Anda di halaman 1dari 16

PENERAPAN TEORI DAMPSTER-SHAFER PADA SISTEM

CERDAS UNTUK MENDETEKSI GANGGUAN KESEHATAN


KANDUNGAN
Edi Faizal
Teknik Komputer STMIK El Rahma Yogyakarta
e-mail: edsoftku@gmail.com

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

Gambar 1 Langkah penelitian


Sistem yang di kembangagkan dalam penelitian ini adalah sebuah perangkat lunak
cerdas sistem pakar (expert system). Langkah untuk melakukan diagnosa penyakit kandungan
melalui sistem diwujudkan dengan adanya dialog antara User dengan sistem berupa
pertanyaan-pertanyaan yang telah disimpan dalam basis pengetahuan (knowledge base).
Keluaran berupa diagnosa tentang penyakit kandungan, solusi untuk mengatasi
penyakitnya, serta nilai kepastian penyakit yang diderita berdasar masukan gejala dari
pengguna. Metode perhitungan nilai kepastian menggunakan metode damster-shafer.

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).

Gambar 2 Arsitektur sistem pakar

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)

sedangkan Plausibility (Pls) dinotasikan sebagai Persamaan (2)

(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]:

Tabel 1 Range Belief dan Plausibility


Kemungkinan Keterangan
[1,1] Semua Benar
[0,0] Semua Salah
[0,1] Ketidakpastian
[Bel,1] where 0 < Bel < 1 Cenderung Mendukung
[0,Pls] where 0 < Pls < 1 Cenderung Menolak
[Bel,Pls] where 0 < Bel ≤ Pls Cenderung Mendukung dan
<1 Menolak

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]

sehingga dapat dirumuskan dengan Persamaan (4).


(4)

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

Dempster’s Rule of Combination diformulasikan pada persamaan (6).


(6)

dimana: k = Jumlah evidential conflict.


Besarnya jumlah evidential conflict (k) dirumuskan Persamaan (7).

(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

Sensitivity = [TP/(TP+FN)] x 100% (9)


Specificity = [TN/TN+FP] x 100% (10)
PPV = [TP/ (TP+FP)] x 100% (11)
NPV = [TN/ (TN+FN)] x100% (12)
Keterangan:
TP : Sistem menghasilkan kesimpulan positif untuk sampel data positif;
FP : Sistem menghasilkan kesimpulan positif untuk sampel data negatif;
TN :
FN :
Sistem menghasilkan kesimpulan negatif untuk sampel data negative;
Sistem menghasilkan kesimpulan negatif untuk sampel data positif.
Menurut [10], Confusion Matrix adalah cara yang berguna untuk menganalisis seberapa
baik sistem mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi
ketika sistem benar, sedangkan FP dan FN memberitahu ketika sistem salah. Sensitivity dan
specificity dapat digunakan untuk pengklasifikasian akurasi. Sensitivity dapat ditunjuk sebagai
true positives (recognition) rate (proporsi dari tuple positif yang diidentifikasi dengan benar).
Sedangakan specificity adalah true negatives rate (proporsi tuple negatif yang diidentifikasi secara
benar). Fungsi sensitivitas dan spesifisitas dapat menunjukkan tingkat akurasi
menggunakan persamaan (13) dan ukuran tingkat kesalahan sistem juga dapat dihitung
dengan persamaan (14).

= + (13)
( + ) ( + )

+
= 100%
( + ) (14)

HASIL DAN PEMBAHASAN


Pada penelitian ini tahap-tahap yang dilakukan adalah mengidentifikasi masalah dan
kebutuhan serta proses akuisisi pengetahuan. Identifikasi dilakukan dengan mengkaji
situasi dan memutuskan dengan pasti tentang masalah yang akan dikomputerisasi yaitu
mendiagnosa penyakit berdasar gejala awal. Kondisi ini akan lebih mudah menggunakan
metode inferensi forward chaining. Metode perhitungan faktor kepastian menggaunakan
teorema damster shafer. Akuisisi pengetahuan diperoleh dari beberapa cara antara lain,
pengetahuan dari pakar, buku, laporan, dan literatur.

