Sistem Pakar Untuk Penentuan Terapi Pada Penderita PDF
Sistem Pakar Untuk Penentuan Terapi Pada Penderita PDF
Abstrak - Osteoporosis merupakan penyakit yang diakibatkan hilangnya massa tulang, terutama kekurangan zat
kalsium. Pengobatan osteoporosis dapat dilakukan dengan cara menjalani terapi osteoporosis. Pada sistem pakar untuk penentuan
terapi pada penderita osteoporosis dilengkapi dengan data tentang pakar, data gejala penyakit osteoporosis dan data terapi. Data-
data tersebut jika diproses akan menghasilkan informasi pakar dan informasi terapi yang diperlukan. Sistem ini menggunakan
metode Certainty Factor. Sistem akan mencari nilai CF dari beberapa gejala yang telah dimasukkan oleh user. Kemudian sistem
akan menampilkan hasil diagnosa, berupa nama osteoporosis, nilai CF, jenis terapi dan cara terapi yang dapat dilakukan oleh
user. Setelah di lakukan pengujian dan dianalisis dengan melakukan perhitungan secara manual, dapat diketahui bahwa secara
garis besar hasil yang didapat dari perhitungan manual sama dengan perhitungan oleh sistem. Sehingga secara umum sistem
telah dapat memberikan solusi terhadap pengguna dan sistem berjalan sesuai dengan yang diharapkan.
jaringan tulang yang menyebabkan kerapuhan tulang MD[h,e] : ukuran kenaikan ketidakpercayaan (measure
sehingga meningkatkan resiko terjadinya fraktur (Zaviera, of increased disbelief) terhadap hipotesis h
2007). yang dipengaruhi oleh gejala e.
Terapi dan pengobatan osteoporosis bertujuan Beberapa evidence dikombinasikan untuk
untuk meningkatkan kepadatan tulang dan mengurangi menentukan CF dari suatu hipotesis. Jika e1 dan e2 adalah
retak tambahan serta mengontrol rasa sakit. Untuk terapi observasi, maka (Kusumadewi, 2003):
dan pengobatan osteoporosis sebenarnya memerlukan suatu MB[h,e1^e2] = MB[h,e1] + MB[h,e2] * (1-MB[h,e1]) (2)
tim yang terdiri dari multidisipliner minimal yang terdiri MD[h,e1^e2] = MD[h,e1] + MD[h,e2] * (1-MD[h,e1]) (3)
dari departemen bedah, departeman penyakit dalam,
departemen psikologi, departemen biologi, departemen D. DFD (Data Flow Diagram)
obstetri dan ginekologi serta departemen farmakologi. DFD dapat digunakan untuk merepresentasikan
Untuk mempertahankan kepadatan tulang, tubuh sebuah sistem atau perangkat lunak pada beberapa level
memerlukan persediaan kalsium dan mineral lainnya yang abstraksi. DFD dapat dibagi menjadi beberapa level yang
memadai dan harus menghasilkan hormon dalam jumlah lebih detail untuk merepresentasikan aliran informasi atau
yang mencukupi (hormon paratiroid, hormon pertumbuhan, fungsi yang lebih detail. DFD menyediakan mekanisme
kalsitonin, estrogen pada wanita dan testosteron pada pria). untuk pemodelan fungsional ataupun pemodelan aliran
(Zaviera, 2007). informasi. Oleh karena itu DFD lebih sesuai di gunakan
B. Sistem Pakar untuk memodelkan fungsi-fungsi perangkat lunak yang
akan diimplementasikan menggunakan pemrograman
Secara umum, sistem pakar (expert system) terstruktur karena pemrograman terstruktur membagi-bagi
adalah sistem yang berusaha mengadopsi pengetahuan bagiannya dengan fungsi-fungsi dan prosedur-prosedur
manusia ke komputer, agar komputer dapat menyelesaikan (A,S Rosa dan Shalahuddin, 2018).
masalah seperti yang biasa dilakukan oleh para ahli. Sistem
pakar yang baik dirancang agar dapat menyelesaikan suatu E. Basis Data
permasalahan tertentu dengan meniru kerja dari para ahli. Sebuah sistem basis data dapat memiliki beberapa
Dengan sistem pakar ini, orang awam pun dapat basis data. Setiap basis data dapat berisi sejumlah objek
menyelesaikan masalah yang cukup rumit yang basis data seperti tabel, indeks dan lain-lain. Di samping
sebenarnya hanya dapat diselesaikan dengan bantuan para berisi data, setiap basis data juga menyimpan definisi
ahli. Bagi para ahli, sistem pakar ini juga akan membantu struktur baik untuk basis data maupun objek-objeknya
aktivitasnya sebagai asisten yang sangat berpengalaman secara rinci pada model relasional, basis data dipilah-pilah
(Kusumadewi, 2003). ke dalam tabel dua dimensi. Setiap tabel selalu terdiri atas
Sistem pakar pertama kali dikembangkan oleh lajur mendatar yang disebut dengan baris data (row/record)
komunitas AI pada pertengahan tahun 1960. Sistem pakar dan lajur vertikal yang biasa disebut dengan kolom
yang muncul pertama kali adalah General-Purpose (column/field) (Fathansyah, 2015).
