Rancang Bangun Chatbot Monitoring Menstruasi berbasis Artificial

Intelligence untuk Deteksi Dini PCOS

Abstrak

Hasil analisis terhadap 1.6 juta data riwayat siklus menstruasi menunjukkan wanita
usia 18-24 tahun memiliki angka ketidakteraturan siklus menstruasi dua kali lebih besar dari
wanita usia 35-39 tahun. Menstruasi tidak teratur merupakan salah satu gejala sindrom
ovarium polikistik (PCOS). Sebelum diagnosis definitif PCOS, remaja wanita dengan tanda-
tanda klinis kelebihan androgen dan oligomenore/amenore, dianggap "berisiko" menderita
PCOS. Wanita penderita PCOS memiliki peningkatan risiko intoleransi glukosa, diabetes
mellitus tipe 2, hepatic steatosis, sindrom metabolisme, hipertensi, dislipidemia,
penggumpalan pada vascular, insiden cerebrovascular, cardiovascular event, subfertilitas,
komplikasi obstetri, endometrial atypia atau carcinoma, kanker ovarium, kelainan mood dan
psikoseksual. Dokter umum di puskesmas area Surabaya memiliki tingkat pengetahuan
mengenai faktor risiko PCOS pada kategori cukup, penyebab kurang dan gejala klinis kurang.
Studi menunjukan penggunaan support-chatbot untuk pasien kanker payudara memberi hasil
yang positif serta dokter setuju dapat membantu melakukan tugas sederhana dalam skenario
kesehatan. Oleh karena itu, diusulkan suatu chatbot dengan fungsi monitoring siklus
menstruasi yang dapat diakses lewat platform telegram menggunakan arsitektur microservice.
Microservice adalah suatu arsitektur sistem yang memungkinkan perbaikan dari stabilitas dan
keamanan aplikasi. Pemakaian Telegram diharapkan memberikan pengguna kemudahan
dalam mengakses platform dan Docker untuk mempermudah pengembangan sistem. Chatbot
akan memprediksi dan mengingatkan pengguna tentang tanggal menstruasi yang akan datang
serta menyimpan riwayat tanggal siklus menstruasi yang nanti dapat dianalisis keteraturan
siklusnya. Artificial intelligence dengan parameter gejala-gejala serta ketidakteraturan siklus
menstruasi sebagai upaya deteksi dini tingkat risiko PCOS menggunakan implementasi sistem
pakar dengan algoritma decision tree dimana data yang dikumpulkan diperoleh dari hasil data
masukkan dari pengguna, studi literatur, dan fungsi pendataan parameter yang dianggap
penting untuk monitoring. Penelitian ini diharapkan dapat membantu wanita memonitoring
siklus menstruasi secara mandiri serta mempercepat deteksi dini PCOS dan membantu
pengguna untuk mengambil keputusan untuk pergi ke professional kesehatan terkait.
Kata Kunci : Artficial Intelligence, Chatbot, Menstruasi, PCOS

1
 Daftar Isi
Abstrak.......................................................................................................................................1
BAB I............................................................................................................................................3
PENDAHULUAN........................................................................................................................3
1.1 Latar Belakang.............................................................................................................. 3
1.2 Perumusan Masalah.................................................................................................... 3
1.3 Batasan Penelitian....................................................................................................... 3
1.4 Tujuan dan Manfaat.................................................................................................... 3
1.5 Kontribusi...................................................................................................................... 4
BAB 2...........................................................................................................................................5
TINJAUAN PUSTAKA...............................................................................................................5
2.1 Aplikasi Sistem Pakar Berbasis Instant Messenger Untuk Diagnosa Awal
Penyakit Ginjal......................................................................................................................................... 5
2.2 Building an EdTech platform using Microservices and Docker....................6
2.3 A Critical Study of Polycystic Ovarian Syndrome (PCOS) Classification
Techniques 8
2.4 Comparative Analysis of Machine Learning Algorithms for Prediction of
PCOS 10
2.5 Rasional............................................................................................................................... 11
BAB III.......................................................................................................................................13
METODE PENELITIAN..........................................................................................................13
3.1 Perancangan Sistem................................................................................................. 13
3.1.1 Arsitektur Sistem................................................................................................................................. 13
3.1.2 Alur Diagram......................................................................................................................................... 15
3.1.3 Perancangan Use Case Diagram..................................................................................................... 16
3.2 Metodologi Penelitian.............................................................................................. 16
3.2.1 Artificial Intelligence.......................................................................................................................... 17
3.2.2 Metode Pengujian..................................................................................................... 17
BAB IV.......................................................................................................................................19
RENCANA KERJA....................................................................................................................19
4.1 Langkah-langkah kegiatan..................................................................................... 19
4.1.1 Studi literatur........................................................................................................................................ 19
4.1.2 Perancangan dan Pembuatan Sistem Software.......................................................................19
4.1.3 Pengujian Sistem................................................................................................................................. 19
4.1.4 Analisis dan Evaluasi.......................................................................................................................... 19
4.1.5 Penyusunan Laporan Akhir............................................................................................................. 20
4.2 Jadwal Kegiatan Penelitian.................................................................................... 20

