SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ALOPESIA PADA MANUSIA DENGAN METODE CERTAINTY FACTOR Bebby Desy Natalina Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338 Simpang Limun Medan www.stmik-budidarma.ac.id // Email, natalia_bebby@yahoo.co.id ABSTRAK Sejalan dengan pertambahan usia, pada pria dan wanita akan terjadi penurunan kepadatan rambut. Pria memiliki bentuk alopesia khusus yang berhubungan dengan hormon testosteron dan kelainan genetik. Wanita juga memiliki bentuk yang khusus. Alopesia adalah keadaan rontok atau hilangnya rambut di daerah yang pada keadaan normal mempunyai rambut. Biasanya faktor penyebab alopesia adalah faktor eksternal dan faktor internal (keturunan). Kemajuan dunia teknologi sangat membantu dunia modern salah satunya adalah sistem pakar yang digunakan untuk mendeteksi suatu penyakit dalam dunia kedokteran. Sistem pakar digunakan untuk mendiagnosa penyakit alopesia agar lebih mudah dan cepat. Tujuan dari penelitian ini adalah untuk merancang dan membuat sistem pakar yang mampu mendiagnosa serta memberikan solusi untuk penyakit alopesia yang terjadi pada manusia. Pembuatan sistem pakar ini menggunakan bantuan bahasa pemrograman Microsoft Visual Studio dot Net 2008 dengan database Microsoft Access 2007, Dengan metode inferensi yang digunakan adalah certainty factor. Hasil pengujian menunjukkan bahwa program ini masih membutuhkan pengembangan pada sisi gejalagejala alopesia dengan pengembangan program sejenis dengan domain yang lebih luas.certainty factor merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Kata kunci : sistem pakar, alopesia areata, alopesia androgenika, certainty factor. 1. Pendahuluan Penyakit kulit kepala merupakan suatu penyakit yang menyerang organ tubuh manusia di bagian kepala yaitu salah satunya adalah alopesia. Alopesia adalah keadaan rontok atau hilangnya rambut dari kulit yang pada keadaan normal mempunyai rontokan rambut yang sering diakhiri dengan kebotakan merupakan salah satu problema estetis yang ditakuti, oleh karena itu masalah kerontokan rambut perlu mendapat perhatian dan penanggulangan sedini mungkin. Sejalan dengan pertambahan usia, pada pria dan wanita akan terjadi penurunan kepadatan rambut. Pria memiliki pola kebotakan khusus yang berhubungan dengan hormon testosteron. Jika seorang pria tidak menghasilkan testosteron (akibat kelainan genetik), maka dia tidak akan memiliki pola kebotakan tersebut. Wanita juga memiliki pola kebotakan yang khusus. Alopesia paling sering terjadi pada kulit kepala, biasanya terjadi secara bertahap dan bisa seluruh kulit kepala kehilangan rambutnya (alopesia totalis) atau hanya berupa bercak-bercak di kulit kepala. Sekitar 25% pria mulai mengalami kebotakan pada usia 30 tahun dan sekitar duapertiga pria menjadi botak pada usia 60 tahun. Rata-rata kulit kepala mengandung 100.000 helai rambut dan setiap harinya, rata-rata sebanyak 100 helai rambut hilang dari kepala. Kebotakan yang diturunkan terjadi akibat kegagalan tubuh untuk 18 membentuk rambut yang baru, bukan karena kehilangan rambut yang berlebihan[4]. Alopesia Areata yang disebabkan oleh beberapa faktor eksternal, yaitu jamur yang timbul di kulit kepala karena polusi udara lembab, air yang mengandung banyak bakteri, stress / beban pikiran yang berlebihan, kelainan pada immune sistem ( biasanya karena pengaruh dari pemakaian narkotik, obat-obatan perangsang otot, antibiotic, alkohol, rokok), kurangnya pasokan oksigen dalam darah yang timbul karena berlebih, kurang seimbangnya pola makan sehat, dan kurangnya aktifitas. Alopesia Androgenetica, disebabkan oleh hormon dihidrotestosteron yang bersifat keturunan, sehingga siklus rambut menjadi pendek dan menyebabkan kerontokan rambut yang berlebihan, hampir 95% kerontokan rambut laki-laki maupun perempuan. Sistem pakar merupakan program Artificial Intelligence (AI) yang menggabungkan basis pengetahuan dengan inference engine. Program ini bertindak sebagai seorang konsultan dalam suatu lingkungan keahlian tertentu. Sebagai hasil dari himpunan pengetahuan yang telah dikumpulkan dari beberapa orang pakar. Salah satu bidang aplikasi dalam sistem pakar adalah proses diagnosis yaitu 9
