ANALISA PERBANDINGAN METODE DEMPSTER-SHAFER DENGAN METODE CERTAINTY FACTOR PADA DIAGNOSA PENYAKIT ANAK

Transkripsi

1 ANALISA PERBANDINGAN METODE DEMPSTER-SHAFER DENGAN METODE CERTAINTY FACTOR PADA DIAGNOSA PENYAKIT ANAK Emanuel Riolan ( ) Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan Jl.Pakuan PO BOX 452 Telp / Fax. (0251) Bogor emanuelriolan@gmail.com ABSTRAK Sistem aplikasi diagnosa penyakit adalah hal yang sering didengar dalam pembuatan sistem pakar dan umumnya setiap sistem pakar tersebut digunakan suatu metode agar dapat melakukan proses yang memperhitungkan hasil diagnosa pada sistem pakar. Metode-metode yang digunakan pada diagnosa penyakit yaitu seperti Dempster-Shafer dan Certainty Factor, pada penelitian ini metode tersebut dibandingkan secara kuantitatif yaitu dengan teori Counfusion Matrix yang diambil dari hasil perhitungan dari kejadian-kejadian gejala penyakit dan dinilai berdasarkan keyakinan dari pengetahuan pakar. Sehingga dapat dihasilkan nilai akurasinya yaitu 94,44% pada metode Dempster-Shafer dan 96,03% pada metode Certainty Factor. Kata kunci : Dempster-Shafer, Certainty Factor, Confusion Matrik, Penyakit Anak. 1. Pendahuluan 1.1 Latar Belakang Masalah yang terdapat pada dunia medis salah satunya adalah ketidakseimbangan jumlah antara pasien dan dokter, kurangnya ketersediaan dokter ahli dan tenaga medis khususnya di daerah-daerah pelosok dan terpencil. Selain itu sebagian besar masyarakat tidak terlatih secara medis sehingga apabila mengalami gejala-gejala penyakit tidak dapat memahami tanda dari suatu penyakit serta cara penanggulangannya. Oleh karena itu masyarakat memperlukan suatu alat atau sistem yang lebih praktis yang memiliki kemampuan layaknya seorang dokter ahli dalam mendiagnosa penyakit. Sistem tersebut adalah sistem pakar yang bekerja dengan mengadopsi pengetahuan manusia kedalam komputer agar dapat menyelesaikan masalah seperti yang biasa dilakukan oleh pakar. Untuk membuat sistem pakar biasanya digunakan teori-teori yang memiliki suatu metode masing-masing dan dapat diterapkan pada sistem pakar, dimana menurut Giarratano dan Riley bahwa sistem pakar harus dapat bekerja dalam ketidakpastian. Sejumlah teori yang dapat bekerja dalam ketidakpastian diantaranya adalah Dempster-Shafer (Arthur P. dan Glenn, 1976) dan Certainty Factor (Shortliffe B, 1975). Kedua teori tersebut memiliki proses dan konsep penyelesaian yang berbeda namun infomasi yang akan diperhitungkan memiliki kesamaan, seperti pada setiap potongan informasi dari kedua teori tersebut memiliki penilaian yang diambil dari keyakinan atau hipotesis. Oleh sebab itu teori Dempster-Shafer dengan Certainty Factor layak untuk dibandingkan satu sama lain agar dapat mengetahui kekurangan dan kelebihannya masing-masing. Penelitian ini ditujukan untuk menyelesaikan permasalahan dalam membandingkan kedua teori tersebut, yaitu dengan membuat sistem pakar yang mampu mendiagnosa penyakit anak dan dapat diselesaikan dengan menggunakan dua teori yang berbeda. Yang kemudian sistem pakar memberikan penjelasan dan kesimpulan atas hasil konsultasi yang telah dilakukan sebelumnya (Turban, E., 2005). Berdasarkan latar belakang permasalahan diatas dan dari peneliti sebelumnya oleh Rismawati (2013), Luther A. Latumakulita (2012), Nur Anjas Sari (2013) dan Elyza Gustri Wahyuni (2013) yang masing-masing membuat sistem yang dapat menghasilkan diagnosa suatu penyakit dengan menggunakan salah satu dari metode Dempster- Shafer atau Certainty Factor, maka pada penelitian ini diberi judul Analisa Perbandingan Metode Dempster- Shafer dengan Metode Certanty Factor pada Diagnosa Penyakit Anak. 1.2 Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut : 1. Dapat membandingkan Metode Dempster-Shafer dan Metode Certanty Factor 2. Merancang dan membangun sistem pakar untuk mendianogsa penyakit anak. 3. Memberikan hasil berupa keterangan dan solusi yang benar dan tepat mengenai penyakit anak yang diderita. 1.3 Ruang Lingkup Ruang lingkup pada penelitian ini memiliki batasanbatasan berikut : 1. Pada aplikasi sistem pakar ini Admin dapat mengubah data penyakit, gejala dan password login Admin. 2. Pada aplikasi ini juga User dapat memilih gejala-gejala penyakit dan melihat hasil diagnosa penyakitnya serta dapat menyimpan data hasil diagnosa. 3. Sumber pengetahuan di peroleh dari pakar, buku-buku pendukung dan internet. 4. Objek yang diamati pada penelitian ini adalah penyakit anak beserta gejala-gejala penyebabnya. 5. Metode sistem pakar yang digunakan adalah Dempster-Shafer dan Certanty Factor. 6. Dapat memberikan hasil dianogsa, keterangan dan solusi umum. 1

