Seminar Nasional Informatika 2015

SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA TULANG

DENGAN MENGGUNAKAN METODE
CERTAINTY FACTOR

Frans Ikorasaki1
1,2
Sistem Informasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama
3
Universitas Potensi Utama, Jl. Yosudarso Tanjung Mulia Medan
1
ikorasaki221@gmail.com

Abstrak

Dalam konsep pelacakan dalam mencari solusi dengan pendekatan artificial intelligent, ada berbagai
metode yang dapat diterapkan untuk mengatasi masalah ketidak pastian saat proses pelacakan terjadi. Salah
satunya adalah certainty factor. Adanya ketidakpastian pada proses pelacakan dapat terjadi karena adanya
perubahan pengetahuan yang ada di dalam sistem. Untuk di perlukan adanya suatu metode untuk mengatasi
ketidakpastian dengan certainty factor pada kasus pelacakan untuk mendiagnosa penyakit tulang. Subjek
pada penelitian ini adalah proses pelacakan untuk menentukan penyakit tulang Dengan model penalaran dan
metode kepastianya menggunakan certainty factor dengan cara menghitung nilai probabilitas suatu gejala
penyakit tulang dan membandingkan probabilitas setiap gejalanya. Dari penelitian ini yang dilakukan
menghasilkan sebuah keputusan yaitu yang mampu menentukan penyakit tulang dengan menerapkan metode
certainty factor untuk mengatasi ketidakpastian. Hasil uji coba sistem menunjukkan bahwa penerapan ini
layak dan dapat digunakan.

Kata kunci : Metode Certainty Factor, Penyakit Tulang, Sistem Pakar

1. PENDAHULUAN dipelajari dalam bidang-bidang seperti robotika,

penglihatan komputer (computer visio), jaringan
Masalah kesehatan tubuh sangatlah saraf tiruan (artificialneural sistem), pengolahan
bermasalah apabila terjadi gangguan yang bahasa alami (natural language processing),
menyebabkan terjadinya rasa sakit, dimana rasa pengenalan suara (speech recognition), dan sistem
sakit yang dialami tidak dapat di ketahui pakar (expert sistem).
penyebabnya. Rasa sakit yang di alami manusia
terkadang membuat tubuhnya terasa lemas dan 2.1.1 Sistem Pakar
tidak dapat melakukan kegiatan yang seharusnya Sistem pakar (Expert System) mulai
dilakukan sehari-hari. Untuk menangani rasa sakit dikembangkan pada pertengahan tahun 1960-an
tersebut, manusia harus mengetahui gejala-gejala oleh Artificial Intellegence corporation. Sistem
yang menyebabkan terjadinya penyakit. Tindakan pakar yang muncul pertama kali adalahGeneral-
untuk mencegah terjadinya penyakit atau tindakan Purpose Problem Solve (GPS) yang merupakan
penyembuhan diperlukan pakar dalam bidangnya, sebuah Predecessor untuk menyusun langkah-
seperti yang sudah diketahui banyak sekali langkah yang dibutuhkan untuk mengubah situasi
seorang pakar yang sibuk dalam melakukan awal menjadi state tujuan yang telah ditentukan
kegiatannya. Jadi, sulit bagi penderita untuk sebelumnya dengan menggunakan domain
bertemu dengan dokter pakar yang dapat masalah yang kompleks
memberikan tindakan-tindakan pencengahan
ataupun tindakan penyembuhan penyakit. 2.1.2 Arsitektur Sistem Pakar
Sistem pakar terdiri dari dua bagian
2. TINJAUAN PUSTAKA utama, yaitu linkungan pengembangan
(development environment) dan linkungan
2.1 Kecerdasan Buatan Secara Umum konsultasi (consultation environment).
Kecerdasan buatan atau Artifical Development Environment dipakai oleh
Intelligence merupakan salah satu bagian ilmu pembangun sistem pakar untuk membangun
komputer yang membuat agar mesin (komputer) komponen-komponen dan mengenalkan suatu
dapat melakukan perkerjaanya seperti dan pengetahuan kepada knowledge base.
sebaiknya yang dilakukan oleh Consultation Environment dipakai oleh user untuk
manusia.Teknologi kecerdasan buatan mendapatkan suatu pengetahuan yang
berhubungan dengan suatu keahlian (Setiawan,

