CYBERNETICS, Vol.3, No.01, Mei 2019, pp.

36~48
P-ISSN 2579-9835
E-ISSN 2580-1465
◼ 36

REDUCED RULE BASE PADA SISTEM PAKAR UNTUK

DIAGNOSA PENYAKIT BALITA GIZI BURUK DI
KALIMANTAN BARAT

Menur Wahyu Pangestika 1), Alda Cendekia Siregar 2) dan Ajeng Indah Kusuma 3)
1,2)
Fakultas Teknik, Program Studi Teknik Informatika
3)
RSAU dr.Mohammad Sutomo
Email: menur.wahyu@unmuhpnk.ac.id, alda.siregar@unmuhpnk.ac.id,
ajeng.indah4494@gmail.com

Abstrak
Masalah kurang gizi masih menjadi masalah kesehatan masyarakat dan dapat menjadi
penyebab kematian terutama pada kelompok resiko tinggi bayi dan balita. Sistem pakar sangat
membantu untuk pengambilan keputusan karena mengandung pengetahuan dari satu atau
lebih pakar manusia mengenai suatu bidang spesifik. Didalam sistem pakar terdapat aturan IF-
Then yang mendefinisikan hubungan logis antara masalah yang ditetapkan. Penyederhanaan
fungsi Boolean digunakan untuk mendapatkan reduced rule base dengan menggunakan K-
map. Pembuatan k-map dibutuhkan 2n baris tabel kebenaran, dan pada K-map dibutuhkan 2n
kotak persegi. Data gejala dan penyakit yang terjadi pada gizi buruk balita didapatkan dari hasil
wawancara kepada pakar yaitu Ahli Gizi dan Dokter Spesialis Anak. Data penyakit yang
digunakan pada penelitian ini adalah ISPA, TB Paru, dan Pneumonia. Penelitian ini
membandingkan metode Reduce Rule Based dengan metode Certainty Factor pada kasus
diagnosa penyakit balita gizi buruk dan didapatkan metode Certainty Factor lebih baik dari pada
metode Reduce Rule Based dalam menentukan diagnosis pada kasus balita gizi buruk
(Validitas CF sebesar 100% dan Validitas Reduce Rule Based sebesar 73,34%).

Kata Kunci: Medical Expert System; reduced rule base; K-Map; Diagnosis of Malnutrition
disease

Abstract
The problem of malnutrition is still a public health problem and can be a cause of death
especially in high risk groups of infants and toddlers. Expert systems are very helpful for making
decision because they contain knowledge from one or more human experts about a specific
field. In the expert system there is an IF-Then rule that defines the logical relationship between
the problems specified. Simplified Boolean functions are used to get the reduced rule base
using K-map. Making a k-map requires 2n truth table lines, and in K-map it takes 2n square
boxes. Data on symptoms and diseases that occur in under-fives malnutrition is obtained from
interviews with experts, namely Nutritionists and Pediatricians. Data of the disease that used in
this study were Upper Respiratory Tract Infection, pulmonary Tuberculosis, and pneumonia.
This study also compares the Reduce Rule Based method with the Certainty Factor method in
cases of diagnoses of malnutrition of malnourished children and the result was .Certainty Factor
method is better than the Reduce Rule Based method in determining the diagnosis in cases of
malnutrition under five (CF Validity of 100% and Validity of Reduce Rule Based by 73.34%).

Keyword : Medical Expert System; reduced rule base; K-Map; Diagnosis of Malnutrition disease

1. Pendahuluan

Received December 06, 2020; Revised January 08, 2020; Accepted January 08, 2020
CYBERNETICS ISSN: 1693-6930 ◼ 37

Teknologi informasi berpengaruh di bidang kesehatan yang memiliki peran yang sangat
signifikan untuk membantu pasien pada pertolongan pertama dalam menemukan informasi
untuk mendiagnosis penyakit.
Anak balita usia 12-59 bulan merupakan kelompok umur yang rawan terhadap gangguan
kesehatan dan gizi. Pada usia ini kebutuhan mereka meningkat, sedangkan mereka tidak bisa
meminta dan mencari makan sendiri dan seringkali pada usia ini tidak lagi diperhatikan dan
pengurusannya diserahkan kepada orang lain sehingga risiko gizi buruk akan semakin besar.
Anak yang gizi buruk akan mengalami penurunan daya tahan tubuh sehingga anak rentan
terhadap penyakit infeksi (Alamsyah, 2017).
Berdasarkan hasil laporan program gizi Dinas Kesehatan Provinsi Kalimantan Barat Tahun
2015, dari seluruh Kabupaten/Kota yang ada terdapat kasus gizi buruk sebanyak 397 kasus
yang dapat dilihat pada Gambar 1 Pada Tahun 2016, dari seluruh Kabupaten/Kota yang ada
terdapat kasus gizi buruk sebanyak 401 kasus yang dapat dilihat pada Gambar 2.

