SISTEM PAKAR DIAGNOSIS PENYAKIT UMUM PADA MANUSIA MENGGUNAKAN PHP DAN MYSQL Putri Nila Septina, Dwi Wahyu Prabowo Juruasan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan Ali, Sampit Email: putri8788@gmail.com 1 Abstrak Penyakit umum adalah istilah untuk menjelaskan penyakit yang sering terjadi di masyarakat disebabkan oleh perubahan cuaca sepanjang tahun, lingkungan tempat tinggal dan gaya hidup masyarakat yang tidak sehat. Pakar medis yang menangani penyakit umum seiring waktu akan mengalami perubahan performa kerjanya dan tidak memiliki tempat untuk menyimpan pengetahuan yang pakar miliki. Sistem pakar merupakan salah satu solusi dalam membantu pakar dengan tujuan sebagai bahan pertimbangan yang tetap pada saat pakar medis melakukan pekerjaanya. Pada penelitian ini dibuat sistem pakar menggunakan metode Forward Chaining dan metode faktor kepastian (Certainty Factor). Sistem ini digunakan untuk membuat kesimpulan sendiri berdasarkan gejala yang dimasukkan lalu mencocokan kesimpulan dengan hasil fisik dari pakar sehingga dapat dihitung keakuratan sistem dalam membantu pekarjaan pakar medis. Sistem pakar dibuat dengan menggunakan bahasa pemrograman php dan database MySQL. Sistem yang dihasilkan dapat menangani proses manajemen data pasien dan diagnosis penyakit dengan tingkat kepastian 78% dari 36 kasus yang telah dimasukkan ke dalam sistem pakar. Kata Kunci diagnosis, sistem pakar, penyakit umum, forward chaining, certainty factor. 1. PENDAHULUAN Salah satu cabang ilmu komputer yang banyak dimanfaatkan oleh manusia adalah pembentukan sistem pakar yang merupakan sub bidang ilmu kecerdasan buatan. Sistem pakar dapat berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat yang sebanding dengan seorang pakar, kepakaran diberikan dari seorang pakar atau sumber kepakaran lain ke komputer, pengetahuan pakar disimpan dalam komputer sehingga pengguna dapat melakukan konsultasi pada komputer berupa analisis gejala awal, lalu komputer menyimpulkan dari fakta yang ada dan kemudian menjelaskannya kepada pengguna tersebut. Salah satu pemanfaatan sistem pakar adalah dalam bidang kedokteran dan kesehatan, implementasinya berupa diagnosis, konsultasi sampai pada solusi dari hasil diagnosis. Kesehatan sangat penting dan adanya tempat atau cara yang mudah untuk mendapat saran tentunya akan sangat membantu sebagai tempat konsultasi pertama sebelum menindaklanjuti perawatan kesehatan dengan dokter. Demam dan flu merupakan contoh penyakit umum yang sering terjadi di masyarakat, sebagian besar masyarakat akan melakukan konsultasi dengan pakar bila mulai merasakan keluhan sakit yang menggangu. Pakar yang telah menangani berbagai penyakit yang sering dijumpai di masyarakat akan mengalami perubahan performa kerjanya seperti tidak lagi memakai asisten dokter karena batas usia pakar dan data yang dapat berubah dipengaruhi oleh situasi atau data medis yang hilang karena data sulit dipindahkan (ditransfer). Oleh karena itu, diharapkan dengan adanya sebuah sistem pakar yang dapat mengatur data kepakaran, berperan sebagai tempat penyimpanan dan pemindahan informasi yang tetap serta sebagai pertimbangan pakar yang bersifat konsisten, sehingga keterbatasan pakar pada pekerjaannya dapat