SISTEM PAKAR DIAGNOSA PENYULIT KEHAMILAN MENGGUNAKAN METODE FORWARD CHAINING CERTAINTY FACTOR BERBASIS WEB Wiji Setiyaningsih Trisna Beta Kuri Wardani 1
Sistem Informasi, Universitas Kanjuruhan Malang,
[email protected] Sistem Informasi, Universitas Kanjuruhan Malang,
[email protected]
2
ABSTRAK Penderita penyulit kehamilan yang ada pada rumah sakit Permata Hati merupakan pasien yang memiliki ketidaktahuan akan bahaya dan apa itu penyulit kehamilan, Keluhan yang dirasakan pada ibu hamil dianggap hal yang wajar tanpa memeriksakan gejala yang dialami, hal ini memicu tingginya ibu hamil yang terdiagnosis penyulit kehamilan. Dari tahun ketahun pada rumah sakit Permata Hati semakin tinggi jumlah penderita atau pasien yang mengalami penyulit kehamilan sehingga deteksi dini penyulit kehamilan sangat diperlukan untuk meminimalkan jumlah penderita pada rumah sakit tersebut, Peranan komputer sangat diperlukan untuk menyediakan informasi dengan cepat, tepat dan akurat. Salah satunya adalah perkembangan sistem pakar (Expert System) yang merupakan terobosan terbaru dalam dunia komputer. Pakar dalam sistem pakar yang dibangun adalah ahli spesialis dan kondisi yang digunakan untuk mengambil penghitungan kesimpulan dari gejala dan kategori peresiko penderita. Dari uraian tersebut maka dirancanglah“Sistem Pakar diagnosa Penyulit Kehamilan Mneggunakan Metode Forward Chaining Certainty Factor Berbasis Web”. Kata Kunci : Sistem Pakar,Certainty factor, Forward Chaining.
ABSTRACT patients with pregnancy complications that exist in Permata Hati hospital is a patient who h as ignorance of the dangers and pregnancy complications of pregnancy , perceived complaints in pregnant women is considered a natural thing without having examined the symptoms experienced , this triggers the height of pregnant women diagnosed with pregnancy complications . From year to year Permata Hati hospital has higher number of patients who have complications of pregnancy that early detection of pregnancy complications is necessary to minimize. The role of computers is necessary to provide information quickly and accurately. One is the development of expert systems (Expert System) which is the latest breakthrough in the world of computers. Experts in the expert system built is specialist and conditions used to take tally conclusions of symptoms and patient above ,this thesis category From the description designed "Diagnosis of pregnancy complications Expert System Using Web-Based Certainty Factor Key Words: Expert System,Certainty factor, Forward Chaining.
atau pasien yang mengalami penyulit kehamilan sehingga deteksi dini penyulit kehamilan sangat diperlukan untuk meminimalkan jumlah penderita pada rumah
1. PENDAHULUAN Dari tahun ketahun pada rumah sakit Permata Hati semakin tinggi jumlah penderita 1
sakit tersebut, deteksi dini tanda bahaya kehamilan dilakukan minimal 4 kali selama ibu hamil atau dilakukan pada tiap trimester masa kandungan, masa kandungan pada ibu hamil terbagi menjadi tiga bagian waktu yaitu trimester I, trimester II dan trimester III. Trimester pertama adalah 12 minggu sejak hari pertama terakhir menstruasi atau sekita 3 bulan, trimester kedua adalah 24 minggu atau sekitar 6 bulan sedangkan trimester ketiga adalah dimana usia kehamilannya memasuki masa kehamilan terakhir atau 9 bulan. Pada trimester I penyulit atau gangguan kehamilan yang di derita biasanya meliputi anemia, abortus, kehamilan ektopik terganggu, mola hidatidosa (hamil anggur) serta hyperemesis gravidarum, sedangkan pada trimester II yang harus di waspadai adalah pendarahan (preeklamsi dan eklamsi), serta pada trimester III tanda bahaya yang diderita oleh ibu hamil adalah adanya kehamilan ganda, ibu mengalami pendarahan (Sujiyatini, 2009). Penyulit kehamilan sangat mengancam jiwa ibu hamil danjanin terbukti dari data Angka Kematian Ibu (AKI) adalah 228 per 100.000 kelahiran hidup pada tahun 2007 (Badan Pusat Statistic, 2007) dan sebagian besar penyebab kematian tersebut dapat dicegah. Salah satu masalah yang dihadapi oleh ibu hamil pada masa kehamilannya yaitu kurangnya informasi mengenai kesehatan pada ibu hamil, Selain itu angka kematian ini juga dipicu dari kurangnya kesadaran Ibu hamil untuk memeriksakan masa kehamilannya untuk mendeteksi secara dini gangguan pada masa kehamilan dan berkonsultasi mengenai kehamilannya dengan medis. kehamilan sebagai berikut : anemia, abortus,hyperemesis Gravidarum, ektokpik, Mola Hidatidosa, Preeklamsia, Solusio Plasenta, Plasenta Previa. 2.
