PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN METODE FORWARD CHAINING

PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN METODE FORWARD CHAINING Hernawan Sulistyanto 1, Nur Ali Arrosyid 2 1,2 Program Studi Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol Pos 1 Pabelan Kartasura Surakarta E-mail:Hernawan.Sulistyanto@ums.ac.id ABSTRAK Penerapan ilmu komputer semakin meluas ke berbagai bidang. Pesatnya perkembangan teknologi informasi telah memberikan dampak positif pula pada bidang kesehatan saat ini. Pemanfaatan teknologi informasi pada bidang kesehatan dapat digunakan untuk meningkatkan pelayanan kesehatan yang lebih baik. Salah satu implementasinya adalah untuk melakukan diagnosa penyakit gigi. Penyakit gigi menjadi hal yang penting untuk diperhatikan oleh karena efek yang ditimbulkan penyakit gigi akan dirasakan juga oleh bagian tubuh yang lain. Selain dari itu, keterbatasan kehadiran tenaga medis gigi merupakan salah satu penyebab pula munculnya permasalahan yang lebih luas pada penanganan penyakit gigi. Pada penelitian ini dibangun suatu aplikasi sistem berbasiskan sistem pakar guna membantu konsultasi bagi pasien penderita sakit gigi. Metode yang diterapkan adalah decision tree dengan mempekerjakan pola algoritma if-then. Berdasarkan pengujian yang telah dilakukan terhadap aplikasi maka diperoleh kesimpulan bahwa sistem mampu memberikan alternatif solusi seputar kesehatan gigi sebagaimana kebutuhan pada awal perancangan. Pengujian pada pengguna juga telah memberikan hasil yang baik dengan tingkat kepuasan secara umum ratarata 80% pada semua komponen penilaian. Kata Kunci: decision tree, penyakit gigi, system pakar 1. PENDAHULUAN 1.1 Latar Belakang Gigi adalah salah satu organ yang sangat penting dan vital keberadaannya. Oleh karenanya kesehatan gigi menjadi hal yang begitu penting. Sayangnya masih banyak yang menyepelekan masalah kesehatan gigi dikarenakan mungkin lebih mementingkan kesehatan organ organ tubuh yang lain. Padahal pada realitanya penyakit yang menyerang gigi dapat menimbulkan efek yang sangat luas pada organ-organ lain. Sementara itu pada sisi pelaksana medis yaitu khususnya dokter gigi, saat ini jumlahnya masih sangatlah terbatas jika dibandingkan dengan jumlah penduduk. Pekerjaan dokter gigi menjadi berkali lipat dari yang seharusnya untuk dapat melayani seluruh penduduk yang mengalami permasalahan dengan kesehatan gigi. Adanya situasi seperti ini membuat banyak pasien yang tidak dapat bertemu dokter secara langsung di tempat praktek. Berdasarkan latar belakang di atas maka dapat dirumuskan suatu permasalahan, yaitu bagaimana membuat sebuah aplikasi sistem pakar pendiagnosa penyakit gigi. Tujuan dari penelitian ini adalah membangun aplikasi sistem pakar pendiagnosa penyakit gigi untuk memudahkan asisten dokter dalam melaksanakan diagnosa sementara bagi pasien sehingga membantu dokter untuk mengambil keputusan. Aplikasi akan menampilkan laporan hasil diagnosa pasien dan solusi pengobatannya. Penelitian ini akan menerapkan sistem pakar yang berperan memberikan asistensi guna menangani permasalahan sekitar kondisi kesehatan (penyakit) gigi. Aplikasi yang dirancang akan bermanfaat manakala dokter gigi tidak dapat setiap hari berada di tempat praktek. Pasien dapat mengkonsultasikan kodisi kesehatan giginya melalui perantara perawat jaga yang mengoperasikan aplikasi ini. Aplikasi sistem pakar ini digunakan oleh asisten dokter ketika menunggu dokter datang atau pada saat pasien mengantri dan bisa menjadi dokter sementara ketika dokter tidak sedang praktek. 