Pelita Informatika Budi Darma, Volume : IV,

IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ALOPESIA

PADA MANUSIA DENGAN METODE CERTAINTY FACTOR

Bebby Desy Natalina

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan

Jl. Sisimangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id // Email, natalia_bebby@yahoo.co.id

ABSTRAK
Sejalan dengan pertambahan usia, pada pria dan wanita akan terjadi penurunan kepadatan rambut. Pria
memiliki bentuk alopesia khusus yang berhubungan dengan hormon testosteron dan kelainan genetik. Wanita
juga memiliki bentuk yang khusus. Alopesia adalah keadaan rontok atau hilangnya rambut di daerah yang pada
keadaan normal mempunyai rambut. Biasanya faktor penyebab alopesia adalah faktor eksternal dan faktor
internal (keturunan).
Kemajuan dunia teknologi sangat membantu dunia modern salah satunya adalah sistem pakar yang
digunakan untuk mendeteksi suatu penyakit dalam dunia kedokteran. Sistem pakar digunakan untuk
mendiagnosa penyakit alopesia agar lebih mudah dan cepat. Tujuan dari penelitian ini adalah untuk merancang
dan membuat sistem pakar yang mampu mendiagnosa serta memberikan solusi untuk penyakit alopesia yang
terjadi pada manusia. Pembuatan sistem pakar ini menggunakan bantuan bahasa pemrograman Microsoft
Visual Studio dot Net 2008 dengan database Microsoft Access 2007, Dengan metode inferensi yang digunakan
adalah certainty factor.
Hasil pengujian menunjukkan bahwa program ini masih membutuhkan pengembangan pada sisi gejala-
gejala alopesia dengan pengembangan program sejenis dengan domain yang lebih luas.Certainty factor
merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan.

Kata kunci : sistem pakar, alopesia areata, alopesia androgenika, certainty factor.

1. Pendahuluan Kebotakan yang diturunkan terjadi akibat kegagalan

Penyakit kulit kepala merupakan suatu penyakit
yang menyerang organ tubuh manusia di bagian
kepala yaitu salah satunya adalah alopesia. Alopesia
adalah keadaan rontok atau hilangnya rambut dari
kulit yang pada keadaan normal mempunyai rontokan
rambut yang sering diakhiri dengan kebotakan
merupakan salah satu problema estetis yang ditakuti,
oleh karena itu masalah kerontokan rambut perlu
mendapat perhatian dan penanggulangan sedini
mungkin. Sejalan dengan pertambahan usia, pada pria
dan wanita akan terjadi penurunan kepadatan rambut.
Pria memiliki pola kebotakan khusus yang
berhubungan dengan hormon testosteron. Jika
seorang pria tidak menghasilkan testosteron (akibat
kelainan genetik), maka dia tidak akan memiliki pola
kebotakan tersebut. Wanita juga memiliki pola
kebotakan yang khusus.
Alopesia paling sering terjadi pada kulit kepala,
biasanya terjadi secara bertahap dan bisa seluruh kulit
kepala kehilangan rambutnya (alopesia totalis) atau
hanya berupa bercak-bercak di kulit kepala. Sekitar
25% pria mulai mengalami kebotakan pada usia 30
tahun dan sekitar duapertiga pria menjadi botak pada
usia 60 tahun. Rata-rata kulit kepala mengandung
100.000 helai rambut dan setiap harinya, rata-rata
sebanyak 100 helai rambut hilang dari kepala.
Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor.
Oleh : Bebby Desy Natalina
tubuh untuk 18 membentuk rambut yang baru, bukan
karena kehilangan rambut yang berlebihan[4].
Alopesia Areata yang disebabkan oleh beberapa
faktor eksternal, yaitu jamur yang timbul di kulit
kepala karena polusi udara lembab, air yang
mengandung banyak bakteri, stress / beban pikiran
yang berlebihan, kelainan pada immune sistem (
biasanya karena pengaruh dari pemakaian narkotik,
obat-obatan perangsang otot, antibiotic, alkohol,
rokok), kurangnya pasokan oksigen dalam darah yang
timbul karena berlebih, kurang seimbangnya pola
makan sehat, dan kurangnya aktifitas .
Alopesia Androgenetica, disebabkan oleh
hormon dihidrotestosteron yang bersifat keturunan,
sehingga siklus rambut menjadi pendek dan
menyebabkan kerontokan rambut yang berlebihan,
hampir 95% kerontokan rambut laki-laki maupun
perempuan.
Sistem pakar merupakan program Artificial
Intelligence (AI) yang menggabungkan basis
pengetahuan dengan inference engine. Program ini
bertindak sebagai seorang konsultan dalam suatu
lingkungan keahlian tertentu. Sebagai hasil dari
himpunan pengetahuan yang telah dikumpulkan dari
beberapa orang pakar. Salah satu bidang aplikasi
dalam sistem pakar adalah proses diagnosis yaitu
9
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425

