SISTEM PAKAR PENDETEKSI BAYI BERAT LAHIR RENDAH PADA IBU HAMIL (Menggunakan Metode Certainty Factor) NASKAH PUBLIKASI

SISTEM PAKAR PENDETEKSI BAYI BERAT LAHIR RENDAH PADA IBU HAMIL (Menggunakan Metode Certainty Factor)

NASKAH PUBLIKASI

diajukan oleh Fahmi Sahru Ramadhan 12.11.6460

kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2016

SISTEM PAKAR PENDETEKSI BAYI BERAT LAHIR RENDAH PADA IBU HAMIL (Menggunakan Metode Certainty Factor) Fahmi Sahru Ramadhan1), Kusrini 2) 1). 2)

Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ringroad Utara, Condongcatur, Depok, Sleman, Yogyakarta Indonesia 55283 Email : [email protected]), [email protected]) Abstract - Babies of low birth weight (LBW) is a condition where a baby born with a weight less than 2500 grams. This condition makes Babies of low birth weight as one of the highest causes of postpartum infant mortality. Expert system is a program created by imitating the mindset of an expert. Referring to that, an expert system has been made with a focus on detection of Babies low birth weight with calculation method using certainty factors in hopes of making decision like an expert. Expert system of Babies low birth weight's program provides consultation services, giving information of Babies low birth weight, symptoms, impact, until early handling for Babies low birth weight, so it can be known and prevented early on. Through expert system of Babies low birth weight is expected to reduce the chances of pregnant women give birth with Babies low birth weight conditions. Keywords - Babies of Low Birth Weight, LBW, Expert System 1. Pendahuluan 1.1 Latar Belakang Saat ini perangkat teknologi informasi tak dipungkiri dibuat semakin menyerupai pola pikir manusia dalam hal pengambilan keputusan yang tepat. Ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia disebut kecerdasan buatan [1]. Dalam kecerdasan buatan terdapat sebuah cabang ilmu yang dinamakan sistem pakar. Seperti yang didefinisikan oleh Turban bahwa sistem pakar adalah program komputer yang menirukan penalaran seorang pakar dengan keahlian pada suatu wilayah pengetahuan tertentu [1]. Masalah Bayi Berat Lahir Rendah (BBLR) pada ibu hamil dalam bidang kesehatan, merupakan kasus yang memerlukan perhatian lebih, mengingat kasus Bayi Berat Lahir Rendah (BBLR) sendiri merupakan satu dari sekian penyebab tingginya angka kematian bayi pasca persalinan. Bayi Berat Lahir Rendah (BBLR) ialah bayi baru lahir yang berat badannya saat lahir kurang dari 2500 gram (sampai dengan 2499 gram) [2].

1

Dalam pendeteksiannya, BBLR biasanya dideteksi dengan cara manual, antara lain melakukan tanya jawab terhadap pasien, melakukan pemeriksaan lingkar lengan pada ibu hamil, melakukan pencatatan berat badan ibu hamil, pemeriksaan bayi baru lahir dengan melakukan penimbangan, serta melakukan pemeriksaan fisik lanjut. Setelah melakukan prosedur tersebut, hasil pemeriksaan kemudian dicatat, untuk selanjutnya dihitung kemungkinan seorang ibu mengandung BBLR, dimana cara-cara ini membutuhkan waktu yang cukup lama. Sistem pakar BBLR dengan menggunakan metode certainty factor merupakan sebuah sistem yang menunjang pemeriksaan ibu hamil dengan menggunakan pola pikir menyerupai seorang pakar dalam hal pendeteksian gejala serta kemungkinan BBLR. Dengan penggunaan sistem pakar ini diharapkan tingkat keakuratan deteksi seorang ibu mengandung bayi dengan kondisi BBLR lebih tinggi. Lebih dari itu, penggunaan sistem pakar dapat menghindari kehilangan data, sehingga data lebih terjamin keamananannya. Selanjutnya, dengan adanya sistem pakar ini, diharapkan kinerja paramedis dapat lebih efisien mengingat bantuan komputasi dari komputer sebagai sistem pakar pendukung. 1.2 Rumusan Masalah Dari latar belakang yang diuraikan sebelumnya, maka dapat dirumuskan sebuah masalah yakni “Perancangan sebuah sistem pakar dengan metode certainty factor untuk mendeteksi Bayi Berat Lahir Rendah (BBLR) pada ibu hamil”. 1.3 Batasan Masalah Agar tidak menyimpang dari permasalahan yang ada, maka penulis membatasi masalah cakupan sistem ini antara lain : 1. Penelitian dilakukan pada ibu hamil dengan umur kehamilan lebih dari 26 minggu. 2. Deteksi gejala dilakukan dengan cara pemeriksaan fisik serta tanya jawab pada ibu hamil, lalu disesuaikan dengan gejala yang ada pada sistem pakar.