Problem Solver (GPS) yang dikembangkan oleh Newel dan
Simon. GPS dan program-program serupa lainnya III. METODE PENELITIAN
mengalami kegagalan dikarenakan cakupannya terlalu luas
sehingga terkadang justru meninggalkan pengetahuan- A. Metode Analisis
pengetahuan penting yang seharusnya disediakan. Metode analisis yang digunakan adalah metode
analisis terstruktur dengan menggunakan teknik
C. Certainty Factor menentukan fakta, yaitu suatu teknik mengumpulkan data
Certainty Factor (CF) diperkenalkan oleh dan menentukan fakta-fakta dalam kegiatan mempelajari
Shortliffe Buchanan dalam pembuatan MYCIN (Wesley, sistem yang ada. Metodologi yang digunakan untuk
1984). Certainty factor merupakan nilai parameter klinis mendapatkan data yang dilakukan dengan cara sebagai
yang diberikan MYCIN untuk menunjukkan besarnya berikut :
kepercayaan. Certainty factor didefinisikan sebagai berikut a. Observasi yaitu metode pengumpulan data ini
(Kusrini, 2006): digunakan untuk mendapatkan data yang berkaitan
dengan sistem pakar untuk penentuan terapi
CF[h,e] = MB[h,e] – MD[h,e] (1) osteoporosis, serta menentukan input dan output
yang tepat.
Keterangan : b. Studi Pustaka, metode ini digunakan untuk
CF[h,e] : certainty factor dari hipotesis h yang mendapatkan informasi tambahan yang digunakan
dipengaruhi oleh gejala (evidence) e. sebagai acuan dalam pengembangan sistem pakar
besarnya CF berkisar antara -1 sampai dengan ini.
1. Nilai -1 menunjukkan ketidakpercayaan c. Wawancara dengan pihak yang berkaitan langsung
mutlak sedangkan nilai 1 menunjukkan dengan masalah yang diteliti. Dalam hal ini
kepercayaan mutlak. wawancara dilakukan dengan pakar (dokter spesialis
MB[h,e] : ukuran kenaikan kepercayaan (measure of tulang).
increased belief) terhadap hipotesis h yang
dipengaruhi oleh gejala e.
JURNAL INFORMATIKA UPGRIS Vol. 5, No. 1, (2019) P/E-ISSN: 2460-4801/2447-6645 90
B. Analisis Kebutuhan Input ▪ Update data pakar : Proses mengubah data pakar
Input atau masukan dari sistem pakar untuk yang tersimpan didalam basis data. Input dalam
penentuan terapi osteoporosis terdiri dari dua karakteristik proses ini adalah data gejala meliputi:
masukan, yaitu: kode_gejala, penyebab dan gejala. Data
a) Input Pakar pengetahuan meliputi: kode_pengetahuan,
Input pakar adalah suatu masukan yang diberikan kode_gejala, kode_osteoporosis, kode_terapi, MB
oleh pakar sebagai basis pengetahuan yang akan dan MD. Data osteoporosis meliputi:
digunakan oleh sistem untuk melakukan diagnosa kode_osteoporosis, nama_osteoporosis dan
menentukan terapi osteoporosis. Input pakar ini keterangan. Data terapi meliputi: kode_terapi,
berada dalam lingkungan pengembangan nama_terapi dan cara_terapi yang menghasilkan
(development environment) pada arsitektur sistem output berupa informasi perubahan data pakar.
pakar. Input pakar terdiri dari masukan data. ▪ Delete data pakar : Proses menghapus data pakar
Masukan dari data pakar adalah data gejala yang tersimpan didalam basis data. Input dalam
penyakit, data osteoporosis, data terapi dan data proses ini adalah kode_gejala, kode_pengetahuan,
pengetahuan. kode_osteoporosis dan kode_terapi.
b) Input Pengguna c. Diagnosa
Input pengguna adalah masukan yang diberikan Proses mencari solusi yang sesuai dengan masalah
oleh seorang pasien berupa keluhan atau gejala yang yang dihadapi user.