1.2 Tinjauan Pustaka dan Landasan Teori Dhany (2009) melalui penelitiannya telah membangun sebuah sistem pakar pendiagnosa penyakit anak yang dirancang sebagai alat bantu untuk mendiagnosa jenis penyakit tropis khususnya pada balita dengan basis pengetahuan yang dinamis. Penarikan kesimpulan dalam sistem pakar ini menggunakan metode inferensi forward chaining. Sistem pakar ini menampilkan pilihan gejala yang dapat dipilih oleh pengguna, dimana setiap pilihan gejala akan membawa pengguna kepada pilihan gejala selanjutnya sampai mendapatkan hasil akhir. Hasil akhir aplikasi sistem pakar menampilkan pilihan gejala pengguna, jenis penyakit yang diderita, penyebab dan penanggulangannya. Pada penelitian yang dilaksanakan oleh Ningrum dan Mellyana (2013), sistem pakar telah digunakan untuk melakukan diagnosa penyakit epilepsi dan memberikan hasil yang konsisten, cepat dan tepat. Metode inferensi yang digunakan dalam sistem 171

pakar ini adalah Forward Chaining dan Theorema Bayes berbasis aturan. Saputra (2011) dalam hasil penelitiannya menyampaikan bahwa penyakit paru-paru merupakan penyakit yang berhubungan dengan sistem pernapasan pada manusia, dapat menjadi buruk apabila tidak segera ditangani dengan serius. Sistem dirancang untuk menangani antrian pasien penderita penyakit paru-paru yang ada di rumah sakit. Sistem difungsikan sebagai sarana untuk membantu mendiagnosa dan penatalaksanaan terhadap pasien. Disain aplikasi ini diharapkan dapat digunakan di Puskesmas, serta rumah sakit-rumah sakit yang memerlukan. Pada penelitian yang dikerjakan oleh Noraningtyas (2010) dikemukakan bahwa penyakit menular seksual merupakan salah satu penyakit yang mematikan. Jenis penyakit seksual ini di Indonesia jumlahnya terus meningkat, namun bukanlah tidak mungkin penyakit ini bisa dicegah. Salah satu pencegahannya dapat dilakukan dengan cara memberikan penyuluhan dan pendidikan kesehatan. Oleh karena itu perlu dibangun suatu sistem yang berbasiskan sistem pakar. Aplikasi sistem pakar pendiagnosa penyakit menular seksual bertindak sebagai penasehat atau konsultan. Aplikasi sistem pakar ini dibangun dengan menggunakan mesin inferensi forward chaining dan backward chaining. Sementara itu telah pula disampaikan oleh Putrie dan Ennanda (2012) bahwa ginjal merupakan salah satu organ tubuh manusia yang berfungsi untuk membuang bahan-bahan sampah dari tubuh hasil pencernaan atau yang diproduksi oleh metabolisme, pengaturan keseimbangan air dan elektrolit, pengaturan konsentrasi osmolitas cairan tubuh dan konsentrasi elektrolit, pengaturan keseimbangan asam-basa, ekskresi produk sisa metabolic serta bahan kimia asing, dan sebagainya. Apabila ada salah satu fungsi tersebut tidak berjalan dengan baik maka akan timbul kerusakan di salah satu organ ginjal sehingga dapat meyebabkan penyakit ginjal. Implementasi aplikasi yang dibangun dibatasi hanya pada tiga skup, yaitu GGA (Gagal Ginjal Akut), GGK (Gagal Ginjal Kronis), dan Batu Ginjal dengan menggunakan metode inferensi fuzzy logic dan metode interview dengan ahli penyakit. Aplikasi dibuat dengan tujuan untuk membangun sistem pakar yang dapat membantu pengambilan keputusan dalam menentukan jenis penyakit ginjal yang diderita dari beberapa alternatif gejala-gejala yang diinputkan dan untuk merancang serta membuat aplikasi sistem pakar mendiagnosa penyakit ginjal. Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Pengimplementasian sistem pakar ini diharapkan akan dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat dilakukan oleh para ahli. Bagi para ahli sendiri adanya sistem pakar ini juga akan membantu aktivitasnya yaitu sebagai asisten yang cukup dapat diandalkan (Kusumadewi, 2003). Komponen utama struktur sistem pakar meliputi: 1) Basis Pengetahuan (Knowledge Base) Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Merujuk pada Tyas (2013) dan Uki (2008), basis pengetahuan merupakan representasi dari seorang pakar yang kemudian dapat disandikan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dan sebagainya). 2) Mesin Inferensi (Inference Engine) Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Pada prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya. Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan proses penalaran. Terdapat dua teknik pengendalian yang sering digunakan, yaitu forward chaining dan backward chaining. 3) Basis Data (Database) Basis data terdiri atas semua fakta yang diperlukan dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidahkaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan. 4) Antarmuka Pemakai (User Interface) Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem. (Tyas, 2013). 172

