PENERAPAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR UNTUK DIAGNOSA PENYAKIT MATA MANUSIA Meilisa Roslina Simamora Jurusan Sistem Informasi STMIK PalComTech Palembang Abstrak Mata sebagai jendela dunia bagi manusia adalah salah satu organ tubuh yang sangat penting. Ketika mata mengalami gangguan maka seseorang akan merasa tidak nyaman, bahkan mengalami kesulitan untuk melakukan berbagai aktifitas dalam kehidupannya. Terbatasnya layanan informasi kesehatan mata di puskesmas dan rumah sakit, kurangnya tenaga dokter spesialis mata yang bisa memberikan informasi tentang gangguan kesehatan mata, serta mahalnya biaya konsultasi dokter spesialis mata mengakibatkan kurangnya pengetahuan masyarakat tentang penyakit mata. Setiap penderita penyakit mata dapat dengan mudah dan cepat mengetahui jenis penyakit mata dan gejalanya yaitu dengan membangun aplikasi sistem pakar untuk mendiagnosa penyakit mata manusia. Teknik yang digunakan untuk mengembangkan sistem adalah waterfall. Sistem ini dibangun berbasis website dengan bahasa pemrograman yang digunakan yaitu PHP dan MySQL sebagai databasenya. Penelitian ini akan menghasilkan sistem pakar dengan menerapkan metode forward chaining dan certainty factor (CF) untuk memberikan informasi gejala dan diagnosa penyakit mata manusia. Kata Kunci : Sistem Pakar, Forward Chaining, Certainty Factor, Mata
PENDAHULUAN Mata sebagai jendela dunia bagi manusia adalah salah satu organ tubuh yang sangat penting. Apabila mata mengalami gangguan fungsi yang disebabkan penyakit, informasi yang dihasilkan dari lima indera akan mengalami ketidakseimbangan yang sudah pasti berujung pada gangguan dalam aktivitas keseharian manusia. Terbatasnya layanan informasi kesehatan mata di Puskesmas dan Rumah Sakit, kurangnya tenaga dokter spesialis mata yang bisa memberikan informasi tentang gangguan kesehatan mata, serta mahalnya biaya konsultasi dokter spesialis, sehingga mengakibatkan kurangnya pengetahuan masyarakat tentang penyakit mata. Upaya agar setiap penderita penyakit mata dapat dengan mudah dan cepat mengetahui jenis penyakit mata dan gejalanya tanpa harus ke dokter terlebih dahulu mengakibatkan bidang sistem pakar mulai dimanfaatkan untuk membantu seorang pakar atau ahli dalam mendiagnosa penyakit mata manusia. Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar. Pengambilan keputusan mengenai diagnosis dan memberikan penatalaksanaan suatu penyakit tidak dapat dilakukan semua orang, sehingga diperlukan suatu sistem pakar yang memudahkan masyarakat untuk mendapatkan informasi diagnosa penyakit mata. Sistem pakar untuk diagnosa penyakit mata ini menggunakan metode runut maju (forward chaining) untuk menelusuri gejala yang ditampilkan dalam bentuk pertanyaanpertanyaan agar dapat mendiagnosa jenis penyakit mata. Dalam penentuan penypendiagnosaan diperlukan nilai kepercayaan terhadap penyakit, untuk mendapatkan nilai kepercayaan terhadap penyakit yang diderita, diperlukan suatu metode yang dikenal dengan certainty factor (CF).
