-Tugas Mata kuliah Sistem Pakar
IMPLEMENTASI SISTEM PAKAR UNTUK MENDIAGNOSA
PENYAKIT DALAM PADA MANUSIA
Penyakit mematikan di dunia banyak diantaranya merupakan penyakit dalam seperti penyakit jantung dan paru-paru. Kurangnya informasi dan pengetahuan tentang Penyakit Dalam membuat manusia mengabaikan penyakit dalam karena gejala awal dari penyakit dalam berawal dari suatu gejala yang ringan.Kurangnya dokter spesialis penyakit dalam di Indonesia menjadi pemicu kendala dalam pemeranan pencegahan penyakit mematikan sejak dini sehingga diperlukan sebuah sistem yang mempunyai kemampuan seperti pakar dengan memberikan nilai kepastian dalam bentuk persentase dengan perhitungan Dempster Shafer.
Pengembangan perangkat lunak sistem pakar ini meliputi, analisis kebutuhan perangkat lunak yang terdiri dari analisis kebutuhan user, analisis kebutuhan sistem dan perancangan rekayasa pengetahuan dimana dalam pembuatan rekayasa perangkat lunak ini data yang terkumpul direpresentasikan sebagai basis pengetahuan, keputusan, basis aturan dan perancangan mesin inferensi.
Selanjutnya perancangan sistem, yang merancang pembuatan pemodelan proses yang terdiri dari konteks diagram dan DFD, pemodelan data yang terdiri dari perancangan ERD, Mapping Table dan perancangan tabel. Hasil penelitian berupa program aplikasi sistem pakar yang mampu mendiagnosa Penyakit Dalam sebanyak 17 jenis Penyakit Dalam.
Keluaran sistem berupa hasil penelusuran penyakit yang dilengkapi nilai persentase yang diperoleh dengan perhitungan menggunakan metode Dempster Shafer, penyebab dan solusi, Jika satu organ tubuh terserang penyakit maka timbulnya penyakit ini akan menyebabkan gejala awal bagi penyakit serius lainnya.
Adanya kerusakan pada organ vital dalam tubuh yang menyebabkan suatu penyakit di dunia medis tergolong dalam Penyakit Dalam. Dalam ilmu kedokteran Penyakit Dalam masih dapat dispesifikasikan lagi menjadi beberapa jenis sesuai organ tubuh yang berkaitan, seperti penyakit jantung yang terdiri dari penyakit jantung koroner, serangan jantung, hipertensi dan gagal jantung.
Kurangnya informasi dan pengetahuan tentang seriusnya Penyakit Dalam membuat manusia mengabaikan Penyakit Dalam karena gejala awal dari Penyakit Dalam berawal dari suatu gejala yang ringan, contohnya sakit kepala, batuk, nyeri persendian dan lain-lain.
Selain gejala ringan yang dirasakan biaya untuk pengobatan penderita Penyakit Dalam tidaklah murah, tidak hanya itu alat untuk pendeteksian Penyakit Dalam pun mahal harganya sehingga tiap rumah sakit belum pasti memiliki alat canggih dalam pendeteksian Penyakit Dalam yang serius. Kurangnya dokter spesialis penyakit dalam di Indonesia pun menjadi pemicu kendala dalam pemeranan pencegehan penyakit mematikan sejak dini, Jumlah dokter spesialis Penyakit Dalam disemua kota di Indonesia masih belum memadai dan belum rata pada setiap daerah.
Sistem pakar dapat diartikan sebagai sistem yang mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh pakar, sehingga sistem pakar dapat menjadi asisten dari seorang pakar.
Aplikasi yang dapat membantu mendiagnosa suatu penyakit berbasis pengetahuan biasa disebut kecerdasan buatan (Artificial Intelligence).
Perhitungan ketidakpastian diperlukan dalam sistem pakar untuk dapat meyakinkan pasien (user) dalam hasil diagnosa yang dihasilkan sehingga sistem pakar yang dibuat benar-benar seperti layaknya diagnosa seorang pakar atau dokter.Perhitungan ketidakpastian dalam sistem pakar dapat dilakukan dengan beberapa metode ketidakpastian, Metode ini dapat digunakan untuk mencari persentase kemungkinan penyakit yang diderita pasien (user) dengan mendiagnosa gejala yang dirasakan.
