didalam sistem, maka akan ditampilkan sebagai hasil diagnosa untuk membantu penanganan penyakit yang bersangkutan.
Gambar 4.5 Diagram alir data level 0
1.2 Diagram alir data level 1.1 proses rekam basis pengetahuan
Gambar 4.6 DAD level 1.1 proses rekam basis pengetahuan
Gambar 4.6 menjelaskan proses yang dilakukan pakar untuk melakukan rekam basis kasus. Data kepakaran terdapat 2 pilihan menu, yaitu menu aturan dan menu
basis pengetahuan. Menu aturan berfungsi untuk memasukkan aturan-aturan rule yang dibutuhkan oleh sistem. Masukan data aturan ini akan menghasilkan aturan
baru yang dibutuhkan oleh pakar. Menu basis pengetahuan yang disimpan berupa data penyakit, data gejala, data penyebab, data solusi dan data probabilitas gejala
atau kepastian dari pakar. Data-data tersebut digunakan sebagai informasi kepakaran yang akan digunakan sebagai basis pengetahuan untuk melakukan
penelusuran terhadap gejala yang dimasukkan pengguna.
1.3 Diagram alir data level 1.1 proses konsultasi
Gambar 4.7 Diagram alir data level 1.2 proses konsultasi Diagram alir data level 1.2 proses konsultasi pada gambar 4.7 menjelaskan
proses yang dilakukan pengguna kepada sistem. Pengguna memasukkan data gejala yang dialami, untuk kemudian melakukan penelusuran. Dari hasil
penelusuran tersebut sistem akan memberikan hasil diagnosa kepada pengguna sebagai kesimpulan dari penelusuran tersebut.
2. Pemodelan data
Entity relationship diagram ERD adalah sarana untuk menggambarkan hubungan antar entitas didalam sebuah sistem, ERD menggunakan sejumlah notasi
dan simbol untuk menggambarkan struktur dan hubungan antar entitas. Perancangan ERD dimaksudkan untuk menentukan komponen-komponen
himpunan suatu entitas dan himpunan relasi yang menggambarkan fakta nyata yang digunakan sebagai kebutuhan pembuatan sistem.
Gambar 4.8 menunjukkan bahwa entitas penyakit memiliki atribut kode penyakit dan nama penyakit. Sedangkan entitas gejala memiliki atribut kode gejala,
nama gejala dan probabilitas. Sedangkan entitas solusi memiliki atribut kode solusi dan solusi. Entitas penyebab mempunyai atribut kode penyebab dan nama
penyebab.
Gambar 4.8 Entity relationship diagram
Hubungan entitas penyakit dan gejala terbentuk dengan atribut kode penyakit, kode gejala, hubungan entitas penyakit dengan entitas penyebab terbentuk dengan
atribut kode penyakit dan kode penyebab dan hubungan entitas penyakit dan solusi terbentuk dengan atiribut kode penyakit dan kode solusi. Hubungan antar entitas
tersebut akan menjadi tabel baru yang digunakan untuk menyimpan aturan rule. Setelah melalui tahap perancangan ERD, maka untuk mempermudah tahap
implementasi kedalam aplikasi database management system DBMS diperlukan kamus data berupa tabel dan relasi beserta atribut atau field yang serta spesifikasi
yang dimiliki tabel tersebut. Spesifikasi tersebut di sajikan pada tabel 4.7, 4.8, 4.9, 4.10, 4.11, 4.12 dan tabel 4.13.
a. Tabel gejala Tabel gejala berfungsi untuk menyimpan data-data pengetahuan gejala yang
mengikuti penyakit kandungan. Primary key : Kode_Gejala
Foreigen key : - Tabel 4.7 Tabel gejala
No Nama field
Type Size
Keterangan 1.
Kode_Gejala Text
4 Kode gejala
2. Nama_Gejala
Text 100
Nama gejala 3
Probabilitas Number
Probabilitas gejala b. Tabel penyakit
Tabel penyakit merupakan tabel yang digunakan untuk menyimpan data-data pengetahuan penyakit kandungan.