3.

4.

5.

Interaksi user dan sistem pakar berupa pilihan gejala dari sistem pakar, dan user memilih sesuai dengan kondisi fisik pasien. Hasil pemrosesan gejala dari sistem pakar berupa angka kemungkinan ibu hamil melahirkan bayi dengan berat lahir yang rendah, diberikan pula saran untuk ibu hamil sebagai langkah mengurangi resiko ibu hamil melahirkan bayi dengan berat badan lahir rendah. Sistem ini bersifat membantu, bukan menggantikan dokter yang lebih berwenang.

mempertimbangkan nilai kepastian dan ketidakpastian suatu gejala. Namun, beberapa gejala dalam sistem pakar masih cukup sukar dipahami oleh pengguna awam dikarenakan beberapa gejala memiliki istilah yang kurang dikenal secara umum serta diperlukan pemeriksaan lebih lanjut oleh orang yang lebih mengerti, dalam hal ini paramedis. Merujuk pada kelebihan dan kekurangan penelitian diatas, dalam penelitian Sistem Pakar Pendeteksi Bayi Berat Lahir Rendah (BBLR) Pada Ibu Hamil (Dengan Menggunakan Certainty Factor) berusaha meminimalisir kekurangan yang ada pada tiga penelitian sebelumnya, dengan membuat sistem pakar yang mudah dipahami pengguna, dan juga fitur yang membantu pengguna untuk mengenali gejala BBLR lebih awal, agar dapat ditangani lebih dini. Penggunaan metode certainty factor juga digunakan dalam penelitian ini guna menghasilkan hasil analisa yang lebih akurat, dengan mempertimbangkan perhitungan nilai kepastian dan ketidakpastian yang ada.

1.4 Maksud dan Tujuan Adapun maksud serta tujuan dari dibuatnya sistem ini yakni membantu menangani masalah pada ibu hamil dalam hal kemungkinan melahirkan Berat Bayi Lahir Rendah (BBLR), serta membantu tenaga paramedis melakukan deteksi dini pada ibu hamil terhadap kejadian Bayi Berat Lahir Rendah (BBLR). 1.5 Tinjauan Pustaka Pada penelitian Sistem Pakar Pemilihan Obat Pada Pasien Hipertensi Berbasis Web Menggunakan Metode Certainty Factor [3], peneliti berfokus pada pasien penyakit hipertensi sebagai obyek penelitian, dengan tujuan pembuatan sistem pakar untuk membantu pasien dengan penyakit hipertensi menentukan obat apa yang harus dipilih berdasarkan gejala yang dirasakan. Pada penelitian tersebut sistem pakar menggunakan metode Certainty Factor, dengan menjadikan web sebagai media untuk mengakses sistem pakar, sehingga menjadi kelebihan sistem ini dapat diakses oleh pengguna secara luas melalui internet, namun beberapa fitur pada sistem ini masih belum memadai serta pemilihan gejala yang belum banyak dipahami oleh pengguna yang awam.