Decision Tree merupakan himpunan aturan IF THEN. Setiap path dalam tree dihubungkan dengan sebuah aturan. Premis aturan terdiri atas sekumpulan node yang ditemui, sedangkan kesimpulan aturan terdiri atas kelas yang terhubung dengan leaf dari path (Umar, 2014). Kelebihan dari metode pohon keputusan adalah (Syamsudin, 2012): 1) Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global dapat diubah menjadi lebih simpel dan spesifik. 2) Eliminasi perhitungan-perhitungan yang tidak diperlukan karena ketika menggunakan metode pohon keputusan sampel diuji hanya berdasarkan pada kriteria atau kelas tertentu. 3) Fleksibel untuk memilih fitur dari node internal yang berbeda. Fitur yang terpilih akan membedakan suatu kriteria yang dibandingkan dengan kriteria lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan apabila dibandingkan dengan penggunaan metode penghitungan satu tahap yang lebih konvensional. 4) Analisis multivarian dengan kriteria dan kelas dengan jumlah yang sangat banyak biasanya diperlukan pengestimasiain baik pada distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan. Kekurangan pada pohon keputusan adalah: 1) Terjadi overlapping terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan. 2) Pengakumulasian jumlah kesalahan dari setiap tingkat dalam sebuah pohon keputusan yang besar. 3) Kesulitan dalam mendesain pohon keputusan yang optimal. 4) Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain (Syamsuddin, 2012). Metode Forward Chaining disebut juga datadriven karena inference engine menggunakan informasi yang ditentukan oleh pengguna untuk memindahkan ke seluruh jaringan dari logika AND dan OR sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (rule) penentuan objek membentuk path (lintasan) yang mengarah ke objek tertentu. Oleh karena itu salah satu cara untuk mencapai satu objek adalah 173 memenuhi semua aturan. Kelebihan metode forward chaining adalah data baru dapat dimasukkan ke dalam tabel database inferensi dan kemungkinan untuk melakukan perubahan inference rules. (Danny, 2014). 1.3 Metodologi Penentuan keputusan jenis penyakit yang diderita didasarkan pada sebuah Tabel Keputusan. Tabel Keputusan yang disajikan pada Tabel 1 berfungsi untuk mengetahui jenis penyakit dan gejala-gejala yang sering terjadi pada gigi sehingga akan lebih mudah dalam pengambilan keputusan penyakit pada gigi sesuai dengan gejalanya. Table 1. Tabel keputusan jenis penyakit sesuai dengan kode gejala Kode Gejala Erosi Gigi Ginggi -vitis Penyakit Gigi Pulpi -tis Abses Gigi Period ontitis Karie s Gigi 1 2 3 4 5 6 G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 Keterangan : G1 : Gusi bengkak G2 : Gusi berdarah G3 : Gusi sakit jika disentuh G4 : Radang gusi G5 : Gusi mengkilat G6 : Gigi berlubang G7 : Gigi nyeri G8 : Gigi ngilu G9 : Gigi patah G10 : Bau napas tidak sedap Kaidah produksi (rule base) biasanya dituliskan dalam bentuk jika - maka (IF - THEN). Kaidah tersebut dapat dikatakan sebagai hubungan implikasi dua bagian yaitu premis (jika) dan bagian konklusi (maka). Apabila bagian premis dipenuhi maka bagian konklusi juga akan bernilai benar. Sebuah kaidah terdiri dari klausa-klausa, sebuah klausa mirip sebuah kalimat subjek. Kata kerja dan objek yang menyatakan suatu fakta terdapat sebuah klausa premis dan klausa konklusi pada sebuah kaidah.

