SISTEM PAKAR UNTUK MENDIAGNOSA GANGGUAN PERTUMBUHAN

PADA BALITA DENGAN MENGGUNAKAN METODE FORWARD

CHAINING
Dean Jainuri dan 2Budanis Dwi Meilani, ST, M.Kom

Mahasiswa Jurusan Sistem Informasi, Fakultas Teknologi Informasi,

Institut Teknologi Adhi Tama Surabaya (ITATS)
E-mail : dj.dalasitu@gmail.com

Dosen Jurusan Sistem Informasi, Fakultas Teknologi Informasi,

Institut Teknologi Adhi Tama Surabaya (ITATS)
E-mail : dwimeilanibudanis@yahoo.com
ABSTRAK

Sistem pakar merupakan suatu sistem yang dibangun untuk membantu dalam mendeteksi penyakit
dengan basis pengetahuan yang dinamis. Pengetahuan ini didapat dari pakar yaitu dokter gizi dan
ahli gizi. Dalam sistem pakar ini menggunakan metode inferensi forward chaining. Dalam penelitian
ini menggunakan metode wawancara dengan dokter gizi dan ahli gizi. Adapun untuk tujuan
penelitian adalah membangun suatu aplikasi sistem pakar yang user friendly sehingga orang awam
bisa menggunakan aplikasi ini. Dan untuk manfaatnya adalah dapat membantu para ibu untuk
mengetahui gangguan pertumbuhan apa yang sedang dialami oleh anak mereka.. Hasil yang
diperoleh dari penelitian ini adalah aplikasi sistem pakar untuk mendiagnosa gangguan pertumbuhan
pada balita dengan menggunakan metode forward chaining yang memanfaatkan komputer sebagai
alat bantu untuk mengakses data.
Kata kunci : Sistem Pakar, Gangguan Pertumbuhan, Forward Chaining

ABSTRACT
An expert system is a system that is built to help detecting disease based on dynamic knowledge. The
knowledge is obtained from the experts i.e. medical doctors and nutritionists. This expert system
uses the inference forward chaining method. In this research the interview method with doctors and
nutritionists is applied. The purpose of the research is to set up an expert system application that is
user friendly oriented so that nonprofessional people can also use this application. And it can also
help mothers to know what growth disorder is being experienced by the children. The result
obtained from this research is an expert system application to diagnose growth disorders of children
under five years old by means of forward chaining method utilizing the computer as the supporting
tool to access data.
Keywords : Expert System, Growth Disorder, Forward Chaining.

I.

Pendahuluan
Kecerdasan buatan merupakan salah satu bagian dari ilmu komputer yang membuat mesin
(komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Sistem Pakar
(Expert System) adalah program berbasis pengetahuan yang menyediakan solusi-solusi dengan
kualitas pakar untuk problema dalam suatu domain yang spesifik. Sistem pakar merupakan program
komputer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan masalah
tertentu. Implementasi sistem pakar telah digunakan pada bidang kesehatan karena sistem pakar
dianggap sebagai cara untuk meyimpan pengetahuan pakar pada bidang tertentu dalam program
komputer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas.
Masa yang paling menentukan dalam proses tumbuh kembang seorang anak ialah masa di
dalam kandungan ibunya kira kira satu tahun sesudahnya, pada saat mana sel otak sedang tumbuh
dan menyempurnakan diri secara pesat sekali. Untuk kemudian bertambah lambat sedikit demi
sedikit sampai anak berumur lima tahun. Dapat dimengerti bahwa dalam upaya menurunkan
masalah tumbuh kembang seorang anak harus dilakukan upaya pencegahan sedini mungkin, yakni
sejak pembuahan, janin di dalam kandungan ibu, pada saat persalinan sampai dengan masa masa
kritis proses tumbuh kembang manusia yaitu masa di bawah usia lima tahun.
Salah satu implementasi sistem pakar dibidang kesehatan, yaitu sistem pakar untuk
mendiagnosa gangguan pertumbuhan pada balita. Kebanyakan ibu-ibu bingung dengan gangguan
pertumbuhan apa yang sedang dialami oleh buah hatinya dan tak jarang mereka harus menemui
dokter untuk berobat atau sekedar berkonsultasi. Oleh karena itu untuk membantu para ibu dibangun
suatu aplikasi sistem pakar untuk mendiagnosa gangguan pertumbuhan pada balita.