87
Seminar Nasional Informatika 2015

2003). Komponen-komponen yang biasanya Secara sederhana dapat dijelaskan bahwa untuk
terdapat dalam sebuah sistem pakar terdiri dari: kaidah diatas, agar sistem mencapai konklusi,
harus diinput terlebih dahulu fakta sulit bernafas,
1. Antarmuka pengguna (user interface) pilek, tarikan nafas berbunyi kasar dan penghe
Pada komponen ini terjadi dialog antara mbusan nafas berbunyi mengi. Baru sistem dapat
program dan user, dimana sistem menerima mengeluarkan konklusi bahwa penyakit yang
input berupa informasi dan instruksi dari diderita adalah laringitis. Safia Dhany:
user, dan sistem memberikan output berupa Perancangan
informasi kepada user. Sistem Pakar Untuk Diagnosa Penyakit anak,
2. Basis pengetahuan (knowledge base)
Basis pengetahuan dapat dikatakan sebagai 2.Backward Chaining(Runut Balik)
kumpulan informasi dan pengalaman seorang Backward chaining adalah suatu strategi
ahli pada suatu bidang tertentu. pengambilan keputusan dimulai dari pencarian
3. Akuisisi pengetahuan (knowledge acqusition) solusi dari kesimpulan kemudian menulusuri
Akuisisi pengetahuan merupakan tranformasi fakta-fakta yang ada hingga menemukan solusi
keahlian dalam menyelesaikan masalah dari yang sesuai dengan fakta-fakta yang diberikan
sumber pengetahuan kedalam program pengguna. Contoh penalaran backward chaining
komputer. adalah:
4. Mesin inferensi Lampu 1 rusak,
Mesin inferensi merupakan otak dari sistem
pakar yang mengandung mekanisme fungsi IF Lampu 1 dinyalakan
berpikir dan pola-pola penalaran sistem yang AND Lampu 1 tidak menyala
digunakan oleh seorang pakar. Mesin AND Lampu 1 dihubungkan dengan sekering
inferensi bertindak sebagai penarik AND sekering masih utuh
kesimpulan dan mengkontrol mekanisme dari
sistem pakar. Secara sederhana dapat dijelaskan bahwa
5. Memori kerja (working memory) untuk kaidah diatas, sistem terlebih dahulu
Memori kerja merupakan tempat menduga bahwa lampu 1 rusak. Kebenaran
penyimpanan fakta-fakta yang diketahui dari praduga ini dibuktikan dengan kebenaran fakta
hasil menjawab pertanyaan. lampu 1 tidak menyala, lampu 1 dihubungkan
6. Subsistem penjelasan (explanation dengan sekering dan sekering masih utuh.
subsystem) Kemudian sistem mengeluarkan kesimpulan
Komponen ini merupakan komponen bahwa lampu 1 rusak. Namun apabila ada fakta
tambahan yang akan meningkatkan tidak terpenuhi berarti praduga sistem salah,
kemampuan sistem pakar. Komponen ini selanjutnya sistem akan mengecek konklusi
menggambarkan penalaran sistem kepada berikutnya.
pemakai dengan cara menjawab pertanyaan-
pertanyaan. 2.2 Certainty Factor
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk Faktor kepastian (Certainty Factor) ini
menganalisa dan meningkatkan kinerjanya diusulkan oleh Shortliffe dan Buchanan pada
serta kemampuan untuk belajar dari tahun 1975 untuk mengakomadasi ketidakpastian
kinerjanya pemikiran (inexact reasoning) seorang pakar.
Teori ini berkembang bersamaan dengan
2.1.3 Mesin Inferensi pembuatan sistem pakar MYCIN. Tim
Forward Chaining(Runut Maju) pengembang MYCIN mencatat bahwa dokter
Forward chaining adalah suatu strategi sering kali menganalisa informasi yang ada
pengambilan keputusan yang dimulai dari bagian dengan ungkapan seperti misalnya: mungkin,
premis (fakta) menuju konklusi (kesimpulan kemungkinan besar, hampir pasti, dan sebagainya.
akhir). Metode inferensi ini yang akan digunakan Untuk mengakomodasi hal ini tim MYCIN.
dalam sistem pakar yang akan dibangun dengan menggunakan certainty factor (CF) guna
contoh penalaran sebagai berikut: menggambarkan tingkat keyakinan pakar
IF Sulit bernafas terhadap masalah yang sedang dihadapi[9].
AND Pilek Rumus umum menentukan certainty factor :
AND Batuk kering
AND Tarikan nafas berbunyi kasar dan CF[H,E] = MB[H,E] – MD[H,E]
penghembusan nafas berbunyi mengi
THEN Laringitis dengan :