Diharapkan dengan penggunaan metode ini dapat meminimalisirkan ketidakpastian sehingga dapat menghasilkan diagnosa yang valid,Sistem pakar tersebut menggunakan metode pelacakan Forward Chaining. Kelemahan pada sistem pakar tersebut belum dilengkapi dengan metode kepastian atau belum didukung oleh probabilitas hasil diagnosa yang diperoleh.
Kajian terdahulu yang kedua mengacu pada penelitian Agus Priyono (2011) dengan Judul " Sistem Pakar Untuk Mendiagnosa Kerusakan Mesin Lokomotif Kereta Api Dengan Menggunakan Metode Dempster-Shafer" [16].
Berdasarkan hasil penelitian yang telah dipaparkan di atas, maka dilakukan penelitian lebih lanjut dengan judul "Implementasi Sistem Pakar Untuk Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode Dempster-Shafer". Objek yang digunakan pada pembuatan sistem pakar ini adalah Penyakit Dalam pada manusia, dengan tambahan jumlah Penyakit Dalam dari kajian terdahulu. Output yang dihasilkan berupa hasil diagnosa terhadap penyakit, penyebab penyakit, dan solusi untuk penanggulangannya. Sistem pakar dibuat hanya pada domain pengetahuan tetentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia disalah satu bidang saja. Pengalihan keahlian oleh para ahli untuk kemudian dialihkan lagi kepada seorang lain yang belum ahli merupakan tujuan utama sistem pakar.Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. Pada teori Dempster-Shafer dikenal adanya frame of discrement yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis.
IMPLEMENTASI SISTEM PAKAR UNTUK MENDIAGNOSA DINI CORONA VIRUS DESEASE
Untuk membantu para tenaga medis dalam mendeteksi dini gejala-gejala yang dialami oleh pasien dan memudahkan pencatatan administrasi oleh pihak rumah sakit, maka salah satunya dibuat system pakar yang dapat mendeteksi dini COVID-19 ini dengan metode Certainty Factor (CF). sistem pakar ini meniru gejala-gejala yang mirip yang dialami oleh pasien COVID-19 dan akan dikelompokan menjadi beberapa status pasie
Pasien yang mengalami gejala serius akan dikelompokan menjadi Pasien Dalam Pengawasan (PDP) dan pasien yang dianggap memiliki gejala lebih ringan akan dikelompokan kedalam status Orang Dalam Pengawasan (ODP) sedangkan yang mengalami gejala yang diluar dari gejala utama akan dikelompokan menjadi status Non Suspect (NON)
Dari 152 data pasien yang diinput pada penelitian ini mendapatkan hasil 114 ODP dengan rata-rata nilai CF 91,38% , 36 PDP deangan rata-rata nilai CF 98,25% dan 2 NON dengan rata-rata nilai CF 40%. CF dengan percobaan perhitungan sistem yaitu data yang mewakili pasien mendapatkan nilai CF 0.998848 atau 99.88% menjadi PDP.
Sistem pakar ini dapat digunakan pengambilan keputusan yang dapat membantu tenaga medis melakukan tindakan dan pengadministrasian dengan lebih baik sebelum dilakukan tes secara menyeluruh di laboratorium untuk memastikan pasien positif atau negatif COVID-19. Wabah ini kemudian menyebar hampir keseluruh negara-negara di dunia yang mengakibatkan timbulnya kepanikan masyarakat yang khawatir dengan COVID-19 ini.
Sebagai organisasi kesehatan dunia, World Health Organization (WHO) menyatakan COVID-19 ini sebagai kondisi pandemi, fokus yang harus ditekankan yaitu pada deteksi lebih cepat dan lebih awal untuk menghentikan jumlah infeksi dan untuk melaksanakan manajemen yang tepat dalam membatasi transmisi virus. Indonesia merupakan salah satu negara yang beresiko tinggi terpapar COVID-19 karena banyaknya jumlah penduduk dan beragamnya budaya yang ada di masyarakat yang tersebar di seluruh wilayah Indonesia.
Upaya pencegahan ini dengan membuat sistem pakar yang dapat membantu para tenaga medis melakukan deteksi dini infeksi COVID-19 dengan mengkalisifikasikan diagnosa kedalam tiga kategori yaitu Non Suspect, ODP dan PDP.
