Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN

2018 2548-9712

PENERAPAN EXPERT SYSTEM PADA ANAK BALITA UNTUK

MENDETEKSI OBESITAS MENGGUNAKAN METODE
CASE BASED REASONING

Fithry Tahel

Universitas Potensi Utama

Jurusan Teknik Informatika Fakultas Teknik
Jl. K.L.Yos Sudarso Km 6,5 No. 3A Tanjung Mulia Medan Sumatera Utara 20241 Indonesia
E-mail : Fithry_Tahels2@yahoo.com

ABSTRAK
Obesitas merupakan suatu penyakit multifaktorial, yang terjadiakibat akumulasi jaringan
lemak berlebihan, sehingga dapatmengganggu kesehatan. Obesitas terjadi bila besar dan
jumlah sel lemak bertambah pada tubuh seseorang. Bila seseorang bertambah berat badannya,
maka ukuran sel lemak akan bertambah besar dan kemudian jumlahnya bertambah banyak.
Obesitas merupakan suatu kelainan kompleks pengaturan nafsu makan dan metabolisme
energy yang dikendalikan oleh beberapa faktor biologik spesifik. Faktor genetic diketahui
sangat berpengaruh bagi perkembangan penyakit ini. Secara fisiologis, obesitas didefinisikan
sebagai suatu keadaan dengan akumulasi lemak yang tidak normal atau berlebihan di jaringan
adiposa sehingga dapat mengganggu kesehatan.
Sistem Pakar merupakan salah satu bagian ilmu komputer atau kecerdasan buatan
yang membuat sebuah sistem dapat melakukan pekerjaan seperti dan sebaik yang dilakukan
oleh manusia. Ilmu komputer tersebut dapat mengembangkan perangkat lunak dan perangkat
keras untuk menirukan tindakan manusia. Dari hasil uji coba yang dilakukan maka dapat
disimpulkan bahwa sistem pakar untuk mendiagnosa obesitas pada anak ini mampu
memberikan informasi diagnosa obesitas dan terapi yang perlu dilakukan. Dengan informasi
yang dihasilkan tersebut maka disimpulkan bahwa metode case based reasoning dapat
diterapkan pada sistem pakar untuk mendiagnosa obesitas pada balita serta membantu dokter
dalam melakukan diagnosa obesitas terhadap pasien

Kata Kunci : Sistem Pakar, Obesitas, case based reasoning

ABSTRACT
Obesity is a multifactorial disease, which occurs due to accumulation of excess fat tissue, so it
can disrupt health. Obesity occurs when the large and the number of fat cells increases in a
person's body. When a person gains weight, then the size of fat cells will grow larger and then
the number increases. Obesity is a complex disorder of appetite regulation and energy
metabolism that is controlled by several specific biological factors. Genetic factors are known
to be very influential for the development of this disease. Physiologically, obesity is defined as
a condition with abnormal or excessive fat accumulation in the adipose tissue that may
interfere with healt.
Expert System is one part of computer science or artificial intelligence that makes a
system able to do work like and as well as that done by humans. Computer science can
develop software and hardware to mimic human actions. From the results of the trials
conducted, it can be concluded that the expert system to diagnose obesity in children is able
to provide information on the diagnosis of obesity and therapy that needs to be done. With the