CF[h,e] = faktor kepastian

88
 Seminar Nasional Informatika 2015

MB[h,e] = ukuran kepercayaan terhadap hipotesis E4 : merah pada sendi yang sakit
h, jika diberikan evidence e (antara 0 dan 1) E5 : Berat badan menurun

MD[h,e] = ukuran ketidakpercayaan terha- dap MB (H,E1) = (0.4 – 0.03) / (1-0.03)

evidence h, jika diberikan evidence e (antara 0 = 0.37 / 0.97
da1) = 0.381

Menggunakan dari hasil wawancara dengan MD (H, E1) = (0.03 – 0.03) / (0 – 0.03) = 0
pakar. Nilai CF(Rule) serta bobot dari masing-
masing fakta didapat dari interpretasi istilah dari CF (H, E1) = MB (H, E1) – MD (H, E1)
pakar menjadi nilai CF serta bobot tertentu, = 0.381 – 0
seperti contoh pada tabel berikut: = 0.381

Tabel1. Interpretasi Nilai Bobot CF1 = 0.381

Dengan cara yang sama sistem menghitung

tingkat kepastian penyakit Osteoarthritis
berdasarkan gejala bengkak pada sendi

MB (H, E2) = (0.5 – 0.03) / (1-0.03)

= 0.47 / 0.97
= 0.484

MD (H,E2) = 0.03 – 0.03) / (0-0.03) = 0

2.4 Ketidakpastian CF (H, E2) MB (H,E2) = 0.484 – 0
= 0.484
Dengan metode pemecahan (metode CF2 = 0.484
forward chaining) dianggap belum bisa
memecahkan ketidakpastian diagnosa penyakit. Tingkat kepastian penyakit Osteoarthritis
Dalam Menghadapi suatu masalah, sering berdasarkan gejala Rasa hangat pada sendi
ditemukan jawaban yang tidak memiliki kepastian
penuh Ketidakpastian ini bisa berupa probabilitas MB (H, E3) = (0.4-0.03) / (1-0.03)
atau kebeolehjadian yang bergantung pada hasil = 0.37 / 0.97
suatu kejadian. Hasil yang tidak pasti disebabkan = 0.381
oleh dua faktor, yaitu aturan yang tidak pasti dan
jawaban pengguna yang tidak pasti atas suatu MD (H,E3) = (0.03 – 0.03) / (0-0.03) = 0
pertanyaan yang diajukan oleh sistem. CF (H, E3) = MB (H,E3) – MD (H,E3)
= 0.381 – 0
3. HASIL DAN PEMBAHASAN = 0.381
CF3 = 0.381
Pada hasil dan pembahasan ini
penerapan perumusan tingkat kepastian di atas, Tingkat kepastian penyakit Osteoarthritis
misalkan pada penyakit Osteoarthritis berdasarkan gejala merah pada sendi yang sakit
ditunjukkan oleh gejala nyeri pada sendi, bengkak
pada sendi, nyeri pada sendi dipagi hari, turun MB (H, E4) = (0.1-0.03) / (1-0.03)
berat badan. Seandainya diketahui dari pakar = 0.07 / 0.97
penyakit tulang bahwa probabilitas berpenyakit = 0.072
Osteoarthritis adalah 0.03
MD (H,E4) = (0.03 – 0.03) / (0-0.03) = 0
(nyeri pada sendi /tulang)  0.03 CF (H, E4) = MB (H,E4) – MD (H,E4)
(nyeri sendi pada pagi hari)  0.4 = 0.072 – 0
(bengkak pada sendi ) 0.5 = 0.072
(rasa hangat pada sendi)  0.4 CF4 = 0.072
(merah pada sendi yang sakit)  0.1
(Berat badan menurun ) 0.1 Tingkat kepastian penyakit Osteoarthritis
berdasarkan gejala berat badan menurun
dengan menganggap :
H : nyeri pada sendi /tulang MB (H, E5) = (0.1-0.03) / (1-0.03)
E1 : nyeri sendi pada pagi hari = 0.07 / 0.97
E2 : bengkak pada sendi = 0.072
E3 : rasa hangat pada sendi