II. Landasan Teori

A. Sistem Pakar
Menurut (Marimin,1992), Sistem pakar merupakan sistem perangkat lunak yang
menggunakan ilmu, fakta dan teknik berpikir untuk pengambilan keputusan dalam menyelesaikan
masalah yang hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.
Sistem pakar mengkombinasikan kaidah penarikan kesimpulan dengan basis pengetahuan
tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal
tersebut kemudian akan disimpan dan akan digunakan dalam proses pengambilan keputusan untuk
penyelesaian masalah. Perbandingan sistem konvensional dengan sistem pakar sebagai berikut
(Kusumadewi, 2003):
a. Sistem Konvensional
Berikut merupakan komponen-komponen dalam sistem konvensional :
1. Informasi dan pemrosesan umumnya digabung dalam satu program
sequential
2. Program tidak pernah salah (kecuali pemrogramnya yang salah)
3. Tidak menjelaskan mengapa input dibutuhkan atau bagaimana hasil
diperoleh
4. Data harus lengkap
5. Perubahan pada program merepotkan
6. Sistem bekerja jika sudah lengkap.
b. Sistem Pakar
Berikut merupakan komponen-komponen dalam sistem pakar :
1. Knowledge base terpisah dari mekanisme pemrosesan (inference)
2. Program bisa melakukan kesalahan

3. Penjelasan (explanation) merupakan bagian dari ES

4. Data tidak harus lengkap
5. Perubahan pada rules dapat dilakukan dengan mudah
6. Sistem bekerja secara heuristik dan logik
Suatu sistem dikatakan sistem pakar apabila memiliki ciri-ciri sebagai berikut :
1. Terbatas pada domain keahlian tertentu
2. Dapat memberikan penalaran untuk data-data yang tidak pasti
3. Dapat mengemukakan rangkaian alasan-alasan yang diberikannya dengan cara yang dapat
dipahami
4. Berdasarkan pada kaidah atau rule tertentu
5. Dirancang untuk dikembangkan sacara bertahap
6. Keluarannya atau output bersifat anjuran.
Adapun banyak manfaat yang dapat diperoleh dengan mengembangkan sistem pakar, antara
lain :
1. Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam
bidang tertentu tanpa kesadaran langsung seorang pakar
2. Meningkatkan produktivitas kerja, yaitu bertambahnya efisiensi pekerjaan tertentu
serta hasil solusi kerja
3. Penghematan waktu dalam menyelesaikan masalah yang kompleks
4. Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks
dan berulang-ulang
5. Pengetahuan dari seorang pakar dapat dikombinasikan tanpa ada batas
waktu
6. Memungkinkan penggabungan berbagai bidang pengetahuan dari
berbagai pakar untuk dikombinasikan.
Selain banyak manfaat yang diperoleh, ada juga kelemahan pengembangan
sistem pakar, yaitu :
1. Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya dilakukan
secara otomatis oleh sistem
2. Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan dengan
perangkat lunak konvensional.
Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia,
tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat
digunakan oleh orang banyak.
B. Forward Chaining
Forward chaining (Irawan,2007) adalah suatu metode dari inference engine untuk memulai
penalaran atau pelacakan data dari fakta-fakta yang ada menuju suatu kesimpulan. Dalam
forward reasoning, proses inferensi dimulai dari seperangkat data yang ada menuju ke
kesimpulan. Pada proses ini akan dilakukan pengecekan terhadap setiap rule untuk melihat
apakah data yang sedang di observasi tersebut memenuhi premis dari rule tersebut. Apabila
memenuhi, maka rule akan dieksekusi untuk menghasilkan fakta baru yang mungkin
digunakan oleh rule yang lain. Proses pengecekan rule disebut rule interpretation. Pada
sistem berbasis pengetahuan, rule interpretation dilakukan oleh mesin inferensi. Pelacakan

