Filetype PDF | Diposting 23 Aug 2022 | 3 thn lalu
Authentication
digital resources
257x 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.
