Sistem Pakar Untuk Menentukan Derajat Asma Dan Terapinya.
SISTEM PAKAR UNTUK MENENTUKAN DERAJAT ASMA
DAN TERAPINYA
SKRIPSI
YAHDIN FARIDHI
061401017
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011
(2)
SISTEM PAKAR UNTUK MENENTUKAN DERAJAT ASMA
DAN TERAPINYA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar
Sarjana Komputer
YAHDIN FARIDHI
0 6 1 4 0 1 0 1 7
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011
(3)
PERSETUJUAN
Judul : SISTEM PAKAR UNTUK MENENTUKAN
DERAJAT ASMA DAN TERAPINYA
Kategori : SKRIPSI
Nama : YAHDIN FARIDHI
Nomor Induk Mahasiswa : 061401017
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan,
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Syahriol Sitorus, S.Si, MIT Drs. Suyanto, M.Kom
NIP. 19710310 199703 1 004 NIP. 19590813 198601 1 002
Diketahui/Disetujui oleh
Departemen Ilmu Komputer FMIPA USU Ketua,
Dr. Poltak Sihombing, M.Kom NIP. 19620317 199102 1 001
(4)
PERNYATAAN
SISTEM PAKAR UNTUK MENENTUKAN DERAJAT ASMA DAN TERAPINYA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 10 Januari 2011
YAHDIN FARIDHI 061401017
(5)
PENGHARGAAN
Alhamdulillah, puji syukur saya sampaikan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer.
Ucapan terima kasih saya sampaikan kepada Bapak Drs. Suyanto, M.Kom sebagai Dosen Pembimbing I dan Bapak Syahriol Sitorus, S.Si, MIT sebagai Dosen Pembimbing II yang telah memberikan bimbingan, saran, dan masukan kepada saya untuk menyempurnakan kajian ini. Panduan ringkas, padat dan profesional telah diberikan kepada saya sehingga saya dapat menyelesaikan tugas ini. Selanjutnya kepada Dosen Penguji Bapak M. Andri Budiman, ST, M.CompSc, MEM dan Bapak Syahril Efendi, S.Si, MIT atas saran dan kritikan yang sangat berguna bagi saya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi S1 Ilmu Komputer, Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Maya Silvi Lydia, B.Sc, M.Sc, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Ilmu Komputer FMIPA USU.
Akhir kata, ribuan terima kasih saya persembahkan kepada kedua orang tua, ayahanda tercinta M. Saifuddin Zuhri, SE dan ibunda Faridah yang telah banyak memberikan dukungan dan do’a serta kesabaran dalam mendidik saya. Ucapan terima kasih juga saya sampaikan kepada dr. Nini Deritana, Sp.P yang telah banyak membantu saya dalam pengumpulan data untuk skripsi ini. Untuk kedua adik saya, Evi Khairani dan Ainun Najah yang selalu memberikan semangat kepada saya serta kepada seluruh teman-teman yang turut membantu saya dan memberikan dukungan dalam menyelesaikan skripsi ini. Semoga Allah membalas semua kebaikan kalian. Amin.
Saya menyadari bahwa skripsi ini masih jauh dari kesempurnaan, oleh karena itu saya menerima saran dan kritik yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.
(6)
ABSTRAK
Sistem pakar adalah sistem yang mengadopsi pengetahuan seorang pakar ke dalam komputer untuk menyelesaikan suatu bidang masalah,tertentu yang dimodelkan dalam basis pengetahuan. Banyak kasus yang bisa dijadikan penelitian dalam sistem pakar, salah satunya penyakit asma. Pada penelitian ini akan dirancang suatu sistem pakar yang dapat menentukan derajat asma. Derajat asma penting untuk diketahui karena asma merupakan suatu penyakit yang serius apabila tidak ditangani secara tepat. Pada permasalahan ini, sistem menggunakan metode forward chaining dalam menegakkan diagnosis derajat asma. Dengan menggunakan metode fordward chaining, sistem ini dapat menyimpulkan derajat asma yang diderita seseorang serta terapi yang dapat dilakukan secara mandiri. Aplikasi ini dibuat dengan bahasa pemrograman PHP 5 dan MySQL sebagai penyimpanan basis pengetahuannya. Pengujian sistem ini dilakukan dengan mencocokkan proses forward chaining pada penelusuran pohon keputusan menentukan derajat asma dan terapinya pada tahap perancangan dengan sistem sesungguhnya yang telah dibangun.
