model identifikasi penyakit yang dapat di …perpustakaan.fmipa.unpak.ac.id/file/e-jurnal dicky...
TRANSCRIPT
1
MODEL IDENTIFIKASI PENYAKIT YANG DAPAT DI CEGAH MELALUI
IMUNISASI DENGAN MENGGUNAKAN METODE DEMPSTER SHAFER
BERBASIS WEB
Dicky Aditya, Prihastuti Harsani, Arie Qur’ania. Email : [email protected]
Program Studi Ilmu Komputer FMIPA Universitas Pakuan
ABSTRAK
Sistem pakar (expert system) adalah sistem yang menggunakan pengetahuan/
knowledge khusus untuk memecahkan masalah pada level human expert/pakar,
dimana pengetahuan tersebut dimasukan kedalam sebuah komputer,dan kemudian
digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan
kepakaran atau keahlian manusia.Dalam kasus ini,sistem pakar digunakan untuk
mengidentifikasi penyakit yang dapat dicegah melalui imunisasi.Imunisasi dasar
lengkap yang termasuk didalam penyakit menular yang dapat dicegah dengan
imunisasi harus mendapat perhatian lebih oleh banyak pihak, Apabila penyakit
menular ini tidak segera dilakukan pencegahan dengan pemberian imunisasi
lengkap, maka akan menyebabkan kematian ataupun kecacatan pada penderita
penyakit, Oleh karena itu pada penelitian ini di buat aplikasi sistem pakar yang
menggunakan metode Dempster Shafer (DS) untuk menentukan penilian bobot
nilai dentitas gejala, kemudian hasil pembobotan ini di implentasikan kedalam
Sistem pakar (SP). Tujuan Penelitian ini adalah membuat aplikasi Model
identifikasi penyakit yang dapat dicegah melalui imunisasi dengan menggunakan
metode Dempster Shafer, uji coba yang digunakan adalah uji coba akurasi yang
diperoleh dari sistem dan pakar. Dari hasil uji coba, diperoleh akurasi sebesar
70% dari hasil pencocokan model identifikasi dengan kesimpulan pakar.
Kata Kunci : Sistem Pakar, Imunisasi, Dempster Shafer
PENDAHULUAN
Latar Belakang
Sistem pakar merupakan
program komputer yang
menggunakan pengetahuan pakar
untuk mencapai tingkat kinerja yang
tinggi pada area yang sempit
(Waterman, 1986). Secara umum,
sistem pakar adalah sistem yang
berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer
dapat menyelesaikan masalah seperti
yang biasa dilakukan oleh para ahli
(Sri Kusumadewi, 2003). Pakar yang
dimaksud disini adalah orang yang
mempunyai keahlian khusus yang
dapat menyelesaikan masalah yang
tidak dapat diselesaikan orang awam.
Sebagai contoh, dokter adalah
seorang pakar yang mampu
mendiagnosis penyakit yang diderita
pasien serta dapat memberikan
penatalaksanaan suatu penyakit..
Salah satu contohnya adalah
artificial intelegensia. Kecerdasan
buatan atau Artificial Intelligence
merupakan salah satu bagian ilmu
komputer yang membuat agar mesin
(komputer) dapat melakukan
pekerjaan seperti dan sebaik yang
dilakukan oleh manusia.
2
Permasalahan kesehatan tahun
2012 khususnya terdapat pada
bidang imunisasi dasar lengkap yang
termasuk didalam penyakit menular
yang dapat dicegah dengan imunisasi
(PD3I) harus mendapat perhatian
lebih oleh banyak pihak. Beberapa
diantaranya penyakit Hepatitis A,
Campak, Difteri, Pertusis,
Tuberkolosis, Hepatitis B, Polio,
Gondongan, Tetanus, Rabies,
Influenza, Meningitis, Cacar air dan
Tifoid. Apabila penyakit menular ini
tidak segera dilakukan pencegahan
dengan pemberian imunisasi
lengkap, maka akan menyebabkan
kematian ataupun kecacatan pada
penderita. Penyakit menular yang
dapat dicegah dengan imunisasi
(PD3I) adalah penyakit yang
diharapkan dapat diberantas atau
ditekan dengan pelaksanaan program
imunisasi.Imunisasi adalah suatu
cara yang dilakukan untuk
menimbulkan ataupun meningkatkan
kekebalan tubuh seseorang terhadap
paparan penyakit.Prevalensi kasus
penyakit yang dapat dicegah dengan
imunisasi terkadang menunjukkan
peningkatan maupun penurunan,
tergantung jenis penyakit menular
(Depkes RI, 2005).
Tujuan Penelitian ini adalah
membuat aplikasi identifikasi
penyakit yang dapat dicegah dengan
imunisasi dengan menggunakan
metode Dempster Shafer. Ruang
lingkup pada penelitian ini adalah
melakuan analisa penyakit yang
dapat dicegah dengan imunisasi
dengan mengunakan menggunakan
metode Dempster Shafer. Dan
merancang aplikasi sistem pakar
dalam mengidentifikasi gejala-gejala
penyakit yang dapat dicegah dengan
imunisasi, Manfaat dari penelitian ini
adalah tersedianya aplikasi sistem
pakar yang dapat mendiagnosa suatu
penyakit yang ada dalam imunisasi.
Pendekatan metode Dempster shafer
pada penelitian ini, Dilakukan
dengan mengukur evidence (fakta)
dalam mendukung suatu himpunan
proposisi pada model identifikasi
penyakit yang dapat dicegah melalui
imunisasi.