2 1.4 Manfaat Penelitian Adapun manfaat penelitian adalah sebagai berikut : 1. Dapat mengetahui perbandingan dari kedua penerapan metode Dempster-Shafer dan Certainty Factor. 2. Sebagai salah satu sumber informasi bagi masyarakat mengenai permasalahan penyakit anak. 3. Mempermudah dan mempercepat para dokter dalam proses dianogsa serta pemberian solusi dan informasi tentang penyakit anak terhadap para penderita dengan cepat dan mudah. 4. Bermanfaat bagi masyarakat yang ingin mengetahui tentang hasil diagnosa, penyebabnya serta keterangan dan solusi dengan lebih mudah. 2. Tinjauan Pustaka 2.1 Sistem Pakar Secara umum, sistem pakar (Expert System) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah yang seperti biasa dilakukan oleh para ahli. Sistem pakar yang baik di rancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. (Anisa Nurul. 2012). 2.2 Penyakit Anak Penyakit pada anak diantaranya disebabkan karena faktor lingkungan yang tidak baik, kebersihan tubuh, kurangnya aktif bergerak, asupan nutrisi, istirahat tubuh dan sebagainya. Berikut ini adalah beberapa penyakit anak yang umum dan memungkinkan untuk diketahui dari gejala-gejalanya : a) Demam berdarah Demam berdarah disebabkan oleh virus dengue yang menyebar ke manusia melalui gigitan nyamuk Aedes aegypti. b) Demam Tifoid Demam Tifoid atau yang umumnya disebut tipus adalah penyakit infeksi yang disebabkan oleh bakteri Salmonella thypi, dimana penyakit tipus ini erat kaitannya dengan kebersihan karena bakteri penyebab penyakit ini hidup dimakanan kotor ataupun tanah. c) Campak Campak adalah suatu infeksi virus golongan Paramixovirus yang sangat menular yang biasa terjadi pada masa kanak-kanak, yang ditandai dengan demam, batuk, konjungtivitis (peradangan selaput ikat mata/konjungtiva) dan ruam kulit. d) Diare Diare adalah penyakit yang ditandai dengan encernya tinja yang dikeluarkan atau buang air besar (BAB) dengan frekuensi yang lebih sering dibandingkan dengan biasanya. Pada umumnya, diare terjadi akibat konsumsi makanan atau minuman yang terkontaminasi. e) Tetanus Tetanus adalah penyakit infeksi serius yang menyerang susunan saraf dan ditandai kontraksi otot yang hebat (kejang). Penyakit ini biasanya terjadi akibat luka tusuk dalam oleh benda yang tercemar debu, pupuk, tanah dan kotoran hewan atau manusia. f) Faringitis Faringitis adalah suatu penyakit peradangan yang menyerang tenggorok atau hulu kerongkongan. Kadang juga disebut sebagai radang tenggorok. Radang ini biasanya disebabkan oleh virus, seperti influenza (flu) atau bakteri seperti streptococcus yang disebabkan karena daya tahan tubuh yang lemah. Pengobatan dapat dilakukan dengan menggunakan antibiotic dan hanya efektif apabila penyakit disebabkan karena terkena bakteri. 2.3 Metode Dempster-Shafer Teori Dempster-Shafer pertama kali diperkenalkan oleh oleh Arthur P. Dempster dan Glenn Shafer, yang melakukan percobaan ketidakpastian dengan range probabilities dari pada sebagai probabilitas tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster pada buku yang berjudul Mathematichal Theory of Evident. Pada teori ini dapat membedakan ketidakpastian dan ketidaktahuan. Teori Dempster-Shafer adalah representasi, kombinasi dan propogasi ketidakpastian, dimana teori ini memiliki beberapa karakteristik yang secara instutitif sesuai dengan cara berfikir seorang pakar, namun dasar matematika yang kuat. Secara umum teori Dempster-Shafer ditulis dalam suatu interval: [Belief,Plausibility]. Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Plausibility (Pls) akan mengurangi tingkat kepastian dari evidence. Plausibility bernilai 0 sampai 1. Jika yakin akan X, maka dapat dikatakan bahwa Bel(X) = 1, sehingga rumus di atas nilai dari Pls(X) = 0. Menurut Giarratano dan Riley fungsi Belief dapat diformulasikan dan ditunjukkan pada persamaan berikut : Dan Plausibility dinotasikan pada persamaan (1) : Dimana : Bel(X) = Belief (X) Pls(X) = Plausibility (X) m(x) = mass function dari (X) m(y) = mass function dari (Y) Pada teori Dempster-Shafer juga dikenal adanya frame of discrement yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga sering disebut dengan environment yang ditunjukkan seperti persamaan berikut : θ = { θ1, θ2, θn } 2