dirasakan. Input pengguna ini berada dalam D. Analisis Kebutuhan Output
lingkungan konsultasi (consultation environment)
Berdasarkan proses yang dilakukan oleh sistem
pada arsitektur sistem pakar.
tentunya akan menghasilkan sebuah keluaran atau output
yang diharapkan meliputi:
C. Analisis Kebutuhan Proses a. Informasi Pakar
Proses menunjukkan transformasi dari input Menampilkan informasi mengenai data pasien, data
menjadi output. Dalam hal ini sejumlah input dapat gejala, data osteoporosis, data terapi dan data
menjadi satu output. Berdasarkan data masukan yang ada diagnosa.
untuk memperoleh keluaran yang dibutuhkan, maka sistem b. Informasi Hasil Diagnosa
ini memerlukan beberapa proses antara lain: Menampilkan informasi pasien, gejala penyakit
a. Login yang dirasakan dan solusi masalah berupa jenis
Mengatur hak akses user, untuk menjaga keamanan osteoporosis, jenis terapi serta cara melakukan
sistem. User sistem dibagi menjadi dua, yaitu: terapi.
pakar (admin) dan user biasa. Untuk user biasa
hanya bisa melakukan diagnosa, melihat informasi IV. PERANCANGAN
osteoporosis dan melakukan pencarian nama A. Perancangan Data Flow Diagram (DFD)
osteoporosis. Sedangkan admin memiliki hak akses
Dalam proses pengembangan desain sistem ini
penuh terhadap sistem yang meliputi hak akses user
digunakan model berupa metode berarah aliran data dengan
biasa dan mengelola data pakar.
menggunakan Data Flow Diagram (DFD). Desain ini
b. Manajemen Pakar
dimulai dari bentuk yang paling global yaitu diagram
Pada manajemen pakar terdapat proses pengolahan
data-data pakar. Proses tersebut terbagi menjadi konteks. Diagram konteks ini kemudian akan diturunkan
empat proses, yaitu: sampai bentuk yang paling detail. Aliran data bersumber
dari pengetahuan yang dimasukkan oleh pakar ke dalam
▪ View data pakar : Proses ini akan mengolah data
sistem yang kemudian akan diproses. Pakar akan menerima
pakar yang tersimpan pada basis data menjadi
data gejala, data osteoporosis, data pengetahuan, data terapi
informasi yang diinginkan pengguna. Input dalam
dan hasil diagnosa pasien.
proses ini adalah kode data pakar meliputi:
kode_gejala, kode_pengetahuan, Pasien atau user memasukkan data pasien dan
kode_osteoporosis dan kode_terapi menghasilkan gejala yang dirasakan untuk keperluan diagnosa, kemudian
pasien akan menerima hasil diagnosa berupa informasi
output berupa informasi pakar.
osteoporosis dan terapi. Diagram konteks sistem pakar ini
▪ Insert data pakar : Proses menyimpan data pakar
ditampilkan pada Gambar 1.
yang ditambahkan pengguna untuk disimpan
kedalam basis data. Input dalam proses ini adalah
data gejala meliputi: kode_gejala, penyebab dan
gejala. Data pengetahuan meliputi:
kode_pengetahuan, kode_gejala,
kode_osteoporosis, kode_terapi, MB dan MD.
Data osteoporosis meliputi: kode_osteoporosis,
nama_osteoporosis dan keterangan. Data terapi
meliputi: kode_terapi, nama_terapi dan
cara_terapi.
JURNAL INFORMATIKA UPGRIS Vol. 5, No. 1, (2019) P/E-ISSN: 2460-4801/2447-6645 91
5) Tabel Terapi
B. Perancangan Tabel Basis Data Tabel Terapi digunakan untuk menyimpan
Dalam perencanaan sistem pakar ini terdapat tujuh kode_terapi, nama_terapi dan cara_terapi. Struktur tabel
tabel untuk menyimpan data. Struktur tabel tersebut adalah Terapi ditunjukkan pada tabel 5.
: Tabel 5. Tabel Terapi
1) Tabel Pasien
Tabel pasien digunakan untuk menyimpan data Nama Kolom Tipe Data
pasien. Struktur tabel Pasien ditunjukkan pada Tabel 1. Kode_terapi Integer (11)
Tabel 1. Tabel Pasien Nama_terapi Text
Cara_terapi Text
Nama Kolom Tipe Data
pakar ini premisnya adalah gejala penyakit sedangkan password terlebih dahulu. Halaman ini ditunjukkan pada
konklusinya adalah terapi. Sehingga bentuk pernyataannya gambar 3.
adalah JIKA [gejala] MAKA [terapi].
Bagian premis dalam aturan produksi dapat
memiliki lebih dari satu proposisi, yaitu berarti pada sistem
ini dalam satu kaidah dapat memiliki lebih dari satu gejala.
