PERANCANGAN DAN IMPLEMENTASI SISTEM PAKAR UNTUK ANALISA PENYAKIT DALAM Adhi Sadewo Broto (L2F304202) Imam Santoso - Ajub Ajulian Zahra Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Healthy is something that is very pricelesss, without it people can’t enjoy this life. As years go by, many kinds of disease appear with new manifests or even something different with the existing symptoms. Indisease is one of the disease that people mostly suffering from. Indisease has many variation of indications and the symptoms that appears are almost the same. These cause many medical worker, or even common people find it difficult to recognize what kind of disease that is being suffered. Without any goog knowledge can cause a worse treatment to the disease, it can be even worse or may be can cause death if it’s too late. The more sophiscated the medical knowledge, helps medical workers to diagnose a disease and treat the patients. Many inventions such as rontgen, USG, CT-scan and many more is used as a helping tool for the medical world. One of a helping tool wich is helpful to diagnose a disease is an expert system. In general, expert system is a system that adopt human knowledge into a computer, so it can solve problems which the expert used to do. . Hopefully by this expert system, people can solve problems whish is “alittle bit” complicated or even very complicated without any an expert assistant. And for the experts, it can used as an experienced assistant. The developed application is an expert system that is used to diagnose indiseases by using Certainty Factor method. The diagnose is done by analyzing the inputs of symptoms which is served as questions about what the patient suffers from. Then the inputs are maintened by using certain rules which are refers to the expert’s or doctor’s knowledge that have been saved in the cure rules. Then the results are matched with the doctor’s diagnoses to prove the truth. This program is made by using PHP language and database MySQL. The results from this expert system is three alternative indisease which is performed according to the value of the certainty factor by ascending. The value of certainty factor depends on how many match between the input of the symptoms and the disease and also the value of the certainty factor for each correlation between a symptom and a disease. Hopefully, this expert system can be used by most people as a guidance for a pre-diagnose to an indisease and as a helping tool for doctors for a precision diagnose. Key words: indisease, expert system, Certanty Factor (CF)
I.PENDAHULUAN 1.1 Latar Belakang Sistem pakar merupakan program komputer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu masalah tertentu. Implementasi sistem pakar dapat diterapkan dalam dunia kesehatan selain sebagai media informasi bagi masyarakat terutama penderita penyakit untuk mengetahui jenis penyakit yang diderita sebagai diagnosa awal, juga sebagai alat bantu bagi dokter untuk dapat mengambil keputusan lebih akurat. Permasalahan yang ditangani oleh seorang pakar bukan hanya permasalahan yang mangandalkan algoritma namun terkadang juga p e r m a s a l a h a n y a n g s u l i t d i p a h a m i . Permasalahan tersebut dapat diatasi oleh seorang pakar dengan pengetahuan dan pengalamannya. Permasalahan ini juga bisa diselesaikan oleh sistem pakar yang menirukan kepakaran seseorang. Sistem pakar dibangun bukan berdasarkan algoritma tertentu tetapi berdasarkan basis pengetahuan dan aturan. Dalam melakukan diagnosis, seorang pakar terkadang mendasarkan pada data yang kurang lengkap atau data yang tidak pasti. Agar sistem pakar dapat melakukan penalaran sebagaimana seorang pakar meskipun data yang diperoleh kurang lengkap atau kurang pasti, dapat digunakan Certainty Factor. 1.2 Tujuan Tujuan dari tugas akhir ini adalah membuat suatu program sistem pakar yang berisi pengetahuan dari seorang pakar/dokter yang diyakini kebenarannya yang memiliki kemampuan untuk dapat mendiagnosa
penyakit dari gejala-gejala yang dirasakan oleh pasien secara cepat dan tepat seperti seorang pakar dengan menggunakan metode Certainty Factor (CF).
