Authentication
256x Tipe PDF Ukuran file 0.31 MB Source: eprints.unram.ac.id
PENGEMBANGAN SISTEM PAKAR DIAGNOSIS PENYAKIT INFLUENZA MENGGUNAKAN METODE LOGICAL INFERENCE DAN LOGICAL FUZZY BERBASIS WEB [Development Of Influenza Disease Diagnosis Expert System Using Inference Logic And Fuzzy Logic Web Based] 1 2 3 Muna Aulia , Giri Wahyu Wiriasto,ST.,MT. , Suthami Ariessaputra,ST.,M.Eng. 1 Mahasiswa Program S1 Teknik Elektro, FT, UNRAM 2,3 Dosen Program S1 Teknik Elektro, FT, UNRAM Jln.Majapahit No.62 Mataram 83125 Telepon (0370)636755, 636126 – Ext. 117 Fax (0370)636523 1 2 Email : auliamuna760@gmail.com, giriwahyuwiriasto@gmail.com, 3 suthamiariessaputra@gmail.com ABSTRAK Sistem pakar diagnosis penyakit influenza merupakan suatu system yang dapat mengetahui seberapa besar resiko influenza yang diderita pasien. Pemanfaatan Sistem Pakar dalam dunia medis akan sangat bermanfaat khususnya dalam memberikan keakuratan diagnosa yang dilakukan oleh dokter terhadap pasien. Pada perancangan system pakar ini digunakan 6 jenis gejala influenza diantaranya demam, hidung tersumbat, sakit kepala, nyeri, kelelahan dan batuk dimana pasien akan diminta untuk memberikan penilaian terhadap gejala yang dirasakannya menggunakan skala Visual Analog Scale (VAS) yang merupakan alat ukur yang digunakan pada aplikasi klinis untuk mempresentasikan gambaran intensitas nyeri yang harus ditunjukkan oleh pasien. Metode yang digunakan dalam system pakar ini adalah metode logical inference dan logical fuzzy. Hasil dari penelitian ini adalah system dapat digunakan untuk mengetahui tingkat resiko seseorang terdiagnosa influenza. Berdasarkan hasil pengujian system terhadap 30 orang pasien, tingkat kesesuaian diagnosa antara dokter dengan sistem mencapai 73.3%. Metode logical fuzzy menghasilkan output yang lebih baik dibandingkan dengan metode logical inference dengan atribut kelas antara lain gejala flu, flu ringan, flu sedang, flu tinggi, dan flu sangat tinggi dengan standar deviasi pada logical fuzzy sebesar 17.5 dan logical inference sebesar 19.75. Kata kunci : system pakar, influenza, Logical Inference, Logical Fuzzy, VAS (Visual Analog Scale) ABSTRACT Influenza diagnosis expert system is a system to know how much influenza suffered by patients .Utilization of Expert System in medical world would be very helpful , especially in providing the accuracy of the diagnosis made by doctor to patient. In this expert system design it is used six types of influenza symptoms including fever, nasal congestion, headache, pain, fatigue and cough where the patient will be asked to provide an assessment of the symptoms felt using Visual Analog Scale (VAS), which is a measurement tool used in clinical applications to present an overview of the intensity of pain which should be shown by the patients. The method used in this expert system is logical inference and logical fuzzy. Results from this study is the system can be used to determine the level of risk a person diagnosed with influenza. Based on results of testing the system on 30 patients, the degree of correspondence between doctor diagnoses and the system reached 73.3%. Fuzzy logical method produces better output than logical inference method with class attributes such as symptoms flu, mild flu, moderate flu, hign flu, very high