3 Dimana : θ = frame of discrement atau environment θ1,,θn = elemen / unsur bagian dalam environment Environment mengandung elemen-elemen yang menggambarkan kemungkinan sebagai jawaban, dan hanya ada satu yang akan sesuai dengan jawaban yang dibutuhkan. Kemungkinan ini dalam teori Dempster- Shafer disebut dengan power set dan dinotasikan dengan P (θ), setiap elemen dalam power set ini memiliki nilai interval antara 0 sampai 1. m : P(θ) [0,1] Sehingga dapat dirumuskan dengan : Dimana : P(θ) = power set m m(x) = mass function (X) Mass function (m) dalam teori Dempster-shafer adalah tingkat kepercayaan dari suatu evidence (gejala), sering disebut dengan evidence measure sehingga dinotasikan dengan (m). Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n. Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0 Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu ditunjukkan pada persamaan(2) berikut : m3(z) = X Y=Z m1(x).m2(y) 1 X Y= m1(x).m2(y) Dimana: m3(z) = mass function dari evidence (Z) m1(x) = mass function dari evidence (X), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. m2(y) = mass function dari evidence (Y), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. X Y=Z m1(x). m2(y) = merupakan nilai kekuatan dari evidence Z yang diperoleh dari kombinasi sekumpulan evidence X dan Y yang memiliki irisan. X Y= m1(x). m2(y) = merupakan nilai kekuatan dari kombinasi sekumpulan X dan Y evidence yang tidak memiliki irisan. 2.4 Metode Certainty Factor Faktor kepastian (Certainty Factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN pada tahun 1975 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN. Team pengembang MYCIN mencatat bahwa dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti misalnya: mungkin, kemungkinan besar, hampir pasti. Untuk mengakomodasi hal ini tim MYCIN menggunakan Certainty Factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap permasalahan yang sedang dihadapi. Faktor Kepastian (Certainty Factor) menyatakan kepercayaan dalam sebuah kejadian (atau fakta atau hipotesis) berdasarkan bukti atau penilaian pakar (Turban, 2005). Certainty Factor menggunakan suatu nilai 0 sampai 1 untuk mengasumsikan derajad keyakinan seorang pakar terhadap suatu data. Berikut ini adalah deskripsi beberapa kombinasi Certainty Factor terhadap berbagai kondisi : 1. Certainty Factor untuk kaidah dengan premis tunggal (single premis rules) : CF(H,E) = CF(E)*CF(rule) 2. Certainty Factor untuk kaidah dengan premis majemuk (multiple premis rules): CF (A AND B ) = Minimum (CF (a),cf (b)) * CF (rule) CF (A OR B ) = Maximum (CF (a),cf (b)) * CF (rule) 3. Certainty Factor untuk kaidah dengan kesimpulan yang serupa (similarly concluded rules) : CF COMBINE (CF1, CF2) = CF1 + CF2*(1 - CF1) persamaan (3) 3. Metode Penelitian Metodologi penelitian dalam proses pembuatan sistem analisa perbandingan metode Dempster-Shafer dengan metode Certainty Factor pada diagnosa penyakit anak yaitu menggunakan siklus pengembangan sistem pakar seperti yang di tampilkan pada gambar 1. Fase I Inisialisasi proyek Fase II Analisis dan desain sistem Fase III Prototyping cepat Fase IV Pengembangan sistem Fase V Implementasi Fase VI Pasca implementasi Definisi masalah Penilaian kebutuhan Evaluasi solusi alternatif Desain dan perancangan konseptual Sumber pengetahuan Membangun prototipe kecil Menguji,meningkatkan, mengembangkan Mendemontrasikan dan menganalisa kelayakan Melengkapi basis pengetahuan Menguji dan meningkatkan basis pengetahuan Merencanakan interegrasi Demonstrasi sistem, keamanan, dokumentasi Interegrasi dan pengujian lapangan Operasian Pemeliharaan dan upgrade Evaluasi periodik Gambar 1. Skema Siklus Pengembangan ES (Expert System) 3