1.3 Pembatasan Masalah Sehubungan dengan luasnya permasalahan yang berhubungan dengan Tugas Akhir ini maka perlu adanya pembatasan masalah. Batasan masalah pada Tugas Akhir ini adalah : a. Sistem pakar ini menggunakan bahasa pemrograman PHP dan basisdata MySQL. b. Jenis penyakit yang dibahas sebanyak 20 penyakit dalam beserta gejalanya. c. Sistem pakar ini mendiagnosis pasien dewasa di atas 20 tahun yang produktif. d. Metode yang digunakan dalam penyelesaian masalah ini adalah metode Certainty Factor. II. DASAR TEORI 2.1 Sistem Pakar [ 3 ] Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar menggabungkan pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal memerlukan keahlian manusia. Tujuan dari sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubtitusikan pengetahuan manusia kedalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.
Sistem pakar terdiri dari dua bagian pokok, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi. LINGKUNGAN PENGEMBANGAN
LINGKUNGAN KONSULTASI
Pemakai Fakta tentang kejadian tertentu
Antarmuka
Aksi yang direkomendasikan
Fasilitas penjelas an
Mesin Inferensi
Workplace
Basis Pengetahuan: Fakta dan aturan
Knowledge Engineer Akuisisi Pengetahuan Pakar
Perbaikan Pengetahuan
Gambar 1. Struktur sistem pakar Deskripsi singkat tiap komponen dapat dilihat pada bagian berikut : 1. Akuisisi Pengetahuan Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian pemecahan masalah para pakar atau sumber pengetahuan terdokumentasi ke program komputer, untuk membangun atau memperluas basis pengetahuan. Sumber pengetahuan potensial antara lain pakar manusia, buku teks, dokumen multimedia, database, laporan riset khusus, dan informasi yang terdapat dalam web. 2. Basis Pengetahuan (Knowledge Base) Basis pengetahuan merupakan representasi pengetahuan dari seorang pakar yang diperlukan untuk m emaham i, memform ulasikan dan memecahkan masalah. Terdiri dari dua elemen dasar, yaitu : Fakta yang berupa informasi tentang situasi permasalahan, teori dari area permasalahan atau informasi tentang objek. Spesial heuristik yang merupakan informasi tentang cara bagaimana membangkitkan fakta baru dari fakta yang sudah diketahui. Dalam sistem pakar berbasis rule, bagian ini berupa rules. 3. Mesin Inferensi (Inference Engine) Inference engine merupakan otak dari sistem pakar, bagian ini mengandung mekanisme fungsi
berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan kemudian mencari jawaban atau kesimpulan yang terbaik. Dari fakta-fakta yang diperoleh selama proses tanya-jawab dengan user, serta aturan-aturan yang tersimpan di knowledge base, inference engine dapat menarik suatu kesimpulan dan memberikan rekomendasi atau saran yang diharapkan oleh user. Ada dua metode dasar yang bisa digunakan oleh mesin inferensi dalam mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward chaining). Berikut ini penjelasan mengenai kedua metode pencarian tersebut : Runut maju (Forward chaining) Runut maju merupakan metode pencarian yang memulai proses pencarian dari sekumpulan data atau fakta, dari fakta-fakta tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari kaidahkaidah dalam basis pengetahuan yang premisnya sesuai dengan fakta-fakta tersebut, kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan. Runut maju memulai proses pencarian dengan data sehingga strategi ini disebut juga data-driven. a.
Runut balik (Backward chaining). Runut balik merupakan metode pencarian yang arahnya kebalikan dari runut maju. Proses pencarian dimulai dari tujuan, yaitu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari aturan-aturan dalam basis pengetahuan yang kesimpulannya merupakan solusi yang ingin dicapai, kemudian dari aturan-aturan yang diperoleh, masing-masing kesimpulan dirunut balik jalur yang mengarah ke kesimpulan tersebut. Jika informasi-informasi atau nilai dari atribut-atribut yang mengarah ke kesimpulan tersebut sesuai dengan data yang diberikan maka kesimpulan tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang dicari. Runut balik memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goaldriven. b.