suatu proses yang menentukan penyebab atau sumber - sumber kegagalan dari suatu sistem atau peralatan yang berdasarkan gejala-gejala yang diamati. Proses diagnosis sering dilakukan oleh pakar dalam bidang penelitian maupun kedokteran. Dalam mengambil kesimpulan dalam sistem pakar pada umumnya digunakan penalaran Forward Chaining. Namun dengan penalaran tersebut belum dapat ditentukan besarnya nilai kepercayaan terhadap hipotesis. Agar sistem pakar dapat melakukan penalaran sebagaimana seorang pakar meskipun berada dalam kondisi ketidakpastian data, dan untuk mendapatkan nilai kepercayaan Untuk Mendiagnosa Penyakit Alopesia Pada Manusia, diperlukan suatu metode yang dikenal yaitu Metode Certainty Factor merupakan ukuran kepastian terhadap suatu fakta atau aturan. Certainty Factor (CF) merupakan salah satu teknik yang digunakan untuk mengatasi ketidakpastian dalam pengambilan keputusan. 2. Landasan Teori 2.1 Faktor Kepastian (Certainty Factor) Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini biasa berupa probabilitas bergantung pada hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban yang tidak pasti. Hal ini sangat mudah dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya ditemukan banyak kemungkinan penyakit. Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, termasuk diantaranya probabilitas klasik, probabilitas bayes, teori hartley berdasarkan himpunan klasik, teori shannon berdasakan pada probabilitas, teori Depmster-Shafer, teori fuzzy Zadeh, dan faktor kepastian (certanity factor). Factor kepastian diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN[2]. Certainty factor merupakan nilai parameter klinis yang kepercayaan. Certainty factor didefinisikan sebagai berikut: CF(H, E) = MB(H, E) MD(H, E) Dimana: CF(H, E) MB(H, E) MD(H,E) : Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala E. besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpercayaan mutlak, sedangkan nilai 1 menunjukkan kepercayaan mutlak. : Ukuran kenaikan kepercayaan terhadap hipotesis H yang dipengaruhi oleh gejala E. : Ukuran kenaikan ketidakpercayaan terhadap hipotesis H yang dipengaruhi oleh gejala E. Nilai CF (rule) di dapat dari interpretasi term dari pakar, yang diubah menjadi nilai CF tertentu sesuai tebel berikut : Tabel 1 : Nilai Certainty Factor dan Interprestasi Uncertain Term CF Definitely not (pasti tidak) Almost certainly not (hampir pasti tidak) -1.0-0.8-0.6 Probabily not (kemungkinan -0.4 besar tidak) Maybe not (mungkin tidak) Unknown (tidak tahu) Maybe (mungkin) Probabily (kemungkinan besar) Almost certainly (hampir pasti) - 0.2 to 0.2 0.4 0.6 0.8 1.0 Definitely (pasti) Ada 3 hal yang mungkin terjadi pada Certanity Factor (CF): 1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipostesis Jika e1 dan e2 adalah observasi, maka: MB[h,e1 ^ e2] = 0 MB[h, e1 e2] =1 MB[h,e1] + MB[h,e2]*(1-MB[h,e1]) lainnya MD[h,e1 ^ e2] = 0 MD[h, e1 e2] =1 MD[h,e1] + MB[h,e2]*(1-MB[h,e1]) lainnya 2. CF dihitung dari kombinasi beberapa hipotesis pada gambar di atas, jika h1 dan h2 adalah hipotesis, maka: MB[h1 h2,e] = min(mb[h1,e],mb[h2,e]) MB[h1 h2,e] = max(mb[h1,e],mb[h2,e]) MD[h1 h2,e] = min(md[h1,e],md[h2,e]) MD[h1 h2,e] = max(md[h1,e],md[h2,e]) CF[h1 h2,e] = MB[h1 h2,e] - MD[h1 h2,e] CF[h1 h2,e] = MB[h1 h2,e] - MD[h1 h2,e] diberikan MYCIN untuk menunjukkan besarnya 10