METODE PENELITIAN
Metode penelitian yang
digunakan untuk membangun
Penerapan Metode Dempster Shafer
Untuk Identifikasi Pencegahan
Penyakit Melalui Imunisasi Berbasis
Web adalah SDLC (Systems
Development Life Cycle, Siklus
Hidup Pengembangan Sistem).
Systems Development Life
Cycle merupakan serangkaian
aktivitas atau kegiatan yang
dilaksanakan oleh para ahli dan
pemakai system informasi (user)
untuk mengembangkan dan
mengimplementasikan sistem
Informasi. Metode SDLC yang
diterapkan pada penelitian meliputi
tahap-tahap yang disajikan pada
Gambar 1.
Gambar 1. Tahap Systems
Development Life Cycle.
3
Tahap Perencanaan Sistem
Tahap perencanaan merupakan
suatu tahap pengumpulan data yang
dilakukan dengan mencari informasi
kebutuhan data serta solusi yang
tepat apabila sistem mulai dibuat.
Dengan melakukan kegiatan
pengumpulan data secara teoritis
untuk mendukung data yang
diperoleh dari lapangan dan buku -
buku dan pencarian melalui media
internet serta melakukan observasi
pada pakar untuk memperoleh data
yang akurat sesuai yang dibutuhkan
dalam pembuatan sistem.
Analisa Sistem
Tahap Sistem dilakukan
dalam penelitian berjudul Model
Identifikasi Penyakit Yang Dapat Di
Cegah Melalui Imunisasi Dengan
Menggunakan Metode Dempster
Shafer Berbasis Web.Pengumpulan
dan pengolahan data dengan
melakukan wawancara, observasi
serta tehnik pengambilan sampel.
Mengidentifikasi masalah melihat
kebutuhan yang diperlukan pengguna
dalam mengetahui keluhan-keluhan
yang dialami oleh masyarakat.
Perancangan Sistem
Perancangan ini meliputi
proses pembuatan sistem yang sudah
dianalisis sebelumnya Tahap
perancangan sistem dalam penelitian
ini akan dilakukan dengan
menggunakan Data Flow Diagram
(DFD), ERD (Entity Relationship
Diagram) yang merupakan suatu
model jaringan yang menggunakan
susunan data yang disimpan dalam
sistem secara abstrak,dan flowchart
sebagai perancangan sistem secara
keseluruhan dalam penelitian ini
menggunakan flowchart yang
merupakan simbol – simbol yang
digunakan untuk menggambarkan
urutan proses yang terjadi didalam
suatu program komputer secara
sistematis dan logis.
Implementasi Sistem
Tahap ini dilakukan dengan
penyajian rancangan yang telah di
buat ke dalam bentuk
pengimplementasian sebuah program
yang meliputi penyajian dan
visualisasi pada form-form sistem
Penerapan Metode Dempster Shafer
Untuk Identifikasi Penyakit Dengan
Imunisasi Berbasis Web. dengan
menggunakan windows 8 sebagai
sistem operasinya dibangun dengan
menggunakan bahasa pemrograman
PHP dan MYSQL sebagai database-
nya.
Uji Coba sistem
Uji coba sistem dilakukan
melalui 3 (tiga) tahap uji coba, yakni
uji coba struktural, fungsional dan
validitas data.
a. Uji Coba Struktural
Uji coba struktural adalah uji
coba yang dilakukan untuk
mengetahui apakah struktur
atau alur program yang dibuat
sudah sesuai dengan
perancangan.
b. Uji Coba Fungsional
Uji coba fungsional adalah uji
coba yang dilakukan untuk
mengetahui apakah sistem
4
yang dibuat sudah dapat
berfungsi dengan baik.
c. Uji Coba Validasi
Uji Coba Validasi adalah uji
coba yang dilakukan untuk
mengetahui apakah sistem
yang dibuat sudah sesuai
dengan benar.
Tahap Penggunaan Sistem
Tahap penggunaan sistem ini
akan ada beberapa informasi dan
pertanyaan seputar gejala-gejala
yang dialami atau terjadi selama
mengalami demam berdarah yang
nantinya akan menghasilkan output,
dimana output tersebut memberikan
penjelasan seputar gejala-gejala yang
dialami oleh masyarakat beserta
solusi dan nilai kepercayaan. Dan
dihasilkan dengan menggunakan
metode yang diperoleh dari ke
akuratan, dimana Proses ini
dilakukan untuk mengetahui dan
menentukan seberapa baik aplikasi
yang dibuat untuk memenuhi kriteria
kerja sistem.
Teori Dempster Shafer Metode Dempster-Shafer
pertama kali diperkenalkan oleh
Dempster, yang melakukan
percobaan model ketidakpastian
dengan range probabilities dari pada
sebagai probabilitas tunggal.
Kemudian pada tahun 1976 Shafer
mempublikasikan teori Dempster itu
pada sebuah buku yang berjudul
Mathematical Theory Of Evident
Dempster-Shafer Theory Of
Evidence, menunjukkan suatu cara
untuk memberikan bobot kenyakinan
sesuai fakta yang dikumpulkan.
Pada teori ini dapat
membedakan ketidakpastian dan
ketidaktahuan. Teori Dempster-
Shafer adalah representasi,
kombinasi dan propogasi
ketidakpastian, dimana teori ini
memiliki beberapa karakteristik yang
secara instutitif sesuai dengan cara
berfikir seorang pakar, namun dasar
matematika yang kuat.
