Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3.

November 2020

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS

COVID-19 DAN PENYAKIT LAIN DENGAN GEJALA
SERUPA

Prisa Marga Kusumantara1), Nur Cahyo Wibowo2), Yesi Novia3)

E-mail : 1)prisamarga.si@upnjatim.ac.id, 2)nurcahyo.si@upnjatim.ac.id, 3)novia_yesi@yahoo.com

1,2)
Sistem Informasi, Universitas Pembangunan Nasional “Veteran” Jatim, Surabaya 3)
Teknik Informatika, Universitas Maarif Hasyim Latif, Sidoarjo

Abstrak
Pandemi COVID-19 khusus wilayah Indonesia sejak akhir tahun 2019 dan hingga saat ini
menunjukkan trend yang belum mereda hingga menimbulkan beberapa dampak kerugian.
Mengingat COVID-19 termasuk jenis penyakit baru, permasalahan utama di kalangan
masyarakat awam adalah kurangnya informasi dan edukasi hingga sulit dalam mendeteksi
serta membedakan antara penyakit ini dengan penyakit lainnya kerena memiliki gejala
yang hampir mirip. Beberapa penelitian dan kontribusi di bidang ilmu komputer
khususnya AI (Artificial Intelligence) seperti sistem berbasis pengetahuan terus
dikembangkan sebagai upaya pendeteksian penyakit COVID-19 secara dini dan mandiri.
Penelitian ini telah berhasil memodelkan knowledge base untuk deteksi dini sekaligus
membedakan dengan beberapa penyakit lain dengan 10 macam gejala serupa. Hasil
simulasi dengan mesin inferensi forward chaining telah berhasil mendiagnosis penyakit
berdasarkan gejala yang relevan. Model basis pengetahuan ini dapat diimplementasikan
dan dikembangkan pada sistem berbasis pengetahuan di berbagai platform.

Kata kunci: model, basis pengetahuan, diagnosis, COVID-19.

1. PENDAHULUAN
COVID-19 (akronim dari Corona Virus Desease 2019) merupakan penyakit
menular yang disebabkan oleh coronavirus jenis baru, dimana virus/penyakit jenis baru
ini sebelumnya tidak dikenal sebelum terjadi wabah di Wuhan, Tiongkok, pada akhir
Desember 2019 [1]. Pandemi COVID-19 sedang melanda suluruh belahan dunia (tidak
terkecuali Indonesia) dimulai sejak akhir tahun 2019 dan hingga saat ini trend masih
belum mereda. Pada tingkat nasional Indonesia di pekan ini (sampai 8 Nopember 2020)
masih terjadi peningkatan kasus positif COVID-19 sebesar 8,2 persen [2]. Meski pada
minggu sebelumnya jumlah kasus baru COVID-19 di Indonesia tampak menurun, Prof
Wiku selaku juru bicara Satgas Penanganan COVID-19 mengakui ini bahwa penurunan
ini hanya bersifat “semu”, karena rupanya pada minggu tersebut jumlah testing juga
menurun ditambah hari libur panjang [2].
Sementara dampak kerugian yang telah ditimbukan akibat pandemi ini sudah
menyentuh berbagai aspek. Mulai aspek kesehatan, ekonomi, pendidikan, politik,
transportasi, dan bahkan sampai berdampak kepada masalah agama dan hubungan sosial
kemasyarakatan (social/phisical distance yang diberlakukan di beberapa daerah/kota).
Mengingat bahwa penyakit ini tergolong jenis baru, sehingga tidak jarang
menimbulkan kepanikan massal dan beberapa permasalahan yang terjadi di masyarakat
awam seperti misalnya kesulitan membedakan penyakit COVID-19 ini dengan beberapa
penyakit lain yang memiliki gejala serupa. Hal ini dapat dimaklumi, dikarenakan
kurangnya media edukasi dan informasi terkait penyakit baru ini.