flu with a standard deviation of 17.5 fuzzy logical and logical inference of 19.75. Keywords : expert system, influenza, Logical Inference, Logical Fuzzy, VAS (Visual Analog Scale) 1 Jurusan Teknik Elektro, Fakultas Teknik Universitas Mataram, Nusa Tenggara Barat, Indonesia E-mail : auliamuna760@gmail.com, giriwahyuwiriasto@gmail.com,suthamiariessaputra@gmail.com I. Pendahuluan dalam mendiagnosa resiko influenza dibawah ketidakpastian. Kesehatan merupakan salah satu hal Setelah penelitian ini terlaksana, penting dalam kehidupan manusia. Di Asia diharapkan pada tahapan akhir didapatkan Tenggara satu dari sepuluh orang dewasa manfaat-manfaat penelitian sebagaimana dan satu dari tiga anak-anak terjangkit berikut : influenza musiman setiap tahun dengan a. Membantu dokter untuk mengetahui tingkat serangan pertahun mencapai 5-10% seberapa besar tingkat keparahan pada orang dewasa dan 20-30% pada influenza yang diderita pasiennya. anak-anak. Influenza merupakan suatu b. Mempermudah dan mempercepat penyakit infeksi akut saluran pernapasan penanganan akibat tingkat keparahan terutama ditandai oleh demam, sakit otot, influenza yang diderita pasien sakit kepala, hidung tersumbat, merasa lelah yang berlebihan dan batuk non produktif yang disebabkan oleh virus RNA II. Dasar Teori famili orthomyxoviridae. Walaupun influenza tergolong penyakit yang ringan, 2.2.1 Sistem Pakar namun pada kenyataannya penyakit ini Secara umum, sistem pakar adalah juga memiliki tingkatan yaitu ringan, sistem yang berusaha mengadopsi sedang, dan berat, apalagi komplikasi yang pengetahuan manusia ke komputer, agar diakibatkan penyakit ini berujung pada komputer dapat menyelesaikan masalah kematian. Terkadang, pasien tidak bisa seperti yang biasa dilakukan oleh para ahli menggambarkan kondisi yang sebenarnya. (Sri Kusumadewi, 2003, hal 109). Sistem Akibatnya, gejala menjadi faktor pakar merupakan program Artificial ketidakpastian dalam proses mendiagnosa. Intelligence (AI) yang sangat berguna. Ketidakpastian berlaku hampir disetiap Program ini sangat inovatif dalam tahap proses pengambilan keputusan menghimpun dan mengemas pengetahuan. dalam medis yang melibatkan pengetahuan Keampuhan paling utamanya terletak pada domain medis dan gejala klinis. kemampuan dan penggunaan praktisnya Berdasarkan hal tersebut, dilakukan bila di satu tempat tidak ada seorang pakar berbagai pengembangan untuk mendukung dalam suatu bidang ilmu. Oleh karena itu, diagnosis medis. Salah satunya melalui sistem pakar akan mengubah peta Sistem Pakar (Expert System) yang keahlian. Sebagai akibat logis penyebaran dirancang khusus untuk mendiagnosa kepakaran, daerah yang langka pakar akan suatu penyakit. terbantu dalam mengatasi berbagai Sistem Pakar dengan metode Fuzzy kesulitan dan tantangan yang dihadapinya. untuk mendiagnosa penyakit merupakan pengembangan sistem pakar konvensional. Sistem pakar Fuzzy dapat meningkatkan 2.2.2 Visual Analaog Scale (VAS) hasil diagnosa dibandingkan dengan sistem VAS merupakan alat ukur yang pakar klasik, peningkatan hasil yaitu sederhana untuk mengukur/mengetahui persentasi seseorang terkena penyakit intensitas nyeri secara subjektif. Alat ukur berdasarkan gejala yang diinputkan. ini awalnya digunakan dalam pemeriksaan Intensitas tiap gejala yang dirasakan dapat