maju ini sangat baik jika bekerja dengan permasalahan yang dimulai dengan rekaman
informasi awal dan ingin dicapai penyelesaian akhir, karena seluruh proses akan dikerjakan
secara berurutan maju. Tipe sistem yang dapat dicari dengan Forward chaining :
1.
Sistem yang dipersentasikan dengan satu atau beberapa kondisi.
2.
Untuk setiap kondisi, sistem mecari rule-rule dalam knowledge base untuk rule-rule
yang berkorespondensi dengan kondisi dalam bagian IF
3.
Setiap rule dapat menghasilkan kondisi baru dari konklusi yang diminta pada bagian
THEN. Kondisi baru ini ditambahkan ke kondisi lain yang sudah ada.
4.
Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika ditemui suatu kondisi
baru dari konklusi yang diminta, sistem akan kembali ke langkah 2 dan mencari rulerule dalam knowledge base kembali. Jika tidak ada konklusi baru, sesi ini berakhir.
Metode forward chaining memiliki karakteristik sebagai berikut :
1.
Perencanaan, monitoring, control
2.
Disajkan untuk masa depan
3.
Antecedent ke konsekuen
4.
Data memandu, penalaran dari bawah ke atas
5.
Bekerja ke depan untuk mendapatkan solusi apa yang mengikuti fakta
Contoh penerapan forward chaining :
Misal :
Harta waris : 3000000
Fakta anak : 1 laki - laki, 1 perempuan.
Konklusi : jumlah harta waris yang didapat oleh masing masing anak.
IF (jml_ank_laki <> 0) AND (jml_ank_perempuan <> 0) THEN
bagian_anak_laki = (2/3 * jumlah_harta) / jumlah_anak_laki;
bagian_ank_perempuan = (1/3 * jumlah_harta) / jml_ank_perempuan;
END
Jadi harta waris yang didapat oleh masing masing anak pada aturan produksi di atas adalah:
Bagian anak laki laki : (2/3 * 3000000) / 1 = 2000000
Bagian anak perempuan : (1/3 * 3000000) / 1 = 1000000
Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert
konklusi. Forward Chaining adalah data driven karena inferensi dimulai dengan informasi
yg tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan
tidak dalam, maka gunakan forward chaining
III. Perancangan Sistem
Perancangan ini merupakan implementasi dari bagian struktur program yang dibuat untuk
mencapai tujuan perangkat lunak yang diinginkan. Pada bagian ini menjelaskan proses manajemen
data yang dilakukan oleh admin. Adapun detail proses manajemen tersebut dapat dilihat pada
gambar 1 .

Mulai

Halaman login

Input
username
dan
password
Tidak

Validasi

Ya
Halaman
utama admin

Melakukan
pengolahan
data admin?

Ya

Menampilkan
halaman
pengolahan
data admin

Input
pengolahan
data admin

Proses
pengolahan data
admin

Menampilkan
data admin

Ya

Menampilkan
halaman
pengolahan
data penyakit

Input
pengolahan
data
penyakit

Proses
pengolahan data
penyakit

Menampilkan
data penyakit

Ya

Menampilkan
halaman
pengolahan
data gejala

Input
pengolahan
data gejala

Proses
pengolahan data
gejala

Menampilkan
data gejala

Ya

Menampilkan
halaman
pengolahan
data diagnosa

Input
pengolahan
data
diagnosa

Proses
pengolahan data
diagnosa

Menampilkan
data diagnosa

Tidak
Melakukan
pengolahan
data penyakit?
Tidak
Melakukan
pengolahan
data gejala?
Tidak
Melakukan
pengolahan
data diagnosa?