4 4. Perancangan dan Implementasi 4.1 Definisi Masalah Mengidentifikasi masalah merupakan langkah untuk menentukan kebutuhan dan perkembangan sistem. Pada sistem untuk mendiagnosa penyakit anak, maka dibutuhkan data-data penyakit anak yang sudah umum agar dapat dikembangkan kedalam sistem. Penyakit anak yang diketahui yaitu : 1) Demam berdarah dengue. 2) Demam tifoid. 3) Campak. 4) Diare. 5) Tetanus. 6) Faringitis 7) Varisela (cacar air) 4.2 Penilaian Kebutuhan Penilaian kebutuhan merupakan persyaratan fungsional sistem dengan meenentukan penilaian dari masalah-masalah pada penyakit anak. Penyakit-penyakit anak yang telah diketahui, dibutuhkan suatu penilaian kebutuhan agar dapat menentukan hasil diagnosa suatu penyakit yang tepat kedalam sebuah sistem, yaitu dengan menentukan gejala-gejala penyakitnya. Berdasarkan pengetahuan yang diperoleh oleh pakar semua penyakit anak yang telah diketahui memiliki gejala-gejala yang dapat dibentuk sebagai aturan (rule) seperti dibawah ini : R1: IF demam OR lesu OR malas makan OR muntah berak AND pendarahan pada kulit OR mimisan OR sakit kepala THENpenyakit=Demam berdarah dengue. R2: IF demam OR sakit kepala OR tubuh mengigil OR denyut jantung lemah OR badan lemah OR tidak nafsu makan OR konstipasi OR lidah putih THEN penyakit=demam tifoid. R3: IF demam OR hidung meler OR batuk AND bercak koplik OR nyeri otot OR mata merah THEN penyakit=campak. R4: IF buang air besar terus-menerus OR mual OR muntah-muntah OR pegal pada punggung OR perut sering berbunyi THEN penyakit=diare R5: IF demam OR sakit kepala OR tubuh menggigil OR kekakuan rahang OR nyeri telan AND kejang otot THEN penyakit=tetanus. R6: IF demam OR sakit kepala OR tidak nafsu makan OR nyeri otot OR nyeri telan THEN penyakit=faringitis. R7: IF demam OR sakit kepala OR mual OR nyeri punggung AND tonjolan- tonjolan kemerahan THEN penyakit =Varisela Berdasarkan pengetahuan yang diperoleh penilaian bobot gejala pada penyakit anak dapat dilihat pada tabel dibawah ini : Tabel 1. Tabel Penilaian Bobot Gejala Dempster-shafer Certainty factor Gejala Penyakit Penyakit DS P1 P2 P3 P4 P5 P6 P7 Demam P1,2,3,5,6,7 0,90 0,90 0,90 0,90 0,80 0,90 0,90 Lesu P1 0,25 0,25 Malas makan P1 0,35 0,35 Muntah berak P1 0,25 0,25 Pendarahan pd kulit P1 0,90 0,80 Mimisan P1 0,35 0,35 Sakit kepala P1,2,5,6,7 0,30 0,20 0,15 0,30 0,15 0,20 Tubuh menggigil P2,5 0,80 0,25 0,30 Denyut jantung lemah P2 0,20 0,05 Badan lemah P2 0,30 0,10 Tidak nafsu makan P2,6 0,40 0,15 0,20 Konstipasi P2 0,50 0,25 Sakit perut P2 0,60 0,30 Lidah putih P2 0,70 0,85 Hidung meler P3 0,10 0,05 Batuk P3 0,10 0,05 Bercak koplik P3 0,90 0,90 Nyeri otot P3,6 0,40 0,20 0,30 Mata merah P3 0,30 0,15 BAB terus-menerus P4 0,90 0,90 Mual P4,7 0,30 0,30 0,20 Muntah-muntah P4 0,30 0,20 Pegal pada punggung P4 0,30 0,15 Perut sering berbunyi P4 0,70 0,80 Kekakuan rahang P5 0,80 0,80 Nyeri telan P5,P6 0,70 0,35 0,80 Kejang otot P5 0,90 0,90 Nyeri punggung P7 0,40 0,10 Tonjolan kemerahan P7 0,90 0,95 Keterangan : P1 = Demam berdarah dengue P2 = Demam tifoid P3 = Campak P4 = Diare P5 = Tetanus P6 = Faringitis P7 = Varisela (cacar air) 4

5 4.3 Perancangan Alur Kerja Sistem Alur Kerja Sistem User Sistem analisa perbandingan kedua metode pada diagnosa penyakit anak ini mempunyai alur kerja sebagai user dan juga sebagai admin. Pada alur kerja user pertama user menentukan gejala-gejala penyakit anak yang kemudian dari gejala-gejala tersebut diproses dengan penerapan perhitungan metode, hingga akhirnya diketahui penyakit yang memiliki kemungkinan terbesar dari gejalagejala yang telah dipilih serta beberapa keterangan penyakitnya yang dapat dilihat pada berikut : Mulai Alur Kerja Admin Pada aur kerja admin pertama admin harus malakukan login pada menu login, setelah admin telah berhasil login maka admin dapat melihat, menambah, mengubah atau juga menghapus data gejala, data penyakit, data diagnosa dan data untuk login. Seperti pada alur kerja sistem admin yang dapat dilihat pada Mulai Admin Login A User Input nama dan password T Valid B File: 1.Tentang 2. Diagnosa 3. Keluar Y Menu Admin Tentang Diagnosa Keluar File: 1. Data gejala 2. Data penyakit 3. Data diagnosa 4. Ubah password 5. Keluar A B Input data gejala dan data pasien Selesai Data gejala Data penyakit Data Diagnosa Ubah password T entang Proses Metode Dempster-Shafer dan Certainty Factor Tambah Edit hapus Tambah Edit hapus Tambah Edit hapus DB Tambah Edit hapus selesai Hasil Diagnosa A DB A Gambar 2. Alur Kerja Sistem User Gambar 3. Alur Kerja Sistem Admin Untuk contoh proses metode dapat dilihat pada Gambar 4 untuk flowchart Dempster-Shafer dan Gambar 5 untuk flowchart Certainty Factor yang keduanya merupakan gambaran proses perhitungan metode pada sistem pakar. 5