1. Basis pengatahuan (knowledge base) dan basis aturan (rule base)


Basis pengetahuan yang digunakan adalah tentang fakta, gejala, penyakit, penyebab,
solusi dan aturan penyakit pada kandungan dan keterangan lain yang mendukung. Fakta
penyakit, gejala, penyebab dan solusi disajikan pada Tabel 2, 3, 4 dan Tabel 5.
Tabel 2 Daftar fakta penyakit
Kode Penyakit
P001 Kista Indung Telur (Ovarium Cyst)
P002 Kanker Indung Telur (Kanker
Ovarium)
P003 Kanker Leher Rahim (Kanker Serviks)
P004 Myoma Uteri
P005 Endometriosis
P006 Kanker Rahim (Kanker Uterus =
Carcinoma Uteri)
P007 Penyakit Infeksi Daerah Panggul

31
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

P008 Chlamydia
P009 Gonorrhoea

Tabel 3 Daftar fakta gejala


Kod Gejala
e
G00 Rasa nyeri pada rongga panggul disertai rasa agak
1 gatal
G00
2 Perdarahan menstruasi tidak normal
G00
3 Siklus menstruasi tidak teratur
G00
4 Rasa nyeri begitu siklus menstruasi selesai
G00
5 Rasa nyeri sewaktu bersetubuh
...... ......
G05
6 Infeksi anus / rectum

Tabel 4 Daftar fakta penyebab


Kode Penyebab
PB01 Gangguan perkembangan folikel
ovarium
PB02 Waktu pelepasan sel telur terjadi
perdarahan
PB03 Terjadinya kehamilan di luar
kandungan
PB04 Gangguan hormon
PB05 Gangguan menstruasi
…. ….
PB24 Infeksi kuman Neisseria gonorrhoea

Tabel 5 Daftar fakta solusi


Kode Solusi
S001 Pemberian obat pil kb (gabungan estrogen-progesteron) bisa ditambahkan
anti androgen progesteron cyproteron asetat
S002 Pemberian klomiphen sitrat
S003 Pengobatan fisik pada ovarium, misal melakukan diatermi dengan
sinar laser
S004 Operasi untuk melakukan sayatan ovarium pada daerah polikistik
S005 Histerektomi total (pengangkatan rahim)
….. …..

32
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

S034 Sefotaksim, sefotetan atau sefoksitin

Basis pengetahuan yang sudah dikelompok tersebut kemudian digunakan sebagai


input dalam memberikan analisis untuk mengidentifikasi penyakit kandungan. Contoh
pembentukan aturan gejala penyakit kandungan disajikan pada Tabel 6.

Tabel 6 Contoh aturan gejala dan penyakit


No Aturan
1 IF rasa nyeri pada rongga panggul disertai rasa agak gatal (G001) AND
perdarahan menstruasi tidak normal (G002) THEN siklus menstruasi tidak
teratur (G003)
2 IF siklus menstruasi tidak teratur (G003) THEN rasa nyeri begitu siklus
menstruasi selesai (G004)
3 IF rasa nyeri begitu siklus menstruasi selesai (G004) THEN rasa nyeri
sewaktu bersetubuh (G005)
4 IF rasa nyeri sewaktu bersetubuh (G005) THEN perut membesar (G006)
5 IF perut membesar (G006) THEN tidak terjadi ovulasi (G007)
6 IF tidak terjadi ovulasi (G007) THEN mandul (G008)
7 IF mandul (G008) THEN KISTA INDUNG TELUR (P1)
8 IF rasa nyeri pada rongga panggul disertai rasa agak gatal (G001) AND
perdarahan menstruasi tidak normal (G002) THEN perut membesar
(G006)
9 IF perut membesar (G006) THEN mandul (G008)
10 IF mandul (G008) THEN nyeri perut (G009)
11 IF nyeri perut (G009) AND gangguan fungsi saluran cerna (G010) THEN
gangguan saluran kencing (G011)
12 IF gangguan saluran kencing (G011) THEN berat badan turun drastis
(G012)
13 IF berat badan turun drastis (G012) THEN nyeri punggung (G013)
14 IF nyeri punggung (G013) THEN penderita bisa meraba sendiri tumor di
bagian bawah perut (G014)
15 IF penderita bisa meraba sendiri tumor di bagian bawah perut (G014)
THEN KANKER INDUNG TELUR (P2)
… ….

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.