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 946
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

WHO (World Health Organization) menyatakan COVID-19 ini sebagai kondisi

pandemi, maka fokus yang harus ditekankan yaitu pada deteksi lebih cepat dan lebih awal
untuk menghentikan jumlah infeksi dan untuk melaksanakan manajemen yang tepat
dalam membatasi transmisi virus [3]. Berbagai upaya pendeteksian, pencegahan dan
pengobatan terus dilakukan oleh semua pihak dari segala lapisan masyarakat dan segala
disiplin ilmu. Mulai dari Rapid test, Swab test, pemakaian masker dan face shield,
penerapan social/phisical distance, pemberian obat dan vaksinasi. Selain dari disiplin
ilmu bidang kesehatan, beberapa penelitian dan kontribusi dari bidang teknologi informasi
dan ilmu komputer juga tidak ingin ketinggalan. Berbagai pendekatan AI (Artificial
Intelligent) dan sistem komputer berbasis pengetahuan (Knowledge Base) dilakukan
sebagai upaya untuk pendeteksian dini penyakit COVID-19 ini.
Beberapa penelitian terkait pengembangan sistem berbasis pengetahuan / sistem
pakar di bidang ilmu kesehatan telah banyak dilakukan. Baik yang berkaitan dengan
penyakit COVID-19 ataupun gangguan penyakit lainnya. Sinuraya, dkk telah
mengembangkan sistem pakar untuk mendeteksi dini COVID-19 berdasarkan 5 gejala
dengan menggunakan metode Certainty Factor [4]. Suryana, dkk juga telah
mengimplementasikan sistem pakar diagnosis dini COVID-19 (sekaligus klasifikasi ke 3
status : ODP, PDP, dan Non suspect) berdasarkan 12 gejala menggunakan metode
Certainty Factor [5]. Sementara pada penyakit dengan gangguan kesehatan yang lain,
Fariska, dkk telah mengembangkan sistem pakar pada bidang kesehatan gigi dan mulut
(orthodonti) untuk kasus Maloklusi dengan kombinasi metode Forward Chaining dan
Certainty Factor [6]. Agak sedikit beda dengan para peneliti sebelumnya, Herowati, dkk
telah mengembangkan sistem deteksi dini perawatan Orthodonti untuk kasus Borderline
dengan menggunakan pendekatan Profile Matching yang mencari kecocokan/relevansi
antara profil gejala pasien dengan profil gejala setiap jenis penyakit/kelainan [7]. Dari
semua penelitian diatas, pada prinsipnya selalu membutuhkan basis pengetahuan
(knowledge base) sebagai landasan berpikir dan logika sebuah komputer dalam
melakukan fungsi penalaran (reasoning) dari sebuah peran AI seperti sistem berbasis
pengetahuan / sistem pakar.
Oleh sebab itu, dalam paper kali ini dikembangkan sebuah model basis
pengetahuan yang mampu mendiagnosis penyakit COVID-19 dan beberapa penyakit
(yang memiliki gejala serupa) lainnya, secara dini dan mandiri. Model basis pengetahuan
ini dapat digunakan sebagai template yang diimplementasikan dan dikembangkan
kedalam aplikasi berbasis AI seperti sistem pakar atau sistem berbasis pengetahuan
lainnya di berbagai macam platform.

2. METODOLOGI
Terdapat 5 langkah dalam metodologi penelitian kali ini. Dimulai dari : 1) studi
literatur, 2) akuisisi pengetahuan, 3) pembangkitan rule base, 4) pemodelan knowledge
base, dan 5) simulasi pengujian. Lebih jauh lagi, pada langkah ke-2, 3 dan 4, secara
prinsip telah menerapkan kaidah terkait komponen pembentuk sistem berbasis
pengetahuan / sistem pakar [8].

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 947
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

Gambar 1. Metodologi Penelitian

2.1 Studi Literatur

Pencarian segala literasi terkait kebutuhan penelitian ini, dimulai dari literasi
tentang COVID-19, sistem berbasis pengetahuan / sistem pakar, rule base, knowledge
base, mesin inferensi. Sumber literasi diperoleh dari mulai buku, paper, dan dokumen dan
artikel dari website.

2.2 Akuisisi Pengetahuan

Dari 3 teknik akuisisi pengetahuan, dalam penelitian ini menggunakan pendekatan
manual. Sumber pengetahuan tersebut diperoleh dari dokumen yang bersumber dari
WHO-CDC-NIH [9]. Pada dokumen tersebut tercantun infografis berupa tabel
perbandingan 3 jenis penyakit berbeda dengan 10 macam gejala yang serupa.

2.3 Pembangkitan Basis Aturan (Rule Base)

Dari hasil akuisisi pengetahuan di tahap sebelumnya, dapat dibangkitkan (generate)
sehingga menjadi beberapa rule base. Susunan rule base yang masih kompleks ini masih
dimungkinkan untuk diubah menjadi beberapa rule base yang lebih simpleks yaitu dengan
teknik "pengelompokan dan pemecahan".