Tidak

Selesai

Gambar 1 Flowchart Proses Pengolahan Data Dan Pembuatan Sistem Pakar Oleh Admin
Pada Gambar 1 Flowchart Proses Pengolahan Data Dan Pembuatan Sistem Pakar Oleh
Admin. Menjelaskan tentang flowchart sistem input data dan pengelolaan sistem pakar oleh admin.
Admin terlebih dahulu harus login ke sistem untuk mengakses data pada sistem. Setelah login,
sistem akan menampilkan halaman utama. Pada halaman utama tersebut terdapat beberapa menu
yaitu :
a) Pengolahan Data Admin
Pada menu ini admin dapat mengelolah data para admin.
b) Pengolahan Data Penyakit
Jika admin ingin mengelolah data penyakit maka admin memilih menu penyakit yang kemudian
diproses oleh sistem. Setelah data tersebut diproses maka selanjutnya sistem akan menampilkan
data penyakit yang sudah diinput.
c) Pengolahan Data Gejala
Pada menu gejala berfungsi untuk mengelolah data gejala-gejala penyakit.
d) Pengolahan Data Diagnosa
Pada menu ini admin mengelolah aturan-aturan atau pohon keputusan yang nantinya akan
digunakan oleh sistem. Pada proses pembuatan dan pengelolaan sistem pakar, admin
menginputkan data sistem pakar sesuai dengan masing-masing gejala-gejala pada penyakit.

Selanjutnya adalah flowchart deskripsi proses mendiagnosa penyakit oleh user. Pada bagian ini
menjelaskan bagaimana user menggunakan sistem pakar tersebut untuk mendianosa penyakit yang
dialami. Detail proses penggunaan sistem pakar dapat dilihat pada gambar 2 .
Mulai

Halaman
Utama

Apakah Ingin
Melakukan
Diagnosa?

Ya

Tampilkan
halaman
diagnosa

Ya

Tampilkan
halaman
bantuan

Input gejala
yang
dialami

Proses
diagnosa

Tampilkan
hasil diagnosa

Tidak

Apakah
Membutuhkan
Bantuan?
Tidak

Selesai

Gambar 2 Flowchart Deskripsi Proses Mendiagnosa Penyakit Oleh User

Pada Gambar 2 Flowchart Deskripsi Proses Mendiagnosa Penyakit Oleh User. Pertama user
membuka sistem diagnosa maka akan tampil halaman utama untuk user yang berisi menu diagnosa
dan bantuan. Di menu diagnosa, user menginput gejala penyakit yang dialami dengan mengisi
quisioner gejala-gejala penyakit yang diajukan oleh sistem, setelah seluruh quisioner terisi maka
sistem akan memproses penyakit apa yang sedang dialami berdasarkan gejala-gejala yang timbul.
Selanjutnya adalah flowchart dari proses inference engine yang dapat dilihat pada gambar 3
Proses
diagnosa

Data penyakit

Cek rule

Data Gejala

Tidak
Set pertanyaan
sudah terjawab
semua?

Ya

Kesimpulan

Return

Gambar 3 Flowchart Proses Inference Engine

Pada Gambar 3 Flowchart Proses Inference Engine. Pertama sistem akan mengecek rule dari data
penyakit dan data gejala setelah itu sistem akan mengidentifikasi apakah pertanyaan sudah terjawab
semua jika belum sistem akan mengulang pengecekan, dan jika sudah terjawab semua maka sistem
akan mendapatkan kesimpulan
Lalu untuk diagram konteks dapat dilihat pada gambar 4

Gambar 4 Diagram Konteks

Keterangan gambar 4 adalah sebagai berikut :
Pada Entity Admin :
Admin melakukan input data yaitu username dan password di halaman aplikasi, kemudian
admin melakukan pengelolaan pada data master.
Pada Entity user :
Sistem akan menampilkan halaman utama sistem, pada menu diagnosa user dapat melakukan
diagnosa untuk mengetahui penyakit yang diderita.
Sedangkan untuk diagram jenjang akan disajikan pada gambar 5

Gambar 5 Diagram Jenjang

Dari dfd yang telah dibuat, maka sistem dapat diperjelas dengan menggambarkannya kedalam
diagram berjenjang yang memperlihatkan proses-proses yang ada dalam sistem nantinya

Setelah di jelaskan menggunakan diagram konteks pada gambar 4 maka untuk melihat perancangan
lebih detail yaitu dengan melihat DFD level 0 dan level 1 pada gambar 6 dan gambar 7 berikut.

Gambar 6 DFD Level 0

DFD level 0 adalah hasil decompose dari DFD level konteks, yang menghasilkan tiga proses, yaitu
proses login, proses pengolahan data master, dan proses diagnosa.