Gambar 3 Graf penelusuran penyakit kanker leher rahim


3. Implementasi sistem
Secara garis besar, implementasi sistem cerdas untuk mendiagnosa penyakit
kandungan ini dapat dibagi menjadi 2 kategori berdasarkan jenis pemakai yaitu pakar yang
juga bertindak sebagai admin dan paramedis yang bertindak sebagai pemakai biasa.
Masing-masing kategori pemakai mempunyai hak akses terhadap sistem yang.
dengan fasilitas yang berbeda-beda.
Admin atau pakar berfungsi sebagai administrator sistem yang memiliki hak akses
untuk memanipulasi data pengguna pada sistem, bertugas untuk memasukan data
pengetahuan. Selain itu pakar juga berhak untuk melakukan diagnosa. Sedangkan pemakai
biasa hanya berhak untuk melakukan diagnosa dengan memilih gejala-gejala yang sudah
tersedia dan mendapatkan hasil diagnosa dari sistem.
Ketika sistem mulai dieksekusi, maka tampilan pertama yang akan muncul adalah
form utama seperti terlihat pada pada Gambar 4. Sebelum user melakukan login, menu
dari sistem yang dapat diakses hanya terbatas pada menu File, Penelusuran dan About.
Seorang User dapat menggunakan sistem dengan hak akses penuh harus melakukan login
terlebih dahulu.

Gambar 4 Tampilan menu utama

a. Menu knowledge base


Menu ini adalah menu yang hanya dapat diakses oleh user dengan hak akses
sebagai pakar. Menu ini memiliki beberapa sub menu yaitu Data Pakar (terdiri dari data

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.

Gambar 5 Tampilan form input gejala

Gambar 6 Tampilan form rule base

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

Gambar 7 Pemilihan gejala awal (G002)


Selanjutnya user memilih gejala kedua yaitu pendarahan menstruasi lebih banyak dari
biasanya (G021) dengan nilai probabilitas 0,6. Penyakit yang mengikuti gejala G021 adalah
P004 dan P006.
Sehingga,
m2 {P004,P006} = 0,6
m (θ) = 1 – 0,6 = 0,4
Dengan munculnya gejala kedua (G021), maka harus dilakukan penghitungan
densitas baru untuk beberapa kombinasi (m3). Perhitungan himpunan-himpunan bagian
yang terbentuk dimasukkan ke dalam tabel 7. Kolom pertama diisi dengan gejala yang
pertama (m1). Sedangkan baris pertama diisi dengan gejala yang kedua (m2) . Sehingga
diperoleh nilai m3 sebagai hasil kombinasi m1 dan m2.
Tabel 7 Tabel perhitungan gejala G002 dan G021
{P004,P005} (0,6) θ
(0,4)
{P001,P002,P003,P006} {P006} (0,3) { P001,P002,P003,P006}

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

Gambar 8 Pemilihan gejala kedua (G021)


Dari hasil perhitungan nilai densitas m3 kombinasi di atas, dapat dilihat bahwa nilai
{P006} sama dengan {P004,P006} sebesar 0,3. Sedangkan nilai {P001,P002,P003,P0046}
sebesar 0,25. Jika kemudian terdapat gejala ketiga yaitu mengalami perdarahan setelah
bersetubuh (G035) dengan nilai probabilitas 0,9 dan penyakit yang mengikuti gejala G035
adalah P006.

37
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Gambar 9 Pemilihan gejala ketiga (G035)


Sehingga,
m4 { P006} = 0,9
m (θ) = 1 – 0,9 = 0,1
Dengan munculnya gejala ketiga (G035), maka harus dilakukan penghitungan
densitas baru untuk beberapa kombinasi (m5) seperti disajikan pada tabel 8.
Tabel 8 Tabel perhitungan gejala G002, G021 dan G035
{P006} (0,9) θ
(0,1)
{P006} {P006} (0,27) { P006}
(0,3) (0,03)
{P004, P006} {P006} (0,27) { P004,P006}
(0,3) (0,03)
{P001,P002,P003,P006} {P006} (0,18) { P001,P002,P003,P006}
(0,2) (0,02)
θ {P006} (0,18) θ
(0,2) (0,02)

Sehingga dapat dihitung :


0,27+0,27+0,18+0,18+0,0
0,9
m5 {P006} = 3 =
5
1-0.02
0,03 0,0
m5 {P004,P006} = =
1-0,02 3
m5 0,02 0,0
= =
{P001,P002,P003,P006} 1-0,02 2
0,02 0,0
m5 { θ } = =
1-0,02 2

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.

Gambar 10 Tampilan form hasil diagnosa

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

[1] Faizal, E., 2013, Case-Based Reasoning untuk Mendiagnosa Penyakit


Cardiovascular dengan Metode Weighted Minkowski, Tesis, S2 Ilmu Komputer
UGM, Yogyakarta.

[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