[Belief,Plausibility]
Belief (Bel) adalah ukuran
kekuatan evidence dalam mendukung
suatu himpunan proposisi. Jika
bernilai 0 maka mengindikasikan
bahwa tidak ada evidence, dan jika
bernilai 1 menunjukkan adanya
kepastian. Plausibility (Pls) akan
mengurangi tingkat kepastian dari
evidence. Plausibility bernilai 0
sampai 1. Jika yakin akan X’, maka
dapat dikatakan bahwa Bel(X’) = 1,
sehingga rumus di atas nilai dari
Pls(X) = 0.
Menurut Giarratano dan
Riley fungsi Belief dapat
diformulasikan dan ditunjukkan pada
persamaan (1):
Bel (X) = ……………1)
Dan Plausibility dinotasikan pada
persamaan (2):
Pls (X) = 1 – Bel (X) = 1 –
……………………... (2)
Dimana :
Bel (X) = Belief (X)
Pls (X) = Plausibility (X)
m (X) = mass function dari
(X)
m (Y) = mass function dari
(Y)
Teori Dempster-Shafer
menyatakan adanya frame of
discrement yang dinotasikan dengan
simbol (Θ). frame of discrement
merupakan semesta pembicaraan dari
5
sekumpulan hipotesis sehingga
sering disebut dengan environment
yang ditunjukkan pada persamaan
(3) :
Θ = { θ1, θ2, … θN}…….……... (3)
Dimana :
Θ = frame of discrement atau
environment
θ1,…,θN = element/ unsur
bagian dalam environment
Environment mengandung
elemen-elemen yang
menggambarkan kemungkinan
sebagai jawaban, dan hanya ada satu
yang akan sesuai dengan jawaban
yang dibutuhkan. Kemungkinan ini
dalam teori Dempster-Shafer disebut
dengan power set dan dinotasikan
dengan P (Θ), setiap elemen dalam
power set ini memiliki nilai interval
antara 0 sampai 1.
m : P (Θ) →[0,1]
Sehingga dapat dirumuskan pada
persamaan (4) :
……………...(4)
Dengan :
P (Θ) = power set
m (X) = mass function (X)
Mass function (m) dalam
teori Dempster-shafer adalah tingkat
kepercayaan dari suatu evidence
(gejala), sering disebut dengan
evidence measure sehingga
dinotasikan dengan (m). Tujuannya
adalah mengaitkan ukuran
kepercayaan elemen-elemen θ. Tidak
semua evidence secara langsung
mendukung tiap-tiap elemen. Untuk
itu perlu adanya probabilitas fungsi
densitas (m). Nilai m tidak hanya
mendefinisikan elemen-elemen θ
saja, namun juga semua subsetnya.
Sehingga jika θ berisi n elemen,maka
subset θ adalah 2n. Jumlah semua m
dalam subset θ sama dengan 1.
Apabila tidak ada informasi apapun
untuk memilih hipotesis, maka nilai :
m{θ} = 1,0
Apabila diketahui X adalah
subset dari θ, dengan m1 sebagai
fungsi densitasnya, dan Y juga
merupakan subset dari θ dengan m2
sebagai fungsi densitasnya, maka
dapat dibentuk fungsi kombinasi m1
dan m2 sebagai m3, yaitu
ditunjukkan pada persamaan (5) :
Dimana :
m3(Z) = mass function dari
evidence (Z)
(X) = mass function dari
evidence (X), yang diperoleh dari
nilai keyakinan suatu evidence
dikalikan dengan nilai disbelief dari
evidence tersebut.
(Y) = mass function dari
evidence (Y), yang diperoleh dari
nilai keyakinan suatu evidence
dikalikan dengan nilai disbelief dari
evidence tersebut.
=
merupakan nilai kekuatan dari
evidence Z yang diperoleh dari
kombinasi nilai keyakinan
sekumpulan evidence.
Gambar 2. Algoritma Dempster
Shafer
6
HASIL DAN PEMBAHASAN
Hasil
Tahap sebelumnya telah
dipaparkan proses perancangan dan
implementasi mengenai sistem pakar
deteksi dini penyakit demam
berdarah dengan menggunakan
metode Dempster-Shafer dari bentuk
tampilan beserta uraiannya mengenai
pembahasan halaman pada program
ini.
Analisis Gejala Untuk mempresentasikan
hasil dari gejala yang ada, maka
dibuatlah sebuah kaidah sederhana
seperti pada pernyataan dibawah ini:
Jika [Gejala 1]
Dan [Gejala 2]
Dan [Gejala 3]
Maka [Penyakit]
Pembahasan
Pengujian Akurasi
Pengujian Akurasi dari suatu
sistem pengukuran yaitu tingkat
kedekatan pengukuran kuantitas
terhadap nilai yang sebenarnya.