2.4 Pemodelan Basis Pengetahuan (Knowledge Base)

Dari beberapa kumpulan rule base simpleks yang berhasil diekstraksi, maka
dilakukan penyusunan knowledge base secara menyeluruh, mencakup semua aspek sebab
(antecedent) dan akibat (consequent) lengkap beserta penerapan mesin inferensinya.

2.5 Simulasi Pengujian

Sebagai langkah akhir, dilakukan simulasi dan pengujian untuk mengetahui
efektifitas dari model basis pengetahuan yang telah dibangun. Dalam simulasi pengujian
ini menerapkan mesin inferensi dengan alur maju (forward chaining).

3. HASIL DAN PEMBAHASAN

3.1 Akuisisi Pengetahuan

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 948
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

Gambar 2. Perbandingan Beberapa Penyakit Dengan Gejala Serupa COVID-19 [9]

Gambar 2 memperlihatkan sumber pengetahuan terkait perbandingan beberapa
penyakit lainnya dengan gejala serupa COVID-19 berdasarkan dokumen yang bersumber
dari WHO-CDC-NIH [9]. Terlihat bahwa pada infografis tersebut menampilkan 3 jenis
penyakit pembanding dengan 10 macam gejala serupa, namun berbeda intensitasnya
(mulai dari : tidak, ringan, jarang, kadang-kadang, sampai sering).

3.2 Pembangkitan Basis Aturan (Rule Base)

Rule base kompleks dibangkitkan dengan memperhatikan semua gejala dari
masing-masing jenis penyakit yang mengacu pada gambar 2. Untuk mempermudah
penulisan, sebelumnya perlu dikonversikan nilai intensitas gejala menjadi angka : "tidak
pernah" → 0, "xxx" → 1, "yyy" → 2, "zzz" → 3, "aaa" → 4. Termasuk juga dilakukan
konversi nama gejala menjadi kode : “demam”→g1, “lelah akut”→g2, “batuk”→g3,
“bersin”→g4, “nyeri otot & sendi”→g5, “hidung tersumbat/berair”→g6, ”sakit
tenggorokan”→g7, “diare”→g8, “sakit kepala”→g9, “napas pendek”→g10. Nama
penyakit juga dikonversikan menjadi kode : “masuk angin”→p1, “flu”→p2,
“covid19”→p3. Adapun hasil pembangkitan rule base komplex seperti terlihat pada tabel
1.

Tabel 1. Pembangkitan Rule Base Kompleks

Nama Rule Keterangan Rule
If : g1=2 AND g2=3 AND g3=1 AND g4=4 AND g5=4 AND
Rule base – 1 (kompleks)
g6=4 AND g7=4 AND g8=0 AND g9=2 AND g10=0 then p1
If : g1=4 AND g2=4 AND g3=4 AND g4=0 AND g5=4 AND
Rule base – 2 (kompleks)
g6=3 AND g7=3 AND g8=3 AND g9=4 AND g10=0 then p2
If : g1=4 AND g2=3 AND g3=4 AND g4=0 AND g5=3 AND
Rule base – 3 kompleks)
g6=2 AND g7=3 AND g8=2 AND g9=3 AND g10=3 then p3

Dari rule base kompleks di tabel 1, masih dapat dimungkinkan untuk

membangkitkan rule base yang lebih simplex dengan teknik "pengelompokan dan
pemecahan". Dibawah ini terdapat 4 langkah untuk membangkitkan rule base simpleks.

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 949
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

Langkah-1 : Susun ulang tabel pengetahuan pada gambar 2 menjadi

baris:penyakit dan kolom:gejala. Hasil dari langkah-1 ini seperti terlihat pada gambar 3.

Gambar 3. Hasil Generate Rule Base Simpleks Langkah-1 dan Langkah-2

Langkah-2 : Cari angka yang sama dan berhimpitan di setiap lajur kolomnya,
kemudian beri blok tanda. (lihat tanda blok pada gambar 3)

Langkah-3 : Jika antar blok tanda tersebut memiliki kesamaan angka, kumpulkan
menjadi satu area. (lihat gambar 4)

Gambar 4. Hasil Generate Rule Base Simpleks Langkah-3

Langkah-4 : Lakukan blocking per-baris pada semua area yang tersisa (lihat gambar 5].