Diagnosa adalah proses pemilihan diantara berbagai alternatif yang betujuan untuk memenuhi sasaran, Dalam merancang system pakar ini menggunakan suatu metode yang disebut dengan Certainty Factor (CF) yang merupakan suatu metode untuk dapat membuktikan apakah suatu fakta yang terjadi disebut pasti atau JURNAL MEDIA INFORMATIKA BUDIDARMA Volume 4, Nomor 3, Juli 2020, Page 559-566 ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online) Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib DOI 10.30865/mib.v4i3.2132 Safitri Juanita, Copyright c2020, MIB, Page 560 Submitted: 22/04/2020; Accepted: 11/05/2020; Published: 20/07/2020 tidak pasti yang berbentuk matriks.
Sistem pakar ini dapat digunakan sebagai rujukan dini pendeteksi seseorang terinfeksi COVID-19 atau tidak dengan menunggu hasil laboratorium untuk memastikannya sehingga pasien bisa ditangani lebih cepat sesuai dengan protokol standar WHO.
Setelah waancara dilakukan dan hasil wawancara diinput pada sistem, dilakukan perhitungan CF yaitu suatu metode untuk dapat membuktikan apakah suatu fakta yang terjadi disebut pasti atau tidak pasti yang berbentuk matriks. Metode ini menggunakan perhitungan berdasarkan kemiripan yang dibagi dengan bobot yang telah ditentukan.
Rumus dasar CF yaitu: CF(h,e)= MB(h,e)-MD(h,e) (1) Keterangan: CF(h,e) = Faktor kepastian dalam hipotesis h yang dipengaruhi oleh evidence e MB(h,e) = Measure of believe merupakan ukuran kepercayan dari hipotesa h yang dipengaruhi oleh evidence e MD(h,e) = Measure of disbelieve merupakan ukuran ketidak percayaan dari hipotesa h yang dipengaruhi oleh evidence e h = Hipotesa atau kesimpulan yang dihasilkan bernilai antara 0 sampai 1 e = Evidence atau fakta (gejala) Perhitungan berikutnya adalah perhitungan kombinasi dua atau lebih aturan dengan fakta atau gejala yang berbeda tetapi dalam hipotesa yang sama : Aturan 1 CF(h,e1) = CF1 = C(e1) x (CF aturan 1) (2) Aturan 2 CF(h,e2) = CF2 = C(e2) x (CF aturan 2) (3) CF kombinasi [CF1, CF2] = CF1 + CF2 (1-CF1) (4) Gambar 2. Diagram Alur Perhitungan CF JURNAL MEDIA INFORMATIKA BUDIDARMA Volume 4, Nomor 3, Juli 2020, Page 559-566 ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online) Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib DOI 10.30865/mib.v4i3.2132 Safitri Juanita, Copyright c2020, MIB, Page 561 Submitted: 22/04/2020; Accepted: 11/05/2020; Published: 20/07/2020 3. HASIL DAN PEMBAHASAN Penelitian dilakukan dengan beberapa tahapan yang meliputi penentuan basis pengetahuan, pemodelan aturan CF, proses perhitungan sistem, dan implementasi sistem.
Basis pengetahuan dilakukan untuk menentukan hipotesa dan evidence yang terjadi pada masing-masing status pasien yang dikategorikan kedalam 3 kategori yang meliputi Pasien Dalam Pengawasan (PDP), Orang Dalam Pemantauan (ODP) dan orang yang dianggap non suspect (NON). Pemodelan aturan CF yaitu proses pemodelen algoritma yang dihubungkan dari status pasien dan gejala. Contohnya pemodelan aturn CF ini yaitu jika mengalami demam maka flu.
Untuk proses perhitungan yang dilakukan yaitu proses perhitugan sistem dengan mengacu pada rumus CF dengan menentukan CF pakar dan CF user yang dipilih berdasarkan gejala yang dialami oleh pasien yang diperiksa. perhitungan dibuat 2 model yaitu perhitungan sistem dan perhitungan manual. Perhitungan sistem pada penelitian ini dilakukan dengan menginput data pasisn sebanyak 152 pasien. Sedangkan proses perhitungan manual hanya dilakukan kepada yang mewakili pasien
Referensi :
Rikhiana & Fadlil, (2013 ).Implementasi Sistem Pakar Untuk
Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode DEMPSTER SHAFER.
Komentar
Posting Komentar