Kepresisian dari suatu sistem
pengukuran repeatability yang
sejauh mana pengulangan
pengukuran dalam kondisi yang
tidak berubah mendapatkan hasil
yang sama
Tabel 1. Tabel Akurasi Hasil Diagnosa Sistem Pakar
No. Gejala Diagnosa Sistem Diagnosa Pakar Akurasi
1 Air seni berwarna seperti
the
Sakit kepala/Pusing Hepatitis B Hepatitis B Sesuai
Mual/Muntah
Sakit Perut
2 Sakit kepala/Pusing Hepatitis B Hepatitis B
Demam/Panas Tinggi Influenza (Flu) Influenza (Flu)
Sakit Perut Cacar air Cacar air
Mumps/Gondongan Mumps/Gondongan
Tifoid Tifoid
Hepatitis A Hepatitis A
Tuberkulosis (TBC) Tuberkulosis (TBC)
Tuberkulosis Tuberkulosis
Polio Polio
Difteri Difteri Sesuai
Pertusis Pertusis
Tetanus Tetanus
Campak Campak
Meningitis Meningitis
Rabies Rabies
3 Lenting berisi cairan
Sklera Mata Kuning Cacar Air Cacar Air Sesuai
Sakit kepala/Pusing
Demam/Panas tinggi
4 Hidrofobia (Takut air)
Deman atau Panas tinggi Rabies Rabies Sesuai
Prilaku Agresif
5 Sakit Tenggorokan
Batuk Kronis Tuberkulosis(TBC) Tuberkulosis(TBC) Sesuai
Pilek
7
6 Kaku leher
Demam atau Panas tinggi Meningitis Meningitis Sesuai
Sakit kepala/Pusing
7 Sklera mata kuning Hepatitis B
Batuk Kronis Tuberkulosis(TBC) Tuberkulosis(TBC) Tidak Sesuai
Keringat dimalam hari
8 Demam/Panas Tinggi Hepatitis B Difteri
Pilek Influenza (Flu) Influenza
Sakit Kepala Cacar air Meningitis
Mual/Muntah Mumps/Gondongan Campak
Nyeri otot Tifoid Tuberkulosis(TBC
Sakit tenggorokan Hepatitis A
Tuberkulosis (TBC)
Tuberkulosis Tidak Sesuai
Polio
Difteri
Pertusis
Campak
Meningitis
Rabies
9 Batuk Kronis Tuberkulosis(TBC) Polio
Demam/Panas Tinggi Pertusis Pertusis Tidak Sesuai
Pusing Difteri
Mual/Muntah
10 Kelumpuhan kaki
Demam/Panas tinggi
Mual/Muntah Polio Polio Sesuai
Pusing
Sakit Prut
Dapat disimpulkan bahwa
akurasi sistem pakar menggunakan
metode Dempster Shafer berdasarkan
10 data diagnosa gejala penyakit
yang dapat dicegah dengan imunisasi
yang telah diuji mempunyai tingkat
akurasi keberhasilan yang cukup
baik sesuai dengan diagnosa pakar
yaitu sebesar 70%.
Nilai Akurasi = 7/10 x 100% = 70%
Halaman Utama Beranda dan
Tentang Program Tampilan ini merupakan
penjelasan tentang penyakit demam
berdarah, dimana tampilan tersebuat
terdapat pada halaman utama
(Beranda). Sedngkan tentang
program adalah penjelasan dari cara
kerja sistem pakar, sehingga dapat
dimengerti oleh masyarakat untuk
meggunakan sistem tersebut. Berikut
merupakan tampilan halaman utama
beranda dan tentang program yang
ditujukan pada gambar 3 dan
gambar 4.
Gambar 3. Tampilan Halaman
Utama Bera
8
Gambar 4. Tampilan Halaman
Utama Tentang Program
Halaman Login dan Registrasi
Pengguna
Sistem pakar deteksi penyakit
demam berdarah ini mempunyai
kolom login dan registrasi. Dimana
fungsi dari login ini user sudah
mempunyai akun atau telah terdaftar.
Seangkan registrasi untuk user yang
belum terdaftar atau mempunyai
akun untuk mengakses sistem ini.
dapat dilihat pada gambar 5.
Gambar 5. Tampilan Halaman
Login dan Registrasi Pengguna
Halaman Diagnosa dan Hasil
Diagnosa Tampilan halaman diagnosa ini
berisikan pertanyaan-pertanyaan
seputar gejala atau keluhan - keluhan
yang nantinya akan dipilih oleh user.
Sedangkan hasil diagnosa adalah
tampilan yang sudah user inputkan
mengenai gejala-gejala yang telah
dialami, sehingga dapat diproses oleh
sistem tersebut Berikut merupakan
tampilan halaman diagnosa da hasil
diagnosa yang ditunjukan
padagambar 6 dan gambar 7.