Gambar 1 Kasus Gizi Buruk Menurut Kabupaten/Kota Provinsi Kalimantan Barat Tahun
2015

Gambar 2 Kasus Gizi Buruk Menurut Kabupaten/Kota Provinsi Kalimantan Barat Tahun 2016

Salah satu cabang dari kecerdasan buatan yang mengadopsi pengetahuan manusia ke
komputer dalam pengambilan keputusan yaitu sistem pakar (Basciftci dkk, 2013). Sistem pakar
memiliki struktur yang jelas yang dapat menjelaskan hasil keputusan dan solusi. Aturan IF-Then
mendefinisikan hubungan logis antara masalah yang ditetapkan. (Basciftci dkk, 2011). Metode
penyederhanaan fungsi Boolean digunakan untuk memperoleh digunakan untuk mendapatkan
reduced rule base dan mendapatkan lebih sedikit situasi dengan menyederhanakan fungsi-
fungsi logis (Basciftci dkk, 2018).
Sistem pakar dapat dimanfaatkan untuk mendeteksi status gizi dan psikologis anak.
Tujuannya adalah untuk membantu mendiagnosis status gizi anak, penjelasan akan kebutuhan
dan jenis psikologi anak yang perlu penanganan khusus (parno dkk, 2012).
Penelitian selanjutnya, dibangun sebuah sistem pakar berbasis web yang digunakan untuk
mengidentifikasi gizi buruk dan dilengkapi dengan nilai kepastian menggunakan metode
Antropometri yang merupakan ilmu mempelajari berbagai ukuran tubuh manusia (Wicaksono
dkk, 2013).

Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 38 ◼ E- ISSN 2580-1465

Penelitian yang serupa yaitu pemanfaatan dari sistem pakar yang digunakan untuk
klasifikasi status gizi balita berdasarkan indeks antropometri berat badan terhadap umur
menggunakan metode forward chaining. Hasil dari penelitian ini adalah perangkat lunak
berbasis web yang memberikan hasil berupa status gizi balita (rengganis, 2015).
Dalam penelitian ini, sistem pakar dengan metode reduced rule base dikembangkan untuk
mendiagnosis penyakit balita gizi buruk di Kalimantan Barat yaitu pada penyakit ISPA, TB Paru,
dan Pneumonia.
Tujuan Umum dari penelitian ini adalah untuk membuktikan apakah metode reduced rule
base dapat digunakan dalam mendiagnosis penyakit balita gizi buruk di Kalimantan Barat.
Adapun Tujuan Khusus dari penelitian ini adalah untuk mengetahui hasil dari penerapan
metode reduced rule base dengan data real yang diperoleh dari penyederhanaan Boolean
pada diagnosis penyakit balita gizi buruk dan membandingkan metode reduced rule base
dengan metode Certainty Factor.

2. METODE PENELITIAN
2.1Bahan Penelitian
Bahan penelitian yang digunakan pada penelitian ini adalah data gejala dan penyakit pada
balita gizi buruk. Data tersebut didapatkan dari hasil wawancara yaitu dengan menanyakan
langsung kepada pakar mengenai penyakit beserta gejala. Fokus dari penelitian ini adalah
seorang pakar yang akan memberikan data mengenai Gejala dan Penyakit. Gejala yang
dibutuhkan sangatlah terbatas, maka diperlukan dokter spesialis yang memberikan penjelasan
mengenai beberapa hubungan gejala. Pakar dalam penelitian ini yaitu seorang Ahli Gizi dan
Dokter Spesialis Anak. Ahli Gizi dalam penelitian ini adalah Ajeng Indah Kusuma yang
memberikan informasi mengenai Gizi yang terbatas pada menentukan atau mendeteksi gejala-
gejala yang ada pada balita. Ahli Madya Gizi menentukan status gizi buruk berdasarkan tanda-
tanda fisik yang ada. Dokter anak dalam penelitian ini adalah dr. Diana Bancin, Sp.A. dan dr.
Nevita, Sp. A. Msc yang memberikan informasi mengenai data gizi buruk pada balita menurut
patofisiologi dan memberikan informasi mengenai penyebarannya di Kota Singkawang
Kalimantan Barat dan Kota Pontianak Kalimantan Barat. Patofisiologi pada balita gizi buruk
disini dimaksudkan adalah terjadinya penyakit dan gejala yang yang berhubungan dengan
penyakit balita gizi buruk. Penelitian ini juga dilakukan dengan literature yaitu jurnal dan buku
yang berkaitan dengan penyakit balita gizi buruk dan sistem pakar.