1
LANDASAN TEORI Sistem Pakar Menurut Arhami (2005: 3), sistem pakar adalah salah satu cabang dari AI yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang yang dimilikinya. Menurut Kusrini (2008: 3), sistem pakar adalah aplikasi yang berbasis komputer yang digunakan untuk menyelesaikan masalah sebagai mana yang dipikirkan oleh pakar. Pakar yang dimaksud di sini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Sebagai contoh, dokter adalah seorang pakar yang mampu mendiagnosis penyakit yang diderita pasien serta dapat memberikan penatalaksanaan terhadap penyakit tersebut. Pengambilan keputusan mengenai diagnosis dan memberikan penatalaksanaan suatu penyakit tidak dapat dilakukan semua orang. Runut Maju (Forward Chaining) Menurut B.Wilson dalam Kusrini (2008: 8-11), runut maju berarti menggunakan himpunan aturan kondisi-aksi. Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan. Proses diulang sampai ditemukan suatu hasil. Berikut ini adalah daftar aturannya : Aturan 1: Jika premis 1 Dan premis 2 Dan premis 3 Maka konklusi 1 Aturan 2: Jika premis 1 Dan premis 3 Dan premis 4 Maka konklusi 2 Aturan 3: Jika premis 2 Dan premis 3 Dan premis 5 Maka konklusi 3 Aturan 4: Jika premis 1 Dan premis 4 Dan premis 5 Dan premis 6 Maka konklusi 4 Certainty Factor (CF) Menurut Arhami (2005: 153-154), dalam mengekspresikan derajat keyakinan, certainty theory menggunakan suatu nilai yang disebut certainty factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Konsep ini kemudian diformulasikan dalam rumusan dasar sebagai berikut :
2
Flowchart Menurut Utami dan Sukrisno (2005: 24), flowchart (bagan alir) merupakan representasi secara grafik dari suatu algoritma atau prosedur untuk menyelesaikan suatu masalah. Menurut Jogiyanto (2005: 795), “Bagan alir (flowchart) adalah bagan (chart) yang menunjukkan alir (flow) di dalam program atau prosedur sistem secara logika.” Bagan alir digunakan terutama untuk alat bantu komunikasi dan untuk dokomentasi. Data Flow Diagram (DFD) Menurut Fatta (2007: 119), Data Flow Diagram (DFD) merupakan diagram yang digunakan untuk menggambarkan proses-proses yang terjadi pada sistem yang akan dikembangkan. HASIL DAN PEMBAHASAN 1.
Data Penyakit Jumlah penyakit yang diolah dalam sistem pakar penyakit mata ini adalah 15 macam penyakit. Tabel 1. Data Penyakit Kode Penyakit Nama Penyakit P01 Blefaritis P02 Skleritis P03 Konjungtivitis Bakteri P04 Konjungtivitis Viral P05 Konjungtivitis Alergi P06 Konjungtivitis Sika P07 Keratitis P08 Ulkus Kornea P09 Endoftalmitis P10 Uveitis Anterior P11 Glaukoma Akut P12 Glaukoma Kronik P13 Katarak P14 Ablasi Retina P15 Neuritis Optik 2. Data Gejala Data-data gejala yang digunakan dalam sistem pakar penyakit mata ini berjumlah 51 gejala. Berikut sebagian dari gejala yang digunakan : Tabel 2. Data Gejala Kode Gejala Gejala G01 Daya penglihatan menurun G02 Fotofobia (silau) G03 Mata merah G04 Bengkak
3
G05 Gatal G06 Epifora (berair) G07 Lakrimasi (sedikit berair) G08 Sakit G09 Eksudat (belekan) G10 Hipopion (nanah yang berkumpul di dalam kornea G11 Kelilipan G12 Kelopak mata merah G13 Konjungtiva bengkak G14 Rasa sakit yang menyebar ke dahi, alis, dagu secara terus-menerus G15 Sklera bengkak G16 Konjungtivitas bulbi merah G17 Mata terasa seperti ada benda asing G18 Pembengkakan kelenjar getah bening belakang telinga G19 Pseudoptis (sulit membuka mata) G20 Demam dan sakit tenggorokan Sumber : Mansjoer dkk (2007: 49-65) 3.