6 Proses Metode Dempster-Shafer Mulai r = 2 Densitas m1(x) = Data nilai Gejala g(1),g(2)... Densitas m2(y) = Data nilai Densitas m1(x) = m3(z) m3(z) = X Y=Z m1(x). m2(y) 1 X Y= m1(x). m2(y) Tidak Banyaknya gejala = 1 Ya Tidak Proses Metode Certainty Factor Gejala habis? Ya Keterangan : g(1),g(2) g(n) = Gejala-gejala dipilih DensitasMax m3(z) r = gejala ke-n m1,m2,m3 = Nilai Densitas X,Y,Z = Himpunan penyakit Gambar 4. Flowchart Dempster-Shafer Selesai r = 2 Mulai CF1 = Nilai data (P(s)) pada CF2 = Nilai data (P(s)) pada Gejala g(1),g(2)... CF1 = CF (P(s)) COMBINE CF (P(s)) COMBINE (CF1, CF2) = CF1 + CF2*(1 - CF1) Tidak Banyakn ya Ya Tidak Gejal a Ya Penyaki t habis Tidak r = 2 s = s + 1 Ya Keterangan : Max g(1),g(2) g(n) = Gejala-gejala dipilih CF(P(s)) r = Gejala ke-n P = Penyakit Gambar Selesai s 5. Flowchart Certainty Factor = Penyakit ke-s 4.4 Perancangan Basis Data (Database) Secara umum basis data merupakan kumpulan dari data-data yang saling berhubungan satu dengan yang lainnya, data tersebut tersimpan dalam perangkat keras komputer dan digunakan dengan perangkat lunak untuk memanipulasinya. Pada perancangan basis data yang harus dilakukan adalah seperti hal-hal berikut : 6

7 Diagnosa Rincian diagnosa Gejala Penyakit PK Kode diagnosa PK Kode diagnosa PK Kode gejala PK Kode penyakit Nama Jenis kelamin Tanggal lahir Alamat Telepon Kode gejala Hasil diagnosa CF Hasil diagnosa DS Kode gejala Nama gejala Kode penyakit Nilai bobot Nama penyakit Keterangan 4.2 Fase III Prototiping Cepat Gambar 6.Relasi Tabel Prototiping cepat merupakan langkah yang dilakukan untuk dapat melihat hasil nilai keyakinan proses kedua metode, yaitu dengan melihat perhitungan secara manual agar dapat membandingakannya sekaligus dapat menyamakan hasil keyakinan perhitungan metode dengan keyakinan pakar yaitu Dr. Eko Budi Santoso. Berikut adalah tabel gejalagejala dipilih yang akan dihitung, dengan keyakinan penyakit dari pakar yang dilihat dari gejala-gejalanya. Tabel 2. Tabel Kejadian Gejala-gejala Penyakit A. B. Kejadian Demam berdarah dengue (P1) Demam tifoid (P2) C. Campak (P3) D. Diare (P4) E. Tetanus (P5) F. Faringitis (P6) G. Varisela (P7) H. Kejadian ke-1 Gejala-gejala 7 Keyakinan Pakar (gejala-gejala yang dipilih sesuai dengan rule ) Penyakit Nilai (%) Demam, lesu, malas makan, muntah berak, pendarahan pada kulit, mimisan, sakit kepala Demam, sakit kepala, tubuh mengigil, denyut jantung lemah, badan lemah, nyeri otot myalgia, tidak nafsu mkan, konstipasi, lidah putih Demam, hidung meler, batuk, bercak koplik, nyeri otot, mata merah Buang air besar terus-menerus, mual, muntah-muntah, pegal pada punggung, perut sering berbunyi Demam, sakit kepala, tubuh mengigil, kekakuan rahang, nyeri telan, kejang otot Demam, sakit kepala, tidak nafsu makan, nyeri otot, nyeri telan Demam, sakit kepala, mual, nyeri punggung, tonjolantonjolan kemerahan (gejala-gejala yang dipilih secara acak ) Demam, malas makan, sakit kepala, badan lemah, mata merah, muntah-muntah Demam berdarah dengue 100 Demam tifoid 100 Campak 100 Diare 100 Tetanus 100 Faringitis 100 Varisela 100 Demam berdarah dengue / Demam Tifoid Demam Tifoid / Faringitis I. Kejadian ke-2 Sakit kepala, tubuh menggigil, denyut jantung lemah, lidah putih, nyeri telan J. Kejadian ke-3 Buang air besar terus-menerus, perut sering berbunyi, malas makan, badan lemah Diare 100 K. Kejadian ke-4 Lesu, bercak koplik, nyeri telan, nyeri otot, mual, pegal pada punggung Campak 100 L. Kejadian ke-5 Tonjolan kemerahan, nyeri punggung, pegal pada punggung, BAB terus menerus, mual Varisela / Diare 100 M. Kejadian ke-6 Konstipasi, lidah putih, denyut jantung lemah, sakit kepala, hidung meler Demam Tifoid N. Kejadian ke-7 Lesu, malas makan, kejang otot, nyeri otot, kekakuan rahang Tetanus O. Kejadian ke-8 Pendarahan pada kulit, mimisan, sakit kepala, tidak Demam berdarah nafsu makan, hidung meler dengue P. Kejadian ke-9 Nyeri telan, tidak nafsu makan, sakit kepala, mata merah, demam Faringitis / Tetanus 90/60 Q. Kejadian ke-10 Sakit perut, tidak nafsu makan, sakit kepala, bercak Demam Tifoid / koplik, batuk, lidah putih Campak 80/70 R. Kejadian ke-11 Demam, malas makan, badan lemah, bercak koplik Campak