4. Antarmuka Pengguna (User Interface) Merupakan bagian dari sistem pakar yang berfungsi sebagai pengendali input-output. User interface melayani user selama proses konsultasi mulai dari tanya-jawab untuk mendapatkan faktafakta yang dibutuhkan oleh inference engine sampai menampilkan output yang merupakan kesimpulan atau rekomendasi yang dihasilkan oleh inference engine.
Tempat Kerja (Workplace) Workplace adalah area kerja memori yang disimpan sebagai database untuk deskripsi persoalan terbaru yang ditetapkan oleh data input, digunakan juga untuk perekaman hipotesis dan keputusan sementara. Tiga tipe keputusan dapat direkam dalam workplce, antara lain : rencana (bagaimana mengatasi persoalan), agenda (tindakan potensial sebelum eksekusi), dan solusi (hipotesis kandidat dan arah tindakan alternatif yang telah dihasilkan sistem sampai dengan saat ini). 5.
Penjelasan (Justifier) Bagian yang harus siap memberikan penjelasan saat user perlu mengetahui apakah alasan diberikannya sebuah solusi. Bagian ini secara konkrit membedakan sebuah sistem pakar dengan sistem aplikasi yang biasa, karena pada pemrograman konvensional tidaklah biasa sebuah sistem menyediakan informasi tambahan mengapa atau dari mana sebuah solusi diperoleh. 6.
Perbaikan Pengetahuan Bagian yang digunakan untuk menambah, menghapus atau memperbaiki basis pengetahuan. Bagian ini tidaklah mutlak, karena mayoritas sistem pakar berbasis pengetahuan dalam format text-file, sehingga bagian ini dapat digantikan dengan berbagai word processor yang tersedia. Namun demikian bila sistem pakar dituntut untuk memiliki kemampuan machine learning dari pengalaman konsultasinya, bagian ini menjadi sangat vital.
Certainty factor didefinisikan sebagai pada persamaan berikut [1] : CF(H,E) = MB(H,E) – MD(H,E) Keterangan: CF(H,E) : certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. MB(H,E) :ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E. MD(H,E): ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E. Pada sistem pakar ini, nilai MB diabaikan karena yang diperhitungkan adalah nilai kenaikan kepercayaan pakar terhadap suatu penyakit. Sistem pakar terdiri dari beberapa kaidah yang berupa fakta dan aturan untuk menghasilkan keputusan. Formula CF untuk beberapa kaidah yang mengarah pada hipotesa yang sama dapat dituliskan sebagai berikut [ 2 ] :
7.
Fakta Tentang Kejadian Khusus Bagian ini hanya diperlukan saat data yang telah dimiliki pemakai (file database atau spreadsheet) diperlukan sebagai referensi untuk menarik kesimpulan. 8.
2.2 Certainty Factor Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejum lah teori telah ditem ukan untuk menyelesaikan ketidakpastian, termasuk diantaranya probabilitas klasik (classical probability), probabilitas Bayes (Bayesian probability), teori Hartley berdasarkan himpunan klasik (Hartley theory based on classical sets), teori Shannon berdasarkan pada pr obabilitas ( Shanon theory based on probability), teori Dempster-Shafer (Dempster- Shafer theory), teori fuzzy Zadeh (Zadeh ’s fuzzy theory) dan faktor kepastian (certainty factor). Faktor kepastian(certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan.