2.2Prosedur Penelitian
Penelitian ini dilakukan dengan 4 tahapan. Prosedur penelitian dimulai dengan
identifikasi masalah, studi pustaka, pengumpulan data dan melakukan analisa Metode
Reduced Rule Base. Prosedur penelitian dapat dilihat pada Gambar 3.
Identifikasi Masalah

Studi Pustaka

Pengumpulan Data

Analisa Metode Reduced

Rule Base

Laporan dan Publikasi

Gambar 3 Prosedur Penelitian

Berikut akan dijelaskan lebih detail mengenai prosedur penelitian pada sistem pakar kasus
balita gizi buruk.

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48

CYBERNETICS ISSN: 1693-6930 ◼ 39

2.2.1 Identifikasi Masalah

Pada tahap ini dilakukan identifikasi masalah mengenai permasalahan yang terjadi di
Kalimantan Barat pada kasus balita gizi buruk. Dalam penelitian ini, permasalahan tersebut
diolah oleh sistem pakar dengan menggunakan metode Reduced Rule Base.

2.2.2 Studi Pustaka

Untuk menganalisis permasalahan yang ada, maka peneliti menggunakan literatur berupa
jurnal, penelitian terdahulu, dan buku yang berkaitan dengan gejala, penyakit dan metode
reduced rule base yang telah teruji kebenarannya. Data yang didapatkan diharapkan dapat
mendefinisikan kebutuhan yang digunakan dalam penyusunan sistem pakar.

2.2.3 Pengumpulan Data

Data penelitian yang digunakan dalam penelitian ini adalah data penyakit dan gejala
pada penyakit akibat gizi buruk pada balita yang didapat dari hasil wawanc ara dengan
pakar, Departemen Kesehatan & Info Datin Pusat Data dan buku Ilmu Kesehatan Anak
Esensial. Data sekunder yaitu data pasien penderita gizi buruk dari lapran tahunan
Puskesmas Saigon Kota Pontianak.

3. HASIL DAN PEMBAHASAN

3.1Basis Pengetahuan Reduce Rule Based
Basis pengetahuan merupakan representasi pegetahuan (Knowladge representation) dari
seorang pakar. Basis pengetahuan tersusun berdasarkan fakta yang berisi informasi mengenai
obyek dan kaidah (rule). Adapun basis pengetahuan dari sistem pakar diagnosis penyakit balita
gizi buruk, yaitu :

3.1.1 Penyakit Balita Gizi Buruk

Terdapat 3 (Tiga) penyakit yang terjadi pada balita gizi buruk yang ditunjukkan pada Tabel 1.

Tabel 1 Data Penyakit Balita Gizi Buruk

Symbol
Nama Ouput
Penyakit
Y1 TB Paru
Y2 ISPA
Y3 Pneumonia

3.1.2 Gejala Balita Gizi Buruk

Dari 3 (tiga) penyakit yang ada pada Balita Gizi Buruk, terdapat beberapa gejala pada
masing-masing penyakit yang ditunjukkan pada Tabel 2.

Tabel 2. Data Gejala Balita Gizi Buruk

Symbol
Penjelasan
Gejala
X1 Kehilangan nafsu makan.pada anak ?
Batuk berdahak lama yang tidak kunjung sembuh, biasanya hingga lebih dari 2
X2
minggu ?
X3 Demam Parah
X4 Batuk Berlendir
X5 Demam meriang lebih dari 2 minggu ?
X6 Berat badan anak menurun ?
X7 Pertumbuhan anak menjadi terhambat ?
X8 Pilek yang terjadi pada anak ?
X9 Gangguan saluran nafas +/- 14 hari ?
X10 Tenggorokan anak mengalami sakit atau nyeri telan ?
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam
X11
didada ?

Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 40 ◼ E- ISSN 2580-1465

X12 Kesulitan bernapas seperti napas cepat ?

3.1.3 Relasi Gejala dan Penyakit

Berikut adalah tabel relasi antara gejala dan penyakit dari penyakit balita gizi buruk. Tabel
relasi ditunjukkan pada Tabel 3.

Tabel 3 Relasi Gejala dan Penyakit

No Gejala Y1 Y2 Y3
1 X1 * * *
2 X2 *
3 X3 *
4 X4 *
5 X5 *
6 X6 *
7 X7 *
8 X8 *
9 X9 *
10 X10 *
11 X11 *
12 X12 *

3.1.4 Metode Penyederhanaan Fungsi Boolean

Metode penyederhanaan fungsi Boolean dalam penelitian ini yaitu menggunakan metode
peta karnaugh. Yang akan didapatkan beberapa kemungkinan gejala yang dihasilkan dari
perhitungan 0 dan 1 yang artinya adalah jika nilainya 1, maka terjadi gejala, dan jika nilainya 0
maka tidak terjadi gejala.

A. Penjelasan Nilai Input dan Ouput

Penjelasan nilai input dan output ditunjukkan pada Tabel 4. gejala tersebut diberikan nilai 1
atau 0.