komponen utama yaitu basis pengetahuan dan mesin inferensi. Basis pengetahuan merupakan tempat penyimpanan pengetahuan dalam memori komputer dimana penegetahuan ini diambil dari seorang pakar Sedangkan mesin inferensi merupakan otak dari apliksai sistem pakar. Bagian inilah yang menuntun user untuk memasukkan fakta – fakta yang diproleh sehingga di peroleh suatu kesimpulan 1. Representasi Pengetahuan 2. Metode Inferensi a. Backward Chaining Runut balik merupakan metode penalaran kebalikan dari runut maju. Dalam runut balik penalaran dimulai dengan tujuan kemudan balik kejalur yang akan mengarahkan ke tujuan tersebut. Runut balik disebut jua sebagai goal driven reasoning, merupakan cara yang efisen untuk memecahkan mnasalah yang dimodelkan sebagai masalah pemilihan terstruktural b. Forward Chaining Runut maju berarti menggunakan himpunan aturan kondisi – aksi. Dalam metode ini data yanbg digunakan menetukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan. Mungkin proses menambahkan data ke memori kerja. Proses diulang sampai ditemukan suatu hasil 2.2 Penyulit Kehamilan Patologi kehamilan adalah penyulit atau gangguan atau komplikasi yang menyertai ibu saat hamil. Adapun bentuk patologi kehamilan berdasarakan trimester kehamilan sebagai berikut : Anemia Hyperemesis Gravidarum Abortus Ektopik Mola Hidatidosa Preeklamsia Solusio Plasenta Plasenta Previa
Tinjauan Pustaka
2.1 Sistem Pakar Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh seorang pakar. Pakar yang dimaksud disni adalah orang yang mempunyai keahlian kh usus yang dapat menyelesaikan maslaah yuang tidak dapat diselesaikan oleh orang awam. Sebuah sistem pakar mempunyai 2
2.2 Certainty Factor Certainty Factor ,Teori certainty membicarakan tentang ketidakpastian. Ketidakpastian diwakili dengan frase seperti “probably”, “it is likely that...”, “it almost seems certain that...”. CF[h,e1^e2] = CF[h,e1] + CF[h,e2] . (1 CF[h,e1]) 2
Pada gambar 1 dapat di jelaskan alur data pada sistem pakar diagnosa penyulit kehamilan secara garis besar, yaitu ada 3 intetitas(admin, pengguna serta pakar). Admin melakukan master data, pakar memasukan basis pengetahuan dan nilai CF sedangkan pengguna melakukan diagnosa penyulit.
CF[h,e1^e2 = Faktor Kepastian paralel CF[h,e1] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence pertama (antara 0 dan 1) CF[h,e2] = kepercayaan terhadap hipotesis h, jika diberikan evidence e kedua (antara 0 dan 1) Rumus menghitung ketidakpastian sebuah konklusi dari sebuah rule dengan sebuah premis: CF(H, E) = CF(E) * CF(RULE) CF[h,e] = Faktor kepastian CF(E) = kuran kepercayaan terhadap hipotesa h CF(Rule) = CF rule Rumus menghitung ketidakpastian sebuah konklusi yang didapatkan dari dua buah rule: CFCOMBINE(CF1, CF2) = CF1 + CF2 * (1 - CF1); jika semuanya > 0
3.2.2 DFD Level 1
3 Pembahasan 3.1 Analisis Masalah Dari tahun ketahun jumlah penderita atau penyulit kehamilan pada rumah sakit Permata Hati semakin meningkat hal ini disebabkan beberapa faktor diantarannya kurangnya pengetahuan seorang wanita mengenai penyulit kehamilan yang menyertai kehamilan dapat berakibat buruk pada janin serta kondisi dari ibu hamil karena dapat menyebabkan kematian apabila tidak segera teratasi. Konsultasi pada ahli kandungan jarang sekali dilakukan, gejala–gejala yang dialamipun dianggap hal yang wajar yang menyertai kehamilan serta asumsi para wanita tentang tidak bahayanya gejala atau penyulit kehamilan tersebut.