CF(R1)+CF(R2)–[CF(R1)*CF(R2)];nilaiCF(R1)& CF(R2) > 0 CF(H)
CF(R1)+CF(R2)+[CF(R1)* CF(R2)]; nilai CF(R1)&CF(R2) < 0
CF ( R1)CF ( R 2) ;nilai CF(R1)&CF(R2) 1min[|CF ( R1)|,|CF ( R 2)|] berlawanan tanda
Pada sistem pakar diagnosa penyakit dalam ini, nilai CF per aturan yang digunakan berada pada kisaran 0.1 sampai dengan 0.9. Hal ini berarti nilai CF>1, sehingga rumus yang digunakan adalah : CF(R1,R2) = CF(R1)+CF(R2) – [(CF(R1) * CF(R2)] III. Perancangan Sistem 3.1 Kebutuhan pengguna Sistem pakar diagnosa penyakit dalam ini dirancang untuk dapat digunakan perorangan, dokter dan di sebuah rumah sakit, untuk itu dalam penggunaannya dibedakan menjadi tiga pengguna dengan otorisasi yang berbeda. Adapun pengguna sistem pakar ini adalah : Pakar/dokter: dapat mengakses semua menu dalam sistem pakar dan yang paling berperan dalam menentukan basis pengetahuan sebagai otak sistem pakar. Administrator: sebagai admin yang mengatur data pakar dan pasien. Pasien : sebagai pengunjung yang hanya dapat mengakses diagnosa penyakit dalam.
Menu yang dapat diakses setiap userrole adalah sebagai berikut: 1. Pakar : Halaman depan Diagnosa penyakit Data penyakit Data gejala Kaidah diagnosa Data pakar Data pasien 2. Administrator: Halaman depan Diagnosa penyakit Data pakar Data pasien 3. Pasien: Halaman depan Diagnosa penyakit 3.2 Diagram Alir Program Cara kerja sistem pakar penyakit dalam ini dapat dilihat pada diagram alir berikut ini:
3.3 Diagram Alir Diagnosa Penyakit Proses diagnosa penyakit pada sistem pakar ini dapat dilihat pada gambar
Gambar 3. Diagram alir diagnosa penyakit Berikut penjelasan diagram alir diagnosa penyakit:
Gambar 2. Diagram alir program Pada diagram alir gambar dapat dilihat bahwa tampilan awal program sistem pakar adalah halaman index.php. Pengguna diharuskan memasukkan userid dan password untuk melakukan login. Sistem akan membaca apakah userid tersebut masuk ke dalam userrole pakar, admin atau pasien. Lalu sistem akan memunculkan menu sesuai dengan otorisasi userrole tersebut di halaman_depan.php. Pengguna dapat mengakses menu-meru tersebut di halaman_depan.php atau keluar ke halaman index.php lagi.
a) Inisialisasi id pengguna untuk menentukan otorisasi pengguna. b) Cek apakah userrole = pakar? Jika ya, pilih pasien yang akan didiagnosa; jika tidak, langsung lakukan diagnosa. c) Jika pasien baru, daftarkan dulu pasien tersebut di halaman datapasien.php d) Setelah pakar menentukan pasien yang akan didiagnosa, tampilkan history pengobatan pasien yang bersangkutan, lalu lakukan diagnosa baru. e) Pilih gejala yang dirasakan oleh penderita. f) Jika selesai memasukkan gejala, hitung CF berdasarkan kaidah diagnosa. g) Cek userrole = pakar? Jika tidak, hanya tampilkan alternatif penyakit berdasarkan 3 CF terbesar secara urut; jika ya, tentukan keputusan penyakit dari 3 alternatif penyakit dengan CF terbesar. h) Tulis resep pengobatan. Simpan hasil diagnosa