Tabel 4 Penjelasan Nilai Input dan Ouput

Symbol
No Penjelasan
Gejala
1 X1 Kehilangan nafsu makan.pada anak ? (1/0)
2 X2 Batuk berdahak lama yang tidak kunjung sembuh, biasanya hingga lebih dari 2 minggu ? (1/0)
3 X3 Demam Parah? (1/0)
4 X4 Batuk Berlendir ? (1/0)
5 X5 Demam meriang lebih dari 2 minggu ? (1/0)
6 X6 Berat badan anak menurun ? (1/0)
7 X7 Pertumbuhan anak menjadi terhambat ? (1/0)
8 X8 Pilek yang terjadi pada anak ? (1/0)
9 X9 Gangguan saluran nafas +/- 14 hari ? (1/0)
10 X10 Tenggorokan anak mengalami sakit atau nyeri telan ? (1/0)
11 X11 Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada ? (1/0)
12 X12 Kesulitan bernapas seperti napas cepat ? (1/0)
13 Y1 Termasuk TB Paru (Tuberkolosis)/Tidak Termasuk (1/0)
14 Y2 Termasuk ISPA/Tidak Termasuk (1/0)
15 Y3 Termasuk Pneumonia/Tidak Termasuk (1/0)

B. Nilai Nyata dan Nilai Boolean

Setelah didapatkan data pasien dengan penyakit TB Paru, penyakit Pneumonia, dan
penyakit ISPA, maka data tersebut direpresentasikan ke dalam fungsi Boolean dengan
menggunakan nilai-nilai biner yang ditunjukkan pada Tabel 5.

C. Tabel Kebenaran
Peta karnaugh atau biasa disebut dengan K-Map mempunyai kemiripan dengan tabel
kebenaran yang hasilnya memberikan tampilan yaitu persamaan Boolean. Karnaugh Map
merupakan suatu diagram yang merepresentasikan sebuah tabel kebenaran menggunakan
matriks persegi yang setiap kotak persegi mewakili nilai mainterm dari logic function. K-Map
memiliki kelebihan, salah satunya adalah lebih sederhana proses penyederhanaannya. Berikut

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48

CYBERNETICS ISSN: 1693-6930 ◼ 41

adalah tabel kebenaran yang didapatkan dari hasil perhitungan peta karnaugh. Data gejala
yang digunakan dalam penelitian ini adalah 12 gejala sehingga dalam pembuatan tabel
kebenaran ini mengguakan penyederhanaan fungsi Boolean yaitu 2 12 = 4096. Tabel kebenaran
ditunjukkan pada Tabel 6.

D. Kondisi Pengurangan Dari Beberapa Nilai Output Pasien Penyakit Balita Gizi Buruk
Kondisi pengurangan dari beberapa nilai output pada pasien penyakit balita gizi buruk yang
dikondisikan dengan menggunakan nilai 1 dan 0 ditunjukkan pada Tabel 7.

E. Aturan yang Dikurangi untuk Konstruksi IF-Then

Penjelasan kondisi pengurangan dari beberapa nilai output pasien pada penyakit balita gizi
buruk yang dijelaskan dengan menggunakan data gejala ditunjukkan pada Tabel 8.
Tabel 5 Nilai Nyata dan Nilai Boolean
No X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
Representasi hasil dari pasien
1 1 0 1 1 0 0 0 0 0 0 1 1
2 1 0 0 0 0 0 0 0 1 1 0 0
3 1 1 0 0 1 1 1 0 0 0 0 0
Representasi korespondensi hasil nyata dari pasien pada nilai-nilai biner
1 1 0 1 1 0 0 0 0 0 0 1 1
2 1 0 0 0 0 0 0 0 1 1 0 0
3 1 1 0 0 1 1 1 0 0 0 0 0

Tabel 6 Tabel Kebenaran

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Y1 Y2 Y3
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

1507 0 1 0 1 1 1 1 0 0 0 1 0 1 0 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

2061 1 0 0 0 0 0 0 0 1 1 0 0 0 1 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

2818 1 0 1 1 0 0 0 0 0 0 0 1 0 0 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

2830 1 0 1 1 0 0 0 0 1 1 0 1 0 1 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

3309 1 1 0 0 1 1 1 0 1 1 0 0 1 1 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

4066 1 1 1 1 1 1 1 0 0 0 0 1 1 0 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..

