Jurnal eknik Informatika Vol. 1 September 2012 APLIKASI DIAGNOSA PENAKI LEUKEMIA MENGGUNAKAN MEODE DEMPSER-SHAFER BERBASIS WEB Ditta Amelia 1, Kartina Diah Kesuma W 2, Erwin Setyo Nugroho 3 1 Prodi eknik Informatika, Politeknik Caltex Riau, Pekanbaru 2 Prodi eknik Informatika, Politeknik Caltex Riau, Pekanbaru 3 Prodi Komputer, Politeknik Caltex Riau, Pekanbaru (E-mail ditaamelia90@gmail.com, deeyah@pcr.ac.id, erwinsn@gmail.com Abstrak Kecerdasan buatan merupakan salah satu cabang ilmu komputer yang berkonsentrasi pada pengautomatisasian mesin, agar dapat melakukan pekerjaan seperti dan sebaik manusia. Banyak kasus yang bisa dijadikan penelitian dalam kecerdasan buatan, salah satunya kemungkinan menderita leukemia. Leukemia atau lebih dikenal dengan kanker darah memiliki angka kematian yang tinggi. Pada tugas akhir ini dibangun suatu aplikasi perkiraan menderita leukemia berbasis web yang memungkinkan masyarakat melakukan deteksi dini dengan jalan menjawab pertanyaan tentang gejala gejala Leukemia. Metode kecerdasan buatan yang digunakan pada proyek akhir adalah Dempster-Shafer. Metode ini menggunakan parameter nilai densitas yang diperoleh dari pakar yang kemudian diolah untuk mendapatkan jenis Leukemia dan nilai persentase kemungkinan terkena Leukemia. Dalam penerapan metode ini didapatkan hasil tingkat keakurasian metode Dempster-Shafer sebesar 85%. Kata Kunci Dempster-Shafer, Nilai Densitas, Leukemia Abstract Artificial Intelligence existed in computer science division which concentrates on the automatization in order to make the machine or computer operates as well as humans. Artificial intelligence can be implemented in many cases, one of them is leukemia disease. Leukemia also known as blood cancer has a high mortality rate, this final project build a web-based application of leukimia diagnosys that allows people to diagnose the type of leukemia by answering questions from the symptoms. Artificial intelligence method that used in this final project is Dempster-Shafer. his method used density value parameter revieved from expert, which then proccessed to result type and infection probability percentage of Leukemia. On Implementation of this method, Dempster-Shafer resulting 85% of accuracy. Keywords Dempster-Shafer, Density Value, Leukemia 1. Pendahuluan 1.1 Latar Belakang Pemanfaatan kecerdasan buatan atau artificial intelligence semakin banyak digunakan dalam berbagai bidang, termasuk dalam bidang medis. Dalam kemampuannya untuk mendiagnosis, aplikasi ini dapat diterapkan untuk diagnosis leukemia. Kurangnya pengetahuan masyarakat umum terhadap leukemia dan gejalanya yang
Jurnal eknik Informatika Vol. 1 September 2012 beragam, membuat keahlian pakar yang cepat dan efisien menjadi semakin dibutuhkan. Penelitian ini membangun aplikasi diagnosis menggunakan metode Dempster-Shafer, karena metode ini dianggap lebih mudah dalam merepresentasikan fakta-fakta dan keakuratan data dapat terjaga. Studi kasus dalam penelitian ini dilakukan pada gejala leukemia secara umum dan diharapkan dapat memberikan hasil hasil jenis dan persentase kemungkinan yang dibutuhkan dalam hal diagnosis leukemia. 1.2 ujuan Adapun tujuan dari proyek akhir ini adalah 1. Membangun website diagnosis leukemia menggunakan metode Dempster- Shafer. 2. Mengimplementasikan interface yang user friendly dalam website diagnosis leukemia. 1.3 Rumusan Masalah Dalam proyek akhir ini memiliki beberapa perumusan masalah antara lain 1. Bagaimana membangun aplikasi diagnosis leukemia untuk memberikan informasi jenis dan persentase kemungkinan dari hasil diagnosis yang telah dilakukan menggunakan metode Dempster-Shafer. 2. Bagaimana membangun interface sistem yang user friendly. 1.4 Ruang Lingkup Proyek akhir ini dibatasi pada masalah 1. Pembangunan aplikasi menggunakan metode Dempster-Shafer. 2. Pengguna sistem terdiri dari administrator dan user. 3. Diagnosis hanya pada leukemia dengan hasil diagnosis berupa jenis dan nilai persentase kemungkinan tersebut. 4. Sistem ini dibuat menggunakan bahasa pemrograman web PHP dan My SQL. 2. injauan Pustaka 2.1 Kecerdasan Buatan (Artificial Intelligence Kecerdasan buatan berasal dari bahasa Inggris, Artificial intelligence atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Dalam Sutojo (2011, menuliskan beberapa definisi kecerdasan buatan menurut para ahli yaitu 1. Herbert Alexander Simon Kecerdasan buatan (artificial intelligence merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan mausia adalah cerdas 2. Rich and Knight (1991 Kecerdasan buatan (AI merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. 3. Encyclopedia Britanicca