ke dalam tabel history_diagnosa. 3.4 Mesin Inferensi Secara sederhana mesin inferensi merupakan mesin yang digunakan untuk merepresentasikan basis pengetahuan sehingga dihasilkan informasi yang dibutuhkan dan dapat dimengerti oleh pengguna. Metode yang digunakan dalam merancang mesin inferensi Sistem Pakar untuk Diagnosa Penyakit dalam adalah metode pelacakan ke depan (forward chaining). Dalam mesin inferensi sistem pakar, sistem akan membaca masukan pengguna berupa masukan gejala yang dirasakan. Tiap masukan gejala memiliki id gejala yang kemudian akan dilacak oleh sistem di dalam tabel data gejala. Dari id gejala tersebut sistem
akan melacak di tabel kaidah diagnosa untuk mendapatkan nilai certainty factor serta pasangan penyakit gejala tersebut. Kemudian sistem akan melakukan perhitungan untuk setiap nilai certainty factor per penyakit berdasarkan basis pengetahuan yang digunakan. Diagram alir mesin inferensi dapat dilihat pada gambar
IV. Pengujian dan Analisa Sistem Pakar 4.1 Pengujian Perhitungan Nilai Certainty Factor Pada pengujian perhitungan nilai CF akan diambil satu sampel penyakit, yaitu Demam Berdarah (id penyakit nomor 1)
Gambar 5. Pilihan pertanyaan Pada gambar 5 dipilih tiga buah gejala yang akan didiagnosa. Gejala yang dipilih adalah gejala pada metode diagnosa wawancara yang mengarah pada penyakit Demam Berdarah
Gambar 4. Diagram alir mesin inferensia Pada gambar 4 dapat dilihat bahwa masukan pengguna berasal dari pilihan checkbox pada daftar pertanyaan yang dibagi berdasarkan metode diagnosa yang digunakan (wawancara, pemeriksaan fisik dan pemeriksaan penunjang). Pilihan pada checkbox tersebut merupakan metode pertanyaan yang terdapat pada tabel data gejala. Dari pilihan tersebut, sistem akan mencari id gejala yang dipilih pada tabel data gejala. Setelah mendapatkan id gejala, sistem akan mencari id gejala tersebut pada tabel kaidah diagnosa untuk mendapatkan pasangan penyakit dan nilai certainty factornya. Data dari tabel kaidah diagnosa tersebut di pindah ke tabel diagnosa untuk dilakukan perhitungan. Sebelum dilakukan perhitungan, id penyakit diurutkan berdasarkan urutan dari yang terkecil ke yang terbesar untuk dibuat session perhitungan certainty factor per penyakit. Penyakit yang muncul akan dihitung berapa banyak, dan nilai certainty factor juga dihitung per penyakit. Data hasil perhitungan (id penyakit dan nilai CF) kemudian di pindah ke tabel hasil_sementara, lalu kemudian sistem akan menampilkan tiga penyakit dengan nilai CF terbesar. Data tersebut disimpan di tabel hasil_sementara dengan maksud untuk membedakan keputusan diagnosa yang akan diambil. Untuk pengguna dengan userrole pakar, proses akan dilanjutkan dengan menentukan hasil penyakit yang akan dipilih serta menuliskan resep pengobatan, sedangkan pengguna selain userrole pakar, sistem hanya akan menampilkan tiga penyakit dengan nilai CF terbesar dan pesan “Hubungi dokter pribadi anda”.
Gambar 6. Tabel diagnosa Setelah pengguna memilih data gejala pada checkbox pertanyaan, sistem akan mencari id gejala tersebut pada tabel datagejala, lalu id gejala tersebut digunakan untuk mencari data penyakit dan nilai CF di tabel kaidah_diagnosa. Semua data tersebut akan dikirimkan ke tabel diagnosa untuk dilakukan perhitungan. Di tabel diagnosa pada gambar 6, muncul beberapa penyakit yang memiliki kecocokan dengan masukan gejala dari checkbox pertanyaan dengan nilai CF tiap pasangan id penyakit dan id gejala yang didapat dari tabel kaidah diagnosa.