4096 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Tabel 7 Kondisi Pengurangan Dari Beberapa Nilai Output Pasien Penyakit Balita Gizi Buruk
Symbol
Kasus Output Gejala dan Kondisi Output
Output

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Y1 Y2 Y3

Y1 x1x1111xxx1x 0 1 0 1 1 1 1 0 0 0 1 0 1 0 0

Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 42 ◼ E- ISSN 2580-1465

Y2 1xxxxxxx11xx 1 0 0 0 0 0 0 0 1 1 0 0 0 1 0
Y3 1x11xxxxxxx1 1 0 1 1 0 0 0 0 0 0 0 1 0 0 1

Tabel 8 Aturan yang Dikurangi untuk Konstruksi IF-Then

x1x1111xxx1x -> Y1 1xxxxxxx11xx -> Y2 1x11xxxxxxx1 -> Y3
if
1. Kehilangan nafsu makan pada 1. Kehilangan nafsu makan 1. Kehilangan nafsu makan
anak adalah bukan dan pada anak iya dan pada anak iya dan

2. Batuk berdahak lama yang 2. Batuk berdahak lama yang

2. Batuk berdahak lama yang tidak
tidak kunjung sembuh, biasanya tidak kunjung sembuh, biasanya
kunjung sembuh, biasanya hingga
hingga lebih dari 2 minggu hingga lebih dari 2 minggu
lebih dari 2 minggu adalah iya dan
bukan dan bukan dan

3. Demam Parah adalah bukan

dan
4. Batuk Berlendir adalah iya dan
5. Demam meriang lebih dari 2
minggu adalah iya dan
3. Demam Parah bukan dan 3. Demam Parah iya dan
4. Batuk Berlendir bukan dan 4. Batuk Berlendir iya dan
5. Demam meriang lebih dari 2 5. Demam meriang lebih dari 2
minggu bukan dan minggu bukan dan

6. Berat badan anak menurun 6. Berat badan anak menurun 6. Berat badan anak menurun
adalah iya dan bukan dan bukan dan

7. Pertumbuhan anak menjadi 7. Pertumbuhan anak menjadi 7. Pertumbuhan anak menjadi

terhambat adalah iya dan terhambat bukan dan terhambat bukan dan

8. Pilek yang terjadi pada anak 8. Pilek yang terjadi pada anak 8. Pilek yang terjadi pada anak
adalah bukan dan bukan dan bukan dan

9. Gangguan saluran nafas +/- 14 9. Gangguan saluran nafas +/- 9. Gangguan saluran nafas +/-
hari adalah bukan dan 14 hari iya dan 14 hari bukan dan

10. Tenggorokan anak mengalami 10. Tenggorokan anak 10. Tenggorokan anak
sakit atau nyeri telan adalah bukan mengalami sakit atau nyeri telan mengalami sakit atau nyeri telan
dan iya dan bukan dan

11. Tarikan dinding dada bagian 11. Tarikan dinding dada bagian 11. Tarikan dinding dada bagian
bawah ke dalam yang bawah ke dalam yang bawah ke dalam yang
menimbulkan nyeri tajam didada menimbulkan nyeri tajam didada menimbulkan nyeri tajam didada
adalah iya dan bukan dan bukan dan

12. Kesulitan bernapas seperti 12. Kesulitan bernapas seperti 12. Kesulitan bernapas seperti
napas cepat adalah bukan napas cepat bukan dan napas cepat iya dan

Then pasien adalah pasien Then pasien adalah pasien Then pasien adalah pasien
dengan penyakit TB Paru dengan penyakit ISPA dengan penyakit Pneumonia

3.2Basis Pengetahuan Pada Certainty Factor

A. Certain Term
Agar dapat mempermudah dalam menentukan tingkat kepercayaan pada nilai certainty
factor akhir, maka dikelompokkan 5 index skala yang berada diantara 0-1. Nilai 0-1 merupakan
tingkat kepercayaan yang terdapat pada measure of belief dan measure of disbelief. Nilai dari
Certinty Term ditunjukkan pata Tabel 9.

Tabel 9 Certainty Term

Certain Term MD/MB
Tidak Ada 0-0.19
Mungkin 0.2-0.39
Kemungkinan Besar 0.4-0.59
Hampir Pasti 0.6-0.79

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48

CYBERNETICS ISSN: 1693-6930 ◼ 43

Pasti 0.8-1.0

B. Data Nilai MB dan MD

Nilai MB dan MD dalam setiap gejala di suatu penyakit digunakan untuk mengetahui nilai
kepercayaan (CF), berikut adalah nilai MB dan MD di setiap gejala di suatu penyakit yang
ditunjukkan pada Tabel 10 :

Tabel 10 Data Nilai MB dan Nilai MD

TB Paru ISPA Peneumonia
No Gejala
MB MD MB MD MB MD
1 Kehilangan nafsu makan.pada anak ? 0,80 0,11 0,80 0,11 0,80 0,13
2 Batuk berdahak lama yang tidak kunjung sembuh,
1 0
biasanya hingga lebih dari 2 minggu ?
3 Demam Parah 1 0
4 Batuk Berlendir 1 0
5 Demam meriang lebih dari 2 minggu ? 1 0
6 Berat badan anak menurun ? 1 0
7 Pertumbuhan anak menjadi terhambat ? 1 0
8 Pilek yang terjadi pada anak ? 0,80 0,11
9 Gangguan saluran nafas +/- 14 hari ? 1 0
10 Tenggorokan anak mengalami sakit atau nyeri
1 0
telan ?
Tarikan dinding dada bagian bawah ke dalam
11 0,90 0,15
yang menimbulkan nyeri tajam didada ?
12 Kesulitan bernapas seperti napas cepat ? 1 0

