BAB 3 ANALISIS DAN PERANCANGAN. pencarian-pencarian materi pendukung yang penulis lakukan melalui internet. Seorang

Transkripsi

1 BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Dalam mengembangkan sistem pakar ini diperlukan pengetahuan dan informasi yang diperoleh dari beberapa sumber, yaitu dari seorang pakar, dan beberapa buku serta pencarian-pencarian materi pendukung yang penulis lakukan melalui internet. Seorang pakar adalah seorang yang ahli dan menguasai dalam bidang tertentu dan mempunyai pengetahuan atau keahlian khusus yang tidak dikuasai dan dimiliki oleh kebanyakan oleh orang lain sehingga dapat memecahkan permasalahan yang tidak dapat dipecahkan oleh kebanyakan orang atau dapat memecahkan masalah dengan cara yang lebih efisien (Giarratano dan Riley, 1998, p2). Masalahnya adalah jumlah pakar sangat terbatas bila dibandingkan dengan yang dibutuhkan. Hal ini wajar karena kepakaran baru dapat diperoleh dari pengalaman bertahun-tahun bahkan puluhan tahun. Untuk mengatasi hal itu perlu dipikirkan suatu metode untuk menyebarkan kepakaran yang dimiliki oleh pakar tersebut. Dengan memindahkan kepakaran yang dimiliki seorang pakar ke dalam suatu program komputer yang dinamakan dengan sistem pakar dan dengan penerapan sistem pakar untuk mengdiagnosa penyakit yang melibatkan sistem penyakit umum ini diharapkan dapat membantu masyarakat untuk mengenali gejala-gejala yang timbul sebelum pergi berobat. Sehingga pada akhirnya akan ditemukan obat apa yang dapat digunakan. Selain itu, juga memungkinkan setiap individu untuk menghemat waktu, biaya dan tenaga dalam mendapatkan pelayanan kesehatan dan pengobatan. 32

2 33 Dari beberapa keunggulan sistem pakar online maka user mungkin saja ingin mengetahui bagaimana sejarah kesehatan yang terjadi pada dirinya dan menyimpannya sebagai rujukan sebelum ia berobat pada dokter yang sebenarnya. Karena alasan-alasan itulah kemudian penulis ingin membuat sebuah sistem pakar yang menggunakan cara atau teknik yang lebih dapat diandalkan dan lebih memuaskan. Sistem pakar online merupakan jawaban dari permasalahan tersebut. Dengan sistem ini maka sistem pakar bisa digunakan oleh banyak user sekaligus dengan sistem yang sama dan knowledgebase yang sama. Kemudian, proses peng-update-an knowledgebase tentu akan lebih mudah dilakukan. Certainty Factor adalah suatu teknik yang sangat menjanjikan untuk pengembangan sistem pakar saat ini. Selain itu CF dirasakan lebih sesuai diaplikasikan pada sistem ini bila dibandingkan dengan metode lain. Hal lain yang menyebabkan kenapa kami memilih Certainty Factor sebagai teknik pengambilan keputusan adalah karena CF sudah tebukti akurat, hal ini dibuktikan dengan keampuhan MYCIN, dimana MYCIN juga menggunakan CF sebagai metodanya. Kelebihan lain yang penulis tawarkan pada sistem pakar ini adalah bahwa sistem pakar ini akan bersifat fleksibel. Sistem pakar ini berbentuk engine yang dapat di-install pada server yang diinginkan. Jadi, sistem pakar ini tidak tertutup untuk sebagian kelompok jenis penyakit saja. Siapa saja yang memiliki knowledge base sendiri bisa menggunakan engine ini bekerja sebagai sistem pakarnya. Pada sistem pakar ini, penulis menggunakan penyakit umum untuk menunjukkan bagaimana sistem pakar ini bekerja, walaupun sebenarnya sistem pakar ini dapat digunakan untuk pendiagnosaan penyakit-penyakit yang lain, atau bahkan semuanya berjalan pada sistem yang sama. Hal itu hanya tergantung pada knowledge base yang