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. Untuk menghitung propagation (hitung maju) diperlukan rumus : 1. CFnew dan CFfold>=0 CFrevised = CFold + CFNew (1-CFold) 2. Kedua CFnew dan CFfold <0 CFrevised = -CFrevised(-CFold,-CFNew) 3. Salah satu dari CFnew dan CFfold <0 CFrevised = CFold+CFNew/1-min (CFold,CFmin) Keterangan : CFrevised = CF dari sistem keseluruhan CFold = CF yang belum digabungkan dengan CF dari suatu rule CFNew = CF dari suatu rule Contoh kasus Menentukan apakah seorang karyawan diterima atau tidak diterima Rule 1 : Jika tidak lolos psikotes dan tidak lolos wawancara maka ditolak (CF = 0,75) Rule 2 : Jika tidak lolos psikotes dan lolos wawancara maka cadangan (CF=0,60) Rule 3 : Jika lolos psikotes dan lolos wawancara maka diterima (CF=-0,80) Langkah 1, pimpinan perusahaan akan menentukan inisialisasi dengan memberikan nilai CF = 0. Jika tidak lolos psikotes dan tidak lolos wawancara maka ditolak (CF = 0,95) Jika tidak lolos psikotes dan lolos wawancara maka cadangan (CF=0,50) Jika lolos psikotes dan lolos wawancara maka diterima (CF=0,95) Langkah 2, menentukan CFkombinasi rule 1,2 dan 3 (CFpevidence x CFhypotesis) CFkombinasi1 = 0,90 x 0,75 = 0,675 = CFNew, CFold =0,0 Karena CFNew dan CFold >0 maka = 0,0 + 0,675 * (1-0,0) = 0,675 (ditolak) CFkombinasi2 = 0,50 x 0,60 = 0,30 = CFNew, CFold =0,675 Karena CFNew dan CFold >0 maka = 0,675 + 0,30 * (1-0,675) = 0,7725 (ditolak) CFkombinasi3 = 0,95 x (- 0,80) = - 0,76, CFold = 0,7725 Karena CFNew<0 dan CFold >0 maka = 0,7725 + - 0,76/1(l0,30l l-0,76l) = 0,0052 (ditolak) Kesimpulan : karyawan tidak diterima karena nilainya adalah 0,0052. Kelebihan dan Kekurangan Metode Cartainty Factor: Adapun kelebihan metode certainty factor adalah: 1. Metode ini cocok dipakai dalam sistem pakar yang mengandung ketidak pastian. 2. Dalam sekali proses perhitungan hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga. Sedangakan kekurangan metode certainty factor adalah: 1. Pemodelan ketidakpastian yang menggunakan perhitungan metode certainty factor biasanya masih diperdebatkan 2. Untuk data lebih dari 2 buah, harus dilakukan beberapa kali pengolahan data. 3. Analisa Dan Perancangan 3.1 Analisa Sistem Certainty Theory ini disusun oleh Shortliffe dan Bucthanan pada tahun 1975 untuk mengakomodasikan ketidakpastian pemikiran seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN. Tim 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. Untuk mengetahui diagnosa penyakit alopesia, dapat menggunakan aplikasi sebagai alat bantu. Dalam tahap ini yang dilakukan adalah menjawab pertanyaan dari perancangan sistem. 4. Algoritma Dan Implementasi Untuk menghasilkan sebuah program aplikasi. Hal yang pertama yang harus dilakukan adalah membentuk algoritma yang akan menggambarkan bagaimana program itu bekerja. Dalam menggambarkan dibutuhkan langkah-langkah logika untuk menyelesaikan masalah serta berfungsi untuk penelusuran program untuk keperluan perbaikan atau pengembangan akan lebih muda dan terarah. Adapun bentuk rancangan dari algoritma adalah sebagai berikut: Input : kode pasien, nama pasien, diagnosa gejala; Output : hasil diagnosa {nilai kemungkinan penyakit} Proses : Dim x As String = "data_diagnosa" Dim sample = dttable(x).rows.count Dim h As Double h = 0.06 For i = 0 To dttable(x).rows.count - 1 Dim lvitem As New ListViewItem lvitem.text = dttable(x).rows(i).item(0) lvitem.subitems.add(dttable(x).rows(i).item(1)) Dim e = dttable(x).rows(i).item(3) lvitem.subitems.add(e) Dim p As Double p = e / 8 Dim mb, md, cf As Double 11