1
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli
2018
resulting information, it is concluded that Case based reasoning methods can be applied to
expert systems to diagnose obesity in toddlers and help doctors diagnose obesity in patients.
Keywords : Expert System, obesity, Case based reasoning
1. PENDAHULUAN
Menurut Gray dan Taitz, obesitas
adalah suatu keadaan yang terjadi apabila
jumlah
lemak tubuh dibandingkan berat badan total
lebih besar dari pada normal. Obesitas pada
anak balita terjadi karena asupan kalori
yang melebihi jumlah kalori yang dibakar
oleh tubuh
melalui proses metabolisme. Obesitas pada
anak balita dapat dinilai menggunakan
berbagai metode atau teknik pemeriksaan.
Obesitas pada anak merupakan masalah
kesehatan karena prevalensi obesitas anak
di dunia semakin meningkat.
Indonesia, berdasarkan data Riskesda
oleh Kementerian Kesehatan Republik
Indonesia tahun 2013, prevalensi
overweight dan obesitas pada anak usia 5
sampai dengan 12 tahun mencapai 18,8%.
beberapa faktor penyebab obesitas pada
anak antara lain adalah pemberian ASI,
pemberian MP ASI yang terlalu dini dan
asupan nutrisi yang terdapat pada jenis
makanan serba instan, minuman soft drink,
makanan jajanan seperti makanan cepat saji
yang tersedia Selain itu, obesitas dapat
terjadi pada anak yang ketika masih bayi
tidak dibiasakan mengkonsumsi Air Susu
Ibu (ASI), tetapi menggunakan susu
formula dengan jumlah asupan yang
melebihi porsi yang dibutuhkan bayi.
Akibatnya, anak akan mengalami kelebihan
berat badan saat berusia empat sampai lima
tahun.
Menurut Ernawati (2017) Sistem
pakar dapat menjadi salah satu solusi yang
dapat digunakan untuk menangani masalah
tersebut. Sistem pakar adalah sebuah sistem
yang telah diberi pengetahuan manusia dan
dimasukkan ke dalam komputer sehingga
komputer mampu menyelesaikan dan
ISSN
2548-9712
memecahkan permasalahan seperti seorang
pakar dengan tujuan mengalihkan
pengetahuan manusia kepada sistem
sehingga dapat digunakan oleh orang
banyak dan tidak terbatas oleh waktu.
Konsep-konsep dasar dari sebuah
sistem pakar adalah
1. Keahlian (Expertise)
Keahlian merupakan pengetahuan
khusus yang dimiliki oleh seseorang
melalui latihan, belajar, serta pengalaman-
pengalaman yang dialami pada suatu
bidang tertentu dalam jangka waktu yang
cukup lama. Dengan pengetahuan tersebut
seorang pakar dapat memberikan keputusan
yang lebih baik dan cepat dalam
menyelesaikan suatu permasalahan yang
sulit.
2. Ahli atau pakar (Expert)
Seorang pakar harus memiliki
kemampuan menyelesaikan permasalahan
pada bidang tertentu yang ditanganinya,
kemudian memberikan penjelasan
mengenai hasil dan kaitannya dengan
permasalahan yang ada. Untuk meniru
kepakaran seorang manusia, perlu dibangun
sebuah sistem komputer yang menunjukan
seluruh karakteristik tersebut. Namun
hingga saat ini, pekerjaan dibidang sistem
pakar terfokus pada aktifitas penyelesaian
masalah dan memberikan penjelasan
mengenai solusinya.
3. Memindahkan Keahlian (Transfering
Expertise)
Tujuan dari sistem adalah
memindahkan keahlian yang dimiliki oleh
seorang pakar ke dalam sebuah sistem
komputer, kemudian dari sebuah system
computer kepada orang lain yang bukan
2
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