Jurnal eknik Informatika Vol. 1 September 2012 Kecerdasan buatan (AI merupakan cabang ilmu komputer yang dalam merepresentasi lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan. Dapat disimpulkan bahwa Artificial intelligence (AI atau kecerdasan buatan merupakan salah satu cabang ilmu komputer yang berkonsentrasi pada pengautomatisasian agar mesin atau komputer dapat melakukan pekerjaan seperti dan sebaik manusia. 2.2 Metode Ketidakpastian Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran karena adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan ciri-ciri penalaran sebagai berikut 1. Adanya ketidakpastian. 2. Adanya perubahan pada pengetahuan. 3. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, antara lain 1. Probabilitas klasik (classical probability 2. Probabilitas Bayes (Bayesian probability 3. eori Hartley berdasarkan himpunan klasik (Hartley theory based on classical sets 4. eori Shannon berdasarkan pada probabilitas (Shanon theory based on probability 5. eori Dempster-Shafer (Dempster-Shafer theory 6. eori fuzzy Zadeh (Zadeh s fuzzy theory 7. Faktor kepastian (Certainty factor Pada tugas akhir ini akan dibahas penyelesaian ketidakpastian dalam aplikasi jantung koroner dengan menggunakan metode Dempster-Shafer. 2.3 Metode Dempster-Shafer Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. Secara umum teori Dempster-Shafer ditulis dalam suatu interval (Kusumadewi, 2003. Penulisan umum [belief, plausibility] 1. 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. 2. Plausibility (P1 dinotasikan sebagai..(1
Jurnal eknik Informatika Vol. 1 September 2012 Plausibility juga bernilai 0 sampai 1. Jika yakin akan s, maka dapat dikatakan bahwa Bel( s = 1, dan PI( s = 0. Pada teori Dempster-Shafer dikenal adanya frame of discernment yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. ujuannya adalah mengkaitkan ukuran kepercayaan elemen-elemen θ. idak 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 2 n. 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 m 1 sebagai fungsi densitasnya, dan juga merupakan subset dari θ dengan m 2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m 1 dan m 2 sebagai m 3, yaitu Keterangan m = nilai densitas (kepercayaan XZ = Himpunan evidence Ø = Himpunan Kosong 3. Perancangan 3.1 Perancangan Usecase Diagram.......(2 Perancangan yang telah dibuat pada sistem ini adalah perancangan usecase Aplikasi Diagnosa Penyakit Leukemia Menggunakan Metode Dempster-Shafer Berbasis Web. Aplikasi Diagnosis Penyakit Leukemia Menggunakan Metode Dempster-Shafer Berbasis Web Lihat data user edit tambah ambah gejala Edit gejala Edit data admin Admi n Edit densitas ambah densitas logi n <<include> > Cek login User Diagnos a <<include> > Daftar Hasil Diagnosa Edit data user Gambar 1 Usecase Diagram
Jurnal eknik Informatika Vol. 1 September 2012 Berdasarkan Gambar 1 dapat diketahui bahwa Aktor/ pengguna yang dapat berinteraksi dengan sistem ini yaitu admin dan user. Admin dapat melakukan beberapa aksi seperti tambah gejala, edit gejala, tambah, edit, tambah densitas, edit densitas, ubah data admin, lihat user,, lihat hasil setelah melalui proses otentikasi/ login. Sedangkan setelah melakukan proses otentikasi, user hanya dapat melakukan ubah data user, melakukan diagnosis, dan melihat hasil diagnosisnya. User harus registrasi terlebih dahulu, untuk masuk ke halaman utama user. 3.2 Diagram Alir Flowchart atau diagram alir digunakan untuk