diatasi. Diharapkan penggunaan sistem pakar yang dapat mengumpulkan informasi dari pasien, menyimpulkannya sehingga dapat menjadi bahan pertimbangan pakar dapat membantu seorang pakar medis dalam pekerjaanya. Pada penelitian ini, diterapkan metode forward chaining, pola penelusuran best first search, perhitungan ketepatan sistem menggunakan metode certainty factor serta menggunakan PHP dan database MYSQL untuk pembuatan sistem pakar diagnosis penyakit umum pada manusia. Dengan penerapan metode tersebut sistem dapat memudahkan pakar dalam mengambil pertimbangan, pengetahuan dan tindakan terhadap penyakit yang sering terjadi di masyarakat. 2. TINJAUAN PUSTAKA 2.1 Penyakit Umum Penyakit yang sering terjadi di masyarakat disebabkan oleh perubahan cuaca sepanjang tahun, lingkungan tempat tinggal dan gaya hidup masyarakat yang tidak sehat. Hal tersebut memicu sejumlah besar masyarakat yang bertempat tinggal di satu daerah dapat memiliki masalah penyakit yang sama[1]. 2.2 Sistem Pakar Menurut James[2], sistem pakar merupakan sistem konsultasi otomatis, karena sistem ini menirukan peran seorang pakar dalam memecahkan beberapa masalah, menggunakan informasi dari database yang disediakan oleh pakar yang sebenarnya. Sistem pakar adalah sebuah komputer yang mencoba meniru atau mensimulasikan pengetahuan (knowledge) dan keterampilan (skill) dari seorang pakar pada area tertentu[3]. Tujuan dari sistem pakar untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam komputer dan kemudian kepada orang lain (nonexpert) [4]. 2.3 Metode Forward Chaining Pelacakan ke depan adalah pendekatan yang dimotori data (data driven), pelacakan dimulai dari informasi masukan sampai akhirnya mendapatkan kesimpulan. Pelacakan ke
2 depan mencari fakta yang sesuai dengan bagian IF dari aturan IF-. Gambar 2. 1 Forward Chaining Forward chaining adalah alat yang digerakkan oleh pertimbangan. Pertimbangan dimulai dari data yang disimpan dan memproses maju dengan data tersebut, hanya kaidah yang paling atas yang dieksekusi [5]. 2.4 Metode Certainty Factor Prinsip awal dari teori certainty factor diperkenalkan pada sistem pakar MYCIN yang digunakan sebagai bahan pembanding dalam pengambilan solusi dan pemecahan masalah, keputusan terakhir atas pengobatan tersebut tetap menjadi tanggung jawab dokter [6]. Certainty factor sebuah angka untuk mengukur kepercayaan seorang pakar [5], metode yang diperkenalkan oleh Shortliffe dan Buchanan tahun 1975 untuk mengukur kepercayaan pakar dengan angka, nilai maksimum dari certainty factor adalah 1.0 dan minimum -1.0, nilai positif menunjukan ukuran kepercayaan dan nilai negatif menunjukan ukuran ketidakpercayaan, di dalam sistem pakar dengan certainty factor, basis pengetahuan terdiri dari kumpulan rule dengan syntax. IF <evidence> <hipotesis> {cf} Certainty factor mempunyai dua fungsi yaitu measure of belief MB(H,E) yang artinya ukuran kenaikan kepercayaan hipotesis H dipengaruhi gejala E dan measure of disbelief MD(H,E) yang artinya ukuran kenaikan ketidakpercayaan hipotesis H dipengaruhi gejala E. CF(H,E) = MB(H,E) - MD(H,E) untuk menghitung seluruh CF keseluruhan dari setiap kondisi yang ada menggunakan perhitungan : CFc(CF1,CF2)= CF1+CF2(1-CF1) jika nilai CF1 dan CF2 bernilai