Gambar 5. Hasil Generate Rule Base Simpleks Langkah-4

3.3 Pemodelan Basis Pengetahuan (Knowledge Base)

Terdapat 2 langkah untuk dapat membangkitkan knowledge base.

Langkah-1 : lakukan penggabungan (merge) pada blok baris yang memiliki

kesamaan nilai (lihat gambar 6].

Gambar 6. Hasil Pemodelan Knowledge Base

Langkah-2 : Jika terdapat blok baris yang saling berhimpitan dan memiliki titik
permulaan yang sama, maka beri tanda panah kearah blok bawah. (perhatikan tanda panah
pada gambar 6). Tanda panah tersebut sekaligus mendeskripsikan cara kerja mesin
inferensi yang beralur maju (forward chaining). Secara default, jika bernilai benar/true
maka alur berjalan ke kanan. Dan jika bernilai salah/false maka alur akan berjalan ke
bawah. Sampai pada akhirnya alur akan berujung pada simpulan hasil diagnosis penyakit
yang relevan.

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 950
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

3.4 Simulasi Pengujian

Untuk menguji efisiensi dan efektifitas dari knowledge base yang telah berhasil
dimodelkan, diterapkan salah satu pola mesin inferensi yaitu dengan alur maju (forward
chaining).
Skenario-1 : g1=2, g2=3, g3=1, g4=4, g5=4, g6=4, g7=4, g8=0,g9=2, g10=0, hasil
diagnosis = “p1” (lihat gambar 7).

Gambar 7. Pengujian #1 Knowledge Base dengan Forward Chaining

Skenario-2 : g1=4, g2=4, g3=4, g4=0, g5=4, g6=3, g7=3, g8=3,g9=4, g10=0,
hasil diagnosis = “p2” (lihat gambar 8).

Gambar 8. Pengujian #2 Knowledge Base dengan Forward Chaining

Skenario-3 : g1=4, g2=3, g3=4, g4=0, g5=3, g6=2, g7=3, g8=2,g9=3, g10=3,
hasil diagnosis = “p3” (lihat gambar 9).

Gambar 9. Pengujian #3 Knowledge Base dengan Forward Chaining

Skenario-4 : g1=4, g2=3, g3=4, g4=0, g5=3, g6=2, g7=3, g8=2,g9=3, g10=0,
hasil diagnosis = “tidak diketahui” (lihat gambar 10).

Gambar 10. Pengujian #4 Knowledge Base dengan Forward Chaining

4. KESIMPULAN DAN SARAN

Dari arsip/dokumen pengetahuan setelah dilakukan akuisisi pengetahuan secara
manual, telah berhasil dibangkitkan beberapa rule base kompleks. Dan dengan teknik
"pengelompokan dan pemecahan" telah berhasil merekonstruksi ulang rule base
kompleks sehingga menjadi beberapa rule base simpleks yang lebih kecil dan sederhana.
Dari pengelompokan semua rule base simpleks tersebut, telah mampu menghasilkan
pemodelan knowledge base untuk mendiagnosis COVID-19 dan beberapa penyakit lain
dengan gejala serupa. Beberapa skenario pengujian telah dilakukan dengan menerapkan
mesin inferensi dengan alur maju (forward chaining). Hasil pengujian telah menunjukkan

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 951
 Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3. November 2020

2 hal : 1) skenario dengan semua gejala yang relevan dengan alur knowledge base pada
akhirnya telah berhasil menampilkan diagnosis awal "penyakit yang relevan". 2)
Sedangkan skenario dengan salah satu/beberapa gejala yang kurang/tidak relevan dengan
alur knowledge base, pada akhirnya juga memberikan luaran diagnosis dengan hasil
“tidak diketahui". Sebagai saran pengembangan berikutnya adalah perlu memperkaya
pengetahuan yang lebih up-to-date terkait info perkembangan gejala baru COVID-19 dan
penyakit lainnya yang dinilai memiliki gejala mirip/serupa.