3.3Hasil Penelitian
Penyederhanaan fungsi Boolean menggunakan peta karnaugh menggunakan 12 gejala
dengan perhitungan yaitu 212 = 4096, sehingga dibuatlah tabel penyederhanaan fungsi Boolean
sebanyak 4096. Setelah dibuat tabel penyederhanaan, selanjutnya adalah mengurutkan
algoritma dari penyederhanaan fungsi Boolean tersebut yang dimulai dari 1 hingga 4096.
Urutan tersebut menunjukkan semua kemungkinan terjadi yang telah diminimalkan dengan
menggunakan metode penyederhanaan fungsi Boolean yaitu metode peta karnaugh. Dari
urutan tersebut, selanjutnya adalah melakukan pencocokan hasil fungsi Boolean dengan output
berupa data penyakit. Adapun data pasien yang digunakan dalam penelitian ini yaitu dengan
menggunakan data pasien sebanyak 30 orang untuk masing masing penyakit adalah 10 orang
yang diambil di puskesmas Saigon Pontianak Kalimantan Barat Pusat Pemulihan Gizi Buruk
TFC (Therapeutic Feeding Centre). Selanjutnya adalah melakukan indentifikasi antara data
pasien dengan tabel kebenalan yang telah dilakukan pencocokan dengan output berupa data
penyakit. Dalam menentukan hasil yaitu pada tahap identifikasi melibatkan seorang pakar.
Terdapat dua model aturan yang digunakan untuk melakukan pencocokan gejala dengan
output penyakit yaitu menggunakan fungsi IF dan AND.

1. Aturan pertama yang digunakan yaitu dengan memasukkan semua gejala untuk setiap
penyakit dengan aturan =IF(AND(X1<>0;X2<>0;X5<>0;X6<>0;X7<>0);1;0).
Dengan memasukkan semua gejala, maka terdapat beberapa output yang dihasilkan oleh
tabel kebenaran yang bernilai 1 dengan dengan jumlah output yang sesuai yaitu sebanyak
472. Sehingga didapatkan jumlah persentase adalah

472
𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑥100%
4096
𝑂𝑢𝑡𝑝𝑢𝑡 = 11,52 %
Namun jika tabel kebenaran dicocokkan dengan data pasien, maka didapatkan 22 data
pasien yang sesuai dengan validitas nilai keakurasian adalah
Nilai akurasi data sesuai :

Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 44 ◼ E- ISSN 2580-1465

22
= 𝑥100%
30
= 73,34 %

2. Aturan kedua yang digunakan yaitu dengan memasukkan beberapa gejala yang pasti pada
setiap penyakit dengan aturan =IF(AND(X2<>0;X5<>0;X6<>0;X7<>0);1;0).
Dengan memasukkan gejala yang pasti, maka terdapat beberapa output yang dihasilkan
oleh tabel kebenaran yang bernilai 1 dengan jumlah output yang sesuai yaitu sebanyak 800.
Sehingga didapatkan jumlah persentase adalah
800
𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑥100%
4096
𝑂𝑢𝑡𝑝𝑢𝑡 = 19,53 %

Namun jika tabel kebenaran dicocokkan dengan data pasien, maka didapatkan 22 data
pasien yang sesuai dengan validitas nilai keakurasian adalah

Nilai akurasi data sesuai :

22
= 𝑥100%
30
= 73,34 %

Terdapat kesamaan dalam pencocokkan tabel kebenaran dengan data pasien jika model
aturan yang digunakan untuk melakukan pencocokan gejala dengan output penyakit berbeda
dengan nilai akurasi yaitu sebesar 73,34%. Hal ini terjadi karena data gejala pasien yang
digunakan sama. Namun jika data pasien yang digunakan berbeda, maka akan terdapat jumlah
persentase yang berbeda terhadap dua aturan yang digunakan.
Hasil ouput yang telah didapatkan dari aturan yang digunakan harus dikonsultasikan kembali
kepada seorang pakar yang dalam hal ini adalah ahli gizi. Ahli gizi berperan untuk
mencocokkan kembali ouput penyakit yang didapatkan dari beberapa kemungkinan gejala
setelah dilakukan penyederhanaan fungsi Boolean.

4. Analisa Perbandingan Metode Reduce Rule Based dengan Metode Certainty Factor
Analisis perbandingan metode berikut digunakan untuk mengetahui validitas keakuratan dari
metode yang digunakan. Adapun beberapa tahapan yang dilakukan yaitu membuat basis
pengetahuan, melakukan perhitungan metode Certainty Factor, uji validitas.
Pada perhitungan CF, digunakan basis pengetahuan yang ditunjukkan pada Tabel 11.