Gambar 6. Tampilan Halaman
Diagnosa
Gambar 7. Tampilan Halaman Hasil
Diagnosa
9
Perhitungan manual untuk (Uji Coba Validasi)
Uji coba validasi merupakan pemeriksaan keakuratan hasil data yang telah
dimasukkan kedalam aplikasi. Uji coba tersebut dilakukan dengan validasi sistem
pengisian data kedalam sistem dan hasil akhirnya sesuai dengan data yang
dimasukkan, Berikut ini merupakan salah satu hasil uji coba validasi pada sistem
ini, dengan membandingkan hasil perhitungan Dempster-Shafer manual dengan
hasil perhitungan pada sistem :
Berikut gejala yang diplih adalah:
1. Air seni berwarna seperti teh [G001]
2. Demam atau panas tinggi [G009]
3. Keringat dimalam hari [G020]
4. Mual atau muntah [G034]
5. Rasa tidak enak diperut/Sakit perut/Konstipasi [G046]
6. Sakit kepala atau pusing [G048]
7. Sklera mata kuning [G050]
Diketahui gejala pertama yang dipilih: Air seni berwarna seperti teh
(G001), yang merupakan gejala dari Hepatitis B (P1),yang memiliki niai dentitas
60%,lalu dicari Plausanbility dari [G001] tersebut :
m1 {G001} = 0,6
m1 {ø} = 1 – 0.6 = 0.4
Lalu cari Ilustrasi nilai keyakinan terhadap 1 gejala :
Tabel 4. Ilustrasi Nilai Keyakinan Terhadap 1 Gejala Air seni berwarna seperti the (P1)
# m1 {P1}
>>0,6
{Θ} >> 0,4
m1{P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,
P11,P12,P13,P14} >> 1
m1 {P1}
>> 0,6
P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,
P12,P13,P14>> 0,4
Selanjutnya Gejala kedua yaitu : Demam atau Panas tinggi (G009), yang
merupakan gejala dari Hepatitis B (P1),Tuberkulosis (P2),Polio (P3), Difetri (P4),
Campak (P7),Meningistis (P8),Rabies (P9),Influenza (P10),Cacar air
(P11),Mumps(Gondongan/Parotitis) (P12),Tifoid (P13), dan Hepatitis A (P13)
yang memiliki nilai dentitas 30%,lalu dicari nilai Plausanbility dari [G009] :
m2{G009}= 0,3
m2{ø} = 1- 0.3 = 0.7
Lalu cari Ilustrasi nilai keyakinan terhadap 2 gejala :
Tabel 5. Ilustrasi Nilai Keyakinan Terhadap 2 Gejala Demam atau panas tinggi (P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14)
# m2{P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14}>> 0,3 m2{ø} >> 0,7
m1{ P1} >> 0,6 { P1} >> 0,18 { P1} >> 0,42
m1{ø} >> 0,4 m2{P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14}>> 0,12 {Θ} >> 0,28
Selanjutnya hitung nilai dentitas baru untuk beberapa kombinasi (m3)
dengan persamaan Demster Shafer sebagai berikut :
m3 {P1} = (0,18 + 0,42 ) / (1 – 0) = 0,6
m3 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} = (0,12) / ( 1 – 0 ) = 0,14
10
m3 {ø} = (0,28)/ ) / ( 1 – 0 ) = 0,28
Kemudian terdapat lagi gejala ketiga : Keringat dimalam hari
(G020),yang merupakan gejala dari Tuberkulosis /TBC (P2),yang memiliki nilai
dentitas 50%,lalu dicari nilai Plausanbility dari [G020] tersebut :
m4 {G020} = 0,5
m4 {ø} = 1 – 0.5 = 0.5
Lalu cari Ilustrasi nilai keyakinan terhadap 3 gejala :
Tabel 6. Ilustrasi Nilai Keyakin Terhadap 3 Gejala Keringat dimalam hari (P2)
# m4{P2} >> 0,5 m4 {ø} >> 0,5
m3{ P1} >> 0,6 {ø} >> 0,3 { P1} >>0,3
m3{P1,P2,P3,P4,P7,P8,P9,P10,P1
1,P12,P13,P14}>> 0,12
{P2} >> 0.06 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,
P13,P14}>> 0,06
m3{ø} >>0,28 {P2} >> 0,14 {Θ} >> 0,14
Lalu hitung nilai keyakinan (m) kombinasinya :
m5 {P1} = (0,3) / (1 – 0,3) = 0,4286
m5 {P2} = (0,06 + 0,14) ) / ( 1 – 0,3) = 0,2857
m5 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} = (0,06) ) / (1 – 0,3) = 0,0857
m5 {ø} = (0,14) ) / (1 – 0,3) = 0,2
Selanjutnya muncul kembali gejala baru yaitu gejala keempat : Mual atau
muntah (G034),yang merupakan gejala dari Hepatitis B (P1),Polio (P3),Pertusis
(P5),Meningitis (P8) dan Hepatitis A (P14), yang memiliki dentitas 30%,lalu
dicari Plausanbility dari [G034] tersebut :