Gambar 7 DFD Level 1

DFD level 1 adalah subproses yang ada di dalam DFD level 0 . Sub proses level ini menjelaskan
tentang apa saja kegiatan yang ada di dalam subproses pengolahan data master
CDM (Conseptual Data Model) dan PDM (Physical Data Model) yaitu pemodelan untuk
perancangan database yang dijelaskan pada gambar 8 dan gambar 9.

Gambar 8 CDM
Pada gambar 8 CDM (Conseptual Data Model) diatas menjelaskan tentang struktur perancangan
untuk aplikasinya. Setelah itu PDM adalah hasil generate dari CDM. Pada PDM menjelaskan
tentang gambaran pada susunan tabel basis datanya yang akan dijelaskan pada gambar 9.

Gambar 9 PDM
IV. Implementasi Sistem
Implementasi tampilan program ini ditujukan untuk memudahkan user menggunakan sistem
yang telah dibuat. Pada penjelasan ini nantinya akan terbagi menjadi dua bagian implementasi
antara lain, implementasi halaman admin, dan implementasi user. Untuk implementasi admin dapat
dilihat pada gambar 10 lalu untuk implementasi user dapat dilihat pada gambar 11.

Gambar 10 Halaman menu admin

Pada halaman menu ini terdapat beberapa menu yaitu beranda atau menu awal, menu data gejala,
data penyakit, data diagnosa, dan data admin yang berfungsi untuk mengolah data yang ada di tiap
menu tersebut dan menu tambah data yang berfungsi untuk menambah data. Lalu pada gambar 11
yaitu halaman menu user yang terdapat beberapa menu seperti menu beranda atau halaman awal,
menu diagnosa yang berfungsi untuk mendiagnosa user, menu info&tips yang berisi info seputar
masalah tumbuh kembang, dan menu bantuan yang berisi penjelasan penggunaan aplikasi.

Gambar 11 Halaman menu user

Setelah dijelaskan implementasi pada admin dan user, Berikut ini adalah hasil analisa penelitian
terhadap keakuratan aplikasi. Dimana penelitian dilakukan di Puskesmas Lidah Kulon dengan
mengambil sampel pada pasien unit gizi yang dapat dilihat pada tabel 1 .
Tabel 1
Hasil Analisa Keakuratan Aplikasi.

Dari data tabel diatas dapat disimpulkan bahwa keakuratan aplikasi ini sebesar 70%, karena dari 10
pasien yang dijadikan sampel 7 diantaranya menderita penyakit yang sama seperti yang didiagnosa
oleh aplikasi setelah terdiagnosa oleh dokter.
V. Kesimpulan
Berdasarkan hasil analisa dan perancangan sistem serta implementasi aplikasi Sistem Pakar
Untuk Mendiagnosa Gangguan Pertumbuhan Pada Balita Dengan Menggunakan Metode Forward
Chaining dapat diambil kesimpulan sebagai berikut :
1. Aplikasi dapat digunakan sebagai media untuk membantu para ibu yang ingin mengetahui
penyakit apa yang sedang diderita anaknya.
2. Para ibu akan merasa terbantu dengan adanya info dan tips yang tersedia di aplikasi ini.
3. Dari 10 pasien yang didiagnosa oleh aplikasi ini 7 diantaranya sesuai dengan hasil diagnosa
dokter yang berarti keseuaian aplikasi ini sekitar 70%.
Penyebab ketidaksesuaian pada beberapa diagnosa disebabkan oleh gejala dan penyakit yang lebih
spesifik dan belum tercakup dalam aplikasi ini.

VI. Daftar Pustaka

Irawan, Jusak, (2007), Buku Pegangan Kuliah Sistem Pakar, Surabaya: Sekolah Tinggi
Manajemen Informatika & Teknik Komputer Surabaya.
Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha
Ilmu.
Marimin. (1992). Pengenalan Sistem Pakar. Jakarta: Elex Media Komputindo.
Soetjiningsih. (1998). Tumbuh Kembang Anak. Jakarta: EGC.