suatu proses yang menentukan penyebab atau sumber kepercayaan. Certainty factor didefinisikan sebagai
- sumber kegagalan dari suatu sistem atau peralatan berikut:
yang berdasarkan gejala-gejala yang diamati. Proses CF(H, E) = MB(H, E) – MD(H, E)
diagnosis sering dilakukan oleh pakar dalam bidang Dimana:
penelitian maupun kedokteran. CF(H, E) : Certainty Factor dari hipotesis H
Dalam mengambil kesimpulan dalam sistem yang dipengaruhi oleh gejala E.
pakar pada umumnya digunakan penalaran Forward besarnya CF berkisar antara -1
Chaining. Namun dengan penalaran tersebut belum sampai dengan 1. Nilai -1
dapat ditentukan besarnya nilai kepercayaan terhadap menunjukkan ketidakpercayaan
hipotesis. Agar sistem pakar dapat melakukan mutlak, sedangkan nilai 1
penalaran sebagaimana seorang pakar meskipun menunjukkan kepercayaan mutlak.
berada dalam kondisi ketidakpastian data, dan untuk MB(H, E) : Ukuran kenaikan kepercayaan
mendapatkan nilai kepercayaan Untuk Mendiagnosa terhadap hipotesis H yang
Penyakit Alopesia Pada Manusia , diperlukan suatu dipengaruhi oleh gejala E.
metode yang dikenal yaitu Metode Certainty Factor MD(H,E) : Ukuran kenaikan ketidakpercayaan
merupakan ukuran kepastian terhadap suatu fakta terhadap hipotesis H yang
atau aturan. Certainty Factor (CF) merupakan salah dipengaruhi oleh gejala E.
satu teknik yang digunakan untuk mengatasi Nilai CF (rule) di dapat dari interpretasi
ketidakpastian dalam pengambilan keputusan. “term” dari pakar, yang diubah menjadi nilai CF
tertentu sesuai tebel berikut :
2. Landasan Teori
2.1 Faktor Kepastian (Certainty Factor) Tabel 1 : Nilai Certainty Factor dan
Dalam menghadapi suatu masalah, sering Interprestasi
ditemukan jawaban yang tidak memiliki kepastian Uncertain Term CF
penuh. Ketidakpastian ini biasa berupa probabilitas Definitely not (pasti tidak) -1.0
bergantung pada hasil suatu kejadian. Hasil yang Almost certainly not (hampir - 0.8
tidak pasti disebabkan oleh dua faktor, yaitu aturan pasti tidak) - 0.6
yang tidak pasti dan jawaban yang tidak pasti. Hal ini Probabily not (kemungkinan -0.4
sangat mudah dilihat pada sistem diagnosis penyakit, besar tidak) - 0.2 to
dimana pakar tidak dapat mendefinisikan hubungan Maybe not (mungkin tidak) 0.2
antara gejala dengan penyebabnya secara pasti, dan Unknown (tidak tahu) 0.4
pasien tidak dapat merasakan suatu gejala dengan Maybe (mungkin) 0.6
pasti pula. Pada akhirnya ditemukan banyak Probabily (kemungkinan besar) 0.8
kemungkinan penyakit. Almost certainly (hampir pasti) 1.0
Dalam menghadapi suatu permasalahan sering Definitely (pasti)
ditemukan jawaban yang tidak memiliki kepastian
