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 dampster-
shafer 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
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 masing-
masing 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).
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
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
(1)
(2)
dimana:
Bel(X) = Belief (X) Pls(X) = Plausibility (X)
m(X) = mass function dari (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]:
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]
dengan P( ) = power set dan m(X) = mass function dari (X), sebagai contoh:
P(hostile) = 0,7
29
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
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
(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 nilai-
nilai tersebut menggunakan persamaan (9), (10), (11), (12) [9].
30
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
= + (13)
( + ) ( + )
+
= 100%
( + ) (14)
31
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
P008 Chlamydia
P009 Gonorrhoea
32
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
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
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
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.
34
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
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.
b. Menu penelusuran
Menu Penelusuran digunakan oleh user untuk melakukan proses diagnosa
terhadap penyakit kandungan. Proses diagnosa dilakukan dengan cara memasukan gejala-
gejala 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 masing-
masing gejala di tampilkan pada list di bagian bawah form diagnosa.
35
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
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
36
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
(0,5) (0,2)
θ {P004,P006} (0,3) θ
(0,5) (0,2)
Sehingga dapat dihitung :
0,3
m3 {P006} = = 0,30
1-0,2
0,3
m3 {P004,P006} = = 0,30
1-0,2
m3 0,2
= = 0,25
{P001,P002,P003,P006} 1-0,2
0,2
m3 { θ } = = 0,25
1-0,2
37
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
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
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
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.
4. Pengujian sistem
Proses pengujian sistem dilakukan dengan menggunakan sampel data acak gejala-
gejala 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 Total
Penyakit
Kandungan Sample
Kandungan
Kepercayaan ≥ 80%
40 (TP) 0 (FN) 40 Kasus (P)
HASIL (Positif)
Kepercayaan < 80%
PENGUJIAN (Negatif)
5 (FP) 10 (TN) 15 Kasus (N)
SISTEM 45 Sample 10 Sample 55 Sample
Total Sample
(TP+FP) (FN+TN) (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
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
spesifisitas, PPV, NPV, akurasi dan error rate menggunakan persamaan (9), (10), (11),
(12), (13) dan persamaan (14).
1 Sensitifita 40
= x 100% = 100%
. s (40+0)
2 Spesifisita 10
= x 100% = 67%
. s (10+5)
3 40
PPV = x 100% = 89%
. (40+5)
4 10
NPV = x 100% = 100%
. (10+0)
40 15
5 + 67%
Accuracy = 100% x (40+15 (40+15 =90%
. x
) )
(5+0)
6
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%.
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
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014
[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.
ed
[7] Giarratano dan Riley, G., 1994, Expert System Principle and Programming, 2 , Pws
Publishing Company, Boston.
[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