8 4.2.1 Perhitungan Penyakit Dengan Dempster-Shafer Perhitungan penyakit dengan Dempster-Shafer dilakukan untuk menganalisa hasil agar dapat dibandingkan dengan perhitungan penyakit dengan Certainty Factor, dimana setiap penyakit dipilih gejala yang sesuai dengan rule yang sudah ada agar dapat mendapatkan nilai maksimal dari setiap perhitungan penyakit. Perhitungan dapat dilakukan menggunakan data nilai bobot seperti pada Tabel 3. Tabel Penilaian Bobot Gejala. A. Penyakit Demam Berdarah Dengue (P1) Pada penyakit demam berdarah dengue gejala yang terkait adalah demam, lesu, malas makan, muntah berak, pendarahan pada kulit, mimisan dan sakit kepala. Perhitungan 1 : demam & lesu demam => { P1,P2,P3,P5,P6,P7 }=0,90 lesu => {P1}=0,25 {P1} 0,25 θ 0,75 {P1,P2,P3,P5,P6,P7} 0,90 {P1} 0,225 {P1,P2,P3,P5,P6,P7} 0,675 θ 0,10 {P1} 0,025 θ 0,075 Hasil perhitungan 1 : {P1,P2,P3,P5,P6,P7} = 0,675 {P1} = 0,225+0,025 = 0,25 { θ } = 0,07 Perhitungan 2 : Hasil perhitungan 1 & malas makan Hasil perhitungan 1 => { P1,P2,P3,P5,P6,P7 }=0,675 malas makan => {P1}=0,35 { P1 }=0,25 { θ }=0,075 {P1} 0,35 θ 0,65 {P1,P2,P3,P5,P6,P7} 0,675 {P1} 0,23625 {P1,P2,P3,P5,P6,P7} 0,43875 {P1} 0,25 {P1} 0,0875 {P1} 0,1625 θ 0,075 {P1} 0,02625 θ 0,04875 Hasil perhitungan 2 : {P1,P2,P3,P5,P6,P7} = 0,4387 {P1} = 0, ,0875+0, ,1625 = 0,5125 { θ } = 0,0487 Perhitungan 3,4,5 dihitung hingga dapat mendapatkan hasilnya, lalau dilanjutkan ke perhitungan 6 Perhitungan 6 : Hasil perhitungan 5 & sakit kepala Hasil perhitungan 5 => {P1,P2,P3,P5,P6,P7}=0, sakit kepala=> {P1,P2,P5,P6,P7}=0,30 { P1 }=0, { θ }=0, {P1,P2,P5,P6,P7} 0,30 θ 0,70 {P1,P2,P3,P5,P6,P7} 0, {P1,P2,P5,P6,P7} 0, {P1,P2,P3,P5,P6,P7} 0, {P1} 0, {P1} 0, {P1} 0, θ 0, {P1,P2,P5,P6,P7} 0, θ Hasil perhitungan 6 : {P1,P2,P5,P6,P7} = 0, , {P1} = 0, , = 0, {P1,P2,P3,P5,P6,P7} = 0, { θ } = 0, = 0, = 0, = 0, Hasil perhitungan penyakit Demam berdarah dengue (P1) dari perhitungan semua gejalanya adalah pada nilai maksimal pada hasil perhitungan 6 yaitu : {P1}=0, Perhitungan Penyakit dg Certainty Factor Perhitungan penyakit dengan Certainty Factor dilakukan untuk menganalisa hasil agar dapat dibandingkan dengan perhitungan penyakit dengan Dempster-Shafer, dimana setiap penyakit dipilih gejala yang sesuai dengan rule yang sudah ada agar dapat mendapatkan nilai maksimal dari setiap perhitungan penyakit. Perhitungan dapat dilakukan menggunakan data nilai bobot seperti pada Tabel 3. Tabel Penilaian Bobot Gejala. A. Penyakit Demam Berdarah Dengue (P1) Pada penyakit demam berdarah dengue gejala yang terkait adalah demam, lesu, malas makan, muntah berak, pendarahan pada kulit, mimisan dan sakit kepala. 8

9 Perhitungan1:demam & lesu Demam => (P1) = 0,9 & Lesu => {P1}=0,25 Hasil perhitungan 1 = 0,9 + 0,25 * (1 0,9) = 0,925 Perhitungan 2:Hasil perhitungan1& malas makan Hasil perhitungan 1 => (P1) = 0,925 & malas makan => {P1}=0,35 Hasil perhitungan2=0,925+0,35*(1 0,925) = 0,9512 Perhitungan 3,4,5 dihitung hingga dapat mendapatkan hasilnya, lalau dilanjutkan ke perhitungan 6 Perhitungan6:Hasil perhitungan5&sakit kepala Hasil perhitungan 5 => (P1) = 0, & sakit kepala => {P1}=0,20 Hasil perhitungan6=0, ,20* (1 0, ) = 0, Hasil perhitungan penyakit Demam berdarah dengue (P1) dari perhitungan semua gejalanya pada hasil perhitungan 6 adalah : {P1}=0, Fase IV Pengembangan Sistem Setelah proses prototiping cepet siap, pengembangan sistem dimulai dengan menilai hasil perhitungan secara keseluruhan. Dalam fase ini basis pengetahuan dikembangkan untuk melakukan pengujian agar dapat menghitung tingkat akurasi. Dalam hal perbandingan hasil perhitungan metode dapat dihitung tingkat akurasinya dengan menggunakan Confusion Matrix. Confusion matrix adalah suatu teori yang biasanya digunakan untuk melakukan perhitungan akurasi pada konsep data mining. Pada penerapan teori ini hasil perhitungan metode diambil sebagai prediksi sistem (Predicted) dengan keyakinan pakar (Actual). Confusion