m6 {G034 = 0,3
m6 {ø} = 1 – 0.3 = 0.7
Lalu cari Ilustrasi nilai keyakinan terhadap 4 gejala :
Tabel 7. Ilustrasi Nilai Keyakinan Terhadap 4 Gejala Mual atau muntah (P1,P3,P5,P8,P14)
# m6{P1,P3,P5,P8,P14 }>> 0,3 m6 {ø} >> 0,7
m5{ P1} >> 0,4286 { P1} >> 0,1286 { P1} >> 0,3
m5{P2} >> 0,2857 {ø} >> 0,0857 {P2} >> 0,2
m5{P1,P2,P3,P4,P7,P8,P9,P10,
P11,P12,P13,P14} >> 0,0857
{ P1,P3,P8,P14} >>0,0257 {P1,P2,P3,P4,P7,P8,P9,P10,
P11,P12,P13,P14} >> 0,06
m5{ø} >> 0,2 {P1,P3,P5,P8,P14} >> 0,3 {Θ} >> 0,14
Lalu hitung nilai keyakinan (m) kombinasinya :
m7 {P1} =(0,1286 + 0,3) / (1 – 0,0857) = 0,4688
m7 {P2} = (0,2) / (1 – 0,0857) = 0,2188
m7 {P1,P3,P8,P14} = (0,02570 / ( 1 – 0,0857) = 0,0281
m7 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,060 / (1 – 0,0857) = 0,0656
m7 { P1,P3,P5,P8,P14} = (0,6) / (1 – 0,0857) = 0,656
m7 {ø} = (0,14) / ( 1 – 0,0857) = 0,1531
Kemudian muncul kembali gejala kelima yaitu : Rasa tidak enak
diperut/Sakit perut/Konstipasi (G046),yang memiliki nilai dentitas 30%,lalu dicari
nilai Plausability dari [G046] tersebut :
m8 {G046}= 0,3
m8 {ø} = 1 – 0.3 = 0.7
Lalu cari Ilustrasi nilai keyakinan terhadap 5 gejala :
11
Tabel 8. Ilustrasi Nilai Keyakinan Terhadap 5 Gejala Rasa tidak enak diperut/Sakit perut/Konstipasi (P1,P3,P13)
# m8{ P1,P3,P13} >> m8{ø} >> 0,7
m7 {P1} >> 0,4688 {P1} >> 0,1406 {P1} >> 0,3281
m7 {P2} >> 0,2188 {P2} >> 0,0656 {P2} >> 0,1531
m7 {P1,P3,P8,P14} >> 0,0281 { P1,P3}>> 0,0084 {P1,P3,P8,P14} >> 0,0197
m7{P1,P2,P3,P4,P7,P8,P9,P10,P1
1,P12,P13,P14} >> 0,0656
{P1,P3,P13}>>0,0197 {P1,P2,P3,P4,P7,P8,P9,P10,P11
,P12,P13,P14} >> 0,0459
m7 { P1,P3,P5,P8,P14} >> 0,0656 { P1,P3}>> 0,0197 { P1,P3,P5,P8,P14} >> 0,0459
m7 {ø} >> 0,1531 {P1,P3,P13}>>0,0459 {Θ} >> 0,1072
Lalu hitung nilai keyakinan (m) kombinasinya :
m9 {P1} = (0,1406) + 0,3281 / (1 – 0,656) = 0,5017
m9 {P2} = (0,1531) / (1 – 0.0656) = 0,1639
m9 {P1,P3} = (0,0084 + 0,0197) / ( 1 – 0,0656) = 0,0,0301
m9 {P1,P3,P8,P14} = (0,0197) / ( 1 – 0,0656) = 0,0211
m9 {P1,P3,P13} = (0,0197 + 0,0459) / ( 1 – 0,0656) = 0,0702
m9 {PP1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,0459) / ( 1 – 0,0656 ) =
0,0492
m9 {P1,P3,P5,P8,P14} = (0,0459) / (1 – 0,0656) = 0,0492
m9 {ø} = (0,1072) / ( 1 – 0,0656) = 0,1147
Selanjutnya muncul kembali gejala keenam yaitu: Sakit kepala atau pusing
(G048),yang merupakan gejala dari Meningitis (P8),Influenza (P10), Cacar air
(P11),Mumps(Gondongan/Parotitis) (P12) ,dan Tifoid (P13),yang memiliki nilai
dentitas 30%,lalu dicari nilai Plausability dari [G048] tersebut :
m10 {G048}= 0,3
m10 {ø} = 1 – 0.3 = 0.7
Lalu cari Ilustrasi nilai keyakinan terhadap 6 gejala :
Tabel 9. Ilustrasi Nilai Keyakinan Terhadap 6 Gejala Sakit kepala atau pusing (P8,P10,P11,P12,P13)
# m10{P8,P10,P11,P12,
P13} >> 0,3
m10 {ø} >> 0,7
m9 {P1} >> 0,5017 {ø} >> 0,1505 {P1} >> 0,3512
m9 {P2} >> 0,1639 {ø} >> 0,0492 {P2} >> 0,1147
m9 {P1,P3} >> 0,0,0301 {ø} >> 0,009 {P1,P3} >> 0,0211
m9 {P1,P3,P8,P14} >> 0,0211 {P8} >> 0,0063 {P1,P3,P8,P14} >> 0,147
m9 {P1,P3,P13} >>0,0702 { P13} >> 0,0211 {P1,P3,P13} >> 0,0492
m9{PP1,P2,P3,P4,P7,P8,P9,P10,
P11,P12,P13,P14} >> 0,0492
{P8,P10,P11,P12,P13}
>> 0,0147
{PP1,P2,P3,P4,P7,P8,P9,P10,P11,
P12,P13,P14} >> 0,0344
m9 {P1,P3,P5,P8,P14} >> 0,0492 {P8} >> 0,0147 {P1,P3,P5,P8,P14} >> 0,0344
m9 {ø} >> 0,1147 {P8,P10,P11,P12,P13}
>> 0,0344
{Θ} >> 0,0803
Lalu hitung nilai keyakinan (m) kombinasinya :
m11 {P1} = (0,0351) / (1 – 0,1505 – 0,0492 – 0,009) = 0,4438
m11 {P2} = (0,1147) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,145
m11 {P1,P3} = (0,0211) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,0266
12