3 34 dimiliki. Jadi sistem pakar untuk mendiagnosa penyakit secara online ini menawarkan sebuah sistem dan teknik sistem pakar yang lebih fleksibel dan optimal baik dari segi kualitas maupun kemudahan serta jangkauan yang lebih luas dibandingkan dengan sistem pakar lain yang digunakan saat ini, terutama yang ada di Indonesia. 3.2 Akuisisi Pengetahuan Dalam perancangan sistem pakar harus memperhatikan beberapa faktor antara lain akuisisi pengetahuan, representasi pengetahuan, perancangan basis pengetahuan, perancangan data dan perancangan layar Akuisisi Pengetahuan Dalam perancangan aplikasi sistem pakar ini, terlebih dahulu melakukan proses akuisisi pengetahuan terhadap seorang pakar. Karena penulis menggunakan penyakit umum sebagai subject pada percobaan sistem pakar ini, maka penulis memilih seorang dokter umum. Pakar yang dimaksudkan adalah dokter Eddie Mufthi yang melakukan praktek di klinik keluarga Jl. KH. Hasyim Ashari,. 44, Pedurenan Ciledug - Tangerang. Dalam proses ini dilakukan wawancara mengenai bagaimana mendiagnosa penyakit yang sering terjangkit di kawasan ini dan beberapa penyakit lainnya berdasarkan gejala gejala dan keluhan dari pasien. Pendiagnosaan dibuat menyerupai alur diagnosa seorang pakar dan juga diberikan rekomendasi mengenai daftar pustaka tentang penyakit pada lambung dari pakar tersebut. Selain melakukan wawancara, penulis juga memberikan formulir yang nantinya akan diisi oleh dokter tersebut.

4 Tabel Diagnosa Penyakit Dari tabel ini, penulis ingin mengumpulkan data-data gejala penyakit yang dialami pasien yang sedang terjangkit penyakit asma atau diare, seorang pakar memberikan data dan nilai Measure Belive (MB) dan Measure Disbelieve (MD) dari beberapa penyakit yang kami sertakan. Selanjutnya untuk pengisian persentase terjadinya penyakit yang tertulis akan dihitung menggunakan rumus Certainty Factor (CF). Tabel 3.1 Nama Penyakit Diare (Entritis) 1 Mual Perut Mules BAB > 6 kali sehari Mencret Badan Lemas

5 36 Tabel 3.2 Nama Penyakit Disentri 1 Perut Mules BAB berupa lendir Feses Berdarah nafsu makan Tabel 3.3 Nama Penyakit Maag 1 Mual Nyeri di ulu hati Perut Mules Begah Perut perih di malam hari

6 37 Tabel 3.4 Nama Penyakit Cacar Air (Farisela) 1 Badan terasa panas Ada bisul kecil berisi 2 cairan bening Kulit gatal Bisul kecil dikulit 4 menyebar Tabel 3.5 Nama Penyakit Cacar Api (Herpes Zoster) Ada bisul kecil berisi 1 cairan bening Bisul kecil berkelompok Kulit terasa terbakar

7 38 Tabel 3.6 Nama Penyakit Campak Jerman (Morbili) 1 Badan panas Bercak seperti ruam 2 diseluruh tubuh Ruam berwarna cokelat Tubuh mengerluarkan 4 cairan berlebihan Tabe 3.7 Nama Penyakit Campak Kelenjar (Rubela) 1 Badan panas Bercak seperti ruam 2 diseluruh tubuh Ruam berwarna cokelat Belakang telinga terasa 4 sakit

8 39 Tabel 3.8 Nama Penyakit Demam Berdarah 1 Badan panas Bintik merah ditubuh Sakit kepala Nyeri sendi Nyeri di ulu hati Badan terasa lemas Mimisan Tabel 3.9 Nama Penyakit Tipes 1 Badan meriang Sakit kepala Perut mual BAB tidak lancar Mencret Lidah kotor berwarna 6 putih

9 40 Tabel 3.10 Nama Penyakit Sinusitis Maxilaris 1 Pilek Kelopak mata bengkak Selalu mencium bau tidak 3 sedap Kepala pusing Tabel 3.11 Nama Penyakit Rhinitis 1 Pilek Badan lemas Sering bersin di pagi hari Hidung mampet Hidung gatal