2. Pembahasan 2.1 Analisis SWOT Analisis ini dibuat dengan tujuan untuk mengetahui apa saja kelemahan maupun kekuatan yang ada didalam organisasi pendukung serta sistem dengan harapan kelemahan tersebut dapat dikurangi dan kekuatan dapat dimaksimalkan secara baik dan tepat. 2.1.1 Analisis Kekuatan (Strengths) Analisis kekuatan didasarkan pada kekuatan dari dalam lingkup sistem ini sendiri, dimulai dari kekuatan organisasi sebagai pendukung dibuatnya sistem ini, kekuatan tersebut antara lain : 1. Tersedianya pakar yang ahli dalam bidang ini sebagai pendukung dibuatnya sistem serta sebagai pihak yang bersedia memberikan pengetahuan bagi sistem pakar ini. 2. Tersedianya informasi lengkap mengenai BBLR, mulai dari pengertian hingga langkah pencegahan sehingga dapat membantu masyarakat yang masih memiliki pengetahuan yang rendah mengenai BBLR.

Gama, dalam penelitiannya yang berjudul Sistem Pakar Deteksi Dini Penyakit Herniated Nucleus Pulposus (HNP) Berbasis Web Menggunakan Teorema Bayes [4] menghadirkan perancangan dan pembuatan sistem pakar yang berfokus pada pendeteksian penyakit Herniated Nucleus Pulposus (HNP) beserta pencegahannya. Sistem pakar dalam penelitian ini berbasis web, sehingga menjadi salah satu kelebihan yakni sistem pakar dapat diakses melalui internet oleh pengguna, tampilan sistem juga cukup menarik dengan tambahan pemberian informasi mengenai penyakit HNP. Namun, tata letak beberapa fitur dan juga menu masih belum teratur, sehingga berpotensi membingungkan pengguna.

2.1.2 Analisis Peluang (Opportunities) Analisis peluang merupakan bentuk analisis yang berhubungan dengan perkembangan yang terjadi dimasa mendatang dan berhubungan dengan sistem ini. Peluang sendiri biasanya datang dari luar organisasi pendukung atapun sistem, peluang ini antara lain : 1. Adanya sistem pakar mendukung kerja tenaga medis dalam memeriksa ibu hamil sehingga BBLR dapat di deteksi dan ditangani lebih dini, terlebih sistem pakar ini tidak terikat pada waktu kerja. 2. Sistem pakar ini dapat menjadi media informasi bagi pasien untuk mengenal lebih dalam tentang.BBLR, baik penyebab hingga dampakdampak yang ditimbulkan.

Dalam penelitian yang berjudul Sistem Pakar Pendiagnosa Penyakit Anak Menggunakan Certainty Factor (CF) [5], peneliti berfokus pada penyakit yang di derita oleh anak-anak, dengan tujuan pembuatan sistem pakar ini untuk membantu orang tua mengenal lebih dini penyakit yang ada pada anak mereka, serta sebagai alat bantu medis didaerah-daerah terpencil yang masih kekurangan tenaga medis. Menjadi salah satu kelebihan sistem dimana daftar penyakit dan gejala cukup lengkap disertai penggunaan metode Certainty Factor untuk

2

2.1.3 Analisis Kelemahan (Weakness) Analisis kelemahan dimaksudkan untuk menilai segala kelemahan yang ada baik dalam organisasi penduku maupun sistem ini sendiri, sehingga kedepannya diharapkan kelemahan ini dapat dikurangi ataupun ditutupi dengan kekuatan yang ada. Adapun kelemahan-kelemahan tersebut antara lain : 1. Biaya pembuatan sistem yang lebih komplex dan tersinkronisasi dengan kebutuhan pasien serta perawatan sistem, membutuhkan biaya yang cukup banyak. 2. Keakuratan dari sistem yang belum 100% tepat, dikarenakan perlunya penelitian lebih mendalam mengenai BBLR yang tentunya memerlukan waktu cukup lama. 2.1.4 Analisis Ancaman (Threats) Analisis ancaman merujuk pada kemungkinankemungkinan adanya gangguan yang dapat menghambat jalannya sistem. Analisis ancaman bertujuan mengenali secara dini ancaman-ancaman yang dapat muncul dengan harapan ancaman ini dapat ditanggulangi. Ancaman bagi sistem pakar ini antara lain : 1. Proses sosialisasi kepada para pasien sebagai user ini dalam menggunakan sistem pakar dapat memakan cukup waktu yang lama. 2. Koneksi internet dalam dalam mengakses sistem ini dapat menjadi kendala apabila tidak tersedianya jaringan internet yang memadai untuk digunakan user dalam hal ini pasien.