pakar. Proses ini dapat meliputi empat

kegiatan : Metode Case Based reasoning adalah
a. Perolehan pengetahuan (Knowledge salah satu metode untuk membangun sistem
Acquistion). dengan pengambilan keputusan dari kasus
b. Representasi pengetahuan yang baru dengan berdasarkan solusi dari
(Knowledge Representation). kasus – kasus sebelumnya. Konsep dari
c. Menyimpulkan pengetahuan metode Case Based reasoning ditemukan
(Knowledge Inferencing). dari ide untuk
d. Memindahkan pengetahuan kepada menggunakan pengalaman – pengalaman
pemakai (Knowledge Transfer to yang terdokumentasi untuk menyelesaikan
User). Pengetahuan tersebut masalah yang baru. Para decision maker
ditempatkan ke dalam suatu kebanyakan menggunakan pengalaman –
komponen yang dinamakan basis pengalaman dari problem solving terdahulu
pengetahuan (Knowledge Base). untuk menyelesaikan masalah yang
dihadapi sekarang (Choiri : 2015). Apabila
4. Kesimpulan (Inference) ada kasus baru maka akan disimpan pada
Keistimewaan dari sistem pakar basis pengetahuan sehingga sistem akan
adalah kemampuannya dalam memberikan melakukan learning dan knowledge yang
saran, yaitu dengan menempatkan keahlian dimiliki oleh sistem akan bertambah.
ke dalam basis pengetahuan (Knowledge Secara umum, metode ini terdiri dari empat
Base) dan membuat program yang mampu langkah (Putri : 2016), yaitu:
mengakses basis pengetahuan sehinggga 1. Retrive, mendapatkan atau
sistem dapat memberikan kesimpulan. memperoleh kembali kasus yang
Kesimpulan dibentuk di dalam komponen paling menyerupai atau relevan
yang dinamakan mesin pengambil (similar) dengan kasus yang baru.
kesimpulan (Inference Engine), dimana Tahap retrieval ini dimulai dengan
berisi aturan-aturan untuk menyelesaikan menggambarkan atau menguraikan
masalah. sebagian masalah, dan diakhiri jika
5. Aturan (Rule) ditemukannya kecocokan terhadap
Umumnya sistem pakar adalah masalah sebelumnya yang tingkat
sistem berbasis aturan, yaitu pengetahuan kecocokannya paling tinggi.
yang terdiri dari aturan-aturan sebagai 2. Reuse, memodelkan/menggunakan
prosedur penyelesaian masalah. kembali pengetahuan dan informasi
Pengetahuan tersebut digambarkan sebagai kasus lama berdasarkan bobot
suatu urutan seri dari kaidah- kaidah yang kemiripan yang paling relevan ke
sudah dibuat. dalam kasus yang baru, sehingga
menghasilkan usulan solusi
6. Kemampuan Penjelasan (Explanation dimana mungkin diperlukan suatu
Capability) adaptasi dengan masalah yang baru
Keistimewaan lain dari sistem pakar tersebut.
adalah kemampuannya dalam memberikan
saran atau rekomendasi serta menjelaskan 3. Revise, meninjau kembali solusi
mengapa tindakan tertentu tidak dianjurkan. yang diusulkan kemudian
Pemberian penerangan dan pendapat ini mengetesnya pada kasus nyata
dilakukan dalam suatu subsistem yang (simulasi) dan jika diperlukan
dinamakan subsistem penjelasan memperbaiki solusi tersebut agar
(explanation subsystem). cocok dengan kasus yang baru.

3
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

4. Retain,
mengintegrasikan/menyimpan
Mulai
kasus baru yang telah berhasil
mendapatkan solusi agar dapat
digunakan oleh kasus-kasus
selanjutnya yang mirip dengan Pengguna Menjawab Pertanyaan
kasus tersebut.

Empat proses masing-masing Sistem Mencari Kasus Yang Sama Di

melibatkan sejumlah langkah-langkah Basis Pengetahuan
spesifik, yang akan dijelaskan pada
gambar 1 dibawah berikut ini:
Ya
Berhasil

Tidak

Sistem Menghitung Bobot Gejala

Menggunakan Rumus Similaritas

Sistem Menyimpan Masalah dan

Solusi di Database

Basis
Pengetahuan

Selesai

Gambar 1. Siklus Case Based Reasoning
(Sumber : Mochammad Choiri dan
Purnomo Budi Santoso : 2015)
Gambar 2. Flowchart Diagram Case Based
Reasoning
Algoritma Nearest Neighbour merupakan
teknik sederhana untuk mencari jarak
terdekat dari tiap-tiap kasus (cases) yang
ada di dalam database, dan seberapa mirip
ukuran kemiripan (similarity) setiap
source case yang ada di dalam database
dengan target case.

4
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

jumlah atribut yang ada dalam kasus.

Setelah similarity antar kasus baru dan
semua kasus yang disimpan telah dihitung,
maka kasus yang paling mirip akan
diambil (kasus dengan nilai kemiripan
tertinggi). Kasus-kasus ini kemudian
digunakan kembali untuk membantu
memecahkan kasus baru berikutnya.
Adapun tujuan penulis membuat
penelitian ini adalah untuk dapat
memberikan hasil diagnosa yang tepat
tetang obesitas pada anak balita kepada para
orang tua atau kepada masyarakat dan juga
untuk dapat menerapkan metode Case
based Reasoning dalam sistem pakar
mendiagnosa obesitas pada anak balita.