penuh. Ketidakpastian ini dapat berupa probabilitas Ada 3 hal yang mungkin terjadi pada Certanity
atau kebolehjadian yang tergantung dari hasil suatu Factor (CF):
kejadian. Hasil yang tidak pasti disebabkan oleh dua 1. Beberapa evidence dikombinasikan untuk
faktor, yaitu aturan yang tidak pasti dan jawaban menentukan CF dari suatu hipostesis Jika e1 dan
pengguna yang tidak pasti atas suatu pertanyaan yang e2 adalah observasi, maka:
diajukan oleh sistem. Hal ini sangat mudah dilihat MB[h,e1 ^ e2] = 0
pada sistem diagnosis penyakit, dimana pakar tidak MB[h, e1 e2] =1
MB[h,e1] + MB[h,e2]*(1-MB[h,e1])
dapat mendefinisikan hubungan antara gejala dengan
lainnya
penyebabnya secara pasti, dan pasien tidak dapat MD[h,e1 ^ e2] = 0
merasakan suatu gejala dengan pasti pula. Pada MD[h, e1 e2] =1
akhirnya akan ditemukan banyak kemungkinan MD[h,e1] + MB[h,e2]*(1-MB[h,e1])
diagnosis. lainnya
Sistem pakar harus mampu bekerja dalam 2. CF dihitung dari kombinasi beberapa hipotesis
ketidakpastian. Sejumlah teori telah ditemukan untuk pada gambar di atas, jika h1 dan h2 adalah
menyelesaikan ketidakpastian, termasuk diantaranya hipotesis, maka:
probabilitas klasik, probabilitas bayes, teori hartley
berdasarkan himpunan klasik, teori shannon
berdasakan pada probabilitas, teori Depmster-Shafer, MB[h1 ∧ h2,e] = min(MB[h1,e],MB[h2,e])
teori fuzzy Zadeh, dan faktor kepastian (certanity
factor).
Factor kepastian diperkenalkan oleh Shortliffe
Buchanan dalam pembuatan MYCIN[2]. Certainty
factor merupakan nilai parameter klinis yang
diberikan MYCIN untuk menunjukkan besarnya
Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor. 10
Oleh : Bebby Desy Natalina
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
MB[h1 ∨ h2,e] = max(MB[h1,e],MB[h2,e])
MD[h1 ∧ h2,e] = min(MD[h1,e],MD[h2,e])
MD[h1 ∨ h2,e] = max(MD[h1,e],MD[h2,e])
CF[h1 ∧ h2,e] = MB[h1 ∧ h2,e] - MD[h1 ∧ h2,e]
CF[h1 ∨ h2,e] = MB[h1 ∨ h2,e] - MD[h1 ∨ h2,e]
3. Beberapa aturan saling bergandengan,
ketidakpastian dari suatu aturan menjadi input
untuk aturan yang lainnya, maka:
MB[h,s]=MB’[h,s]*max(0,CF[s,e])
dengan MB’[h,s] adalah ukuran kepercayaan h
berdasarkan keyakinan penuh terhadap validitas
s.
Untuk menghitung propagation (hitung maju)
diperlukan rumus :
1. CFnew dan CFfold>=0
CFrevised = CFold + CFNew (1-CFold)
2. Kedua CFnew dan CFfold <0
CFrevised = -CFrevised(-CFold,-CFNew)
3. Salah satu dari CFnew dan CFfold <0
CFrevised = CFold+CFNew/1-min
(CFold,CFmin)
Keterangan :
CFrevised = CF dari sistem keseluruhan
CFold = CF yang belum digabungkan
dengan CF dari suatu rule
CFNew = CF dari suatu rule
Contoh kasus
Menentukan apakah seorang karyawan diterima atau
tidak diterima
Rule 1 : Jika tidak lolos psikotes dan tidak lolos