Gambar 2. DFD Level 1 2.3 Perancangan Tabel Susunan tabel basis data dalam sistem pakar pendeteksi bayi berat lahir rendah (BBLR) pada ibu hamil, antara lain sebagai berikut. Tabel 1. Struktur Tabel useradmin

2.2 DFD DFD digunakan untuk mengilustrasikan aktivitasaktivitas yang ada didalam sistem, termasuk ilustrasi perpindahan data antar aktivitas tersebut. 2.2.1 DFD Level 0 Dalam DFD level 0, digambarkan secara umum proses dari sistem yang berjalan beserta entitas yang ada didalamnya.

Tabel 2. Struktur Tabel Artikel

Tabel 3. Struktur Tabel Gejala

Gambar 1. DFD Level 0

Tabel 4. Struktur Tabel Penanganan

2.2.2 DFD Level 1 Dalam DFD level 1, proses tunggal didalam DFD level 0 dibagi kedalam beberapa proses yang berbeda, dimana beberapa diantaranya merupakan proses interaksi antara admin, user dan sistem pakar

3

3.2 Implementasi Interface Sistem Tabel 5. Struktur Tabel Rekomendasi

3.2.1 Interface Pengguna

Tabel 6. Stuktur Tabel Penyakit

Gambar 5. Halaman Utama Untuk Pengguna 2.4 Relasi Antar Tabel (RAT) Dalam relasi antar tabel ini akan ditunjukkan bagaimana entitas yang ada dalam masing-masing tabel saling berhubungan dan bekerja sama dalam menjalankan sistem ini.

Gambar 6. Halaman Konsultasi Pengguna

Gambar 3. Relasi Antar Tabel 3. Implementasi 3.1 Implementasi Database Database dibuat guna menyimpan data yang dikelompokkan sesuai dengan fungsinya masing-masing. Berikut ini merupakan implementasi database sistem pakar BBLR hasil dari perancangan struktur tabel sebelumnya. Gambar 7. Halaman Hasil Konsultasi Pengguna 3.3 Pengujian Sistem Pengujian sistem dimaksudkan untuk mengetahui, apakah bagian-bagian dari sistem telah berjalan dan terintegrasi dengan baik. Dalam tahapan ini terbagi atas dua tahap pengujian, yakni white box testing dan black box testing. 3.3.1 White Box Testing White box testing dilakukan guna mengetahui apakah terdapat kesalahan alur ataupun proses didalam

Gambar 4. Struktur Database Sistem Pakar BBLR 4

sistem. Kesalahan alur atau proses dalam sebuah program tentunya dapat mempengaruhi satu sama lain sehingga dengan adanya white box testing diharapkan kesalahan tersebut dapat ditanggulangi. Contoh dari white box testing yakni saat admin salah mengisikan data login, maka sistem akan memberikan peringatan bahwa data login yang dimasukkan salah dan tidak sesuai dengan database, seperti yang ditunjukkan dalam gambar berikut.

Tabel 8. Pengujian Program

Gambar 8. Pengujian White Box Testing

4.