10 Representasi Pengetahuan Dalam representasi pengetahuan, dilakukan pengumpulan dari informasi yang diperoleh dari pakar. Untuk membantu pengembangan aplikasi sistem pakar ini, maka pengetahuan yang diperoleh dalam bentuk wawancara akan diubah ke dalam tabel penyakit. Tabel ini berupa gejala penyakit yang telah berisi nilai MB dan MD pada tiap gejalanya. Dengan adanya nilai MB dan MD maka data akan dapat diaplikasikan ke dalam sistem yang sedang dibuat. 3.3 Perancangan Sistem Pakar Sistem pakar teridiri-dari 2 bagian pokok, yaitu : lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangunan sistem pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi. Pada lingkungan pengembangan (development environment) penulis sebagai knowledge engineer (user) akan bekerja sama dengan pakar (domain expert) dalam membangun sistem. Pakar berfungsi sebagai suber pengetahuan yang akan disimpan dalam knowledgebase. Sedangkan knowledge engineer bertugas membuat inference engine sekaligus melengkapinya dengan antarmuka (user interface). Knowledge engineer juga bertugas menghubungkan komponen komponen tersebut menjadi sebuah kesatuan yang dapat berfungsi sebagaimana layaknya sistem pakar.

11 42 Sedangkan pada lingkungan konsultasi (consultation environment), user akan berkonsultasi melalui antarmuka antarmuka (user interface) yang telah dibuat oleh knowledge engineer. Data yang dimasukkan dari user kemudian dihitung dalam inference engine, inference engine menyesuaikan dengan knowledgebase yang disediakan untuk menghasilkan keputusan yang nantinya akan ditampilkan pada antarmuka (user interface) yang bisa dilihat oleh pengguna. Dari inference engine, data keputusan juga akan dikirm ke database user untuk disimpan sebagai arsip yang nantinya mungkin akan dipergunakan lagi oleh pengguna (user) tersebut. Diagram bagaimana sistem pakar kami dirancang dapat dilihat pada gambar berikut: USER USER INTERFACE Lingkungan konsultasi KNOWLEDGE BASE INFERENCE ENGINE DATABASE USER EXPERT SISTEM BUILDING TOOLS Lingkungan pengembangan KNOWLEDGE ENGINEER DOMAIN EXPERT Gambar 3.1 Flowchart kerja sistem

12 Pseudocode Program Berikut merupakan pseudocode pada program kami, untuk mengetahui beberapa fungsi dari program yang ada. Untuk lebih jelas nya bisa dilihat dalam halaman lampiran. Fungsi checkup IF NOT member REDIRECT to ERROR IF startup_form_submitted INSERT session_info INTO DATABASE VAR result = DATABASE result_rows FROM session_info INSERT initial_answer INTO DATABASE VAR result = DATABASE result_rows FROM session_info IF result_is_null REDIRECT to initial_question ELSE VAR tree = tree(answers) IF tree_is_not_null FOREACH tree CREATE SQL penyakit_data penyakit_data VAR result = DATABASE result_rows FROM FOREACH result IF key_exist_in_result

13 44 PASS output_to_external_variable LOAD answer_list PASS answer_list_to_external_variable LOAD question_list PASS question_list_to_external_variable LOAD disease_list PASS disease_list_to_external_variable FUNGSI tree IF NOT member REDIRECT to ERROR LOAD disease_list PARSE disease_list TO array disease LOAD answered_question PARSE answered_question TO array question PARSE input_array INSERT input_array TO DATABASE FOREACH answer FOREACH disease VAR data = engine(data, mb, md) ARRAY list = filtered disease and answer VAR a2q = DATABASE result_rows FROM answer to question data //Data relasi setiap jawaban untuk merujuk ke pertanyaan FOREACH a2q ARRAY tree = filtered extra question RETURN MERGE list AND tree