2
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Hasil analisis terhadap 1.6 juta data riwayat siklus menstruasi menunjukkan wanita
usia 18-24 tahun memiliki angka ketidakteraturan siklus menstruasi dua kali lebih besar dari
wanita usia 35-39 tahun. Menstruasi tidak teratur merupakan salah satu gejala sindrom
ovarium polikistik (PCOS). Gejala awal kehamilan juga ditandai dengan terlambat
menstruasi.[1]. Sebelum diagnosis definitif PCOS, remaja wanita dengan tanda-tanda klinis
kelebihan androgen dan oligomenore/amenore, sudah bisa dianggap "berisiko" menderita
PCOS[2]
Wanita penderita PCOS memiliki peningkatan risiko intoleransi glukosa, diabetes
mellitus tipe 2, hepatic steatosis, sindrom metabolisme, hipertensi, dislipidemia,
penggumpalan pada vascular, insiden cerebrovascular, cardiovascular event, subfertilitas,
komplikasi obstetri, endometrial atypia atau carcinoma, kanker ovarium, kelainan mood dan
psikoseksual. Pada 20 tahun terakhir, gangguan ini tetap sulit untuk terdiagnosis dan
disalahpahami oleh banyak praktisi[3] Hasil survei juga menunjukkan bahwa dokter umum
puskesmas area Surabaya memiliki tingkat pengetahuan mengenai faktor risiko PCOS pada
kategori cukup, penyebab kategori kurang dan gejala klinis kategori kurang[4].
Healthcare chatbot adalah sebuah program yang secara otomatis memberikan layanan
dengan berbicara dengan pengguna melalui banyak jenis media komunikasi. Studi
menunjukan adanya hasil yang positif dalam penggunaan healthcare support-chatbot untuk
pasien kanker payudara, dan dokter sependapat bahwa chatbot dapat membantu dalam
melakukan tugas sederhana dalam skenario kesehatan[6].

1.2 Perumusan Masalah

Berdasarkan uraian latar belakang, diperoleh rumusan masalah yaitu siklus menstruasi
yang tidak termonitoring secara teratur mempertinggi tingkat keterlambatan deteksi dini
PCOS sehingga dapat meningkatkan berbagai risiko masalah kesehatan pada wanita.
Monitoring siklus menstruasi mandiri yang dilakukan secara manual tidak memfasilitasi user
untuk melakukan deteksi dini PCOS.

1.3 Batasan Penelitian

Batasan penelitian dari proyek tugas akhir ini yaitu pendeteksian awal gejala PCOS
menggunakan model interaksi tanya jawab keluhan tanpa pencitraan medis.

1.4 Tujuan dan Manfaat

Tujuan yang ingin dicapai dari tugas akhir ini yaitu merancang suatu sistem
monitoring siklus menstruasi berbasis chatbot telegram yang dilengkapi sistem pakar untuk
mendeteksi sedini mungkin tingkat risiko PCOS berbasis pengetahuan dari hasil studi
literatur.
Manfaat dari capaian penelitian ini yaitu untuk mempermudah wanita memonitoring
siklus menstruasi secara otomatis sehingga mempercepat pendeteksian dini potensi risiko

3
PCOS. lebih cepat serta membantu dokter mempercepat pemberian penanganan sesuai
keluhan pada pasien wanita.

1.5 Kontribusi
Dengan rancang bangun sistem chatbot telemonitoring siklus menstruasi berbasis
artificial intelligence menggunakan Docker yang diajukan ini, diharapkan dapat membantu
wanita mempermudah melakukan self tracking terhadap siklus menstruasinya dengan cara
pemakaian yang mudah dan user-friendly sehingga apabila terdapat keabnormalan, hal ini
dapat dideteksi lebih dini dan bisa lebih cepat dikonsultasikan ke ahli medis khususnya yaitu
pada gejala PCOS.

4
 BAB 2
TINJAUAN PUSTAKA

2.1 Aplikasi Sistem Pakar Berbasis Instant Messenger Untuk Diagnosa Awal
Penyakit Ginjal
Angka kematian yang disebabkan oleh penyakit ginjal berdasarkan data tahun 2013
menunjukkan peningkatan karena kurangnya pengetahuan tentang gejala awal penyakit ginjal.
Pemanfaatan sistem pakar sebagai media untuk mendiagnosa penyakit telah banyak
dilakukan, Penelitian oleh Kurniawan pada tahun 2011 telah membuat sistem pakar berbasis
web untuk diagnosa penyakit gigi dan mulut dalam program CLIPS yang menghasilkan
sistem pakar dengan 18 diagnosa penyakit mulut dan 40 gejala yang menyertainya dengan
metode depth first search. Penulis menyatakan bahwa kelemahan dari penelitian-penelitian
tersebut terletak pada platform sistem yang dibuat masih berbasis desktop dan website
sehingga hanya dapat diakses oleh masing-masing pengguna platform tersebut. Diusulkan
untuk mengimplementasikan sistem pakar untuk meningkatkan keakurasian, kecepatan, dan
aksesibilitas dalam proses diagnosa awal. Sistem pakar yang dirancang kemudian diterapkan
ke salah satu instant messenger yang banyak digunakan dan fleksibel dimana dalam penelitian
ini menggunakan Telegram [9].
Basis pengetahuan atau knowledge base diperlukan dalam pembuatan sistem. Basis
pengetahuan yang digunakan didapatkan dari hasil wawancara terhadap dua pakar yaitu
akademisi dan dokter yang kompeten di bidang penyakit ginjal. Terdapat tiga tabel yaitu,
pengkodean penyakit ginjal yang direpresentasikan oleh tabel pertama, gejala penyakit ginjal
oleh tabel kedua, dan rule dari sistem pakar penyakit ginjal direpresentasikan oleh tabel tiga
yang menghubungkan tiap penyakit dengan gejalanya. Digunakan metode forward chaining,
berupa sekumpulan aturan yang diawali dengan kondisi dan menghasilkan aksi. Metode ini
diawali dengan menyesuaikan data dan kebutuhan, hasil akan ditemukan hingga proses yang
dilakukan memenuhi tujuan [9].
Dua cara pengujian yang dilakukan yaitu pertama dengan metode black box dimana
menguji fungsi-fungsi rancangan sistem, apakah rancangan sistem bot diagnosa awal penyakit
ginjal berbasis Telegram yang dibangun sudah sesuai dengan rencana dan dapat berjalan
sesuai perintah. Hasil dari pengujian black box ditampilkan pada Tabel 2.1 :