Primary key : Kode_Penyakit Foreigen key : -
Tabel 4.8 Tabel penyakit No Nama field
Type Size Keterangan
1. Kode_Penyakit Text
4 Kode penyakit
2. Nama_Penyakit Text 40
Nama penyakit
c. Tabel gejala penyakit Tabel gejala penyakit merupakan tabel relasi antara tabel gejala dan tabel
penyakit yang menyimpan aturanhubungan antara gejala dan penyakit. Primary key : -
Foreign key : Kode _Gejala dan Kode_Penyakit Tabel 4.9 Tabel gejala penyakit
No Nama field
Type Size
Keterangan 1. Kode_Penyakit
Text 4
Kode penyakit 2. Kode_Gejala
Text 4
Kode gejala d. Tabel solusi
Tabel solusi merupakan tabel yang digunakan untuk menyimpan data-data pengetahuan solusi penanganan penyakit kandungan.
Primary key : Kode_Solusi Foreigen key : -
Tabel 4.10 Tabel solusi No Nama field
Type Size Keterangan
1. Kode_Solusi Text 4
Kode solusi 2. Solusi
Text 40
Solusi penyakit e. Tabel solusi penyakit
Tabel solsui penyakit merupakan tabel relasi antara tabel solusi dan tabel penyakit yang menyimpan aturanhubungan antara solusi dan penyakit.
Primary key : - Foreign key : Kode _solusi dan Kode_Penyakit
Tabel 4.11 Tabel solusi penyakit No
Nama field Type
Size Keterangan
1. Kode_Penyakit Text
4 Kode penyakit
2. Kode_Solusi Text
4 Kode solusi
f. Tabel penyebab Tabel penyebab merupakan tabel yang digunakan untuk menyimpan data-data
pengetahuan penyebab penyakit kandungan.
Primary key : Kode_ penyebab Foreigen key : -
Tabel 4.12 Tabel penyebab No Nama field
Type Size Keterangan
1. Kode_ penyebab Text 4
Kode penyebab 2. Nama_penyebab Text
40 Penyebab penyakit
g. Tabel penyebab penyakit Tabel penyebab penyakit merupakan tabel relasi antara tabel penyebab dan
tabel penyakit yang menyimpan aturanhubungan antara penyebab dan penyakit. Primary key : -
Foreign key : Kode _ penyebab dan Kode_Penyakit Tabel 4.13 Tabel penyebab penyakit
No Nama field
Type Size
Keterangan 1. Kode_Penyakit
Text 4
Kode penyakit 2. Kode_Penyebab
Text 4
Kode penyebab
3. Pemodelan antar muka interface
Pemodelan interface meliputi 4 empat bagian yaitu perancangan model sistem menu, perancangan model input, perancangan model proses dan
perancangan model output. Rancangan menu ditampilkan pada gambar 4.9, sedangkan rancangan input terdiri dari beberapa form yaitu input penyakit, gejala,
penyebab, solusi dan input aturan rule. Sebagai ilustrasi, input gejala ditampilkan pada gambar 4.10.
Gambar 4.9 Rancangan sistem menu
Gambar 4.10 Rancangan form input data gejala
Rancangan model proses dan model keluaran output merupakan dua form yang saling terkait dimana hasil proses diagnosa akan di tampilkan pada form hasil
diagnosa yang merupakan keluaran sistem. Ilustrasi model diagnosa dan model hasil diagnosa di tampilkan pada gambar 4.11 dan gambar 4.12.
Gambar 4.11 Rancangan form diagnosa penyakit
Gambar 4.12 Rancangan form hasil diagnosa
D. Implementasi
Bagian merupakan implementasi dari rancangan yang telah dibuat sebelumnya. Secara garis besar, implementasi sistem cerdas untuk mendiagnosa
penyakit kandungan ini dapat dibagi menjadi 2 kategori berdasarkan jenis pemakai yaitu pakar yang juga bertindak sebagai admin dan paramedis yang
bertindak sebagai pemakai biasa. Masing-masing kategori pemakai mempunyai hak akses terhadap sistem yang dengan fasilitas yang berbeda-beda.