menggambarkan alur suatu program menjadi lebih sederhana sehingga program tersebut dapat lebih dimengerti. Pada aplikasi ini terdapat beberapa flowchart, yaitu 1. Flowchart Administrator Flowchart untuk menunjukkan proses dari administrator tampak pada gambar 2 dibawah ini. Start Input username dan password Login valid ampilkan pesan gagal Add gejala Edit gejala Add Edit Add densitas Edit densitas Edit data Ubah password Diagnosa Lihat Riwayat Diagnosa ampil list gejala Input nama gejala dan pertanyaan ampil list gejala Pilih gejala ampil list Input ampil list Pilih ampil list densitas Input dennsitas ampil list densitas Pilih densitas ampil data admin yang login Edit data admin Input pass lama & input pass baru Pass lama cocok ampil pesan gagal ampilkan pertanyaan Jawab pertanyan ampilkan data riwayat Pesan gagal Gejala tidak sama Edit gejala Pesan gagal Penyakit sama Edit Hapus densitas Cek Adakah pertanyaan selanjutnya ampilkan rekap jawaban Ulang ampil hasil Pesan sukses end Gambar 2. Flowchart Administrator
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 6 2. Flowchart User Adapun flowchart untuk menunjukkan alur proses dari user sebagai berikut. Start Daftar Input data lengkap Data valid Input username & password Valid ampilkan menu user Diagnosa Lihat Riwayat Diagnosa Edit data user Ubah password ampilkan pertanyaan ampilkan data riwayat ampilkan data Input pass lama & input pass baru Jawab pertanyan Edit data Pass lama cocok ampil pesan gagal Cek Adakah pertanyaan selanjutnya ampilkan pesan sukses ampilkan rekap jawaban Ulang ampil hasil End Gambar 3. Flowchart user 3. Flowchart Dempster-Shafer Untuk proses penarikan kesimpulan dari metode Dempster-Shafer dapat dilihat pada gambar 4 yang merupakan gambaran pencarian solusi dari aplikasi dengan menggunakan flowchart atau diagram alir. Mulai Gejala (gi Densitas gi (m i {} m3(z = ΣX =Z m1 (X. m2( 1- ΣX = Ø m1 (X. m2( i = i + 1 M{Ø} = 1- m1 {X} Gejala habis? t y Banyaknya Gejala = 0 t Max (m { } y Penyakit = yang mempunyai densitas terbesar selesai Gambar 4 Flowchart Dempster-Shafer
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 7 Keterangan X,,Z = Himpunan Penyakit i = jumlah gejala m = nilai densitas / kepercayaan 3.3 Sequence Diagram ambah Gejala Sequence diagram yang ditunjukkan pada gambar 5 menggambarkan proses penambahan gejala dilakukan oleh admindengan menginputkan id gejala dan nama gejala yang baru. admin tampil form gejala( formgejala input id_gejala( input Data_gejala( inputgejala simpan( dbgejala validasi( pesan konfirmasi( 3.4 Sequence Diagram Diagnosa Gambar 5 Sequence Diagram ambah Gejala Sequence diagram yang ditunjukkan pada gambar 6 ini menggambarkan proses interaksi user dan admin terhadap aplikasi pada saat melakukan. user form tampil form ( Input jawaban( simpan( hasil ( dbdiagnosis validasi( Gambar 6 Sequence Diagram Diagnosa
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 8 3.5 Entity Relationship Diagram (ERD ERD berfungsi untuk menggambarkan hubungan antar tabel yang akan digunakan pada sistem ini. Username Nama_user password Jenis_kelamin Umur Id_user email User Id_diagnosis Id_admin M Hasil_diagnosis Username_admin Admin M diagnosis gl_diagnosis Password jawaban Nama M Id_ Email gejala M Punya M Id_gejala Gambar Nama_ Nama_gejala Keterangan Pertanyaan Id_punya Densitas Gambar 7 Entity Relationship Diagram 4 Pengujian dan Analisa 4.1 Pengujian 4.1.1. Pengujian Sistem ahapan perancangan aplikasi telah dikerjakan. Mulai dari rancangan, sistem, rancangan input, rancangan output, rancangan dan juga rancangan antar muka user (user interface. Adapun hasil aplikasi yang telah dibuat dijelaskan dibawah ini. 1. ampilan Form Diagnosa Fasilitas ini digunakan untuk melakukan terhadap member maupun admin dengan menjawab pertanyaan-pertanyaan yang ditampilkan oleh sistem. ampilan form dapat dilihat pada gambar 8 2. ampilan Form Hasil Diagnosa Gambar 8 ampilan Form Diagnosa Form ini digunakan untuk menampilkan hasil kepada member. ampilan form hasil dapat dilihat pada gambar 9.