Tabel 2.1 Hasil Pengujian Black Box [9]

Nama Pengujian Butir Uji Tindakan Jenis Hasil
Pengujian Pengujian Pengujian
Mulai Memulai diagnosa Klik tombol Sistem Berhasil
“Start”

Jawab Jawab pertanyaan dengan Kirim teks Sistem Berhasil

teks

5
 Nama Pengujian Butir Uji Tindakan Jenis Hasil
Pengujian Pengujian Pengujian
Jawab pertanyaan dengan Klik pilihan
GUI

Sistem Pakar Hasil sistem pakar Mengakses Sistem Berhasil

hasil sistem
pakar

Analisa system usability scale (SUS) dilakukan sebagai pengujian kedua dengan
menyebarkan kuesioner. Dimana target responden adalah masyarakat umum yang akan
mencoba untuk menggunakan aplikasi ini. Skrip kuesioner yang dibuat akan diberikan kepada
20 partisipan dengan 10 poin pertanyaan, antara lain [9] :
a) Saya akan sering menggunakan aplikasi ini.
b) Saya merasa aplikasi ini terlalu kompleks namun dapat dikembangkan lebih sederhana
lagi.
c) Saya merasa aplikasi ini cukup sederhana dan mudah digunakan.
d) Berdasarkan pengalaman menggunakan aplikasi ini, saya memerlukan bantuan teknisi
untuk menggunakannya.
e) Saya merasa integrasi sistem ini cukup baik.
f) Saya rasa pengembangan aplikasi ini tidak konsisten.
g) Saya rasa kebanyakan pengguna akan belajar menggunakan aplikasi ini cukup mudah dan
cepat.
h) Saya merasa aplikasi ini tidak praktis.
i) Saya percaya untuk menggunakan aplikasi ini.
j) Saya harus belajar terlebih dahulu sebelum saya dapat menggunakan aplikasi ini.
Pengujian ini melakukan analisa data terhadap sepuluh soal pilihan ganda yang
mengacu pada pendapat mereka setelah menggunakan bot sistem diagnosa awal penyakit
ginjal yang dibuat. Didapatkan skor rata-rata hasil kuisoner interpretasi SUS sebesar 78 yang
artinya pengujian berada di atas rata-rata sehingga dinyatakan dapat diterima dan berjalan
dengan baik [9].
2.2 Building an EdTech platform using Microservices and Docker
Penggunaan platform e-learning sedang meningkat di dunia modern. Untuk memenuhi
kebutuhan pendidikan online yang semakin meningkat, aplikasi harus mampu menangani
sejumlah besar permintaan per detik dan memberikan layanan tanpa menurunkan efisiensi.
Pada platform yang melayani ribuan permintaan per-detik, arsitektur monolitik akan collapse
dan meruntuhkan seluruh aplikasi. Permintaan yang tinggi pada aplikasi akan meningkatkan
waktu henti aplikasi dan menciptakan dampak besar pada efisiensi aplikasi/produk perangkat
lunak yang digunakan.[10]
Monolitik adalah arsitektur dimana seluruh aplikasi digabungkan dan memiliki satu
database, sedangkan arsitektur berbasis microservices terdiri dari set layanan kecil dan
independen, masing-masing dibuat untuk melayani tujuan tertentu. Arsitektur monolitik
terbukti efektif ketika aplikasi skala kecil dan tidak melayani banyak permintaan setiap saat

6
sedangkan arsitektur microservices unggul dalam menangani permintaan dalam jumlah besar
karena scalling mudah dilakukan sehingga menimbulkan peningkatan yang signifikan dalam
waktu aktif aplikasi. Penggunaan Microservices memiliki beberapa keunggulan yaitu [10] :
a) Skalabilitas:
Aplikasi layanan mikro dapat diskalakan secara mandiri tanpa menimbulkan beban pada
efisiensi atau keandalan aplikasi.
b) Exchangeability:
Layanan apa pun dapat diganti/ditukar tanpa mempengaruhi kerja layanan lain.
c) Penerapan yang Mudah:
Setiap layanan dapat dikerjakan, diubah dan disebarkan secara mandiri.
d) Penggunaan teknologi yang berbeda:
Pembatasan penggunaan bahasa atau basis data tertentu tidak lagi berlaku di kasus
layanan mikro.
e) Toleransi Kesalahan:
Kegagalan satu layanan tidak menyebabkan dampak negatif pada layanan lain yang
sedang berjalan

Gambar 2.1 Arsitektur Microservice yang Diusulkan [10]

Gambar 2.2 Komunikasi antara User Database Service dan Form Registration Service [10]