Admin atau pakar berfungsi sebagai administrator sistem dan user tersebut memiliki hak akses untuk memanipulasi data pengguna pada sistem, bertugas
untuk memasukan data pengetahuan data penyakit, data gejala, data penyebab, data solusi dan data aruran. Selain itu pakar juga berhak untuk melakukan
diagnosa. Sedangkan pemakai biasa hanya berhak untuk melakukan diagnosa dengan memilih gejala-gejala yang sudah tersedia dan mendapatkan hasil diagnosa
dari sistem. Ketika sistem mulai dieksekusi, maka tampilan pertama yang akan muncul
adalah tampilan form utama dari sistem seperti terlihat pada pada Gambar 4.13. Sebelum user melakukan login, menu dari sistem yang dapat diakses hanya
terbatas pada menu File, Penelusuran dan About. Seorang User dapat menggunakan sistem dengan hak akses penuh harus melakukan login terlebih
dahulu. Pada proses login, pengguna harus memilih menu File kemudian Login. Tampilan dari form login dapat dilihat pada Gambar 4.14.
Gambar 4.13 Tampilan menu utama
Gambar 414 Tampilan form login
1. Menu Knowledge Base
Menu ini adalah menu yang hanya dapat diakses oleh user dengan hak akses sebagai pakar. Menu ini memiliki beberapa sub menu yaitu Data Pakar
terdiri dari data penyakit, penyebab, gejala dan solusi dan menu Rule. Sub menu Data Pakar adalah fasilitas yang digunakan untuk memasukan data pengetahuan
knowledge base yaitu data penyakit, penyebab, gejala dan solusi. Sedangkan sub menu Rule adalah fasilitas sistem yang berfungsi sebagai antarmuka untuk
memasukan data basis aturan kedalam sistem.
Tampilan salah satu sub menu Data Pakar pengisian data gejala di tunjukan dengan gambar 4.15 dan pengaturan basis aturan rule base di tunjukan pada
gambar 4.16.
Gambar 4.15 Tampilan form input gejala
Gambar 4.16 Tampilan form rule base
2. Menu Penelusuran
Menu Penelusuran digunakan oleh user untuk melakukan proses diagnosa terhadap penyakit kandungan. Proses diagnosa dilakukan dengan cara memasukan
gejala-gejala yang dialami pasien. Pemasukan gejala dengan memilih daftar seluruh gejala yang bersesuaian dengan keadaan pasien.
Jika semua gejala yang dialami pasien sudah di pilih, selanjutnya user dapat mengklik tombol diagnosa untuk mengetahui hasil analisa sistem terhadap gejala-
gejala yang dialami. Daftar seluruh gejala, kemungkinan penyakit yang mengikuti serta nilai probabilitas masing-masing gejala di tampilkan pada list di bagian bawah
form diagnosa. Sistem akan melakukan analisa gejala dengan mencocokan basis aturan yang
tersimpan dalam basis data. Perhitungan nilai kepastian menggunakan metode dampster shafer dilakukan menggunakan nilai probabilitas pada masing-masing
gejala. User harus memilih minimal dua buah gejala yang di alami pasien. Jika terdapat kombinasi penyakit yang mengikuti gejala yang di pilih, maka sistem
meniympulkan penyakit yang paling sesuai adalah penyakit dengan persentase nilai kepercayaan paling tinggi sebagai kesimpulan hasil diagnosa.
Ilustrasi pemilihan gejala sampai dengan penentuan hasil diagnosa di tunjukan pada gambar 4.17, 4.18, 4.19 dan gambar 4.20. Contoh kasus, user memilih gejala
pendarahan menstruasi tidak normal G002 sebagai gejala awal lihat gambar 4.17. Nilai probabilitas G002 adalah 0,5 dan penyakit yang mengikuti gejala
tersebut adalah P001, P002, P003 dan P006. Sehingga,
m1 {P001,P002,P003,P006} = 0,5 m θ
= 1 – 0,5 = 0,5
Gambar 4.17 Pemilihan gejala awal G002
Selanjutnya user memilih gejala kedua yaitu pendarahan menstruasi lebih banyak dari biasanya G021 dengan nilai probabilitas 0,6 lihat gambar 5.16.
Penyakit yang mengikuti gejala G021 adalah P004 dan P006. Sehingga,
m2 {P004,P006} = 0,6
m θ = 1
– 0,6 = 0,4 Dengan munculnya gejala kedua G021, maka harus dilakukan penghitungan
densitas baru untuk beberapa kombinasi m3. Perhitungan himpunan-himpunan bagian yang terbentuk dimasukkan ke dalam tabel 4.14. Kolom pertama diisi dengan
gejala yang pertama m1. Sedangkan baris pertama diisi dengan gejala yang kedua m2 . Sehingga diperoleh nilai m3 sebagai hasil kombinasi m1 dan m2.