Tabel 11. Basis Pengetahuan CF

KODE KODE
NAMA PENYAKIT NAMA GEJALA MB MD
PENYAKIT GEJALA

P1 TB Paru (Tuberkolosis) G1 Kehilangan nafsu makan.pada anak ? 0,80 0,11

Batuk berdahak lama yang tidak kunjung
P1 TB Paru (Tuberkolosis) G2 1,00 0,00
sembuh, biasanya hingga lebih dari 2 minggu ?
P1 TB Paru (Tuberkolosis) G5 Demam meriang lebih dari 2 minggu ? 1,00 0,00
P1 TB Paru (Tuberkolosis) G6 Berat badan anak menurun ? 1,00 0,00
P1 TB Paru (Tuberkolosis) G7 Pertumbuhan anak menjadi terhambat ? 1,00 0,00
ISPA (Infeksi Saluran
P2 G1 Kehilangan nafsu makan.pada anak ? 0,80 0,11
Pernapasan Akut)
ISPA (Infeksi Saluran
P2 G8 Pilek yang terjadi pada anak ? 0,80 0,11
Pernapasan Akut)
ISPA (Infeksi Saluran
P2 G9 Gangguan saluran nafas +/- 14 hari ? 1,00 0,00
Pernapasan Akut)
ISPA (Infeksi Saluran Tenggorokan anak mengalami sakit atau nyeri
P2 G10 1,00 0,00
Pernapasan Akut) telan ?

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48

CYBERNETICS ISSN: 1693-6930 ◼ 45

P3 Pneumonia G1 Kehilangan nafsu makan.pada anak ? 0,80 0,13

P3 Pneumonia G3 Demam Parah 1,00 0,00
P3 Pneumonia G4 Batuk Berlendir 1,00 0,00
Tarikan dinding dada bagian bawah ke dalam
P3 Pneumonia G11 0,90 0,15
yang menimbulkan nyeri tajam didada ?
P3 Pneumonia G12 Kesulitan bernapas seperti napas cepat ? 1,00 0,00

Diambil sampel pasien 1 dengan gejala yang dipilih yaitu G1, G3, G4, G11, dan G12. Dari
data yang didapatkan, pasien tersebut terkena penyakit Pneumonia. Maka perhitungan CF
untuk mengetahui pasien tersebut dengan penyakit Pneumonia yaitu :
1. TB Paru
CF [TB Paru, Kehilangan Nafsu Makan Pada Anak]
= 0,80 – 0,11
= 0,69

2. ISPA
CF [ISPA, Kehilangan Nafsu Makan Pada Anak]
= 0,80 – 0,11
= 0,69

3. Pneumonia
MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, dan Demam Parah]
= 0,80+(1 * (1 – 0,80))
=1

MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, dan Batuk
Berlendir]
= 1+(1 * (1 – 1))
=1

MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
dan Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada
?]
= 1+(1 * (1 – 0,90))
=1

MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 1+(1 * (1 – 1))
=1

MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, dan Demam Parah]

= 0,13+(0 * (1 – 0,13))
= 0,13

MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, dan Batuk
Berlendir]
= 0,13+(0 * (1 – 0,13))
= 0,13

Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 46 ◼ E- ISSN 2580-1465

MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
dan Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada
?]
= 0,13+(0,15 * (1 – 0,13))
= 0,26

MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 0,26+(0 * (1 – 0,26))
= 0,2605

CF[Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 1 – 0,26
= 0,7395

Kemungkinan terkena penyakit Pneumonia dengan nilai CF yaitu 0,7395

Nilai CF untuk 30 pasien ditunjukkan pada Tabel 12. Dari perhitungan dengan menggunakan
metode CF, maka didapatkan bahwa gejala dari 30 pasien memiliki persentase sebesar 100 %.
Nilai akurasi data sesuai :

30
= 𝑥100%
30
= 100 %

Tabel 12 Nilai CF
Nilai CF
No Perhitungan CF Data Real
P1 P2 P3
1 0,69 0,69 0,73 Pneumonia Pneumonia
2 0,69 0,69 0,73 Pneumonia Pneumonia
3 0,69 0,69 0,73 Pneumonia Pneumonia
4 0,69 0,69 0,73 Pneumonia Pneumonia
5 0,69 0,79 0,67 ISPA ISPA
6 0,69 0,79 0,67 ISPA ISPA
7 0,69 0,79 0,67 ISPA ISPA
8 0,69 0,69 0,73 Pneumonia Pneumonia
9 0,69 0,79 0,67 ISPA ISPA
10 0,69 0,79 0,67 ISPA ISPA
11 0 1 0 ISPA ISPA
12 0,89 0,69 0,67 Tb Paru Tb Paru
13 0,89 0,69 0,67 Tb Paru Tb Paru
14 1 0 0 Tb Paru Tb Paru
15 0,89 0,69 0,67 Tb Paru Tb Paru