14 45 Fungsi engine(arr(oldmb,oldmd), mb, md) newmb = oldmb + ( mb/100 * ( 1 - oldmb)) newmd = oldmd + ( md/100 * ( 1 - oldmd)) newcf = newmb newmd RETURN newmb,newmd,newcf Perancangan Database Pada sistem pakar ini, knowledgebase sebenarnya disimpan dalam bentuk database yaitu berupa tabel penyakit, question dan bobot, sedangkan yang lainnya merupakan bgian dari database user. Bentuk ERD dari database yang kami rancang dapat dilihat pada gambar berikut : Gambar 3.2 ERD

15 Pendekatan yang Digunakan Perhitungan dengan Certanty Factor (Faktor Kepastian) Definisi asli dari CF adalah : CF[h,e] = MB[h,e] MD[h,e] Dengan: CF[h,e] MB[h,e] = faktor kepastian. = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e. MD[h,e] = ukuran ketidakpercayaan terhadap hipotesis h, jika diberikan evidence e. Ada tiga hal yang mungkin terjadi pada perhitungan ini. 1. Kemungkinkan pertama: Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis. Jika e1 dan e2 adalah observasi maka: MB[h,e 1 ^ e 2 ] = MD[h,e 1 ^ e 2 ] = Contoh : Andaikan suatu observasi memberikan kepercayaan terhadap h dengan MB[h,e 1 ] = 0,3 dan MD[h,e 1 ] = 0. Sehingga CF[h,e 1 ] = 0,3 0 = 0,3. Jika ada observasi baru dengan dengan MB[h,e 2 ] = 0,2 dan MD[h,e 2 ] = 0, maka: MB[h,e 1 ^ e 2 ] = 0,3 + 0,2 * (1-0,3) = 0,44 MD[h,e 1 ^ e 2 ] = 0 CF[h,e 1 ^ e 2 ] = 0,44 0 = 0,44

16 47 2. CF dihitung dari kombinasi beberapa hipotesis. Jika h 1 dan h 2 adalah hipotesis, maka: MB[h 1 ^ h 2,e] = min(mb[h 1,e], MB[h 2,e]) MB[h 1 v h 2,e] = max(mb[h 1,e], MB[h 2,e]) MD[h 1 ^ h 2,e] = min(md[h 1,e], MD[h 2,e]) MD[h 1 v h 2,e] = max(md[h 1,e], MD[h 2,e]) Contoh : Andaikan suatu observasi memberikan kepercayaan terhadap h 1 dengan MB[h 1,e] = 0,5 dan MD[h 1,e] = 0,2. Maka : CF[h 1,e] = 0,5 0,2 = 0,3. Jika observasi tersebut juga memberikan kepercayaan terhadap h 2 dengan MB[h 2,e] = 0,8 dan MD[h 2,e] = 0,1. Maka : CF[h 2,e] = 0,8 0,1 = 0,7. Untuk mencari CF[h 1 ^ h 2,e] dapat diperoleh dari : MB[h 1 ^ h 2,e] = min(0,5; 0,8) = 0,5 MD[h 1 ^ h 2,e] = min(0,2; 0,1) = 0,1 CF[h 1 ^ h 2,e] = 0,5 0,1 = 0,4 Untuk mencari CF[h 1 v h 2,e] dapat diperoleh dari : MB[h 1 v h 2,e] = max(0,5; 0,8) = 0,8 MD[h 1 v h 2,e] = max(0,2; 0,1) = 0,2 CF[h 1 v h 2,e] = 0,8 0,2 = 0,6

17 48 3. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk aturan yang lainnya maka: MB[h,s] = MB [h,s] * max(0,cf[s,e]) Dengan MB [h,s] adalah ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s. Contoh : Sariawan Sakit tenggorokan Panas dalam = sakit sariawan = ada gejala sakit tenggorokan = ada gejala panas dalam Aturan : /1/ IF sakit sariawan THEN ada gejala sakit tenggorokan (CF [sakit tenggorokan, sariawan] = 0,9) /2/ IF ada gejala sakit tenggorokan THEN ada gejala sakit panas dalam (MB [panas dalam, sakit tenggorokan] = 0,7) Maka: MB[panas dalam, sakit tenggorokan] = (0,7) * (0,9) = 0,63