89
Seminar Nasional Informatika 2015

Hasil dari perhitungan menunjukkan bahwa nilai

MD (H,E5) = (0.03 – 0.03) / (0-0.03) = 0 kepastian pasien menderita penyakit
CF (H, E5) = MB (H,E5) – MD (H,E5) Osteoarthritis dengan tingkat kepastian 0.8407
= 0.072-0
= 0.072 4. KESIMPULAN DAN SARAN
CF5 = 0.072
Implementasi ini mampu menyimpan
Dari kelima perhitungan di atas, ketika sistem representasi pengetahuan pakar berdasarkan nilai
menyimpulkan bahwa penyakit yang diderita kepercayaan (Certainty Factor). Dengan
pasien adalah Osteoarthritis maka tingkat menggunakan implementasi certainty factor ini
kepastiannya adalah hasil perhitungan berikut ini: dapat dijadikan solusi alternatif bagi masyarakat
untuk melakukan diagnosa dini terhadap gejala-
CFkombinasi (CF1, CF2,CF3,CF4,CF5) = CF gejala penyakit tulang pada manusia.
(H,E1) + CF (H,E2) + CF (H,E3) + CF (H,E4) (1- Namun disarankan Pada penelitian ini
CF(H,E1) digunakan kriteria yang hanya berupa gejala fisik
CFk = CF(H,E1) + CF(H,E2) (1-CF(H,E1) dari pasien, pengembangan lebih lanjut sebaiknya
= 0.381 + 0.484 (1-0.381) menggunakan kriteria lainnya seperti hasil
= 0.619*0.484+0.381 pemeriksaan laboratorium sehingga hasil
= 0.3 + 0.381 diagnosa menjadi lebih tepat dan akurat.
CFk1 = 0.681

CFk2 = CFk1+ CF(H,E3) (1-CFk1) DAFTAR PUSTAKA

= 0.681 + 0.381 (1-0.681)
= 0.319 * 0.381 + 0.681 [1] Vincent Suhartono, Kecerdasan
= 0.121539 + 0.681 Buatan,Jakarta, 2011.
CFk2 = 0.803 [2] Kusrini. 2006. Sistem Pakar Teori dan
Aplikasi. Yogyakarta: Penerbit Andi.
CFk3 = CFk2+ CF(H,E4) (1-CFk2)
= 0.803 + 0.1 (1 - 0.803) [3] Ubaidurrahman, 2006. “Sistem Pakar Untuk
= 0.197 * 0.1 + 0.803 Diagnosa Troubleshooting hardware
= 0.0197 + 0.803 Komputer Menggunakan Metode Certainty
CFk3 = 0.823 Factor,Yogyakarta.
[4] Hartati, 2005. “Media Konsultasi Penyakit
CFk4 = CFk3 CF(H,E4) (1-CFk3)
Kelamin Pria dengan Penanganan
= 0.823 + 0.1 (1- 0.823)
= 0.177 * 0.1 + 0.823 Ketidakpastian Menggunakan Certainty
= 0.0177 + 0.823 Factor Bayesian,: Andi:Yogyakarta.
CFk4 = 0.8407

90