Sistem kepakaran yang dibangun pada penelitian ini mengikuti kaidah produksi sebagai berikut ini. Rule 1 : AND G3 THEN Erosi Gigi Rule 3 : THEN Pulpitis Rule 2 : AND G2 AND G3 AND G4 AND G5 THEN Ginggivitis Rule 4 : AND G6 THEN Abses Gigi Rule 5 : AND G8 THEN Periodontitis Rule 6 : IF G6 AND G9 THEN Karies Gigi 2. PEMBAHASAN Aplikasi sistem pakar pada penelitian ini memiliki dua level pengguna yang memiliki hak akses berbeda, yaitu admin dan pasien umum. Halaman utama ini terdiri dari beberapa bagian, diantaranya yaitu menu yang meliputi Beranda, Dokter, Galeri, Daftar Penyakit, Konsultasi, dan Informasi. Halaman Utama dari Sistem Pakar Diagnosa Penyakit Gigi di Klinik Gigi Apotek 128 ini dapat dilihat dengan cara mengetikkan alamat http://localhost/gigi/ pada web browser. Halaman menu utama atau beranda pasien disajikan pada Gambar 1 berikut ini. Gambar 1. Menu beranda pasien Halaman menu Daftar Penyakit digunakan untuk menampilkan penyakit-penyakit gigi beserta gejalagejalanya dan juga solusi cara pengobatannya. Menu daftar penyakit ditunjukkan pada Gambar 2 berikut ini. Gambar 2. Menu daftar penyakit Menu Konsultasi berisi tentang konsultasi penyakit gigi yang dialami oleh pasien yang berupa pertanyaan-pertanyaan gejala penyakit gigi yang harus dijawab pasien dimana sebelumnya harus mengisi form data pribadi terlebih dahulu. Menu untuk melaksanakan konsultasi bagi pasien tersedia di dalam aplikasi seperti disajikan pada Gambar 3. 174

Gambar 5. Form edit data validasi Gambar 3. Menu konsultasi Setelah pasien mengisi form data pribadi akan masuk ke form konsultasi yang berupa pertanyaan, pasien tinggal menjawab Ya atau Tidak dan seterusnya sampai sistem menemukan hasil penyakit dan solusi cara pengobatannya sebagaimana ditunjukkan pada Gambar 4 berikut. Menu laporan terdiri dari beberapa menu yaitu Daftar Penyakit, Daftar Gejala, dan Daftar Pasien. Laporan Daftar Pasien digunakan oleh admin untuk melihat daftar pasien yang sudah melakukan konsultasi. Tampilan laporan daftar pasien disajikan pada Gambar 6 di bawah ini. Gambar 6. Laporan daftar pasien Gambar 4. Hasil konsultasi Selanjutnya, halaman admin terdiri atas menu utama, menu dokter, menu tambah data penyakit, menu tambah data gejala, menu konsultasi, dan menu validasi. Menu Validasi ini digunakan oleh seorang dokter yang isinya berupa laporan data pasien dengan gejala dan penyakit yang dialami dengan data yang valid atau benar. Tampilan menu data validasi tersebut disajikan pada Gambar 5 berikut ini. Pengujian selanjutnya dilakukan guna mengetahui kelayakan performa dari sistem yang telah dibuat dengan menggunakan pengujian Black Box, dimana metode ini untuk mencari kesalahan pada fungsi yang salah atau hilang, kesalahan pada interface, kesalahan pada struktur data atau akses database, kesalahan performansi, kesalahan inisialisasi dan tujuan akhir. Sedangkan pengujian eksternal dilaksanakan secara langsung di Klinik Gigi Apotek 128, Jl. A. Yani No. 128 Kartasura, Sukoharjo, serta melakukan pengisian kuesioner mengenai program aplikasi yang telah dibuat. Berdasarkan hasil kuisioner yang diperoleh maka dilakukan kalkulasi penilaian terhadap performa aplikasi. Persentase penilaian dari masing-masing jawaban pada kuisioner per topik soal dinyatakan dengan Persamaan (1) berikut. 175