metode diagnosa pemeriksaan penunjang, lalu diikuti dengan wawancara dan pemeriksaan fisik. Banyaknya penyakit yang terdiagnosa tidak serta merta membuat nilai CF total menjadi tinggi, tetapi tergantung pada besarnya nilai CF pasangan antara satu id penyakit dengan satu id gejala pada aturan kaidah diagnosa. 4.3 Pengujian dengan Dua Metode Diagnosa Pada pengujian dengan dua metode diagnosa akan dibandingkan hasil diagnosa antara metode wawancara dengan gabungan pemeriksaan fisik dan pemeriksaan penunjang Tabel 2. Perbandingan hasil diagnosa antara metode wawancara dengan gabungan pemeriksaan fisik dan pemeriksaan penunjang Perbandingan W F dan P Gambar 7. Hasil nilai CF di tabel hasil_sementara Pada gambar 7 muncul beberapa nilai CF total per id penyakit yang diurutkan berdasarkan nomor id penyakit. Akan dilakukan perhitungan manual untuk sampel salah satu penyakit, yaitu penyakit dengan id nomor dua. CF1 = 0.9 CF2 = 0.9 + 0.6 *(1-0.9) = 0.96 CF3 = 0.96 + 0.8 * (1-0.96) = 0.992 Dari hasil perhitungan didapatkan nilai yang sama dengan nilai CF total pada tabel hasil_sementara. Ini membuuktikan perhitungan nilai CF pada sistem pakar ini benar. 4.2 Pengujian dengan Satu Metode Diagnosa Pada pengujian dengan satu metode diagnosa, akan dibandingkan hasil penyakit dan nilai CF dari tiga masukan gejala untuk masing-masing metode diagnosa Tabel 1. Perbandingan hasil diagnosa dengan menggunakan satu metode diagnosa Perbandingan W F P Masukan id gejala Banyaknya
2,5,6
63, 65, 70
83, 85, 86
11
2
4
0.975
0.88
0.998
diagnosa penyakit Total CF tertinggi
Keterangan: W : metode diagnosa wawancara F : metode diagnosa pemeriksaan fisik P : metode diagnosa pemeriksaan penunjang Dari tabel 1 dapat dilihat bahwa masukan untuk tiap metode diagnosa sama banyaknya (tiga gejala). Pada pemeriksaan fisik dan penunjang, banyaknya diagnosa penyakit dari masukan gejala, lebih sedikit dibandingkan dengan wawancara. Hal ini disebabkan karena gejala yang terdapat pada pemeriksaan fisik dan penunjang lebih spesifik dan memiliki nilai CF hubungan antara id penyakit dan id gejala yang relatif tinggi. Untuk nilai total CF tertinggi dihasilkan dari
Masukan id gejala
Banyaknya diagnosa
1,5,6,7,8,
34,54,55,
9,10,15,17
57,83,84
15
5
0.99998848
0.9999
penyakit Total CF tertinggi
Keterangan: W : metode diagnosa wawancara F : metode diagnosa pemeriksaan fisik P : metode diagnosa pemeriksaan penunjang Dari tabel 2 didapatkan hasil yaitu dengan menggunakan dua metode diagnosa pemeriksaan fisik dan penunjang, banyaknya penyakit yang terdiagnosa lebih sedikit dibandingkan dengan menggunakan satu metode diagnosa. Tetapi nilai total CF tertinggi didapatkan dari diagnosa dengan menggunakan satu metode saja, ini membuktikan bahwa nilai total CF tidak dipengaruhi oleh banyaknya metode diagnosa, tetapi banyaknya masukan gejala yang sesuai serta besarnya nilai CF hubungan antara id penyakit dan id gejala.