positif CFc(CF1,CF2)=CF1+CF2(1+CF1) jika nilai CF1 dan CF2 negatif CFc(CF1,CF2)= {CF1+CF2/(1-min{ CF1, CF2 }) jika salah satu negatif 3. PERANCANGAN SISTEM 3.1 Perancangan Basis Pengetahuan Keberhasilan suatu system pakar terletak pada pengetahuan dan cara mengolah pengetahuan tersebut agar dapat ditarik suatu kesimpulan. Pengetahuan yang diperoleh dari hasil wawancara dan analisa diubah menjadi sebuah tabel jenis penyakit dan gejala untuk mempermudah proses pencarian solusi. Tabel penyakit dan gejala ini digunakan sebagai pola pencocokan informasi yang dimasukkan oleh pemakai dan basis pengetahuan. Kode G001 G002 G003 G004 G005 G006 G007 G008 G009 G010 G011 G012 G013 G014 G015 G016 G017 G018 G019 G020 G021 G022 G023 G024 G025 G026 G027 Kode P001 P002 P003 P004 P005 P006 P007 P008 P009 P010 Tabel 3. 1 Tabel Penyakit Penyakit Urticaria Tinea versicolor Combustio Varicella Laryngitis Faringitis Pulpitis Conjuctivitis Hordeolum Nyctalopia Tabel 3. 2 Tabel Gejala Gejala Memiliki Alergi Bentol bentol Gatal Bercak bersisik terang/gelap Kulit kasar Kulit kemerahan melepuh, mengelupas Bengkak Terkena bahan panas Ruam kulit diseluruh tubuh Lepuhan kecil berisi cairan (vesikel) Suara serak bahkan hilang Sakit menelan Batuk Amandel membengkak Gigi berlubang Gigi terasa sakit Tumbuh daging di gigi Mata terasa gatal Mata merah Mata berair Kotoran mata makin banyak Sakit/nyeri dikelopak Kelopak mata bengkak Benjolan merah di kelopak mata Penglihatan menurun waktu gelap Penglihatan menurun perlahan 3.2 Kaidah dalam analisis penyakit umum Metode forward chaining menggunakan himpunan aturan kondisi-aksi. Dalam metode ini, representasi yang digunakan
yaitu pohon keputusan yang kemudian diubah menjadi aturan (rule) dalam bentuk aturan IF- setiap aturan akan menghasilkan kesimpulan. Data gejala dan data penyakit digunakan untuk menentukan aturan yang akan dijalankan, memberikan beberapa fakta, bekerja maju melalui jaringan inferensi, proses diulang sampai menemukan suatu hasil kesimpulan yang bisa diambil dari data. Tabel 3. 3 Rule gejala dan penyakit Kode Anteseden Konsekuen 1] IF Alergi AND Bentol bentol AND Gatal Urticaria 3.3 Diagram Alir (Flowchart) Flowchart dibuat untuk membantu dalam mendeskripsikan alur metode sistem pakar yang digunakan. Gambar 3.1 adalah alur proses metode forward chaining yang ada di sistem pakar diagnosis penyakit umum. Dimulai dari memilih grup gejala contoh grup gejala salah satunya yaitu kulit yang nantinya akan dimunculkan gejala penyakit kulit yang diproses menggunakan metode forward chaining bergerak maju ke gejala yang selanjutnya, bila kesimpulan ditemukan (metode sesuai) selanjutnya akan diteruskan mengambil informasi kesimpulan yang tersimpan di database dan menampilkan kesimpulan tersebut ke layar komputer. Start 3 2] IF Gatal AND Kulit kasar AND Bercak bersisik gelap/terang Tinea Versicolor Grup gejala, gejala Forward Chaining 3] 4] IF Kulit kemerahan AND Melepuh AND bengkak AND terkena bahan panas IF Kulit kemerahan AND Gatal AND Ruam diseluruh tubuh AND Lapisan kecil berisi air Combustio Varicella Metode Sesuai? File basis penget ahuan Diagnosa penyakit Ya Tidak Data tidak ditemukan Pengurangan ketepatan CF (H,E) = MB(H,E) - MD(H,E) CFc(CF1,CF2)=CF1+CF2(1-CF1) IF