2. METODE PENELITIAN
Gambar 3. Diagran Use Case Sistem Metodologi penelitian akan sangat
Pakar Obesitas pada anak balita membantu penulis dalam proses
penyelesaian masalah. penelitian ini
Fungsi similarity pada kasus memiliki beberapa tahapan dalam
diformulasikan sebagai berikut (Kusrini pelaksanaan kegiatan yaitu
dan Luthfi : 2009) 1. Definisi Masalah
Total Similarity = Proses pertama yang dilakukan dalam
) melakukan suatu penelitian adalah
∑ . ( mendefinisikan masalah. Dalam tahap
∑ ini peneliti menentukan masalah yang
Keterangan : akan diteliti serta menjabarkan dengan
T = Kasus baru. lebih luas lagi mengenai masalah
S = Kasus yang ada dalam penyimpanan. tersebut. Pada penelitian yang akan
n = Jumlah atribut dalam masing-masing dilakukan, peneliti memilih masalah
kasus. tentang Obesitas.
i = Atribut individu antara 1 s/d n.
f = Fungsi similarity antara kasus T dan 2. Menganalisa Masalah
kasus S. Pada tahap ini peneliti mengkaji lebih
Wi = Bobot yang diberikan kepada atribut dalam tentang masalah yang diteliti
ke – i. yaitu mengenai Obesitas pada anak
balita. Pada tahap ini peneliti harus
sudah memahami semua hal tentang
Kemiripan biasanya jatuh dalam rentang masalah yang dihadapi.
0 sampai dengan 1, dimana 0 sama
sekali tidak ada kasus yang cocok atau
mirip, dan nilai 1 berarti 100% cocok.
Kasus baru (T) merupakan kasus yang 3. Menentukan Tujuan
akan dijadikan target dan akan Berdasarkan pemahaman dari
dibandingkan dengan source case. permasalahan yang telah di analisa,
Jumlah keseluruhan atribut (n) yaitu langkah berikutnya adalah menentukan

5
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

tujuan yang akan dicapai dalam

penelitian ini. Tujuan yang ingin
dicapai dalam penelitian ini adalah
terciptanya suatu aplikasi yang dapat
memberikan informasi mengenai gejala-
gejala penyakit yang diakibatkan oleh
Obesitas dan bagaimana cara untuk
mengatasinya.
4. Mempelajari Literatur
Pada proses ini, peneliti melengkapi
perbendaharaan kaidah, konsep, teori-
teori yang mendukung dalam
penyelesaian masalah dalam
penelitian ini. Peneliti juga
mempelajari buku-buku dan jurnal-
jurnal, yang berhubungan dengan
penelitian ini maupun refrensi yang
lain. Tahap ini bertujuan untuk
memberikan wawasan yang luas
kepada peneliti tentang masalah yang
akan diteliti.
5. Mengumpulkan Data
Pada tahap ini dilakukan
pengumpulan data yang mendukung
penelitian. Pemngumpulan data
dapat dilakukan dengan beberapa
metode, yaitu :
a. Metode Lapangan
Metode ini dilakukan dengan
peninjauan langsung
lapangan dimana penelitian akan
dilakukan.
b. Metode Pustaka
Metode ini dilakukan dengan
mempelajari buku-buku atapun
karya ilmiah lain yang
berhubungan dengan masalah
yang akan diteliti.
6. Analisa Perhitungan Case Based
Reasoning
Setelah data dikumpulkan,
dilakukan analisa data yang
kemudian akan dilakukan
perhitungan kemungkinan dengan
menggunakan metode Case Based
Reasoning . Tahap ini terdiri dari
beberapa proses yaitu
mendefinisikan masalah dan
menentukan gejala-gejala yang
timbul, menganalisis ketepatan
identifikasi kemungkinan penyakit,
memberikan solusi untuk mengatasi
penyakit.
7. Perancangan Interface
Pada tahap ini peneliti merancang
suatu antarmuka yang dapat
digunakan oleh end user untuk
melakukan penelusuran terhadap
Obesitas. Suatu antarmuka aplikasi
haruslah user friendly agar mudah
digunakan.
8. Pengolahan data
Pada tahap ini dilakukan pengolaan
data yang terdiri dari gejala-gejala
yang ditimbulkan, solusi-solusi untuk
menangani Obesitas.
3. HASIL DAN PEMBAHASAN
Studi kasus mendiagnosa obesitas pada
anak dengan metode Case Based Reasoning
terdiri dari :
1. Retrive, pada tahap ini semua data
pengetahuan tentang gejala obesitas
ke pada anak dijelaskan sehingga dapat
ditelusuri kasus yang berhubungan
dengan penyakit tersebut. Pengetahuan
tentang penyakit obesitas pada anak
seperti ditunjukan pada tabel 1.
Tabel 1. Gejala Obesitas pada anak
Kode
Gejala
Gejala
KG01 Sulit tidur pada malam hari
Kurang Melakukan Aktifitas
KG02
Fisik
KG03 Suka makan Fast Food
KG04 Suka Minum Soda
KG05 Berat Badan Diatas Rata-Rata
Kenaikan Berat Badan Tidak
KG06
Normal
KG07 Lipatan Pada Tubuh
6
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