Gambar 2. DFD Level 1 Pada DFD level 1 menggambarkan bahwa seorang juga mengkoordinasikan dan mngelola siapa saja yang berhak menjadi pakar,mengelola artikel, istilah dan mengelola hak akses user, pakar adalah memasukan pengetahuan kepakaran tentang penyulit kehamilan (aturan CF). Pengguna diminta untuk memasukan menjawab pertanyaan mengenai gejala yang sesuai penderita alami. 3.2.3 DFD Level 2 Dari Proses 7
3. 2 Analisis Desain Sistem 3.2.1 Context Diagram
Gambar 1. Context Daigram
Gambar 3. DFD Level 2 3
Proses konsultasi pengguna di awali oleh proses memasukan gejala yang dialami oleh pengguna setelah itu pengguna melakukan konsultasi dengan gejala-gejala yang dialami. Setelah gejala-gejala dimasukan beserta nilai CF dari maka pengguna dapat mengetahaui hasil diagnosis berupa penyakit serta penatalaksanaannya. 3.2.4
Rumus menghitung ketidakpastian sebuah konklusi dari sebuah rule dengan sebuah premis: CF(H, E) = CF(E) * CF(RULE) CF[h,e] = Faktor kepastian CF(E) = nilai cf dari seorang user CF(Rule) = nilai cf dari seorang pakar Rumus menghitung ketidakpastian sebuah konklusi yang didapatkan dari dua buah rule: CFCOMBINE(CF1, CF2) = CF1 + CF2 * (1 CF1); jika semuanya > 0
Desain DataBase
No 1
Gejala
Hipotesa penyakit Anemia
CF pakar 0.4
Kulit bibir dan kuku pucat 2 Merasa anemia 0.6 Lemah 3 Pusing anemia 0.4 Diketahui Seorang pasien mempumyai gejala dengan nilai kepastian : Kulit kuku dan bibir pucat = 0.6 Merasa lelah atau lemah = 0.6 Pusing = 0.5
dari gejala tersebut maka dilakuan runut maju yaitu forward chaining, dan didaptkan nama penyulit anemia. Maka: Untuk gejala kulit bibir dan kuku pucat CF(H,E)= 0.6 x 0.6 = 0,36 CF1 Merasa lemah atau pusing CF(H,E)= 0.8 X 0.6 = 0,48 CF2 Pusing CF(H,E) = 0,6 X 0,5=0,30 CF(2,3,.. )
Gambar 4. Desain Tabel database Detail relasi yang terjadi pada setiap tabelnya. Untuk tabel login, tabel istilah, tabel artikel tidak berelasi dengan tabel apapun, sedangkan tabel penyulit berelasi one to many dengan tabel gejala penyult, tabel gejala berelasi one to many dengan tabel gejala penyulit. Tabel hasil berrelasi dengan tabel gejala dan tabel penyulit, masing-masing relasi dari tabel tersebut adalah one to many.