Tabel 4.14 Tabel perhitungan gejala G002 dan G021
{P004,P005} 0,6 θ 0,4 {P001,P002,P003,P006} 0,5
{P006} 0,3 { P001,P002,P003,P006} 0,2 θ 0,5
{P004,P006} 0,3 θ 0,2
Sehingga dapat dihitung : m3 {P006}
= 0,3
= 0,30
1-0,2 m3 {P004,P006}
= 0,3
= 0,30
1-0,2 m3
{P001,P002,P003,P006} =
0,2 =
0,25 1-0,2
m3 { θ } =
0,2 =
0,25 1-0,2
Gambar 4.18 Pemilihan gejala kedua G021
Dari hasil perhitungan nilai densitas m3 kombinasi di atas, dapat dilihat bahwa nilai {P006} sama dengan {P004,P006} sebesar 0,3. Sedangkan nilai
{P001,P002,P003,P0046} sebesar 0,25. Jika kemudian terdapat gejala ketiga yaitu mengalami perdarahan setelah bersetubuh G035 dengan nilai probabilitas 0,9
lihat gambar 4.19 dan penyakit yang mengikuti gejala G035 adalah P006.
Gambar 4.19 Pemilihan gejala ketiga G035
Sehingga, m4 { P006} = 0,9
m θ = 1
– 0,9 = 0,1 Dengan munculnya gejala ketiga G035, maka harus dilakukan penghitungan
densitas baru untuk beberapa kombinasi m5 seperti disajikan pada tabel 4.15. Tabel 4.15 Tabel perhitungan gejala G002, G021 dan G035
{ P006} 0,9 θ 0,1 {P006} 0,3
{P006} 0,27 { P006} 0,03 {P004, P006} 0,3
{P006} 0,27 { P004,P006} 0,03 {P001,P002,P003,P006} 0,2
{P006} 0,18 { P001,P002,P003,P006} 0,02 θ 0,2
{P006} 0,18 θ 0,02
Sehingga dapat dihitung : m5 {P006}
= 0,27+0,27+0,18+0,18+0,03
= 0,95
1-0.02 m5 {P004,P006}
= 0,03
= 0,03
1-0,02 m5
{P001,P002,P003,P006} =
0,02 =
0,02 1-0,02
m5 { θ } =
0,02 =
0,02 1-0,02
Hasil perhitungan nilai densitas m5 kombinasi di atas, dapat dilihat bahwa nilai {P006} sebesar 0,95. Sedangkan nilai {P004,P006} dan {P001,P002,P003,P0046}
masing-masing sebesar 0,03 dan 0,02. Dari hasil perhitungan diatas diketahui bahwa nilai kepercayaan P006 terhadap gejala G002, G021 dan G035 adalah yang
paling tinggi yaitu sebesar 0,95 atau 95. Sehingga disimpulkan bahwa P006 Kanker Rahim Kanker Uterus = Carcinoma Uteri adalah penyakit yang
menyerang pasien tersebut. Selanjutnya sistem akan menampilkan form hasil diagnosa seperti pada tamiplan gambar 4.20. Form ini dilengkapi dengan tombol
Cetak untuk membuat printout melalui printer.
Gambar 4.20 Tampilan form hasil diagnosa
4.1 Penanganan Ketidakpastian
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana adanya
penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan ciri-ciri penalaran sebagai berikut :
adanya ketidakpastian adanya perubahan pada pengetahuan
adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
contoh : Premis -1
: Aljabar adalah pelajaran yang sulit Premis -2
: Geometri adalah pelajaran yang sulit Premis -3
: Kalkulus adalah pelajaran yang sulit Konklusi
: Matematika adalah pelajaran yang sulit Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah
diperoleh, misal : Premis -4
: Kinematika adalah pelajaran yang sulit Premis tersebut menyebabkan konklusi :
“Matematika adalah pelajaran yang sulit”, menjadi salah, karena Kinematika bukan merupakan bagian dari Matematika,
sehingga bila menggunakan penalaran induktif sangat dimungkinkan adanya ketidakpastian. Untuk mengatasi ketidakpastian maka digunakan penalaran statistik.
Beberapa teknik yang dapat di gunakan untuk menanganai ketidakpastian antara lain
Teorema Bayes, Certainty Factor dan Damster-Shafer .
4.2 Teori Ketidakpastian