psikologi sejak abad ke 20. Sekitar tahun diukur dengan alat ukur Visual Analog 70an Huskisson mempopulerkan alat ukur Scale (VAS) yang telah terbukti relevan ini dalam aplikasi klinis. VAS berupa secara klinis dalam mengukur tingkat berat sebuah garis lurus sepanjang 10 cm. Garis tiap gejala yang dirasakan oleh pasien. ini mempresentasikan gambaran intensitas Rumusan masalah berdasarkan nyeri yang harus ditunjukkan oleh pasien. paparan diatas, adalah bagaimana Penggunaan VAS lebih gampang, efisien, membuat dan merancang suatu sistem dan lebih mudah dipahami oleh penderita pakar diagnosis influenza untuk dibandingkan dengan skala lainnya. memberikan tingkat keakurasian dalam Penggunaan VAS telah direkomendasikan mendiagnosa dibawah ketidakpastian. karena selain telah digunakan secara luas, Tujuan dari penelitian ini adalah VAS juga secara metodologis kualitasnya merancang sebuah sistem pakar diagnosis lebih baik, dan penggunaannya relatif influenza yang dapat membantu dokter mudah. untuk memberikan tingkat keakurasian 1 Jurusan Teknik Elektro, Fakultas Teknik Universitas Mataram, Nusa Tenggara Barat, Indonesia E-mail : auliamuna760@gmail.com, giriwahyuwiriasto@gmail.com,suthamiariessaputra@gmail.com 3. Semesta Pembicaraan Semesta pembicaraan adalah suatu Gambar 2.1 Skala Visual Analog keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel Pengukuran dengan VAS pada nilai Fuzzy. 0 tidak nyeri, antara 0-4 dianggap sebagai 4. Domain tingakat nyeri yang rendah, 4-7 dinyatakan Domain himpunan Fuzzy adalah sebagai nyeri sedang dan di atas 7 keseluruhan nilai yang diijinkan dalam dianggap sebagai nyeri hebat (Setiyohadi semesta pembicaraan dan boleh et al, 2014). dioperasikan dalam suatu himpunan Fuzzy. 2.2.3 Logical Inference Dalam logika, aturan inferensi / rule of III. Metodelogi Penelitian interference (atau disebut juga aturan transformasi) merupakan relasi antara Didalam pengembangan fuzzy expert premise dan konklusi untuk menghasilkan system ini melalui tahapan-tahapan argumen, dimana konklusi dikatakan dapat sebagai berikut : inferable (atau derivable atau deducible) 1. Identifikasi Masalah dari premise [8]. Jika premise kosong, Langkah pertama yang penulis lakukan maka konklusi dapat dikatakan sebagai dalam melakukan penelitian adalah theorem atau axiom dari logika. Aturan- menerapkan identifikasi masalah aturan ini dapat diterapkan saat kita ingin dalam menentukan objek sebagai mengemukakan satu argumen berdasarkan materi yang akan dikaji di penelitian ini. suatu penelitian (thesis/disertation). 2. Studi Literatur Penulis mengumpulkan dan 2.2.4 Logika Fuzzy mempelajari data dan informasi dari Logika fuzzy pertama kali berbagai sumber literatur baik cetak diperkenalkan oleh Lofti A. Zadeh dari maupun elektronik yang berkaitan Universitas Barkley California pada tahun dengan logika fuzzy diagnosis penyakit 1965. Zadeh memodifikasi teori himpunan influenza. yang setiap anggotanya memiliki derajat 3. Analisa Kebutuhan keanggotaan yang bernilai kontinyu antara Dalam penelitian ini dilakukan analisa 0 sampai 1 yang digunakan untuk kebutuhan sesuai dengan kebutuhan menangani kekaburan. Himpunan ini sistem yang akan dibangun untuk disebut dengan himpunan kabur (fuzzy set) dapat melakukan diagnosis influenza. (Zimmermann, 2001:16). Keanggotaan