Matrix ini melakukan perhitungan dengan 4 keluaran, yaitu: accuracy (AC), recall (TP), precision (P) dan error rate (ER). Berikut adalah keempat rumusnya : Keterangan : - Accuracy adalah kasus yang diidentifikasi benar dengan jumlah semua kasus. - Recall adalah proporsi kasus positif sistem yang diidentifikasi dengan benar. - Precision adalah proporsi kasus dengan hasil positif yang benar. - Error Rate adalah kasus yang diidentifikasi salah dengan jumlah semua kasus. - a adalah prediksi negatif sistem yang sama dengan prediksi negatif pakar. - b adalah prediksi negatif sistem namun prediksi pakar adalah positif. - c adalah prediksi positif sistem namun prediksi pakar adalah negatif. - d adalah prediksi positif sistem yang sama dengan prediksi positif 5. Hasil dan Pembahasan 5.1 Uji Coba Validasi Uji cuba validasi adalah proses pengujian sistem untuk memastikan proses atau metode yang telah diterapkan dapat memberikan hasil yang sesuai dengan yang diharapkan, seperti pada contoh-contoh kejadian yang telah dihitung sebelumnya. Untuk melakukan uji coba tersebut dapat dilakukan pada form diagnosa, dimana user dapat memilih gejalagejala pada pemilihan data gejala, lalu user dapat melihat hasil diagnosa dengan memilih tombol proses diagnosa, seperti pada contoh kejadian demam berdarah dengue yang terlihat pada gambar 13 Gambar 13. Contoh Uji Coba Validasi 5.2 Perbandingan Perhitungan Metode dengan Keyakinan Pakar Perbandingan hasil perhitungan metode dengan keyakinan pakar dilakukan dengan menggunakan kejadian-kejadian seperti yang ada pada Tabel 2. Dari 18 kejadian gejala-gejala yang sudah memiliki penilaian penyakit serta nilai keyakinan dari pakar sebagai acuannya, hasil perhitungan metode Dempster-Shafer dengan Certainty Factor yang memiliki proses perhitungan yang berbeda namun memiliki kesamaan dan perbedaannya masing-masing pada setiap kejadian.untuk lebih jelasnya dapat dilihat seperti pada Tabel 3 9

10 Kejadian Tabel 3. Perbandingan Hasil Perhitungan Metode dengan Keyakinan Pakar Hasil Perhitungan Metode Keyakinan Pakar Akurasi Dempster-Shafer Penyakit Nilai (%) Penyakit Certainty Factor Nilai (%) Penyakit Nilai (%) DS CF a b c d a b c d A. P1 97,62 P1 99,61 P B. P2 97,71 P2 99,63 P C. P3 94,33 P3 99,38 P D. P4 98,53 P4 99,04 P E. P5 99,12 P5 99,87 P F. P6 51,76 P6 99,04 P G. P7 95,67 P7 99,71 P H. P1,P2,P3,P5,P6,P7 27,46 P1 94,80 P1,P I. P2 48,71 P2 90,91 P2,P J. P4 94,26 P4 98,00 P K. P3 68,40 P3 92,00 P L. P7 52,30 P7 96,40 P7,P M. P2 87,18 P2 90,09 P N. P5 94,74 P5 98,00 P O. P1 89,18 P1 89,60 P P. P5,P6 39,84 P6 98,64 P6,P5 90/ Q. P2 58,29 P2 92,41 P2,P3 80/ R. P3 82,06 P3 99,00 P Keterangan : Total Berdasarkan pada teori Confusion Matrix pada kolom akurasi kedua metode diambil empat variabel nilai yaitu a,b,c dan d untuk dapat dihitung nilai Accuracy, Recall, Precision dan Error rate. Pada teori ini akurasi dilakukan pada hasil penilaian penyakit metode Dempster-Shafer dan Certainty Factor terhadap penilaian penyakit keyakinan pakar, dimana penyakit yang dikatehui adalah tujuh penyakit yaitu P1,P2,P3,P4,P5,P6 dan P7 sehingga penyakit yang disebutkan pada metode ataupun pakar adalah prediksi benar (positif) dan yang tidak disebutkan adalah prediksi salah (negatif). Contoh dalam kejadian A pada akurasi Dempster-Shafer (DS) sebagai sistem yang memprediksi ( P1, P2, P3, P4, P5, P6, P7 ) sesuai dengan kayakinan pakar ( P1, P2, P3, P4, P5, P6, P7 ). Sehingga penilaiannya nilai a,b,c dan d yaitu : - a bernilai 6 karena DS memperdiksi 6 penyakit yang tidak ada (negatif) dan sesuai dengan keyakinan pakar (negatif). - b bernilai 0 karena DS memprediksi 0 penyakit lain yang tidak ada (negatif) yg sesuai dengan keyakinan pakar (positif). - c bernilai 0 karena DS memprediksi 0 penyakit (positif ) yang tidak sesuai dengan keyakinan pakar (negatif). - d bernilai 1 karena DS memprediksi 1 penyakit yang ada (positif) yang sesuai dengan keyakinan pakar (positif) 10