Gambar 2.1 dan gambar 2.2 menunjukkan arsitektur yang diusulkan dari platform
EdTech. Terdapat database yang berbeda untuk setiap layanan dan komunikasi di antara
microservices terjadi dengan bantuan RESTful API. Website membuat konten untuk pengguna

7
saat berinteraksi dengan aplikasi. Penggunaan layanan mikro arsitektur telah memungkinkan
untuk memanfaatkan sekumpulan teknologi yang berbeda. User microservice dibangun
dengan NodeJs sebagai teknologi backend dan MongoDB sebagai database untuk menyimpan
data pengguna. Course microservice memanfaatkan PHP sebagai bahasa backend yang
terintegrasi dengan MySQL database untuk operasi CRUD pada kursus yang pengguna akan
dibuat untuk peserta didik lainnya. Payment microservice untuk pembayaran, yang
menghadirkan plugin pihak ketiga untuk memastikan bahwa pengguna dapat dengan aman
membayar kursus dan memanfaatkansumber daya berbayar untuk belajar. Setiap layanan
mikro memiliki Dockerfile sendiri (image) yang kemudian menggunakan Docker-compose
file [10].
Studi pemetaan sistematis yang dibahas dalam makalah ini berkaitan dengan arsitektur
dan sistem komunikasi antar services yang akan dibangun pada proposal ini.

2.3 A Critical Study of Polycystic Ovarian Syndrome (PCOS) Classification

Techniques
Sindrom ovarium polikistik (PCOS) adalah tipe gangguan endokrin heterogen yang
sering terjadi pada wanita usia subur. Hampir 5-10% wanita usia subur terpengaruh oleh
kelainan ini. Wanita dengan PCOS sangat rentan terhadap infertilitas, anovulasi,
kardiovaskular, penyakit, diabetes tipe 2, mellitus, obesitas, ginekologi, kanker dll. Beberapa
gejala umum termasuk kulit berminyak, bekas jerawat yang menghitam, penambahan berat
badan, hipertensi, gangguan mood dan kecemasan, ketidakteraturan dalam siklus menstruasi,
dll. Terlepas dari beratnya keadaan dan tersedia pilihan obat, ada sangat sedikit pilihan untuk
perlakuan. Oleh karena itu, sangat penting untuk mendeteksi gejala pasien pada tahap awal
untuk mencegah konsekuensi disfungsi ovarium. Dalam penelitian yang dilakukan
sebelumnya, upaya telah dilakukan untuk mengenali pola berulang di antara gejala-gejala
Pasien Sindrom Ovarium Polikistik menggunakan Frequent Itemset Mining. Itu juga berfokus
pada Algoritma Apriori yang telah digunakan untuk memprediksi mereka yang rentan terkena
sindrom. Dengan menganalisis hasil percobaan, dapat dipahami bahwa beberapa atribut
memiliki pengaruh yang signifikan dalam prediksi PCOS. Tetapi hasil ini tidak memberikan
akurasi berbentuk persentase [11]. Dataset diambil menggunakan survey terhadap 119 wanita
berusia 18-22 tahun berdasarkan pola hidupnya. Parameter-parameter yang digunakan untuk
dataset terdapat dalam Tabel 2.2 :

Tabel 2.2 Parameter Dataset PCOS

N ATRIBUT ISI
O
1 Label class Mungkin, Mungkin tidak
(mb, mb n)
2 Keteraturan siklus menstruasi Ya (y), jarang mens (im),
Pendarahan tidak teratur
(ib), Pendarahan berat (hb)
3 Peningkatan berat badan Ya (y), Tidak (n)
4 Pertumbuhan rambut berlebih pada wajah dan badan Ya (y), Tidak (n)

8
 N ATRIBUT ISI
O
5 Terdapat area gelap pada kulit Ya (y), Tidak (n)
6 Jerawat Ya (y), Tidak (n)
7 Depresi dan anxiety Ya (y), Tidak (n)
8 Riwayat diabetes dan hipertensi Ya (y), Tidak (n)
9 Sedang menjaga berat badan Ya (y), Tidak (n)
10 Kulit berminyak Ya (y), Tidak (n)
11 Rambut rontok Ya (y), Tidak (n)
12 Tempat makan yang sering dikunjungi Asrama mess (hm), Kantin
Kampus (cc)
13 Olahraga teratur Ya (y), Tidak (n)
14 Tekanan mental akibat baru tinggal di asrama Ya (y), Tidak (n)
15 Tekanan mental akibat masalah pribadi Ya (y), Tidak (n)
16 Tekanan mental akibat teman sebaya Ya (y), Tidak (n)
17 Tekanan mental akibat perubahan pola makan/diet Ya (y), Tidak (n)
18 Asupan makanan cepat saji Setiap hari (ed), seminggu
sekali (w), sebulan sekali
(m), setahun sekali (y)

Decision Tree memiliki tujuan tunggal untuk menghasilkan aturan (rule) . Aturan-
aturan ini adalah pernyataan bersyarat atau parameter yang dapat dengan mudah
diinterpretasikan oleh pengguna dan secara bergiliran dapat digunakan pada dataset untuk
mengenali kumpulan catatan/riwayat. Seorang peneliti dengan nama J. Ross Quinlan
mengembangkan algoritma pohon keputusan pada tahun 1980 yang disebut sebagai ID3
(Dikotomiser berulang). Setelah itu, dia juga mengembangkan Algoritma C4.5, yang
merupakan pewaris ID3. Kedua algoritma menggunakan pendekatan greedy. Dalam makalah
ini digunakan algoritma C5.0 dan tidak menerapkan prosedur backtracking karena trees
menggunakan top-down, rekursif, devide-and-conquer.

