8] Akobeng, A.K., 2007, Understanding diagnostic tests 1: sensitivity, specificity and predictive values, Acta Pædiatrica, Vol. 96 No. 3, ISSN:1651-2227, Halaman 338-341. [9] Tomar, P.P.S., Singh, R., Saxena, P.K., dan Sharma, B.K., 2012, A Medical Multimedia Based DSS for Heart Diseases Diagnosis and Training, Canadian Journal on Biomedical Engineering & Technology Vol. 3 No. 2. [10] Han, J., dan Kamber, M., 2006, Data Mining: Concepts and Techniques Second Edition, Morgan Kauffman, ISBN 978-92-4-156437-3, San Fransisco.

41

PENERAPAN TEORI DAMPSTER-SHAFER PADA SISTEM CERDAS UNTUK MENDETEKSI GANGGUAN KESEHATAN KANDUNGAN

Recommend Documents