7
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

2. Representasi Basis Kasus, data-data Ni Bob Bo

kumpulan kasus yang diperoleh dari Nilai Nilai
lai ot bot
catatan rekam identifikasi sebelumnya 1 KG001 1 6 0 0 1
akan disimpan menjadi case base. Kasus- 2 KG002 1 7 1 7 1
kasus yang sudah dikumpulkan akan 3 KG003 0 0 0 0 1
direpresentasikan ke dalam bentuk tabel 2. 4 KG004 1 8 1 8 1
5 KG005 0 0 1 7 1
Tabel 2. Basis Kasus
Kasus Penyakit Gejala Bobot
Berdasarkan contoh kasus pada
KG01 6
Tabel 3, perhitungan similaritas dapat
KG02 7
diselesaikan menggunakan persamaan. Nilai
KG03 8
1,0 merupakan kode untuk setiap pertanyaan
K001 P001 KG04 8
gejala yang dijawab. 1 menyatakan jawaban
KG05 7
“Ya”, sementara menyatakan jawaban
KG06 9
“Tidak”. Sehingga proses perhitungan
KG07 7 similaritas secara manual pada contoh diatas
adalah sebagai berikut.
Setiap gejala memiliki bobot yang
menunjukan tingkat kepentingan terhadap Total Similarity =
obesitas pada anak. Nilai bobot antara 1 )
sampai dengan 10, semakin besar nilai bobot ∑ . (
menunjukan semakin penting gejala tersebut ∑
untuk menentukan kemungkinan obesitas 1. Kemiripan target case dengan source
pada anak. case (K001)
3. Retrieval, Teknik retrieval yang
(6*1) + (7*1) + (8*1)
digunakan dalam penelitian ini adalah Total Similarity = 6+7+8+8+7
teknik nearest neighbor yaitu
pendekatan dalam mencari kemiripan = 2 1/36 =
dua buah kasus dengan menghitung
kedekatan antara kasus baru dengan 2. Kemiripan target case dengan source
kasus lama. Perhitungan ukuran case (K002)
(7*1) + (8*1) + (7*1)
kemiripan antara kasus lama (source
6+7+8+8+7
case) dan kasus baru (target case)
menggunakan metode similarity. Total Similarity =
Perhitungan dilakukan berdasarkan pada
pencocokan bobot dari sejumlah fitur = 22/36 = 0,6111
yang dimiliki kedua kasus. Dasar dari Berdasarkan hasil perhitungan
teknik ini adalah membandingkan setiap similaritas kasus baru terhadap kasus lama
atribut target case dengan setiap atribut yang terdapat pada basis kasus (K001 dan
pada source case yang ada dalam case base, K002), nilai kemiripan pada kasus K002
kemudian perbandingan tersebut lebih besar dari pada kasus K001, sehingga
dihitung dengan menggunakan fungsi dapat disimpulkan kasus yang paling mirip
similarity. adalah kasus K002 dengan tingkat kemiripan
0,6111 atau 61,11%.
Tabel 3. Contoh 4. Retain. Berdasarkan kasus yang telah
Source Kasus
Case (S) Targ dijawab maka dapat diperoleh penyakit
Data et obesitas pada anak (K002) dengan kode
No
Gejala K001 K002 Case casebase 01011, apabila kasus dengan
(T)
8
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