Tabel Keputusan Berdasarkan pengetahuan berupa data gejala dan penyakit mata pada manusia, maka dapat dibuat basis pengetahuan berupa hubungan atau keterkaitan yang ada antara gejala dan penyakit mata pada manusia. Tabel 3. Tabel Keputusan Kode Gejala G01 G02 G03 G04 G05 G06 G07 G08 G09 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23
01 02 03 04 √ √ √ √ √ √ √ √ √ √ √ √ √
Kode Penyakit (P) 05 06 07 08 09 10 √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √
√ √
√
√ √ √
√ √ √ √ √ √ √ √ √ √ √
4
11 12 13 14 15 √ √ √ √ √ √
G24 √ G25 √ G26 √ G27 √ G28 √ G29 √ G30 G31 G32 G33 G34 G35 G36 Sumber : Mansjoer dkk (2007: 49-65)
√ √ √ √ √ √ √
4.
Pohon Keputusan Proses pencarian dari pohon keputusan menggunakan pencarian algoritma depth first search (DFS), yaitu proses pencarian dilakukan dari suksesor akar (node awal) secara mendalam dalam setiap level dari yang paling kiri hingga yang paling akhir (dead-end) atau sampai goal ditemukan. Pohon keputusan terdiri dari gejala, penyakit, dan busur yang menunjukkan hubungan antar objek.
Gambar 1. Pohon Keputusan
5.
Perhitungan CF Nilai Certainty Factor (CF) ditentukan untuk setiap gejala yang berkorespondensi dengan penyakit tertentu dalam range nilai 0 sampai dengan 1. Nilai ini mewakili keyakinan seorang pakar terhadap suatu gejala yang mempengaruhi terjadinya suatu penyakit mata tertentu.
5
Tabel 4. Detail Penyakit No. Gejala Penyakit 1. Bengkak Blefaritis 2. Eksudat (belekan) Blefaritis 3. Epifora (berair) Blefaritis 4. Gatal Blefaritis 5. Kelilipan Blefaritis 6. Kelopak mata merah Blefaritis 7. Sakit Blefaritis 8. Epifora (berair) Skleritis 9. Daya penglihatan menurun Skleritis 10. Fotofobia (silau) Skleritis 11. Konjungtiva bengkak Skleritis 12. Mata merah Skleritis Rasa sakit yang menyebar ke dahi, alis, Skleritis 13. dagu secara terus menerus 14. Sklera bengkak Skleritis 15. Eksudat (belekan) Konjungtivitis Bakteri 16. Konjungtivitas bulbi merah Konjungtivitis Bakteri 17. Lakrimasi (sedikit berair) Konjungtivitis Bakteri 18. Mata terasa seperti ada benda asing Konjungtivitis Bakteri Pembengkakan kelenjar getah bening Konjungtivitis Bakteri 19. belakang telinga 20. Pseudoptis (sulit membuka mata) Konjungtivitis Bakteri 21. Demam dan sakit tenggorokan Konjungtivitis Viral 22. Gatal Konjungtivitis Viral 23. Lakrimasi (sedikit berair) Konjungtivitis Viral 24. Terdapat sedikit kotoran pada mata Konjungtivitis Viral 25. Alergi Konjungtivitis Alergi 26. Bengkak Konjungtivitis Alergi 27. Epifora (berair) Konjungtivitis Alergi 28. Fotofobia (silau) Konjungtivitis Alergi 29. Gatal Konjungtivitis Alergi 30. Mata merah Konjungtivitis Alergi 31. Mata terasa panas Konjungtivitis Alergi 32. Sakit Konjungtivitis Alergi 33. Fotofobia (silau) Konjungtivitis Sika 34. Gatal Konjungtivitis Sika 35. Mata Kering Konjungtivitis Sika 36. Mata seperti berpasir Konjungtivitis Sika 37. Penglihatan kadang-kadang kabur Konjungtivitis Sika 38. Sukar menggerakkan kelopak mata Konjungtivitis Sika 39. Terdapat erosi kornea Konjungtivitis Sika
6
CF 0,9 0,4 0,3 0,4 0,4 0,6 0,4 0,3 0,3 0,4 0,3 0,6 0,3 0,3 0,9 0,5 0,8 0,5 0,5 0,8 0,5 0,8 0,9 0,5 0,3 0,6 0,8 0,4 0,9 0,3 0,3 0,3 0,5 0,7 0,5 0,8 0,5 0,9 0,5
Berikut contoh kasus perhitungan CF untuk P01 (Blefaritis) Tabel 5. Perhitungan CF P01 No. 1. 2. 3. 4. 5. 6. 7.