Suara serak AND Sakit menelan Data hasil konsultasi 5] 6] AND Batuk IF Sakit menelan AND Batuk AND Amandel bengkak Laringitis Faringitis Kesimpulan sesuai? Ya Tidak Penambahan ketepatan CF (H,E) = MB(H,E) - MD(H,E) CFc(CF1,CF2)=CF1+CF2(1-CF1) Pengurangan ketepatan CF (H,E) = MB(H,E) - MD(H,E) CFc(CF1,CF2)=CF1+CF2(1-CF1) 7] IF Gigi berlubang AND Gigi terasa sakit AND tumbuh daging di gigi Pulpitis Tampilkan nilai CF sistem 8] IF Mata terasa gatal AND mata merah AND mata berair AND Kotoran mata makin banyak Conjuctivitis End Gambar 3.1 Flowchart Metode Forward Chaining dan Certainty factor 9] IF Sakit/Nyeri dikelopak AND kelopak mata bengkak AND benjolan merah di kelopak AND Mata berair IF Penglihatan menurun perlahan THEn Hordeolum 4. IMPLEMENTASI 4.1 Implementasi antarmuka Implementasi interface merupakan bagian dari pengolahan implementasi yang disajikan untuk pengguna sistem. AND Penglihatan menurun waktu 4.1.1 Antarmuka Halaman Utama 10] gelap AND Perlu waktu terbiasa Nyctalopia terhadap cahaya
4 Halaman utama berisi tentang halaman awal pada saat membuka program, di dalam Halaman utama terdiri dari : 4.1.2 Antarmuka Halaman Pakar Halaman yang akan tampil setelah melakukan login sebagai administrator yang terdiri dari halaman halaman yang berfungsi membuat, mengubah, merelasikan gejala dan penyakit serta menampilkan laporan dari data yang ada di database sistem pakar. Gambar 4. 1 Halaman utama sistem pakar penyakit umum 1) Halaman Login Halaman yang digunakan pengguna (pakar maupun pasien) untuk masuk ke dalam sistem sebagai administrator atau pengguna sistem pakar. Gambar 4. 3 Halaman Pakar Gambar 4. 2 Halaman Login 2) Halaman Registrasi Pasien Halaman yang digunakan untuk memasukkan data pasien sehingga bisa masuk ke dalam sistem dan menggunakan fungsi sistem. Semua field harus diisi sebelum menekan tombol register. Gambar 4. 4 Halaman Relasi 4.1.2 Antarmuka Halaman Pengguna Halaman yang akan tampil setelah melakukan login sebagai pengguna yang terdiri dari halaman halaman yang berfungsi menjalankan metode forward chaining dan certainty factor. Gambar 4. 5 Halaman proses (forward chaining)
Gambar 4.5 adalah halaman yang akan tampil setelah memilih jenis kelompok penyakit, gejala ditampilkan berupa pertanyaan dan digerakkan oleh metode forward chaining. Gambar 4. 6 Halaman hasil konsultasi Gambar 4.6 adalah halaman yang akan tampil setelah metode forward chaining menemukan kesimpulan dari pengumpulan data di halaman proses, dilanjutkan dengan pemeriksaan fisik di halaman hasil ditentukan certainty factor sistem. 5. PENGUJIAN 5.1 Pengujian Validasi Pengujian validasi digunakan untuk menemukan kesesuaian antara kinerja sistem dengan daftar kebutuhan. Tabel 5. 1 Kebutuhan Fungsional No Kasus Uji Status 1 Registrasi pengguna Valid 2 Login pakar Valid 3 Input data penyakit Valid 4 Input data gejala Valid 5 Kelola relasi Valid 6 Login pengguna Valid 7 Profil pengguna Valid 8 Proses diagnosa Valid 9 Proses hasil diagnosa Valid 10 Bantuan/ Informasi Valid Dari hasil pengujian, menunjukkan fungsionalitas sistem dapat berjalan dengan baik sesuai dengan kebutuhan. 