kode casebase tersebut belum ada pada

tabel casebase maka data tersebut akan
di simpan ke dalam database, tetapi bila
sudah ada maka data tersebut akan
dipanggil oleh sistem untuk
ditampilkan.

3.2 Rancangan Interface

Hasil yang diperoleh dari penelitian

ini yaitu suatu aplikasi sistem pakar yang
dapat mendiagnosa penyakit obesitas pada
anak. Rincian hasil dari penelitian ini
adalah sebagai berikut:
Gambar 6. Form Data Gejala

Gambar 4. Login

Gambar 7. Form Solusi

Gambar 5. Form menu utama

Gambar 8. Form Hasil

9
Jurnal Sistem Informasi Kaputama (JSIK), Vol 2 No 2, Juli ISSN
2018 2548-9712

4. KESIMPULAN
Adapun kesimpulan yang didapat dari hasil penulis yang telah memberi dukungan
penelitian ini adalah sebagai berikut : terhadap penelitian ini.
1. Sistem pakar merupakan sistem
cerdas berfungsi untuk
menggantikan seorang pakar dalam DAFTAR PUSTAKA
hal mendiagnosis penyakit. [1] Subardja, Dedi., 2004, "Obesitas Primer
pada Anak Diagnosis, Patogenesis, dan
2. Case Based Reasoning dapat Patofisiologi", PT. Kiblat Buku Utama,
digunakan untuk menentukan Bandung.
tingkat kepastian atau kemungkinan
terhadap Obesitas berdasarkan [2] Durkin, J. (1994). Expert Systems
gejala yang dialami oleh pengguna. Design and Development. New Jersey:
Prentice Hall
3. Sistem pakar dengan Case Based
Reasoning ini dapat digunakan [3] International Inc. Kusrini (2006). Sistem
sebagai sarana informasi atau Pakar Teori dan Aplikasi. Yogyakarta:
aplikasi yang juga dapat digunakan ANDI
untuk mendiagnosis Obesitas pada
anak balita dengan tingkat [4] Andriana, 2008, Sistem Penalaran
kepastian yang akurat. Komputer Berbasis Kasus (Case Based
Reasoning-CBR), Yogyakarta, Ardana
4. Penelusuran penyakit obesitas pada Media, p.17
anak berdasarkan metode Case
Based Reasoning dengan [5] Muzid S., 2008, Teknologi Penalaran
menelusuri pengetahuan- Berbasis Kasus (case based reasoning)
pengetahuan terdahulu. Apabila untuk Diagnosa Penyakit Kehamilan,
belum terdapat pengetahuan Yogyakarta, Universitas Islam Indonesia. p.
terdahulu maka sistem akan 64
menyimpan hasil diagnosa yang
telah diperoleh ke dalam database. [6] Dr. Arora, Anjali, “5 Langkah
Metode ini juga dapat memberikan Mengendalikan Obesitas”, PT. Bhuana
nilai kepastian dengan Ilmu Populer , Jakarta, 2007.
menggunakan metode perhitungan
similaritas. [7] Arhami, Muhammad, 2005, Konsep
Dasar Sistem Pakar, Andi, Yogyakarta.
5. SARAN
Diharapkan penelitian selajutnya untuk
dapat mengembangkan penelitian ini,
sehingga sistem pakar yang dibangun tidak
hanya dapat diterapkan untuk
mengidentifikasi Obesitas tetapi untuk
penyakit yang lain.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada
Universitas Potensi Utama Medan dan
STMIK Kaputama Medan, Seluruh kerabat