J Q x100% (1) R dengan Q = prosentasi nilai dari suatu jawaban yang sama per soal; J = jumlah suatu jawaban yang sama per topik soal; dan R = jumlah responden. Pengisian quistionnaire dari 2 orang petugas admin dan 8 orang pasien dengan mengacu pada Persamaan (1) didapatkan hasil sebagai berikut: (a) 70% menyatakan tampilan sangat bagus dan 30% menyatakan bagus. (b) 80% sangat mudah mengoperasikan dan 20% mudah mengoperasikan. (c) 90% menyatakan sangat bermafaat dan 10% menyatakan bermanfaat. (d) 70% menyatakan sangat mudah mendapatkan informasi dan 30% mudah mendapatkan informasi. (e) 40% menyatakan sangat lengkap dan 60% menyatakan lengkap. Pengujian dilakukan untuk mengetahui baik tidaknya tampilan program yang telah dibuat, juga meliputi uji coba pada beberapa web browser seperti Google Chrome dan Mozilla Firefox. Sistem hasil rancangan memiliki beberapa kelebihan dan kekurangan. Kelebihan dari sistem pakar diagnosa penyakit gigi ini yakni: a) Bagi pasien mendapatkan pelayanan yang lebih baik dengan cepat dan tepat. b) Bagi asisten dokter dapat dengan mudah untuk mendiagnosa penyakit gigi yang dialami pasien. c) Bagi dokter lebih cepat untuk mengambil keputusan dan memberikan solusi. d) Menjadikan media promosi bagi pihak Apotek 128 Kartasura. Kelemahan dari sistem pakar diagnosa penyakit gigi ini yaitu belum terdapat menu untuk mendapatkan informasi tentang cara mengoperasikan sistem pakar ini. 3. KESIMPULAN Sistem pakar dengan metode forward chaining telah diimplementasikan dalam bidang kesehatan pada penelitian ini guna membantu menangani permasalahan seputar penyakit gigi. Pada riset ini sistem berperan mewakili kehadiran seorang dokter gigi untuk memberikan solusi sementara bagi pasien melalui suatu forum konsultasi. Kehadiran aplikasi ini sangat membantu dalam peningkatan layanan perawatan kesehatan gigi baik bagi pasien maupun dokter. Performa sistem secara keseluruhan telah berjalan sesuai dengan kebutuhan disain awal yang mana dibuktikan melalui hasil-hasil yang diperoleh selama tahapan pengujian. Hasil persentase penilaian terhadap seluruh komponen pada kuisioner adalah rata-rata sekitar 80% menyatakan baik terhadap unjuk kerja program aplikasi ini. Kekurangan dari aplikasi sistem pakar ini adalah belum tersedianya menu yang menginformasikan cara penggunaan aplikasi ini. PUSTAKA Dhany, S. 2009. Perancangan Sistem Pakar Untuk Diagnosa Penyakit Anak, Skripsi, Medan: Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sumatera Utara. Kusumadewi, S. 2003. Artificial Intelegence (Teknik dan Aplikasinya), Yogyakarta : Graha Ilmu. Mumpuni, Yekti, dkk. 2013. 45 Masalah dan Solusi Penyakit Gigi dan Mulut, Yogyakarta : Andi. Ningrum dan Mellyana. 2013. Sistem Pakar Berbasis Web Untuk Mendiagnosa Penyakit Epilepsi dan Penanganannya Menggunakan Theorema Bayes, Skripsi, Yogyakarta: Fakultas Sains dan Teknologi. Universitas Islam Negeri Sunan Kalijaga. Noraningtyas, R. 2010. Aplikasi Sistem Pakar Mendiagnosis Penyakit Menular Seksual, Skripsi. Semarang: Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Diponegoro. Putrie A.S., & Ennanda. 2012. Sistem Pakar Mendiagnosa Penyakit Ginjal Menggunakan Metode Algoritma Fuzzy Logic, Skripsi, Jawa Timur: Fakultas Teknologi Industri. Universitas Pembangunan Veteran. Saputra, A. 2011. Sistem Pakar Identifikasi Penyakit Paru-Paru Pada Manusia Menggunakan Pemrograman Visual Basic 6.0, Skripsi, Palembang: Fakultas Teknologi dan Informatika. STMIK PalComTech. Syamsuddin. 2012. Algoritma Deision Tree C4.5 (online), (http://blogs.itb.ac.id/aiceware/2012/09/23/alg oritma-decision-tree-c4-5/, diakses tanggal 18 September 2014). Tyas. 2013. Basis Pengetahuan dan Mesin Inferensi (online), (http://informatika.web.id/basis- pengetahuan-dan-mesin-inferensi.htm#more- 1747, diakses tanggal 18 September 2014). Uki. 2008. Sistem Pakar (online), (http://www.ukyku.files.wordpress.com/2008/0 2/sistem-pakar-3.doc, diakses tanggal 17 September 2014) Umar, D. 2014. Pengertian Metode Forward Chaining dan Backward Chaining dalam Sistem Pakar (online), (http://umardanny.com/pengertian-metodeforward-dan-backward-chaining-sistempakar/ diakses tanggal 16 September 2014). 176