4.4 Pengujian dengan Tiga Metode Diagnosa Pada pengujian dengan tiga metode diagnosa ini akan diambil satu sampel penyakit (demam tifoid) dan membandingkannya dengan hasil diagnosa dengan menggunakan satu dan dua diagnosa. Tabel 3. Aturan untuk penyakit Demam Tifoid MetodeDiagnosa Wawancara Wawancara Wawancara Wawancara Wawancara Wawancara Wawancara Wawancara Wawancara Fisik Fisik Fisik Penunjang Penunjang Penunjang
Id gejala 1 5 6 7 8 9 10 15 17 54 55 57 34 83 84
Nilai CF 0.9 0.6 0.8 0.5 0.7 0.8 0.8 0.6 0.4 0.8 0.9 0.5 0.5 0.8 0.9
Dengan asumsi semua gejala dipilih, maka hasil diagnosa dapat dilihat pada tabel 4 berikut: Tabel 4. Perbandingan hasil diagnosa antara tiga metode diagnosa. dengan gabungan pemeriksaan fisik dan pemeriksaan penunjang Perbandingan W, F dan P F dan P Masukan
1,5,6,7,8,9,1015,17,
34,54,55,
id gejala
34,54,55,57,83,84
57,83,84
Total CF
0.99999999808
0.9999
Keterangan: W : metode diagnosa wawancara F : metode diagnosa pemeriksaan fisik P : metode diagnosa pemeriksaan penunjang Dari tabel 4 terlihat bahwa dengan menggunakan tiga metode diagnosa dan dengan kecocokan masukan gejala yang lebih banyak, maka didapatkan nilai CF yang semakin besar dan diagnosa penyakit yang semakin tepat. Untuk itu disarankan dalam penggunaan sistem pakar untuk analisa penyakit dalam ini menggunakan ketiga metode diagnosa dan memasukkan sebanyak-banyaknya gejala sesuai dengan yang dirasakan atau diderita.
5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Dalam pembuatan dan penyelesaian tugas akhir yang berjudul “Perancangan dan Implementasi Sistem Pakar untuk Analisa Penyakit Dalam” ini dapat ditarik kesimpulan antara lain: 1. Deskripsi gejala yang terdapat pada metode diagnosa pemeriksaan fisik dan penunjang lebih spesifik daripada wawancara. 2. Dengan penggunaan satu metode diagnosa, hasil penyakit yang terdiagnosa dengan metode wawancara, lebih banyak dibanding dengan metode pemeriksaan fisik atau penunjang. 3. Nilai CF total ditentukan banyaknya kecocokan gejala masukan dan nilai CF per korelasi antara id gejala dan id penyakit pada kaidah diagnosa 4. Semakin banyak masukan gejala dan metode diagnosa yang digunakan, maka akan semakin akurat pula hasil diagnosa penyakit dalam. 5. Tampilan hasil diagnosa penyakit dibatasi sebanyak tiga penyakit dengan nilai CF total terbesar sesuai urutan dari yang terbesar. 6. Keputusan penyakit lebih lanjut diserahkan kepada pihak yang berwenang, dalam hal ini dokter ataupun ahli medis. 5.2 Saran Penulis memberikan saran yang mungkin dapat bermanfaat bagi pengembangan tugas akhir ini antara lain: 1. Penyakit yang dibahas dalam sistem pakar ini dibatasi hanya dua puluh penyakit, untuk ke depannya dapat ditambahkan data penyakit dan gejala serta pengetahuan kepakaran lebih banyak agar dapat digunakan lebih luas lagi. 2. Sistem pakar ini dibuat dengan bahasa pemrograman PHP dan basisdata MyQSL dengan maksud agar dapat dikembangkan untuk dapat digunakan secara online sehingga lebih banyak orang yang dapat memanfaatkan.
DAFTAR PUSTAKA [1]Giarratano, J.C & Riley G, Expert Systems : Princples and Programming, 2nd edition. PWS Publishing Co. USA:1994. [2]Kusrini. Aplikasi Sistem Pakar. Penerbit ANDI. Yogyakarta:2008. [3]Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta:2003.
Adhi Sadewo Broto (L2F304202) lahir di Palembang,15 Juli 1982. Menyelesaikan pendidikan dasar dan menengah pertama di Palembang, pendidikan menengah atas di Semarang dan Diploma 3 di Politeknik Negeri Semarang. Saat ini sedang menempuh pendidikan Strata 1 di jurusan Teknik Elektro bidang Konsentrasi Teknik Elektronika Telekomunikasi Universitas Dipenegoro
Mengetahui, Dosen Pembimbing I
Dosen Pembimbing II
Imam Santoso,S.T.,M.T. NIP.197012031997021001
Ajub Ajulian Zahra,S.T.,M.T. NIP.197107191998022001