9
 Gambar 2.3 Decision Tree dengan Menerapkan Algoritma C5.0 [11]

Gambar 2.4 Hasil penggunaan Decision Tree C5.0 [11]

Hasilnya semua algoritma dalam paper menunjukkan persentase hasil akurasi yang
saling mendekati satu sama lain, memungkinkan pengguna untuk mengadopsi semua jenis
prosedur metode dalam paper tersebut[11]
Studi pemetaan sistematis yang dibahas dalam makalah ini berkaitan dengan algoritma
Decision tree yang akan diimplementasikan dalam sistem pakar untuk deteksi dini PCOS pada
proposal ini.

2.4 Comparative Analysis of Machine Learning Algorithms for Prediction of PCOS

Polycystic Ovary Syndrome (PCOS) merupakan kelainan hormonal yang sering
terjadi pada wanita usia subur. Tetapi hanya kurang dari 50% wanita yang terdiagnosis
dengan benar sehingga banyak wanita dengan PCOS yang tidak terdiagnosis. Identifikasi
berbentuk diagnosis dini dengan tes minimalis dan teknik pencitraan sangat penting karena
kondisi ini secara langsung mendorong terjadinya disfungsi ovarium dengan peningkatan
risiko keguguran, kemandulan, kanker ginekologi hingga penderitaan dari segi mental pasien

10
karena pemborosan waktu dan uang. Oleh karena itu, paper ini membandingkan lima
algoritma pengklasifikasi antara lain K-Nearest Neighbors (KNN), Naive Bayes Classifier,
Support Vector Machine, Decision tree Classifier, Logistic Regression (LR). Tahapan
implementasinya seperti pada gambar 2.5 berikut [12] :

Gambar 2.5 Tahapan yang diterapkan [12]

Data collection diambil dengan membuat kuesioner menggunakan formulir Google dan
mengedarkan formulir ini kepada wanita dari semua kelompok umur dan didapatkan sekitar
267 data. Kemudian dilakukan analisis dan visualisasi data menggunakan google sheets dan
Tableau. Untuk Data processing dilakukan pembersihan dataset seperti menghapus data yang
terduplikasi, mengganti data yang hilang dengan “NaN”, koreksi outliers, dan mengurangi
dimensi data, menghilangkan feature data yang tidak dibutuhkan[12]. Seleksi dan Training
model menggunakan lima algoritma klasifikasi berupa K-Nearest Neighbors (KNN), Naive
Bayes Classifier, Support Vector Machine, Decision tree Classifier, Logistic Regression (LR).
Data dibagi menjadi training dan testing data dengan rasio 8:2. Untuk parameter yang
digunakan yaitu seperti berikut :

Gambar 2.7 Parameter yang Digunakan pada Decision Tree[12]

Terakhir dilakukan evaluasi model dengan mamanfaatkan confusion matrix hingga
didapatkan hasil sebagai berikut :

11
 Gambar 2.6 Hasil matriks evaluasi [12]
Dari tabel tersebut didapatkan informasi bahwa algoritma decision tree menghasilkan
akurasi terbaik sebesar 0.81. Akurasi yang didapatkan tidak mencapai angka 100% karena
PCOS juga bergantung pada berbagai faktor lain sehingga disarankan untuk berkonsultasi
dengan dokter. Studi pemetaan sistematis yang dibahas dalam makalah ini berkaitan dengan
tahapan processing data yang nantinya diolah oleh algoritma decision tree pada worker
server.

2.5 Rasional
Sistem akan dirancang menggunakan arsitektur microservices yang ditempatkan pada
Docker container seperti pemaparan oleh Naik dkk[10]. Docker container memberikan
kemudahan pengembangan dan skalabilitas[10]. Chatbot akan dibangun memanfaatkan
instant messenger Telegram seperti yang dibahas oleh Arifanto dkk [9] untuk meningkatkan
kemudahan pengguna mengakses dan tidak hanya pengguna komputer saja yang bisa
mengakses[9]. Basis pengetahuan akan diperoleh melalui studi literatur kepada
akademisi/dokter seperti Arifanto dkk[9]. Metode yang diusulkan akan dibuat seperti
pembahasan Vikas dkk[11] menggunakan Decision tree yang diimplementasikan pada sistem
pakar serta pengambilan dataset dengan melakukan survey disertai dengan data yang akan
diperoleh dari chatbot nanti[11].