5.1 Pengujian Akurasi Kasus penggunaan metode certainty factor pada sistem pakar penyakit umum, pada kasus ini diambil hanya sepuluh kasus saja maka : Rumus CF(H,E) = MB(H,E) - MD(H,E) Kepercayaan awal sistem CF1= MB(1.0 atau 100%) - MD(0%) Tabel 5. 2 Sepuluh kasus yang dilakukan di sistem Hasil Sistem Hasil Diagnosis Dokter MB MD Urtikaria Urtikaria 0.1 0 Urtikaria Urtikaria 0.1 0 Urtikaria Urtikaria 0.1 0 Tinea versicolor Tinea versicolor 0.1 0 Tinea versicolor Tinea versicolor 0.1 0 Diare Gastritis 0 0.1 Varicella Varicella 0.1 0 Laringitis Laringitis 0.1 0 Epitaksis Rhinitis 0 0.1 Parotitis epidemica Postpartum thryroiditis 0 0.1 5 0.7 0.3 Maka perhitunganya, CFc(CF1,CF2)= CF1+CF2(1-CF1) MB Sementara = MB Lama + (MB Baru * (1 - MB Lama)) MB Sementara = 1 + (0,7*(1-1)) = 1 MD Sementara = MD Lama + (MD Baru * (1 - MD Lama)) MD Sementara = 0 + (0,3*(1-0)) = 0,3 Di dapat CF Sistem dari MB Sementara- MD Sementara (1-0,3) yaitu 0,7 Tingkat ketepatan sistem pakar dalam fungsinya mencapai 70% dalam 10 kasus konsultasi. 6. KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan permasalahan yang telah dibahas melalui penelitian ini, maka terdapat kesimpulan yaitu : 1. Sistem dapat menerapkan metode forward chaining ke dalam sistem pakar untuk mendiagnosis penyakit umum yang tepat penggunaanya : a. Sistem dapat menangani proses input data seperti kelompok gejala, gejala, penyakit sehingga data dapat diperbaharui. b. Sistem dapat membuat dan merubah rules yang digunakan untuk proses diagnosis. c. Sistem dapat melakukan diagnosis penyakit umum yang dikumpulkan dari gejala gejala yang dipilih oleh pengguna. d. Sistem dapat memberikan kesimpulan setelah menemukan gejala yang sesuai dengan kriteria suatu penyakit umum yang konsisten sehingga menjadi bahan pertimbangan dokter sebelum melakukan pemeriksaan fisik.
6 2. Sistem dapat menentukan nilai kepastian pada sistem pakar yang dibuat a. Sistem dapat menghitung nilai kepastian sistem dengan mencocokan hasil sistem dan hasil fisik untuk menentukan nilai kepercayaan (MB) dan nilai ketidakpercayaan (MD). b. Sistem memiliki tingkat kepastian 78% untuk 36 kasus yang telah dilakukan dengan sistem. 6.2 Saran Adapun saran yang bisa dikembangkan untuk sistem pakar ini adalah : 1.Untuk mendapatkan hasil diagnosis yang lebih baik, penyakit umum berdasarkan kelompoknya seperti kulit, pernafasan sebaiknya dapat lebih dilengkapi, agar semakin banyak penyakit yang dapat di diagnosis dengan sistem. 2. Diharapkan pengambangan sistem ini dapat disesuaikan dengan dengan perkembangan zaman (contoh : penggunaan aplikasi android) dan penambahan maupun lainnya yang dapat mempermudah pekerjaan pakar. REFERENSI [1] Y. Lestari, Penyakit Berbasis Lingkungan, Diktat Tidak Terpublikasi, Padang: Universitas Andalas, 2012. [2] J. Siddall, Expert system for engineers. New York,USA: Marcel Dekker, 1990. [3] T. Lusiani, Diktat mata kuliah pengantar sistem pakar, Diktat Tidak Terpublikasi, Surabaya: STIKOM, 2011. [4] B. Naibaho, Chapter ll (Modul sistem pakar), Diktat Tidak Terpublikasi, Sumatera: Universitas Sumatera Utara, 2011. [5] M. Negnevitsky, Artificial Intelligence a Guide to Intelligent Systems, 2nd ed. Harlow,England: Pearson Education, 2005. [6] I. Prasetyanigrum, Sistem pakar, Diktat Tidak Terpublikasi, Surabaya: Politeknik Elektronika Negeri Surabaya, 2013.