wawancara maka ditolak (CF = 0,75)
Rule 2 : Jika tidak lolos psikotes dan lolos wawancara
maka cadangan (CF=0,60)
Rule 3 : Jika lolos psikotes dan lolos wawancara
maka diterima (CF=-0,80)
Langkah 1, pimpinan perusahaan akan menentukan
inisialisasi dengan memberikan nilai CF = 0.
Jika tidak lolos psikotes dan tidak lolos wawancara
maka ditolak (CF = 0,95)
Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor.
Oleh : Bebby Desy Natalina
2013 ISSN : 2301-
2301-9425
Jika tidak lolos psikotes dan lolos wawancara maka
cadangan (CF=0,50)
Jika lolos psikotes dan lolos wawancara maka
diterima (CF=0,95)
Langkah 2, menentukan CFkombinasi rule 1,2 dan 3
(CFpevidence x CFhypotesis)
CFkombinasi1 = 0,90 x 0,75 = 0,675 = CFNew,
CFold =0,0
Karena CFNew dan CFold >0 maka = 0,0 + 0,675 *
(1-0,0) = 0,675 (ditolak)
CFkombinasi2 = 0,50 x 0,60 = 0,30 = CFNew, CFold
=0,675
Karena CFNew dan CFold >0 maka = 0,675 + 0,30 *
(1-0,675) = 0,7725 (ditolak)
CFkombinasi3 = 0,95 x (- 0,80) = - 0,76, CFold =
0,7725
Karena CFNew<0 dan CFold >0 maka = 0,7725 + -
0,76/1(l0,30l l-0,76l) = 0,0052 (ditolak)
Kesimpulan : karyawan tidak diterima karena
nilainya adalah 0,0052.
Kelebihan dan Kekurangan Metode Cartainty Factor:
Adapun kelebihan metode certainty factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar
yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat
mengolah 2 data saja sehingga keakuratan data
dapat terjaga.
Sedangakan kekurangan metode certainty factor
adalah:
1. Pemodelan ketidakpastian yang menggunakan
perhitungan metode certainty factor biasanya
masih diperdebatkan
2. Untuk data lebih dari 2 buah, harus dilakukan
beberapa kali pengolahan data.
3. Analisa Dan Perancangan
3.1 Analisa Sistem
Certainty Theory ini disusun oleh Shortliffe dan
Bucthanan pada tahun 1975 untuk
mengakomodasikan ketidakpastian pemikiran
seorang pakar. Teori ini berkembang bersamaan
dengan pembuatan sistem pakar MYCIN. Tim
pengembang MYCIN mencatat bahwa dokter sering
kali menganalisa informasi yang ada dengan
ungkapan seperti misalnya: mungkin, kemungkinan
besar, hampir pasti. Untuk mengakomodasi hal ini
tim MYCIN menggunakan Certainty Factor (CF)
guna menggambarkan tingkat keyakinan pakar
terhadap permasalahan yang sedang dihadapi.
Untuk mengetahui diagnosa penyakit alopesia,
dapat menggunakan aplikasi sebagai alat bantu.
Dalam tahap ini yang dilakukan adalah menjawab
pertanyaan dari perancangan sistem.
4. Algoritma Dan Implementasi
Untuk menghasilkan sebuah program aplikasi.
Hal yang pertama yang harus dilakukan adalah
membentuk algoritma yang akan menggambarkan
11
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425