(7)
IMPLEMENTING AN EXPERT SYSTEM TO IDENTIFY ASTHMA DEGREE AND ITS THERAPY
ABSTRACT
Expert system is a system that adopts an expert’s knowledge in to a computer to solve certain problem which is made in knowledge based model. There are many cases that can be used as research in expert system, one of them is asthma. This research will design an expert system that is able to decide the degree of asthma. It is important to know the degree of asthma because asthma will be a serious problem if it is not handled correctly. In this case, the system is using forward chaining method to diagnose the degree of asthma. By using forward chaining method, this system is able to conclude which degree is appropriate with someone’s asthma and the therapy needed to do independently. The application is created using PHP 5 as programming language and MySQL as the knowledge database storage. System testing is performed by comparing the real constructed system with the forward chaining process in the decision tree searching to decide the degree of asthma and its therapy on design phase.
(8)
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii Penghargaan iv Abstrak v Abstract vi Daftar Isi vii Daftar Tabel ix Daftar Gambar x Bab 1 Pendahuluan 1.1Latar Belakang 1
1.2Rumusan Masalah 2
1.3Batasan Masalah 2
1.4Tujuan Penelitian 3
1.5Manfaat Penelitian 3
1.6Metode Penelitian 3
1.7Sistematika Penulisan 4
Bab 2 Tinjauan Pustaka 2.1 Kecerdasan Buatan 6
2.2 Sistem Pakar 6
2.2.1 Sejarah Sistem Pakar 8
2.2.2 Struktur Sistem Pakar 9
2.2.3 Model Representasi Pengetahuan 11
2.2.3.1 Jaringan Semantik 12
2.2.3.2 Bingkai 13
2.2.3.3 Kaidah Produksi 13
2.2.3.4 Logika Predikat 15
2.3 Mesin Inferensi 16
2.3.1 Metode Forward Chaining 16
2.3.2 Metode Backward Chaining 20
2.4 Asma 23
2.4.1 Asma Ekstrinsik 23
2.4.2 Asma Intrinsik 24
2.4.3 Pencetus Asma 25
2.5 PHP dan MySQL 26
Bab 3 Analisis dan Perancangan Sistem 3.1 Analisis Sistem 28
3.1.1 Pembahasan Program 29
(9)
3.2 Perancangan Sistem 30
3.2.1 Perancangan Mesin Inferensi 31
3.2.1.1 Perancangan Pohon Keputusan 33
3.2.1.1.1 Tahap Perancangan Intermitten 35
3.2.1.1.2 Tahap Perancangan Persisten Ringan 37
3.2.1.1.3 Tahap Perancangan Persisten Sedang 41
3.2.1.1.4 Tahap Perancangan Persisten Berat 45
3.2.2 Perancangan Basis Data 49
3.2.2.1 Struktur Tabel 49
3.2.2.2 Relasi Antar Tabel 51
3.2.2.3 Perancangan DFD 52
3.2.2.4 Perancangan Kamus Data 59
3.2.3 Perancangan Struktur Program 61
3.2.4 Perancangan Antarmuka 61
3.2.4.1 Rancangan Halaman Utama 62
3.2.4.2 Rancangan Halaman Menu Konsultasi 62
3.2.4.3 Rancangan Halaman Menu Petunjuk Penggunaan Sistem 66
3.2.4.4 Rancangan Halaman Menu Login 67
3.2.4.5 Rancangan Halaman Administrator 68
3.2.4.6 Rancangan Halaman Menu Data Pertanyaan 69
3.2.4.7 Rancangan Halaman Menu Data Solusi 70
3.2.4.8 Rancangan Halaman Menu Data Aturan 71
Bab 4 Implementasi dan Pengujian 73
4.1Implementasi 73
4.1.1 Tampilan Antar muka Aplikasi 74
4.1.1.1Halaman Utama 74
4.1.1.2Halaman Menu Home 75
4.1.1.3Halaman Menu Konsultasi 75
4.1.1.4Halaman Petunjuk Penggunaan Sistem 78
4.1.1.5Halaman Login Sistem 78
4.2 Pengujian Sistem 82