Gambar 2.7 Fishbone diagram

12
 BAB III
METODE PENELITIAN
Pada bab ini membahas mengenai perancangan Rancang Bangun Chatbot Monitoring
Menstruasi berbasis Artificial Intelligence untuk Deteksi Dini PCOS baik dari tahap
perencanaan, perancangan sistem, pembuatan, dan pengujian software.
3.1 Perancangan Sistem
Perancangan rancang bangun chatbot monitoring menstruasi berbasis artificial
intelligence untuk deteksi dini PCOS melewati beberapa tahapan, awal dari penggalian
masalah berasal dari keluhan beberapa wanita di lingkungan kampus dengan usia produktif
mengalami gejala siklus menstruasi tidak teratur namun mengesampingkan hal tersebut dan
tidak berkonsultasi kepada ahli medis terkait. Kemudian dari masalah tersebut dilakukan
penggalian informasi melalui internet dan study literatur terkait gejala dan penyebab yang
berhubungan dengan ketidakberaturan siklus menstruasi pada wanita.
Pada saat melakukan studi literatur dilakukan juga survei terhadap beberapa wanita
dengan siklus menstruasi yang normal maupun tidak untuk memperdalam informasi terkait
gejala yang mereka alami dan riwayat keaktifan tracking mandiri pada tanggal menstruasi
masing-masing. Setelah dilakukan study literatur dan menggali informasi resmi pada laman
kesehatan seperti milik WHO dan Kemenkes, didapatkan informasi bahwa PCOS yang terkait
dengan gejala menstruasi tidak teratur menjadi salah satu kelainan yang sering terjadi pada
wanita usia produktif namun masih belum banyak terdeteksi lebih awal oleh penderitanya.
Sedangkan PCOS sendiri dapat berakibat pada gangguan kesehatan sehingga krusial untuk
deteksi PCOS sedini mungkin yang dapat dilakukan dengan monitoring mandiri terhadap
siklus menstruasi.
Solusi utama dari sistem yang dikembangkan pada penelitian ini yaitu Chatbot
Telegram. Penggunaan Telegram memudahkan para pengguna untuk tidak perlu menginstall
aplikasi lagi dan tidak perlu ada pembuatan akun yang berlebihan. Penggunaan Telegram juga
dapat mempermudahkan pengguna untuk berbagi informasi yang didapatkan dari aplikasi
dengan mudah.
3.1.1 Arsitektur Sistem
Sistem pada penelitian ini menggunakan arsitektur microservice yang dijadikan pada
satu wadah menggunakan Docker Container.

13
 Gambar 3.1 Arsitektur Microservice

Microservice adalah suatu arsitektur sistem yang memungkinkan perbaikan dari

stabilitas dan keamanan aplikasi. Hal ini dapat dilakukan dengan mengeliminasi
ketergantungan antar komponen juga mengatasi kegagalan layanan dengan baik tanpa
menghentikan seluruh aplikasi [7]. Microservice memungkinkan penggunaan banyak
teknologi yang berbeda sehingga dapat menggunakan alat yang tepat untuk pekerjaan yang
tepat, deployment yang independen sehingga dapat mengimplementasikan fitur baru dengan
lebih cepat, skalabilitas yang bisa dilakukan seperlunya, dan dalam hal pemeliharaan karena
developer dapat memodifikasi atau mengganti suatu device tanpa mempengaruhi seluruh
aplikasi [8]. Salah satu teknologi yang dapat digunakan untuk mengembangkan microservice
adalah Docker yang dapat dikembangkan UI dalam bentuk website dan bot platform
Telegram.
Sistem yang dikembangkan pada penelitian ini terdiri dari Frontend Website Service,
Worker Service, Chatbot Telegram Service. Komunikasi antara Service Frontend Website ke
Worker dan komunikasi antara Worker Service ke Chatbot menggunakan RESTful API.
Worker Service terhubung dengan database dengan menggunakan protocol TCP. Worker
Service bertujuan untuk mengolah data yang didapatkan dari Chatbot dan menyajikannya ke
halaman Website. Pengolahan data pada Worker Service disertai Learning System untuk
memprediksi hari menstruasi user berikutnya dan prediksi tingkat risiko PCOS .
Chatbot Telegram merupakan service untuk berinteraksi ke pengguna melalui aplikasi
Chatting Telegram. Chatbot dapat mengambil data pesan yang dikirimkan oleh pengguna dan
bot dapat mengirim pesan response yang didapat dari Worker Service ke pengguna. Frontend
Website ditujukan untuk menyajikan data statistic yang didapatkan oleh pengguna. Data yang
didapatkan merupakan data pengguna yang telah setuju dengan syarat dan ketentuan dibawah
konsen pengguna.

14
3.1.2 Alur Diagram

Gambar 3.2 Alur Diagram

3.1.3 Perancangan Use Case Diagram

15
 Use Case Diagram merupakan diagram yang memperlihatkan role atau user yang
terlibat dalam sistem chatbot beserta fitur-fiturnya. Pada Use Case diagram juga menunjukkan
fitur-fitur yang ada pada Sistem Chatbot Menstruasi yang dikembangkan pada penelitian ini.

Gambar 3.2 Use Case Diagram

Pada Gambar 3.2 Menunjukkan bahwa ada 2 User Role dalam aplikasi yaitu Admin, User dan
ada 1 Entity AI System.
a. Role Admin
Admin dapat melihat data statistik menstruasi yang didapatkan dari pengguna pada
halaman website.
b. Role User
Pengguna dapat menginput prediksi siklus menstruasi berikutnya. Sistem akan mencatat
tanggalnya dan akan mengirimkan reminder sesuai tanggal yang diinput. Dari Reminder yang
didapat user dapat menginput apakah siklus menstruasinya terlambat atau terlalu cepat.
c. Entity AI System
Dari hasil input pengguna sistem akan memproses dan memprediksi apakah pengguna ada
gejala PCOS atau tidak menggunakan implementasi Decision tree pada sistem pakar. Sistem
juga dapat menenentukan prediksi siklus menstruasi pengguna kedepan dengan lebih baik dari
riwayat menstruasi sebelumnya yang sudah tercatat oleh sistem.