bagaimana program itu bekerja. Dalam
menggambarkan dibutuhkan langkah-langkah logika
untuk menyelesaikan masalah serta berfungsi untuk
penelusuran program untuk keperluan perbaikan atau
pengembangan akan lebih muda dan terarah.
Adapun bentuk rancangan dari algoritma
adalah sebagai berikut:
Input : kode pasien, nama pasien, diagnosa gejala;
Output : hasil diagnosa {nilai kemungkinan penyakit}
Proses : Dim x As String = "data_diagnosa"
Dim sample = dtTable(x).Rows.Count
Dim h As Double
h = 0.06
For i = 0 To dtTable(x).Rows.Count - 1
Dim lvItem As New ListViewItem
lvItem.Text = dtTable(x).Rows(i).Item(0)
Maka dari hasil perhitungan certainty factor
dapat disimpulkan Rudi kemungkinan besar
terdiagnosa penyakit alopesia areata stadium awal
.
Pada tampilan menu utama adalah bentuk atau
gambaran perancangan halaman depan yang berisi
beberapa menu diantaranya adalah : menu login, data
pasien, data diagnosa penyakit pasien, hasil diagnosa,
data penulis dan keluar dapat dilihat pada gambar 4.1
dibawah ini :

lvItem.SubItems.Add(dtTable(x).Rows(i).Item(1))
Dim e = dtTable(x).Rows(i).Item(3)
lvItem.SubItems.Add(e)
Dim p As Double
p=e/8
Dim mb, md, cf As Double
mb = (Math.Max(p, h) - h) / (Math.Max(1, 0)
- h)
md = (Math.Min(p, h) - h) / (Math.Min(1, 0) -
h)
mb = FormatNumber(mb, 2)
md = FormatNumber(md, 2)
cf = mb - md
cf = FormatNumber(cf, 2) Gambar 1 : Tampilan Form Menu Utama
lvItem.SubItems.Add(cf)
lvItem.SubItems.Add(UncertaintTerm(cf)) Pada tampilan form login adalah untuk masuk
lvHasil.Items.Add(lvItem) kedalam sistem yang dirancang dapat dilihat pada
Next gambar 4.2 dibawah ini :
End Sub
Function UncertaintTerm(ByVal cf As Double)
Dim hasil As String
If cf > 0.8 Then
hasil = "Definitely (pasti)"
ElseIf cf > 0.6 Then
hasil = "Almost certainly (hampir pasti)"
ElseIf cf > 0.4 Then
hasil = "Probabily (kemungkinan besar)"
ElseIf cf > 0.2 Then
hasil = "Maybe (mungkin)"
ElseIf cf > -0.2 Then
hasil = "Unknown (tidak tahu)"
ElseIf cf > -0.4 Then
hasil = "Maybe not (mungkin tidak)"
ElseIf cf > -0.6 Then
hasil = "Probabily not (kemungkinan besar
tidak)" Gambar 2 : Tampilan Input Data Login
ElseIf cf > -0.8 Then
hasil = "Almost certainly not (hampir pasti Pada tampilan form input data pasien adalah
tidak)" untuk memasukkan kode pasien dan nama pasien
Else dapat dilihat pada gambar 4.3 dibawah ini :
hasil = "Definitely not (pasti tidak)"
End If
Return hasil
Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor. 12
Oleh : Bebby Desy Natalina
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
Gambar 3 : Tampilan Form Input Data Pasien
Pada tampilan form input data diagnosa
penyakit adalah untuk memasukkan ciri-ciri atau
gejala penyakit pasien dapat dilihat pada gambar 4.4
dibawah ini :
Gambar 4 : Tampilan Form Input Data Diagnosa
Pada tampilan form input hasil diagnosa adalah
untuk mengetahui hasil dari gejala penyakit pasien
dapat dilihat pada gambar 4.5 dibawah ini :
Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor.
Oleh : Bebby Desy Natalina
2013 ISSN : 2301-
2301-9425
Gambar 5 : Tampilan Form Input Hasil Diagnosa
Pada tampilan form penulias ini berisikan nama
dan NPM penulis dapat dilihat pada gambar 4.6 di
bawah ini :
Gambar 6 : Tampilan Form Penulis
5. Kesimpulan
Dari hasil perancangan aplikasi Sistem Pakar
Untuk Mendiagnosa Penyakit Alopesia Pada Manusia
Dengan Metode Certainty Factor yang telah
diselesaikan ini maka didapat beberapa kesimpulan
diantaranya adalah sebagai berikut :
1. Dengan adanya penelitian ini, penulis dapat
menentukan tingkat penyakit berdasarkan gejala-
gejala yang dialami oleh masing-masing pasien.
2. Dengan penerapan metode certainty factor
menghasilkan nilai interprestasi dari setiap
gejala yang dialami oleh masing-masing pasien,
sehingga nilai tersebut dapat diketahui
kemungkinan pasien tersebut terkena penyakit
alopesia stadium awal, tengah dan akhir.
3. Aplikasi ini dikategorikan user-friendly karena
mudah digunakan oleh pemakai dalam
penggunaannya.
4. Dengan adanya penelitian ini, penulis telah
merancang suatu aplikasi sstem pakar dengan
menggunakan bahasa pemograman, sehingga
13
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425

dapat membantu pihak yang bersangkutan

dengan efektif dan efisien.

6. Daftar Pustaka
[1]. T.Sutojo, Edy Mulyanto, Vincent, Kecerdasan
Buatan, Andi. Yogyakarta, 2010.
[2]. Sri Kusumadewi, Artificial Intelligence (Teknik
dan Aplikasi), 2003.
[3]. Titis Astutik, Sistem Pakar Untuk
Mendiagnosa Penyakit Alopesia Pada
Manusia, 2009.
[4]. http://en.wikipedia.org/wiki/Alopecia
[5]. http://informatika.web.id/tahapan-
pengembangan-sistem-pakar.html, 12 Mei 2013.
[6]. http://www.aktual.co/urbanitas/190035apa-itu-
alopecia, 12 April 2013).
[7]. http://www.cegahbotak.com, 15 Mei 2013.

Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor. 14
Oleh : Bebby Desy Natalina