11 5.1 Akurasi Ketepatan Hasil Perhitungan Metode Berdasarkan Tabel 3 akurasi dapat dihitung dengan menggunakan Confusion Matrix terhadap ketepatan penyakitnya. Dimana diketahui bahwa keyakinan pakar merupakan acuan untuk dibandingkan dengan hasil perhitungan metode Dempster-Shafer dan Certainty Factor, sehingga pada perhitungan akurasi menggunakan Confusion Matrix penilaian hasil perhitungan metode adalah keyakinan prediksi sistem yang dibandingkan dengan keyakinan pakar Akurasi Metode Dempster-Shafer Ketepatan Penyakit DS Dempster- Shafer a b Negative 99 3 Positive c 4 d 20 Pada Confusion Matrix ketepatan penyakit di samping, penilaian metode Dempster-Shafer diambil dari jumlah penilaian a,b,c dan d pada Tabel 3. Untuk itu dapat dihitung nilai Accuracy, Recall, Precision dan Error rate yaitu seperti berikut : Accuracy Recall Precision a+d a+b+c+d d c + d d b + d b+c = = 0, = 20 = 0, = = 0, = Error rate = 0,0555 a+b+c+d 126 Pada metode Dempster-Shafer akurasi ketepatan penyakit dengan jumlah semua kejadian sebesar 94,44%, akurasi prediksi positif yang diidentifikasi dengan benar sebesar 83,33%, akurasi hasil positif yang benar sebesar 86,95% dan akurasi ketidaktepatan penyakit dengan jumlah semua kejadian sebesar 5,55% Akurasi Metode Certainty Factor Ketepatan Penyakit CF Certainty Factor Negative Negative Pakar Pakar Positive Positive Negative a 103 b 5 Positive c 0 d 18 Pada Confusion Matrix ketepatan penyakit di samping, penilaian metode Certainty Factor diambil dari jumlah penilaian a,b,c dan d pada Tabel 3. Untuk itu dapat dihitung nilai Accuracy, Recall, Precision dan Error rate yaitu seperti berikut : b+c Error rate 5+0 = 5 = 0,0396 a+b+c+d Pada metode Certainty Factor akurasi ketepatan penyakit dengan jumlah semua kejadian sebesar 96,03%, akurasi prediksi positif yang diidentifikasi dengan benar sebesar 100%, akurasi hasil positif yang benar sebesar 78,26% dan akurasi ketidaktepatan penyakit dengan jumlah semua kejadian sebesar 3,96%. 6. Kesimpulan dan Saran 6.1 Kesimpulan Pada penelitian ini yang berjudul Analisa Perbandingan Metode Dempster-Shafer dengan Metode Certainty Factor Pada Diagnosa Penyakit Anak adalah aplikasi yang dapat menghasilkan diagnosa penyakit anak dengan cara memilih gejala-gejalanya. Hasil diagnosa tersebut didapat dengan proses perhitungan metode Dempster-Shafer dan Certainty Factor, dimana proses tersebut menggunakan penilaian bobot-bobot gejala dengan penyakit yang terkait berdasarkan pengetahuan dokter atau pakar sebagai acuan perbandingannya. Sehingga pada penelitian yang dilakukan ini dapat disimpulkan dengan membandingkan akurasi hasil proses perhitungan dari kedua metode tersebut dengan penilaian keyakinan pakar secara kuantitatif, yaitu dengan menggunakan teori Confusion Matrix yang hasilnya adalah 94,44% pada akurasi metode Dempster-Shafer dan 96,03% pada akurasi metode Certainty Factor. 6.2 Saran Penelitian ini masih banyak yang dapat terus dikembangkan, yaitu seperti berikut : 1. Menggunakan metode lain yang dapat dibandingkan dalam menyelesaikan ketidakpasitian penilaian penyakit melalui gejala-gejala, contohnya seperti : Probabilitas klasik, Probabilitas Bayes, Teori Hartley, Teori Shannon, Teori fuzzy dan yang lainnya. 2. Menggunakan basis sistem dan bahasa pemrograman lain seperti : Website dengan bahasa pemrograman HTML/PHP ataupun pada Android dengan bahasa pemrograman Java. 3. Menggunakan penerapan metode yang lain seperti: interpretasi, pemantauan, peramalan, perancangan dan sebagainya. Daftar Pustaka [1] Rismawati.2013.Perancangan Aplikasi Sistem Pakar untuk Mendiagnosa Penyakit Ginjal dengan Metode Dempster-Shafer. STMIK Budi Darma.Medan. [2] Latumakulita, Luther A Sistem Pakar Pendiagnosa Penyakit Anak Menggunakan Certainty Factor.Universitas Sam Ratulangi.Manado. Accuracy Recall Precision a+d a+b+c+d d c + d d b + d = = 0, = = = = 0,7826 [3] Anjas Sari, Nur.2013.Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certanity Factor.STMIK Budi Darma.Medan. 11

12 [4] Gustri Wayuni, Elyza.2013.Prototype Sistem Pakar untuk Mendeteksi Tingkat Resiko Penyakit Jantung Koroner dengan Metode Dempster- Shafer.UGM.Yogyakarta. [5] Nur, Anjas Sari.2013.Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainty Factor. STMIK Budidarma Medan [6] Sulistyohati, Aprilia dan Hidayat, Taufiq.2008.Aplikasi Sistem Pakar Diagnosa Penyakit Ginjal Dengan Metode Dempster- Shafer.Universitas Islam Indonesia [7] Anonim, DataGridView adding rows and columns in VB.NET, (Online), ( diakses pada september 2015) 12