Karena gejala lebih dari satu dan berniali postif maka memakai rumus CFCOMBINE(CF1, CF2) = CF1 + CF2 * (1 CF1); jika semuanya > 0 CF combine= 0,36 + 0,48(1-0,36) = 0,66 CF1 CF combine = 0,66 + 0,30(1-0,66) = 0,762 atau 76,2 %
3.3 Implementasi dan Uji Coba 3.3.1 Implementasi CF[h,e1^e2] = CF[h,e1] + CF[h,e2] . (1 CF[h,e1]) CF[h,e1^e2 = Faktor Kepastian paralel CF[h,e1] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e pertama (antara 0 dan 1) CF[h,e2] = kepercayaan terhadap hipotesis h, jika diberikan evidence e kedua (antara 0 dan 1)
Didapatkan hasil bahwa pasien menderita anemia dengan nilai kepastian 76,2 %
4
3.3.2. Uji Coba
Gambar 7. Hasil Diagnosa dari rangkain pertanyaan yang telah dijawab oleh pengguna, pada halaman ini pengguna mendapatkan hasil diagnose berupupa nama penyulit serta saran yang berisi saran atau penatalaksanaan dari penyulit tersediagnosa. Gambar 5.halaman Diagnosis 4. Kesimpulan Berdasarkan hasil dan pembahasan pada penelitihan ini dapat disimpulkan sebagai berikut: 1. Sistem pakar diagnosa penyulit kehamilan dapat menjadi media untuk melihat perkembangan ibu hamil yang mengalami penyulit kehamilan pada rumah sakit permata hati melalui grafik hasil diagnosa, dan rumah sakit tersebut dapat memberikan jalan keluar ataupun solusi untuk menekan jumlah penderita. 2. sistem pakar diagnosa penyulit kehamilan dapat memaksimalkan deteksi dini mengenai penyulit kehamilan berdasarkan usia kandungan ibu hamil atau trimester kehamilan yang mengalami penyulit kehamilan pada rumah sakit Permata Hati dan meminimalkan jumlah penderita atau pasien penyulit kehamilan yang dapat diakses oleh masyarakat secara luas. 3. Sistem ini hanya menjadi alat bantu bagi ibu hamil untuk mendeteksi secara dini penyulit kehamilan, bukan untuk mengantikan seorang pakar yaitu ahli kandungan maupun bidan.
halaman ini berisi gejala-gejala menegnai penyulit kehamila, Setelah memilih gejala yang sesuai dengan yang disediakan sistem pakar maka pengguna akan melanjutkan langkah selanjutnya yaitu dengan memasukan nilai CF dari sebuah gejala tersebut
Gambar 6. Pemberian Nilai CF Setelah pengguna memilih pertanyaan gejala yang diderita oleh pengguna dan memilih tombol lanjutkan maka pengguna akan ditampilkan hasil dari gejala yang dipilih, lalu pengguna kembali memasukan nilai CF dari gejala tersebut. 5
Sujiyatini,2009 , Asuhan Patologi Kebinanan. Nuha Medika. Jogjakarta Sadewo,adhi. 2010. Perancangan dan implementasi sistem pakar untuk diagnosa pemyakit dalam.Universitas Diponegoro Semarang
5. Saran hasil penelitian, ada beberapa saran untuk pengembangan sistem lebih lanjut, diantaranya sebagai berikut : 1. Perangkat lunak Sistem Pendukung Keputusan ini dapat dikembangkan seiring perkembangan kebutuhan pengguna sistem salah satunya dengan mengembangkan sistem ini dengan menambahkan beberapa fitur mengenai penyulit kehamilan, misalnya video dan foto-foto yang berkaitan. 2. Pengembangan lebih lanjut terhadap sistem adalah membangun sistem lebih user-friendly dengan memperhatikan aspek-aspek interaksi manusia dan komputer. DAFTAR PUSTAKA http://id.wikipedia.org/wiki/Adobe_Dreamwea ver. Akses 7 Desember 2013 http://id.wikipedia.org/wiki/Data_flow_diagra m. Akses 8 Desember 2013 http://id.wikipedia.org/wiki/PHP.Akses Akses 8 Desember 2013 Data Modelling From Conceptual Model to DBMS. http://sparxsystems.com. Akses : 28 April 2013 Adi Puspita, Chandra. 2012. Sistem Pakar Diagnosa Penyakit Ayam Menggunakan Metode Certainty Factor. Universitas Kanjuruhan Malang. Bunafit,Nugroho.2005.Database relasional My Sql. Andy Yogyakarta. Yogjakarta Kusrini,2008.Aplikasi sitem pakar, mementukan factor kepastian pengguna dengan metode kuantifikasi pertanyaan .Andi Yogyakarta.Yogyakarta. Kusrini 2006 Aplikasi sistem pakar teori dan aplikasi.andi offset. Yogyakarta Winknjosastro,hanifa. 2009. Ilmu Kandungan.Yayasan Bina Pustaka. Jakarta Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Andi. Yogyakarta. Setiyaningsih, Wiji. 2011. Modul Ajar Perkuliahan AHP (Analytical Hierarchy Process). Universitas Kanjuruhan Malang. www.kehamilan.org Akses 9 Desember 2013 Yeyeh,ai dan Yulianti, lia. 2010.Asuhan Kebidanan IV(Patologi kebidanan).Trans Info Media. Jakarta 6