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 9 Gambar 9 ampilan Form Hasil Diagnosa 4.1.2. Pengujian Hasil Oleh Masyarakat dan Dokter (kuisioner Kuisioner diberikan kepada 30 masyarakat dan dilakukan pengujian terhadap dokter. Kuisioner ini terdiri dari 4 pertanyaan, 4 pertanyaan satu jenis yaitu dari segi Interaksi Manusia Komputer (IMK dan kuisioner dari segi aplikasi jantung koroner. Pengujian terhadap dokter terdapat 8 pertanyaan. Setiap pertanyaan diberi poin yaitu dengan poin nilai 1 sampai 5 dengan keterangan sebagai berikut. Gambar 11. Rekapitulasi Kuisioner Jumlah Responden Gambar 12 Skala Likert Hasil Kuisioner Nilai Responden 4.2 Analisa Analisa Menggunakan eknik Sampling dari Hasil Diagnosa Dari hasil sistem, dilakukan pengambilan sampel yang akan mewakili beberapa hasil sistem. Dari 27 gejala yang ada didalam sistem, diperoleh kemungkinan hasil kombinasi sebanyak 134.217.748 kemungkinan jawaban. Dari seluruh kemungkinan hasil jawaban, akan dipilih 20 sampel untuk mendapatkan hasil analisa apakah perhitungan sistem berupa hasil jenis leukemia dan persentase kemungkinan sesuai dengan analisa dokter. Dalam analisa untuk menilai keakuratan dari sampel, tingkat akurasi sistem dinilai berdasarkan kesesuaian hasil berdasarkan jumlah gejala yang dipilih dan nilai densitas tiap gejala yang dipilih. Sehingga dapat dianalisa mengenai akurasi sistem dalam Leukemia. Hasil perhitungan sistem dibandingkan dengan hasil analisa oleh dr. Anda Citra Utama, Sp.PD yang telah berpengalaman selama 10 tahun dalam bidang spesialis
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 10 dalam. Dari 20 sampel yang diambil, sebanyak 16 dari 20 atau sebesar 85% hasil sistem dinyatakan sesuai dengan hasil analisa dokter. Sedangkan 15% dinyatakan tidak sesuai. 5 Kesimpulan Setelah menerapkan aplikasi jantung koroner dengan metode dempster-shafer dapat disimpulkan bahwa. 1. Metode Dempster-Shafer telah berhasil diimplementasikan dalam website leukemia. 2. Aplikasi ini telah dinyatakan user friendly menurut hasil penilaian kuesioner dimana hasil kuesioner bernilai 87% untuk kategori kenyamanan dalam penggunaan. 3. Berdasarkan pengujian yang telah dilakukan oleh dokter spesialis dalam tentang aplikasi leukemia, maka aplikasi ini layak untuk digunakan kepada pasien untuk men leukemia dimana 85% hasil sistem sesuai dengan analisa dokter. Daftar Pustaka [1] Kusumadewi, Sri. 2003. Artificial intelligence (eknik dan Aplikasinya. ogyakarta Graha Ilmu. [2] Kusrini. 2006. eori dan Aplikasi. ogyakarta Penerbit Andi. [3] Sutojo,, dkk. 2011. Kecerdasan Buatan.ogyakarta Penerbit Andi.