5. DAFTAR RUJUKAN
[1] World Health Organization, 2020. Q&A : Coronaviruse Diseases (COVID-19).
[online] (updated 12 October 2020) Available at:
https://www.who.int/emergencies/diseases/novel-coronavirus-2019/question-
andanswers-hub/q-a-detail/q-a-coronaviruses [accessed 11 Nopember 2020].
[2] DetikHealth, 2020. Satgas COVID-19 Akui Tren Penurunan Kasus Corona karena
Jumlah Tes Menurun. [online] (updated 10 Nov 2020) Available at:
https://health.detik.com/berita-detikhealth/d-5249430/satgas-covid-19-akui-
trenpenurunan-kasus-corona-karena-jumlah-tes-menurun [accessed 10
Nopember 2020].
[3] Hamid, A.R.A.H., 2020. Social responsibility of medical journal: a concern for
COVID-19 pandemic. Medical Journal of Indonesia (MJI), 29 (1).
[4] Sinuraya, I., Triayudi, A., Sholihati, I.D., 2020. Sistem Pakar Diagnosis Covid-19
Berbasis Mobile Application Android Dengan Metode Certainty Factor. Jurnal
Ilmiah SISFOTENIKA, 10 (2), pp.203-213.
[5] Suryana,M.F., Sari, F.R.T.K., 2020. Implementasi Sistem Pakar Menggunakan
Metode Certainty Factor Untuk Mendiagnosa Dini Corona Virus Desease (COVID-
19). Jurnal Media Informatika Budidarma, 4(3), pp. 559-566.
[6] Fariska, R.P., Kusumantara, P.M., Arifiyanti, A.A., 2020. METODE FORWARD
CHAINING DENGAN CERTAINTY FACTOR PADA SISTEM PAKAR
ORTHODONTI KASUS MALOKLUSI. Jurnal Informatika dan Sistem Informasi
(JIFoSI), 1(2), pp.333-342.
[7] Herowati, A.B., Kusumantara, P.M., Hadiwiyanti, R., 2020. METODE PROFILE
MATCHING PADA SISTEM PENDUKUNG KEPUTUSAN PERAWATAN
ORTHODONTIK UNTUK KASUS BORDERLINE. Jurnal Informatika dan
Sistem Informasi (JIFoSI), 1(2), pp.380-389.
[8] TutoialsPoint, 2020. Artificial Intelligence - Expert Systems. [online] Available at:
https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_expert
_systems.htm [accessed 10 Oktober 2020].
[9] SehatQ, 2020. Serupa Tapi Tak Sama, Ini Perbedaan Gejala Coronavirus
dan Flu Biasa. [online] (09 Maret 2020) Available at:
https://www.sehatq.com/artikel/ketahui-perbedaan-gejala-flu-biasa-
daninfeksi-corona-covid-19 [accessed 10 Nopember 2020].

PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS COVID-19 DAN PENYAKIT

LAIN DENGAN GEJALA SERUPA | 952
Resume Jurnal
Nama: Wardana Dwi Mulia
NPM: 201943502655
Kelas: R78

Judul: PEMODELAN BASIS PENGETAHUAN UNTUK DIAGNOSIS

COVID-19 DAN PENYAKIT LAIN DENGAN GEJALA SERUPA
Volume: Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 3
Tahun: 2020
Penulis: Prisa Marga Kusumantara1) , Nur Cahyo Wibowo2) , Yesi Novia3)

Latar Belakang
Jurnal ini mempunyai latar belakang sebagai berikut, Pandemi COVID-19 khusus
wilayah Indonesia sejak akhir tahun 2019 dan hingga saat ini menunjukkan trend
yang belum mereda hingga menimbulkan beberapa dampak kerugian.

Tujuan Penulisan Jurnal

Tujuan penelitian ini telah berhasil memodelkan knowledge base untuk deteksi
dini sekaligus membedakan dengan beberapa penyakit lain dengan 10 macam
gejala serupa.

Metode Penelitian
Terdapat 5 langkah metodologi penelitian, dimulai dari : 1) studi literatur, 2) akuisisi
pengetahuan, 3) pembangkitan rule base, 4) pemodelan knowledge base, dan 5) simulasi
pengujian.

Hasil Penelitian
Dari pengelompokan semua rule base simpleks tersebut, penelitian ini telah
mampu menghasilkan pemodelan knowledge base untuk mendiagnosis COVID-19
dan beberapa penyakit lain dengan gejala serupa.

Kesimpulan
Dari arsip/dokumen pengetahuan setelah dilakukan akuisisi pengetahuan secara
manual, telah berhasil dibangkitkan beberapa rule base kompleks. Dan dengan
teknik "pengelompokan dan pemecahan" telah berhasil merekonstruksi ulang rule
base kompleks sehingga menjadi beberapa rule base simpleks yang lebih kecil dan
sederhana.