3.2 Metodologi Penelitian

Pada penelitian ini untuk mengembangkan sebuah sistem pencatatan dan deteksi
menstruasi ini memerlukan metode sebagai berikut,

16
3.2.1 Artificial Intelligence
Dalam penelitian ini Artificial intelligence berbentuk Sistem Pakar yang menggunakan
algoritma Decision Tree. Sistem Pakar digunakan untuk mendeteksi apakah pengguna
mengalami PCOS atau tidak berdasarkan data riwayat menstruasi pengguna dan beberapa data
lainnya yang didapatkan dari jawaban pengguna. Parameter yang akan digunakan pada
decision tree berlandaskan pada literatur sebelumnya terdiri atas[12] :

Tabel 3.1 Parameter yang Akan Digunakan

N ATRIBUT ISI
O
1 Label class Mungkin, Mungkin tidak (mb,
mb n)
2 Keteraturan siklus menstruasi Ya (y), jarang mens (im),
Pendarahan tidak teratur (ib),
Pendarahan berat (hb)
3 Peningkatan berat badan Ya (y), Tidak (n)
4 Pertumbuhan rambut berlebih pada wajah dan Ya (y), Tidak (n)
badan
5 Terdapat area gelap pada kulit Ya (y), Tidak (n)
6 Jerawat Ya (y), Tidak (n)
7 Depresi dan anxiety Ya (y), Tidak (n)
8 Riwayat diabetes dan hipertensi Ya (y), Tidak (n)
9 Sedang menjaga berat badan Ya (y), Tidak (n)
10 Kulit berminyak Ya (y), Tidak (n)
11 Rambut rontok Ya (y), Tidak (n)
12 Tempat makan yang sering dikunjungi Asrama mess (hm), Kantin
Kampus (cc)
13 Olahraga teratur Ya (y), Tidak (n)
14 Tekanan mental akibat tempat tinggal Ya (y), Tidak (n)
15 Tekanan mental akibat masalah pribadi Ya (y), Tidak (n)
16 Tekanan mental akibat teman sebaya Ya (y), Tidak (n)
17 Tekanan mental akibat perubahan pola makan/diet Ya (y), Tidak (n)
18 Asupan makanan cepat saji Setiap hari (ed), seminggu
sekali (w), sebulan sekali (m),
setahun sekali (y)

3.2.2 Metode Pengujian

Pengujian dan evaluasi dari chatbot akan dibagi menjadi dua poin, yang pertama yaitu
evaluasi sistem dengan pengujian black box, dan pengujian usability kepada seluruh peserta
pencoba chatbot dengan menggunakan system usability scale seperti yang dilakukan Arifianto
dkk [9]. Langkah usability testing selanjutnya adalah dengan menggunakan System Usability
Scale (SUS) yang nerupakan kuesioner standar yang banyak digunakan untuk penilaian
terhadap usability yang dirasakan. Dalam bentuk standar dan paling sering digunakannya,
SUS memiliki 10 pertanyaan dengan 5 pilihan jawaban dengan nada positif dan negative.
Parameter pertanyaan yang akan diberikan kepada pengguna antara lain [9],
a) Saya akan sering menggunakan aplikasi ini.
b) Saya merasa aplikasi ini terlalu kompleks namun dapat dikembangkan lebih sederhana
17
 lagi.
c) Saya merasa aplikasi ini cukup sederhana dan mudah digunakan.
d) Berdasarkan pengalaman menggunakan aplikasi ini, saya memerlukan bantuan teknisi
untuk menggunakannya.
e) Saya merasa integrasi sistem ini cukup baik.
f) Saya rasa pengembangan aplikasi ini tidak konsisten.
g) Saya rasa kebanyakan pengguna akan belajar menggunakan aplikasi ini cukup mudah dan
cepat.
h) Saya merasa aplikasi ini tidak praktis.
i) Saya percaya untuk menggunakan aplikasi ini.
j) Saya harus belajar terlebih dahulu sebelum saya dapat menggunakan aplikasi ini
Data hasil survei akan memberikan validasi apakah sistem repository lokal yang telah
dibuat dapat membantu mahasiswa maupun dosen dalam mencari topik yang diinginkan.
Selanjutnya hasil survei akan menjadi catatan untuk pengembangan lebih lanjut dengan
memberikan kritik dan saran

18
 BAB IV
RENCANA KERJA

4.1 Langkah-langkah kegiatan

Langkah-langkah kegiatan yang akan dilakukan pada penelitian ini meliputi
pengumpulan informasi melalui studi literatur, perancangan dan pembuatan sistem software,
pengujian sistem, analisis data dan evaluasi dan penyusunan laporan akhir.

4.1.1 Studi literatur

Pada studi literatur akan dilakukan pengumpulan informasi terkait untuk menjadi
dasar teori yang berhubungan dengan topik penelitian tugas akhir. Sumber kajian informasi
yang akan digunakan dalam penelitian tugas akhir ini yaitu penelitian terkait dan yang telah
dilakukan dalam bentuk jurnal, konferensi, laman daring, dan artikel yang bersifat nasional
maupun internasional. Literatur-literatur yang telah dikumpulkan kemudian digunakan
sebagai akomodasi untuk membuat alur dan metode penelitian yang rasional dan terstruktur.