Kebutuhan tersebut terbagi atas dalam himpunan fuzzy bukan dalam bentuk analisa data dan analisa kebutuhan logika benar (true) atau salah (false), tapi dari sistem. Dalam analisa data dinyatakan dalam derajat (degree). Penulis melakukan wawancara untuk Beberapa hal yang perlu diketahui dalam mendapatkan data yang akan memahami sistem fuzzy, yaitu : menunjang kebutuhan sistem yang 1. Variabel Fuzzy dilakukan di Puskesmas Pejeruk yang Variabel Fuzzy merupakan variabel yang beralamatkan di Jl. Pinang Raya No. hendak dibahas dalam suatu sistem Fuzzy. 1.b Pejeruk Ampenan pada tanggal 21 2. Himpunan Fuzzy Mei 2016 Himpunan Fuzzy adalah himpunan yang 4. Perancangan Sistem tiap elemennya mempunyai derajat Perancangan sistem dilakukan setelah keanggotaan tertentu terhadap semua kebutuhan sistem terpenuhi himpunannya. Himpunan Fuzzy memiliki yang didapatkan melalui tahap analisis dua atribut, yaitu : kebutuhan. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan Table 3.1 Atribut Tiap Gejala Influenza atau kondisi tertentu dengan menggunakan bahasa alami. Input Sub Febris Febris Hiperpireksi a Numeris, yaitu suatu nilai (angka) Demam 1-2 2-6 6-10 yang menunjukkan ukuran dari suatu Input Ringan Sedang Berat variabel. Hidung 0 – 4 4 – 7 7 – 10 tersumba t 1 Jurusan Teknik Elektro, Fakultas Teknik Universitas Mataram, Nusa Tenggara Barat, Indonesia E-mail : auliamuna760@gmail.com, giriwahyuwiriasto@gmail.com,suthamiariessaputra@gmail.com Kelelaha 0 – 4 4 – 7 7 - 10 n Nyeri 0 – 4 4 – 7 7 - 10 Sakit 0 – 4 4 – 7 7 - 10 kepala Batuk 0 – 4 4 – 7 7 - 10 Gejal Flu Flu Flu Flu Output a flu Ring Seda Tinggi Sangat an ng Tinggi Influenza 0 – 2 2 – 4 4 – 6 6 - 8 8 – 10 Gambar 3.3 Fungsi Keanggotaan Hidung Table 3.2 Himpunan Fuzzy Influenza Tersumbat Input Sub Febris Febris Hiperpireksi a c. Nyeri Demam 37-39 38-40.5 39.5-42 Variabel nyeri terbagi menjadi 3 Input Ringan Sedang Berat himpunan linguistik, yaitu ringan, Hidung 0 – 5 4 – 7 7 – 10 tersumba sedang dan tinggi t Kelelaha 0 – 5 2 – 8 5 - 10 No. Himpunan domain n Nyeri 0 – 5 2 – 8 5 - 10 1. Ringan 0-5 Sakit 0 – 5 2 – 8 5 - 10 2. Sedang 2-8 kepala Batuk 0 – 5 2 – 8 5 - 10 3. Berat 5-10 Gejal Flu Flu Flu Flu Output a flu Ring Seda Tinggi Sangat an ng Tinggi Influenza 0 – 2 2 – 4 4 – 6 6 - 8 8 – 10 1. Fungsi Derajat Keanggotaan a. Demam Variabel demam terbagi menjadi 3 himpunan linguistik, yaitu subfebris, febris dan hyperpyrexia Gambar 3.4 Fungsi Keanggotaan Nyeri No. Himpunan domain Subfebris 0 0 d. Kelelahan 1. 37 C-39 C febris 0 Variabel kelelahan terbagi menjadi 3 2. 38-40,5 C hiperpireksia 0 himpunan linguistik, yaitu ringan, 3. 39,5-42 C sedang dan tinggi No. Himpunan domain 1. Ringan 0-5 2. Sedang 2-8 3. Berat 5-10 Gambar 3.2 Fungsi Keanggotaan Demam b. Hidung Tersumbat Variabel hidung tersumbat terbagi menjadi 3 himpunan linguistik, yaitu ringan, sedang dan tinggi Gambar 3.5 Fungsi Keanggotaan kelelahan No. Himpunan Domain 1. Ringan 0-5 2. Sedang 2-8 e. Sakit Kepala 3. Berat 5-10 Variabel sakit kepala terbagi menjadi 3 himpunan linguistik, yaitu ringan, sedang dan tinggi 1 Jurusan Teknik Elektro, Fakultas Teknik Universitas Mataram, Nusa Tenggara Barat, Indonesia E-mail : auliamuna760@gmail.com, giriwahyuwiriasto@gmail.com,suthamiariessaputra@gmail.com
no reviews yet
Please Login to review.