4.2.1 Intermitten 82
4.2.2 Persisten Ringan 85
4.2.3 Persisten Sedang 88
4.2.4 Persisten Berat 90
4.3 Pengujian dengan Metode BlackBox 92
Bab 5 Kesimpulan dan Saran 96
5.1 Kesimpulan 96
5.2. Saran 96
Daftar Pustaka 98
Lampiran A: Daftar Pertanyaan Untuk Mendiagnosis Derajat Asma 100
Lampiran B: Derajat Asma dan Terapinya 101
Lampiran C: Diagram untuk Menentukan Derajat Asma Sesuai dengan Petunjuk Pakar 103
(10)
DAFTAR TABEL
Halaman
Tabel 2.1 Perbedaan Sistem Pakar dengan seorang pakar (dokter) 7
Tabel 2.2 Bingkai Sepeda Motor 13
Tabel 2.3 Tabel Keputusan 14
Tabel 2.4 Contoh Aturan Menggunakan Penalaran Forward Chaining
(Alur Maju) 17
Tabel 2.5 Fakta Baru Pada Saat Inferensi 20
Tabel 3.1 Tabel Keputusan untuk Derajat Asma Intermitten 35
Tabel 3.2 Kumpulan Pertanyaan Intermitten 36
Tabel 3.3 Tabel Keputusan untuk Derajat Asma Persisten Ringan 37 Tabel 3.4 Kumpulan Pertanyaan Persisten Ringan 40 Tabel 3.5 Tabel Keputusan untuk Derajat Asma Persisten Sedang 41 Tabel 3.6 Kumpulan Pertanyaan Persisten Sedang 44 Tabel 3.7 Tabel Keputusan untuk Derajat Asma Persisten Berat 45
Tabel 3.8 Kumpulan Pertanyaan Persisten Berat 48
Tabel 3.9 Tabel tbl_artikel 49
Tabel 3.10 Tabel tbl_pasien 49
Tabel 3.11 Tabel tbl_pertanyaan 50
Tabel 3.12 Tabel tbl_solusi 50
Tabel 3.13 Tabel tbl_aturan 50
Tabel 3.14 Tabel tbl_memori_kerja 50
Tabel 3.15 Tabel tbl_users 50
Tabel 3.16 Kamus Data tbl_artikel 59
Tabel 3.17 Kamus Data tbl_pasien 59
Tabel 3.18 Kamus Data tbl_pertanyaan 59
Tabel 3.19 Kamus Data tbl_solusi 59
Tabel 3.20 Kamus Data tbl_aturan 60
Tabel 3.21 Kamus Data tbl_memori_kerja 60
Tabel 3.22 Kamus Data tbl_users 60
(11)
DAFTAR GAMBAR
Halaman
Gambar 2.1 Struktur Sistem Pakar 9
Gambar 2.2 Contoh Jaringan Semantik 12
Gambar 2.3 Pohon Keputusan 15
Gambar 2.4 Alur Inferensi Forward Chaining 20
Gambar 2.5 Alur Inferensi Backward Chaining 22
Gambar 3.1 Diagram Sistem Pakar Menentukan Derajat Asma dan Terapinya 30 Gambar 3.2 Flowchart Mesin Inferensi Forward Chaining 32 Gambar 3.3 Pohon Keputusan Sistem Pakar Menentukan Derajat Asma dan
Terapinya 34
Gambar 3.4 Pohon Keputusan Derajat Asma Intermitten 36 Gambar 3.5 Pohon Keputusan Derajat Asma Persisten Ringan 39 Gambar 3.6 Pohon Keputusan Derajat Asma Persisten Sedang 43 Gambar 3.7 Pohon Keputusan Derajat Asma Persisten Berat 47
Gambar 3.8 Relasi Antar Tabel 51
Gambar 3.9 Diagram Konteks 52
Gambar 3.10 DFD Level 1 54
Gambar 3.11 DFD Level 2 57
Gambar 3.12 Perancangan Struktur Program 61
Gambar 3.13 Rancangan Halaman Utama 62
Gambar 3.14 Rancangan Halaman Menu Konsultasi 63
Gambar 3.15 Rancangan Halaman Pertanyaan Konsultasi 64 Gambar 3.16 Rancangan Halaman Hasil Diagnosis Derajat Asma 65
Gambar 3.17 Rancangan Halaman Penjelasan 66
Gambar 3.18 Rancangan Halaman Menu Petunjuk Penggunaan Sistem 67
Gambar 3.19 Rancangan Halaman Menu Login 68
Gambar 3.20 Rancangan Halaman Administrator 69
Gambar 3.21 Rancangan Halaman Menu Data Pertanyaan 70
Gambar 3.22 Rancangan Halaman Menu Data Solusi 71
Gambar 3.23 Rancangan Halaman Menu Data Aturan 72
Gambar 4.1 Halaman Utama 75
Gambar 4.2 Halaman Form Data Pasien 76
Gambar 4.3 Halaman Tanya Jawab Konsultasi 77