m11 {P8} = (0,0147) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,0266
m11 {P1,P3,P8,P14} = (0,0147) / (1 – 0,1505 – 0,0492 – 0,009) = 0,0186
m11 {P13} = (0,0211) / ( 1 – 0,1505 – 0,0492 – 0,009 ) = 0,0299
m11 {P1,P3,P13} = (0.0492) / ( 1 – 0,1505- 0,0492 – 0,009 ) = 0,0621
m11 {P8,P10,P11,P12,P13} = (0,0147 + 0,0344) / ( 1 – 0,1505 – 0,0492 – 0,009)
= 0,0621
m11 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,0344)/ (1 – 0,1505 –
0,0492 – 0,009) = 0,0435
m11 {P1,P3,P5,P8,P14} = (0,0344) / ( 1 – 0,01505 – 0,0492 – 0,009) = 0,0435
m11 {ø} = ( 0,0803) / ( 1 – 0,1505 – 0,0492 – 0,009) = 0,1015
Kemudian terdapat lagi gejala yang baru yaitu gejala ketujuh : Sklera Mata
Kuning (G050),yang merupakan gejala dari Hepatitis B (P1) ,dan Hepatitis A
(P14),yang memiliki nilai dentitas 70%,lalu dicari nilai Plausability dari [G050]
tersebut :
m12 {G050}= 0,7
m12 {ø} = 1 – 0.7 = 0.3
Lalu cari Ilustrasi nilai keyakinan terhadap 7 gejala :
Tabel 10. Ilustrasi Nilai Keyakinan Terhadap 7 Gejala Sklera mata kuning (P1,P14)
# m12{P1,P14} >> 0,7 m12{ø} >> 0,3
m11 {P1} >> 0,4438 {P1} >> 0,3107 {P1} >> 0,1331
m11 {P2} >> 0,145 {ø} >> 0,0015 {P2} >>0,0435
m11 {P1,P3} >> 0,0266 {P1} >> 0,0186 {P1,P3} >> 0,008
m11 {P8} >> 0,0266 {ø} >> 0,0201 {P8} >> 0,008
m11 {P1,P3,P8,P14} >> 0,0186 {P1,P14} >> 0,013 {P1,P3,P8,P14} >> 0,0056
m11 {P13} >> 0,0266 {ø} >> 0,0186 {P13} >> 0,008
m11 {P1,P3,P13} >> 0,0621 {P1} >> 0,0435 {P1,P3,P13} >> 0,0186
m11 {P8,P10,P11,P12,P13 >> 0,0621 {ø} >> 0,0435 {P8,P10,P11,P12,P13 >>
0,0186
m11{P1,P2,P3,P4,P7,P8,P9,P10,P11,P
12,P13,P14} >> 0,0435
{P1,P14} >> 0,0304 {P1,P2,P3,P4,P7,P8,P9,P10,P
11,P12,P13,P14} >> 0,013
m11 {P1,P3,P5,P8,P14} >> 0,0435 {P1,P14} >> 0,0304 {P1,P3,P5,P8,P14} >> 0,013
m11 {ø} >> 0,1015 {P1,P14} >> 0,0710 {Θ} >> 0,0304
Lalu dihitung nilai keyakinan (m) kombinasinya : m13 {P1} = (0,3107 = 0,0186 + 0,0435 + 0,1331) / ( 1 – 0,1015 – 0,0186 – 0,0186 –
0,0435) = 0,06186
m13 {P2} = (0,0435) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435) = 0,0532
m13 {P1,P3} = (0,008) / ( 1 - 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0098
m13 {P8} = ( 0,008) / ( 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0098
m13 {P1,P3,P8,P14} = (0,0056) / ( 1 – 0,1015 – 0,0186 - 0,0186 – 0,0435 ) = 0,0068
m13 {P13} = ( 0,008) / (0,1015 – 0,0186 – 0,1=0186 – 0,0435 ) = 0,0098
m13 {P1,P3,P13} = ( 0,0186) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0228
m13 {P1,P14} = ( 0,013+ 0,0304 + 0,0304 + 0,071 ) / (1- 0,1015 – 0,0186 – 0,186 –
0,0435) = 0,1771
m13 {P8,P10,P11,P12,P13} = (0,0186) / ( 1- 0,1015 – 0,0186 – 0,0186 – 0,0435) =
0,0228
13
m13 {P1,P2,P3,P4,P7,P8,P9,P10,P11,P12,P13,P14} (0,013) / ( 1- 0,0186 – 0,0186 –
0,0435 ) = 0,0159
m13 {P1,P3,P5,P8,P14} = (0,013) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0159
m13 {ø} = (0,0304) / ( 1 – 0,1015 – 0,0186 – 0,0186 – 0,0435 ) = 0,0372
Kesimpulan :
Ternyata dapat disimpulkan bahwa dari hasil dari diagnosa beberapa
gejala,seperti Air Seni Bewarna Seperti Teh (G001), Demam atau Panas Tinggi
(G009), Keringat dimalam hari (G020), Mual atau Muntah (G034), Rasa tidak
enak diperut/Sakit Perut/Parotitis (G046) , Sakit Kepala (G048), Sklera Mata
Kuning (G050),dari gejala yang telah dipilih dapat diperoleh hasil dari diagnosa
yaitu penyakit Hepatitis B dengan tingkat keyakinan tertinggi yaitu m13 {P1} =
0,6186 / 62% dalam proses perhitungan gejala menggunakan metode Dempster
Shafer.
Halaman Hasil Diagnosa
Tampilan halaman hasil diagnosa ini berisikan hasil dari pemilihan gejala
yang telah dipilih sehingga dapat diproses oleh sistem tersebut Berikut merupakan
tampilan halaman diagnosa da hasil diagnosa yang ditunjukan pada gambar 7.