Gejala Bengkak Eksudat (belekan) Epifora (berair) Gatal Kelilipan Kelopak mata merah Sakit
Penyakit Blefaritis Blefaritis Blefaritis Blefaritis Blefaritis Blefaritis Blefaritis
CF 0,9 0,4 0,3 0,4 0,4 0,6 0,4
CF(A) = CF(1) + CF(2) * [ 1 – CF(1) ]= 0,9 + 0,4 * (1 – 0,9) = 0,94 CF(B) = CF(3) + CF(A) * [ 1 – CF(3) ]= 0,3 + 0,94 * (1 – 0,3) = 0,958 CF(C) = CF(4) + CF(B) * [ 1 – CF(4) ]= 0,4 + 0,958 * (1 – 0,4) = 0,9748 CF(D) = CF(5) + CF(C) * [ 1 – CF(5) ]= 0,4 + 0,9748 * (1 – 0,4) = 0,98488 CF(E) = CF(6) + CF(D) * [ 1 – CF(6) ]= 0,6 + 0,98488 * (1 – 0,6) = 0,99395 CF(F) = CF(7) + CF(E) * [ 1 – CF(7) ]= 0,4 + 0,99395 * (1 – 0,4) = 0,99637 Perhitungan manual di atas, didapatkan nilai faktor kepastian dari masukan gejala yang mengarah ke penyakit blefaritis adalah 0,99637. 6.
Diagram Konteks Diagram konteks adalah diagram yang dibuat untuk menggambarkan sumber serta tujuan data yang akan diproses atau dengan kata lain diagram tersebut digunakan untuk menggambarkan secara umum atau global dari keseluruhan sistem yang ada.
Gambar 1. Diagram Konteks
7.
Diagram Level Nol Diagram level nol adalah diagram yang dibuat untuk menggambarkan tahapan proses yang ada dalam diagram konteks, yang penjabarannya lebih terperinci atau dengan kata lain yaitu diagram yang menyusun keseluruhan sistem.
7
Gambar 2. Diagram Level Nol 8.
ERD (Entity Relationship Diagram) Entity relationship diagram merupakan komponen-komponen himpunan entitas dan himpunan relasi yang masing-masing dilengkapi dengan atribut-atribut diagram yang menggambarkan hubungan antara entitas dengan atribut penghubungnya. Entity relationship diagram berfungsi sebagai sebuah prasyarat, rancangan database yang digambarkan sebagai model khusus yang disebut skema database. Skema ini adalah cetak biru untuk sebuah database. Skema ini menggambarkan implementasi teknis dari sebuah bentuk data.
Gambar 3. Entity Relationship Diagram
Hasil perancangan dari penelitian yang dilakukan penulis ialah berupa website sistem pakar, berikut tampilan dari website yang telah dibuat :
8
1.
Tampilan Login Halaman login adalah rancangan halaman yang dibuat untuk keamanan data supaya pemakaian sistem digunakan oleh admin sesuai dengan tugas dan fungsinya. Halaman login dapat dilihat pada gambar 4. berikut ini.
Gambar 4. Halaman Login 2.
Tampilan Halaman Pasien a) Halaman Menu Beranda Pasien Halaman menu beranda pasien dirancang untuk melihat informasi mengenai kesehatan mata. Halaman menu beranda pasien dapat dilihat pada gambar 5. berikut ini.
Gambar 5. Halaman Menu Beranda Pasien
9
b) Halaman Menu Sistem Pakar Halaman menu sistem pakar dirancang untuk melihat informasi tentang pengertian sistem pakar. Halaman menu sistem pakar dapat dilihat pada gambar 6. berikut ini.