4.1.2 Perancangan dan Pembuatan Sistem Software

Sistem yang diajukan menggunakan arsitektur microservices dimana terdapat
beberapa services yaitu frontend website, worker service, dan chatbot services yang akan
dimasukkan dalam docker container. Pembuatan front-end website direncanakan
menggunakan HTML,CSS,Vue.JS kemudian untuk worker service akan menggunakan PHP
dengan framework Laravel. Implementasi sistem pakar akan memanfaatkan algoritma
decision tree yang diletakkan pada worker service dengan input berupa jawaban dari
pertanyaan mengenai gejala PCOS. Data yang diperoleh dari input user berupa siklus hari
menstruasi serta jawaban untuk screening dini PCOS disimpan dalam bentuk query MySQL
yang nantinya data ini disalurkan ke chatbot service dengan framework Node.js yang akan
dihubungkan dengan API Telegram dengan memanfaatkan webhook. Node.js dipilih untuk
menghindari terjadinya delay pada saat chatbot menerima request dan mengirim dari user.
Kemudian semua bagian sistem ini akan diletakkan pada satu container Docker. Output yang
diharapkan berupa reminder hari menstruasi, record lama siklus menstruasi, prediksi
menstruasi yang akan datang, prediksi persentase risiko PCOS apabila siklus menstruasi
terdeteksi tidak teratur.

4.1.3 Pengujian Sistem

Perancangan sistem software akan dilakukan dengan beberapa tahapan meliputi
pembagian role pengguna yaitu admin dan user, pembuatan tampilan user interface berupa
frontend website untuk role admin dan platform instant messenger Telegram untuk role user.

4.1.4 Analisis dan Evaluasi

Analisis akan dilakukan terhadap data yang diakuisi sesuai dengan metode yang
diusulkan. Apabila output yang dihasilkan tidak sesuai dengan harapan peneliti, maka akan
dilakukan evaluasi lebih lanjut dan troubleshooting untuk memperbaiki metode yang

19
diusulkan.

4.1.5 Penyusunan Laporan Akhir

4.2 Jadwal Kegiatan Penelitian

Penelitian ini dijadwalkan sebagai sesuai tabel 4.1 dengan rincian sebagai berikut,

Tabel 4.1 Jadwal Kegiatan

N Kegiatan Bulan
O I II III IV
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi literatur
2 Perancangan
dan Pembuatan
sistem
3 Pengujian
sistem
4 Analisis dan
Evaluasi
5 Penyusunan
Laporan akhir

20
 DAFTAR PUSTAKA

[1] Nobles J, Cannon L, Wilcox AJ. Menstrual irregularity as a biological limit to early
pregnancy awareness. Proc Natl Acad Sci U S A. 2022 Jan 4;119(1):e2113762118. doi:
10.1073/pnas.2113762118. PMID: 34969843; PMCID: PMC8740731.
[2] Witchel SF, Oberfield SE, Peña AS. Polycystic Ovary Syndrome: Pathophysiology,
Presentation, and Treatment With Emphasis on Adolescent Girls. J Endocr Soc. 2019 Jun
14;3(8):1545-1573. doi: 10.1210/js.2019-00078. PMID: 31384717; PMCID: PMC6676075.
[3] Azziz R. Polycystic Ovary Syndrome. Obstet Gynecol. 2018 Aug;132(2):321-336. doi:
10.1097/AOG.0000000000002698. PMID: 29995717.
[4] Elviethasari, Julia, Santoso, Budi, Budiono, Budiono, Sulistiawati, Sulistiawati. (2020).
Knowledge of General Practitioners about Polycystic Ovarian Syndrome at the Primary
Health Care in Surabaya, Indonesia. Journal Of The Indonesian Medical Association. 70. 144-
150. 10.47830/jinma-vol.70.8-2020-228.
[5] Philippe Bardy, 1 - The Advent of Digital Healthcare, Editor(s): Philippe Bardy, The
Human Challenge of Telemedicine, Elsevier, 2019, Pages 3-17, ISBN 9781785483042,
https://doi.org/10.1016/B978-1-78548-304-2.50001-2.
[6] S. Roca, J. Sancho, J. García, dan Á. Alesanco, “Microservice chatbot architecture for
chronic patient support,” J. Biomed. Inform., vol. 102, p. 103305, 2020
[7] C. L. Williams, J. C. Sica, R. T. Killen, dan U. G. J. Balis, “The growing need for
microservices in bioinformatics,” J. Pathol. Inform., vol. 7, p. 45, 2016.
[8] M. Viggiato, R. Terra, H. S. C. Rocha, M. T. Valente, dan E. Figueiredo, “Microservices
in Practice: A Survey Study,” VEM 2018 - 6th Workshop on Software Visualization,
Evolution and Maintenance, p. 1–8, 2018.
[9] W. R. Arifianto, I. M. A. Suyadnya, dan I. M. Sudarma, “Aplikasi Sistem Pakar Berbasis
Instant Messenger Untuk Diagnosa Awal Penyakit Ginjal,” J. SPEKTRUM, vol. 5, no. 2, p.
36–42, 2018.
[10] A. Naik, J. Choudhari, V. Pawar and S. Shitole, "Building an EdTech Platform Using
Microservices and Docker," 2021 IEEE Pune Section International Conference (PuneCon),
2021, pp. 1-6, doi: 10.1109/PuneCon52575.2021.9686535.
[11] Vikas, B., B. S. Anuhya, Manaswini Chilla and Sipra Sarangi. “A Critical Study of
Polycystic Ovarian Syndrome (PCOS) Classification Techniques.” (2018).
[12] P. Chauhan, P. Patil, N. Rane, P. Raundale and H. Kanakia, "Comparative Analysis of
Machine Learning Algorithms for Prediction of PCOS," 2021 International Conference on
Communication information and Computing Technology (ICCICT), 2021, pp. 1-7, doi:
10.1109/ICCICT50803.2021.9510128.

21