Gambar 7. Tampilan Halaman Hasil Diagnosa
14
KESIMPULAN DAN
SARAN
Kesimpulan
Hasil penelitian yang dapat
disimpulkan dari aplikasi model
identifikasi penyakit yang dapat
dicegah melalui imunisai ini
diharapkan membantu mengetahui
jenis gangguan tentang penyakit
yang dapat dicegah melalui
imunisasi yang disebabkan oleh
virus-virus tertentu, dengan
mengidentifikasi masalah serta
melihat gejala-gejala yang diderita.
Sehingga sistem ini dapat membantu
untuk melakukan hasil diagnosa
yang diperoleh oleh pakar, sehingga
dapat mengetahui cara
penanganannya dan pencegahannya,
sistem ini dibangun dengan
pemrograman PHP berbasis web
dengan menggunakan Notepad++.
Tahap yang dibuat dalam
penelitian ini dilakukan dengan
mencari informasi sesuai kebutuhan
data serta mengumpulkan data dan
mengolahnya. yakni dengan
melakukan wawancara pada seorang
dokter dalam mengidentifikasi
masalah untuk menemukan solusi
dari penanganan penyakit ini. karena
dengan dilakukan teknik ini, dapat
mengetahui tentang penyakit yang
dapat dicegah melalui imunisasi
secara spesifik menurut para pakar.
Sistem ini berhasil
mengimplementasikan dalam
aplikasi identifikasi penyakit yang
dapat dicegah melalui imunisasi
yang dapat dipergunakan untuk
mendiagnosa penyakit Hepatitis
A,Tuberkulosis,Polio,Difteri,Pertusis
,Tetanus,Campak,Meningitis,Rabies,
Influenza,Cacar
air,Mumps(Gondongan),Tifoid,dan
Hepatitis A dengan memasukan
berupa gejala yang telah dialami.Hal
ini ditunjukan dari beberapa kasus
yang telah diujicobakan diperoleh
hasil diagnosa yang sama, dengan
melakukan akurasi data sistem
dengan pakar dan uji coba
perhitungan manual sesuai dengan
perhitungan yang ada dalam sistem
tersebut. Kemudian untuk beberapa
kasus yang lain seperti input semua
gejala pada menu diagnosa, sistem
ini sudah dapat melakukan proses
dengan menampilkan diagnosa dari
beberapa gejala yang tersedia dan
akan menghasilkan diagnosa berupa
penyakit dari gejala-gejala yang telah
dipilih, , jadi sistem ini sudah
mencukupi kebutuhan user dalam
mendiagnosa penyakit deteksi yang
dapat dicegah melalui imunisasi.
Saran
Aplikasi model identifikasi
penyakit yang dapat dicegah melalu
imunisasi ini, masih perlu dilakukan
pengembangan lagi. Seperti pada
jumlah penyakit yang dikaji,
kemudian klasifikasi penyakit seperti
penyakit yang disebabkan oleh oleh
virus-virus yang lain. Serta
perancangan halaman web yang
perlu penambahan variasi atau
animasi agar terlihat lebih menarik.
Dan knowledge base disarankan
untuk selalu diperbaharui sesuai
dengan perkembangan teknologi dan
ilmu pengetahuan dengan
menambahkan jumlah pakar untuk
mengupdate knowledge base. Selain
itu perlu dibuat pula dengan versi
mobile programmignya sehingga
user tersebut lebih mudah mengakses
melalu smartphonenya.
15
DAFTAR PUSTAKA
Dahria Muhammad. Jurnal
SAINTIKOM, Volume 12
Nomor 1, Januari 2013 ,
Sistem Pakar Metode
Dempster Shafer Untuk
Menentukan Jenis Gangguan
Perkembangan Anak.
Departemen Kesehatan RI. 2010.
Profil Kesehatan Indonesia
2010. Jakarta: Departemen
Kesehatan RI.
Eliza & Gustri. Jurnal Informatika,
Volume 7 Nomor 2, July 2013,
Prototype Sistem Pakar Untuk
Mendeteksi Tingkat Resiko
Penyakit Jantung Koroner
dengan Metode Dempster
Shafer.
Hidayat, A.2005. Pengertian
Imunisasi dan penyakit yang
dapat dicegah melalui
imunisasi.
Kusrini.2006,Sistem Pakar Teori
dan Aplikasi. Penerbit:
Andi.Yogyakarta.
Kusumadewi, 2003. Sistem Pakar
(Expert System) Pengertian
Sistem Pakar.
Nugroho, Budi. 2012. Dasar
Pemograman Web PHP-
MySQL dengan Dreamwever.
Penerbit GAVA MEDIA.
Yogyakarta.
Sari Anjas Nur, 2009. Sistem Pakar
Mendiagnosa Penyakit
Demam Berdarah Dengan
Metode Certainty Factor.
Teknik Informatika.
Soepardi Jane. Kementrian
Kesehatan ,Volume 1,
September 2012, Buletin dan
Jendela Informasi Kesehatan
No 42 Tentang
Penyelenggaraam Imunisasi
Menteri Kesehatan Replublik
Indonesia..
T. Sutjo, Edy Mulyanto, & Vincent
Suharto, 2011, Kecerdasan
Buatan, Andi Yogyakarta.
Petrou, Maria, And Ahmadzaleh. 2002. Use Of Dempster
Shaffer Theory To Combine
Classifers Which Use
Different Class Boundaries.
School Of Electronic
Computation and
Mathematics. Guilford:
University Of Surrey.