Gambar 6. Halaman Menu Sitem Pakar c) Halaman Konsultasi Halaman menu konsultasi dirancang untuk melakukan konsultasi untuk mendiagnosa penyakit mata manusia. Halaman menu konsultasi dengan mengisi form konsultasi, yaitu nama, tanggal lahir, jenis kelamin, alamat, dan telepon. Halaman konsultasi dapat dilihat pada gambar 7. berikut ini.
Gambar 7. Halaman Konsultasi
10
3.
Tampilan Halaman Admin a) Halaman Utama Admin Halaman utama admin digunakan untuk mengelola data penyakit, gejala, relasi, konsultasi, dan pengguna. Desain halaman utama admin dapat dilihat pada gambar 8. berikut ini.
Gambar 8. Desain Halaman Utama Admin b) Halaman Menu Penyakit Halaman menu penyakit adalah rancangan halaman untuk menambah data penyakit, melihat data penyakit, mengubah data penyakit dan menghapus data penyakit. Halaman menu penyakit dapat dilihat pada gambar 9. berikut ini.
Gambar 9. Halaman Menu Penyakit c) Halaman Menu Gejala Halaman menu gejala adalah rancangan halaman untuk menambah data gejala, melihat data gejala, mengubah data gejala dan menghapus data gejala. Desain halaman menu gejala dapat dilihat pada gambar 10. berikut ini.
11
Gambar 10. Halaman Menu Gejala d) Halaman Menu Relasi Halaman menu relasi dirancang untuk menentukan hubungan atau keterkaitan antara penyakit dengan gejala. Desain halaman menu relasi dapat dilihat pada gambar 11. berikut ini.
Gambar 11. Halaman Menu Relasi e) Halaman Menu Pengguna Halaman menu pengguna dirancang untuk menambah data pengguna sebagai admin, melihat data pengguna dan menghapus pengguna. Desain halaman menu pengguna dapat dilihat pada gambar 12. berikut ini.
12
Gambar 12. Halaman Menu Pengguna PENUTUP Berdasarkan hasil penelitian dan uji coba yang telah dilakukan, maka dapat diambil beberapa kesimpulan yaitu, metode sistem pakar (expert system) yang dibuat dengan proses penelusuran forward chaining dapat membantu untuk mendiagnosa penyakit mata manusia, pendiagnosaan penyakit dapat diambil dari gejala-gejala penyakit yang di alami oleh pasien sehingga dapat memberikan diagnosa penyakit, beberapa gejala penyakit mata dapat menyimpulkan jenis penyakit mata sesuai cf tertinggi. Semakin tinggi nilai cf dari hasil penelusuran, maka menunjukkan jenis penyakit mata yang diderita oleh pasien penyakit mata, dengan adanya sistem ini, dapat mempermudah masyarakat umum dalam mendapatkan informasi tentang penyakit mata, hasil diagnosa dapat menampilkan beberapa kemungkinan jenis penyakit mata pada manusia. DAFTAR PUSTAKA Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset. Kusrini. 2008. Aplikasi Sistem Pakar Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan. Yogyakarta: Andi Offset. Andi. 2009. Pengembangan Sistem Pakar Menggunakan Visual Basic. Yogyakarta: Andi Offset. Jogiyanto. 2005. Analisis dan Desain Sistem Informasi Pendekatan Terstruktur, Teori dan Praktik Aplikasi Bisnis. Yogyakarta: Andi Offset. Mansjoer, Arif dkk. 2007. Kapita Selekta Kedokteran. Jakarta: Media Aesculapius. Fatta, Hanif Al. 2007. Analisis dan Perancangan Sistem Informasi. Yogyakarta: Andi Offset. Utami, Ema dan Sukrisno. 2005. 10 Langkah Belajar Logika dan Algoritma Menggunakan Bahasa C dan C++ di GNU/Linux. Yogyakarta: Andi Offset.
13