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48

CYBERNETICS ISSN: 1693-6930 ◼ 47

16 0,69 0,69 0,73 Pneumonia Pneumonia

17 0,69 0,7921 0,67 ISPA ISPA
18 0 1 0 ISPA ISPA
19 0,69 0,7921 0,67 ISPA ISPA
20 0 1 0 ISPA ISPA
21 0,89 0,69 0,67 Tb Paru Tb Paru
22 1 0 0 Tb Paru Tb Paru
23 0,89 0,69 0,67 Tb Paru Tb Paru
24 0 0 0,85 Pneumonia Pneumonia
25 0,69 0,69 0,739 Pneumonia Pneumonia
26 0 0 0,85 Pneumonia Pneumonia
27 1 0 0 Tb Paru Tb Paru
28 0,89 0,69 0,67 Tb Paru Tb Paru
29 1 0 0 Tb Paru Tb Paru
30 0,69 0,69 0,739 Pneumonia Pneumonia

4. KESIMPULAN DAN SARAN

A. KESIMPULAN
1. Metode Reduce Rule Based dapat digunakan untuk mendiagnosis penyakit balita gizi buruk
(Nilai Validitas sebesar 73,34%).
2. Dengan membandingkan metode Reduce Rule Based dengan metode Certainty Factor pada
kasus diagnosis penyakit balita gizi buruk, didapatkan metode Certainty Factor lebih baik
dari pada metode Reduce Rule Based dalam menentukan diagnosis pada kasus balita gizi
buruk (Validitas CF sebesar 100% dan Validitas Reduce Rule Based sebesar 73,34%).

B. SARAN
Beberapa saran yang dapat diambil dari penelitian ini adalah :
1. Penelitian ini hanya menggunakan 12 gejala, perlu dilakukan penelitian dengan jumlah
gejala dan penyakit yang lebih banyak. Untuk menambahkan gejala, maka perlu adanya
konsultasi kembali dari seorang pakar yang dapat memberikan penjelasan mengenai
patofisiologi terjadinya penyakit.
2. Penelitian ini belum menerapkan sebuah aplikasi, dan masih dalam tahap analisis metode,
sehingga untuk penelitian selanjutnya diharapkan dapat menambahkan aplikasi agar dapat
memudahkan dalam proses pembuatan tabel kebenaran dan diagnosis.
3. Untuk memastikan apakah metode Certainty Factor memang lebih baik, maka harus
dilakukan pengujian kembali dengan kasus yang lain.

Daftar Pustaka
[1] Alamsyah, D., Mexitalia, M., Margawati. A., 2017, Beberapa Faktor Risiko Gizi Kurang dan
Gizi Buruk pada Balita 12-59 Bulan (Studi Kasus di Kota Pontianak), Jurnal Epidemiologi
Kesehatan Komunitas, Vol 2 No 1, 2017, 54-62.
[2] Basciftci, F., Hatay, O.F., 2011, Reduced-rule based expert system by the simplification of
logic functions for the diagnosis of diabetes, Computers in Biology and Medicine, 350-356.
[3] Basciftci, F., Eldem, A., 2013, Using reduced rule base with Expert System for the diagnosis
of disease in hypertension, Med Biol Eng Comput, 1287-1293
[4] Basciftci, F., Avuclu, E., 2018, An expert system design to diagnose cancer by using a new
method reduced rule base, Computer Methods and Programs in Biomedicine, 113-120.
[5] Dinas Kesehatan Provinsi Kalimantan Barat, 2015, Profil Kesehatan Provinsi Kalimatan
Barat, Kalimantan Barat.
[6] Dinas Kesehatan Provinsi Kalimantan Barat, 2016, Profil Kesehatan Provinsi Kalimatan
Barat, Kalimantan Barat.
[7] Parno, Qoirina, I., 2012, Aplikasi Sistem Pakar Untuk Mendeteksi Status Gizi Dan Psikologis
Anak, Konferensi Nasional Sistem Informasi, 893-898.
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
 48 ◼ E- ISSN 2580-1465

[8] Rengganis, S.N., 2015, Perancangan Sistem Pakar Klasifikasi Status Gizi Balita
Berdasarkan Indeks Antripometri Berat Badan Terhadap Umur (BB/U) Menggunakan Metode
Forward Chaining, Infotech Journal, 20-24.
[9] Wicaksono, R.B., Siswanti, S., Irawati,T., 2013, Sistem Pakar Mengidentifikasi Gizi Buruk
Pada Anak Menggunakan Metode Antropometri Berbasis Web, Jurnal TIKomSiN, 51-55.
[10] …….., Departemen Kesehatan & Info Datin Pusat Data dan Informasi Kementrian
Kesehatan RI

CYBERNETICS Vol. 3, No. 01, Mei 2019 : 36 – 48