mb = (Math.Max(p, h) - h) / (Math.Max(1, 0) - h) md = (Math.Min(p, h) - h) / (Math.Min(1, 0) - h) mb = FormatNumber(mb, 2) md = FormatNumber(md, 2) cf = mb - md cf = FormatNumber(cf, 2) lvitem.subitems.add(cf) lvitem.subitems.add(uncertaintterm(cf)) lvhasil.items.add(lvitem) Next End Sub Function UncertaintTerm(ByVal cf As Double) Dim hasil As String If cf > 0.8 Then hasil = "Definitely (pasti)" ElseIf cf > 0.6 Then hasil = "Almost certainly (hampir pasti)" ElseIf cf > 0.4 Then hasil = "Probabily (kemungkinan besar)" ElseIf cf > 0.2 Then hasil = "Maybe (mungkin)" ElseIf cf > -0.2 Then hasil = "Unknown (tidak tahu)" ElseIf cf > -0.4 Then hasil = "Maybe not (mungkin tidak)" ElseIf cf > -0.6 Then hasil = "Probabily not (kemungkinan besar tidak)" ElseIf cf > -0.8 Then hasil = "Almost certainly not (hampir pasti tidak)" Else hasil = "Definitely not (pasti tidak)" End If Return hasil Maka dari hasil perhitungan certainty factor dapat disimpulkan Rudi kemungkinan besar terdiagnosa penyakit alopesia areata stadium awal. Pada tampilan menu utama adalah bentuk atau gambaran perancangan halaman depan yang berisi beberapa menu diantaranya adalah : menu login, data pasien, data diagnosa penyakit pasien, hasil diagnosa, data penulis dan keluar dapat dilihat pada gambar 4.1 dibawah ini : Gambar 1 : Tampilan Form Menu Utama Pada tampilan form login adalah untuk masuk kedalam sistem yang dirancang dapat dilihat pada gambar 4.2 dibawah ini : Gambar 2 : Tampilan Input Data Login Pada tampilan form input data pasien adalah untuk memasukkan kode pasien dan nama pasien dapat dilihat pada gambar 4.3 dibawah ini : 12
Gambar 3 : Tampilan Form Input Data Pasien Pada tampilan form input data diagnosa penyakit adalah untuk memasukkan ciri-ciri atau gejala penyakit pasien dapat dilihat pada gambar 4.4 dibawah ini : Gambar 5 : Tampilan Form Input Hasil Diagnosa Pada tampilan form penulias ini berisikan nama dan NPM penulis dapat dilihat pada gambar 4.6 di bawah ini : Gambar 4 : Tampilan Form Input Data Diagnosa Pada tampilan form input hasil diagnosa adalah untuk mengetahui hasil dari gejala penyakit pasien dapat dilihat pada gambar 4.5 dibawah ini : Gambar 6 : Tampilan Form Penulis 5. Kesimpulan Dari hasil perancangan aplikasi Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia Dengan Metode Certainty Factor yang telah diselesaikan ini maka didapat beberapa kesimpulan diantaranya adalah sebagai berikut : 1. Dengan adanya penelitian ini, penulis dapat menentukan tingkat penyakit berdasarkan gejalagejala yang dialami oleh masing-masing pasien. 2. Dengan penerapan metode certainty factor menghasilkan nilai interprestasi dari setiap gejala yang dialami oleh masing-masing pasien, sehingga nilai tersebut dapat diketahui kemungkinan pasien tersebut terkena penyakit alopesia stadium awal, tengah dan akhir. 3. Aplikasi ini dikategorikan user-friendly karena mudah digunakan oleh pemakai dalam penggunaannya. 4. Dengan adanya penelitian ini, penulis telah merancang suatu aplikasi sstem pakar dengan menggunakan bahasa pemograman, sehingga 13
dapat membantu pihak yang bersangkutan dengan efektif dan efisien. 6. Daftar Pustaka [1]. T.Sutojo, Edy Mulyanto, Vincent, Kecerdasan Buatan, Andi. Yogyakarta, 2010. [2]. Sri Kusumadewi, Artificial Intelligence (Teknik dan Aplikasi), 2003. [3]. Titis Astutik, Sistem Pakar Untuk Mendiagnosa Penyakit Alopesia Pada Manusia, 2009. [4]. http://en.wikipedia.org/wiki/alopecia [5]. http://informatika.web.id/tahapanpengembangan-sistem-pakar.html, 12 Mei 2013. [6]. http://www.aktual.co/urbanitas/190035apa-itualopecia, 12 April 2013). [7]. http://www.cegahbotak.com, 15 Mei 2013. 14