3.3.2 Black Box Testing Black box testing merupakan bentuk pengujian sistem secara menyeluruh guna mengetahui apakah program telah berjalan sesuai fungsinya. Disamping itu, pengujian ini dilakukan untuk menguji apakah keluaran program benar-benar tepat sebagaimana mestinya. Pengujian dalam bantuk black box testing ditunjukkan dalam tabel berikut ini.

Penutup

4.1 Kesimpulan Setelah menguraikan, menjelaskan mengenai pembuatan serta pengimplementasian sistem pakar pendeteksi BBLR (Bayi Berat Lahir Rendah) pada ibu hamil dengan metode certainty factor, maka dengan ini dapat disimpulkan beberapa hal antara lain : 1. Sistem pakar deteksi BBLR pada ibu hamil dengan metode Certainty Factor, merupakan sistem pakar berbasis web yang ditujukan untuk ibu hamil dengan usia kehamilan diatas 26 minggu, dan digunakan untuk mengurangi resiko seorang ibu hamil melahirkan bayi dengan berat badan yang rendah. 2. Sistem pakar deteksi BBLR pada ibu hamil dengan metode Certainty Factor merupakan sistem yang fleksibel digunakan, baik secara langsung oleh ibu hamil, maupun tenaga medis sebagai sarana bantuan. 3. Fitur dalam sistem pakar ini mencakup konsultasi BBLR yang didasarkan pada gejalagejala BBLR dan merupakan hasil pilihan dari user. Dari fitur konsultasi ini, akan dihasilkan kesimpulan berupa tingkatan kemungkinan BBLR, beserta saran penanganan yang sesuai berdasarkan masing-masing tingkatan tersebut. 4. Secara keseluruhan sistem sudah dapat menjalankan kebutuhan fungsional yang ada.

Tabel 7. Pengujian Login Sistem

5

4.2 Saran Setelah melakukan perancangan sistem pakar pendeteksi BBLR pada ibu hamil dengan menggunakan metode certainty factor, penulis dapat memberikan saran pengembangan dan penyempurnaan sebagai berikut : 1. Secara tampilan sistem, terutama pada bagian interface user masih sangat sederhana. Kedepannya diharapkan dapat diperbaharui lagi agar lebih menarik dan lebih gampang digunakan oleh user. 2. Pengembangan pada bagian konsultasi user agar lebih efisien dan lebih teratur tata letaknya, sehingga tidak membingungkan user dalam melakukan konsultasi dan menggunakan sistem pakar ini. Daftar Pustaka [1] Kusrini.2006. Sistem Pakar Teori dan Aplikasi. Yogyakarta: Penerbit Andi. [2] Prawirohardjo, S. 2005. IlmuKebidanan. Jakarta: BinaPustaka. [3] Sibghotallah, Zulfa Afifah. Sistem Pakar Pemilihan Obat pada Pasien Hipertensi Berbasis Web Menggunakan Metode Certainty Factor. 2014. Yogyakarta. [4] Gama, Andhika Adhitama. Sistem Pakar Deteksi Dini Penyakit Herniated Nucleus Pulposus (HNP) Berbasis Web Menggunakan Teorema Bayes. 2015. Yogyakarta [5] Latumakulita, Luther A. Sistem Pakar Pendiagnosa Penyakit Anak Menggunakan Certainty Factor (Cf). Jurnal Ilmiah Sains Vol. 12 No. 2, Oktober 2012. Biodata Penulis Fahmi Sahru Ramadhan, mahasiswa Jurusan Teknik Informatika STMIK AMIKOM Yogyakarta angkatan 2012. Kusrini, memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Ilmu Komputer Universitas Gadjah Mada Yogyakarta, lulus tahun 2001. Memperoleh gelar Magister Komputer (M.Kom) S2 Ilmu Komputer Universitas Gadjah Mada Yogyakarta, lulus tahun 2006. Memperoleh gelar Doktor (Dr) S3 Ilmu Komputer Universitas Gadjah Mada Yogyakarta, lulus tahun 2010. Saat ini menjadi Dosen tetap di STMIK AMIKOM Yogyakarta.

6