Gejala-gejala tersebut dihubungkan dengan menggunakan
operator logika DAN. Bentuk pernyataannya adalah :
JIKA [gejala 1] Gambar 3. Halaman Login Admin
DAN [gejala 2]
DAN [gejala 3] Halaman ini merupakan halaman pertama yang
MAKA [terapi] muncul setelah pakar berhasil melakukan proses login.
Adapun contoh beberapa kaidah produksi untuk Halaman ini digunakan untuk manipulasi data gejala. Pada
terapi osteoporosis adalah sebagai berikut : halaman gejala pakar dapat menambah, menghapus dan
Kaidah 1 : JIKA Nyeri pada tulang mengubah data gejala. Halaman ini ditunjukkan pada
DAN Terjadi patah tulang gambar 4.
MAKA Terapi pengobatan
Kaidah 2 : JIKA Nyeri pada tumit
DAN Nyeri pada telapak kaki
MAKA Fisioterapi
Kaidah 3 : JIKA Nyeri pada punggung bawah
DAN Nyeri pada bokong
DAN Nyeri pada tungkai bawah
DAN Saat berdiri lutut menekuk
MAKA Terapi Obat-obatan
Kaidah 4 : JIKA Nyeri pada leher Gambar 4. Halaman Pakar Tambah Gejala
DAN Rasa kebal pada ibu jari
DAN Rasa kebal pada tangan
DAN Rasa kebal pada lengan C. Halaman Konsultasi
DAN Rasa kebal pada bahu Pada halaman konsultasi, user terlebih dahulu
MAKA Terapi Fisik mengisikan data diri dan memilih gejala penyakit yang
Kaidah 5 : JIKA Nyeri pada punggung dirasakan. Kemudian sistem akan menampilkan solusi
DAN Nyeri pada pinggang berdasarkan gejala penyakit yang telah dimasukkan berupa
MAKA Terapi Obat Kalsitonin jenis terapi dan cara terapi yang dapat dilakukan. Halaman
ini dapat ditunjukkan pada gambar 5 dan gambar 6.
V. HASIL DAN PEMBAHASAN
A. Halaman Utama
Halaman utama akan muncul ketika pakar atau
user pertama kali mengakses sistem ini. Pada halaman
utama, terdapat lima menu yang dapat diakses yaitu home,
pakar, konsultasi, help dan cari. Halaman utama
ditunjukkan pada gambar 2.
Gejala penyakit yang dirasakan: MD [a, x∩y∩z] = MD [a, x∩y]+ MD[a,z] * (1- MD [a,
1. Nyer i pada punggung bawah. x∩y])
2. Nyeri pada bokong. = 0.1 + 0.2 * 0.9
3. Nyeri pada tungkai bawah. = 0.27
Hasil dari masukan tersebut dapat dilihat pada CF [a, x∩y∩z] = MB [a, x∩y∩z] - MD [a, x∩y∩z]
gambar 7. = 0.8 – 0.27
= 0.53
VI. KESIMPULAN
DAFTAR PUSTAKA
[1] Fathansyah, 2015, Basis Data Revisi Kedua,
Bandung, Penerbit Informatika.
Gambar 8. Hasil Diagnosa Berdasarkan Gejala yang di
[2] Kusumadewi, S., 2003, Artificial Intelligence,
pilih
Yogyakarta, Graha Ilmu.
[3] Kusrini, 2006, Sistem Pakar Teori dan Aplikasi,
Persamaan nilai CF secara perhitungan manual
Yogyakarta, Andi Offset.
dan sistem menghasilkan nilai CF yang sama yaitu 0.53.
[4] A, S., Rosa dan Shalahuddin, M, 2018. Rekayasa
Hasil dapat di lihat pada tabel 8:
Perangkat Lunak (Terstruktur dan Berorientasi Objek)
Tabel 8. Data Hipotesis dan Evidence
Edisi Revisi, Bandung, Penerbit Informatika.
Hipotesis, Evidence Simbol MB MD [5] Zaviera, F., 2007, Osteoporosis, Yogyakarta, Kata
Hati.
Terapi obat-obatan, [a,x] 1 0
Nyeri pada [6] A. T. J. Harjanta and F. M. Dewanto, “Real Time
punggung bawah Tracking Object Moving with Webcam Based Color
Terapi obat-obatan, [a,y] 0.9 0.1 Using Background Subtraction Method,”
Nyeri pada bokong Transformatika, vol. 15, no. 1, pp. 1–7, 2017
Terapi obat-obatan, [a,z] 0.8 0.2
Nyeri pada tungkai
bawah