Gambar 4.4 Halaman Hasil Konsultasi 77
Gambar 4.5 Halaman Petunjuk Penggunaan Sistem 78
Gambar 4.6 Halaman Login Sistem 79
Gambar 4.7 Halaman Home Administrator 79
Gambar 4.8 Halaman Data Pertanyaan 80
Gambar 4.9 Halaman Data Solusi 81
Gambar 4.10 Halaman Data Aturan 82
Gambar 4.11 Proses Tanya Jawab Derajat Asma Intermitten 83 Gambar 4.12 Hasil Diagnosis Derajat Asma Intermitten 84 Gambar 4.13 Penjelasan Hasil Diagnosis Derajat Asma Intermitten 85
(12)
Gambar 4.14 Proses Tanya Jawab Derajat Asma Persisten Ringan 87 Gambar 4.15 Hasil Diagnosis Derajat Asma Persisten Ringan 87 Gambar 4.16 Proses Tanya Jawab Derajat Asma Persisten Sedang 89 Gambar 4.17 Hasil Diagnosis Derajat Asma Persisten Sedang 89 Gambar 4.18 Proses Tanya Jawab Derajat Asma Persisten Berat 91 Gambar 4.19 Hasil Diagnosis Derajat Asma Persisten Berat 92
(13)
ABSTRAK
Sistem pakar adalah sistem yang mengadopsi pengetahuan seorang pakar ke dalam komputer untuk menyelesaikan suatu bidang masalah,tertentu yang dimodelkan dalam basis pengetahuan. Banyak kasus yang bisa dijadikan penelitian dalam sistem pakar, salah satunya penyakit asma. Pada penelitian ini akan dirancang suatu sistem pakar yang dapat menentukan derajat asma. Derajat asma penting untuk diketahui karena asma merupakan suatu penyakit yang serius apabila tidak ditangani secara tepat. Pada permasalahan ini, sistem menggunakan metode forward chaining dalam menegakkan diagnosis derajat asma. Dengan menggunakan metode fordward chaining, sistem ini dapat menyimpulkan derajat asma yang diderita seseorang serta terapi yang dapat dilakukan secara mandiri. Aplikasi ini dibuat dengan bahasa pemrograman PHP 5 dan MySQL sebagai penyimpanan basis pengetahuannya. Pengujian sistem ini dilakukan dengan mencocokkan proses forward chaining pada penelusuran pohon keputusan menentukan derajat asma dan terapinya pada tahap perancangan dengan sistem sesungguhnya yang telah dibangun.
(14)
IMPLEMENTING AN EXPERT SYSTEM TO IDENTIFY ASTHMA DEGREE AND ITS THERAPY
ABSTRACT
Expert system is a system that adopts an expert’s knowledge in to a computer to solve certain problem which is made in knowledge based model. There are many cases that can be used as research in expert system, one of them is asthma. This research will design an expert system that is able to decide the degree of asthma. It is important to know the degree of asthma because asthma will be a serious problem if it is not handled correctly. In this case, the system is using forward chaining method to diagnose the degree of asthma. By using forward chaining method, this system is able to conclude which degree is appropriate with someone’s asthma and the therapy needed to do independently. The application is created using PHP 5 as programming language and MySQL as the knowledge database storage. System testing is performed by comparing the real constructed system with the forward chaining process in the decision tree searching to decide the degree of asthma and its therapy on design phase.
(15)
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Asma adalah penyakit keturunan yang tidak menular. Asma mempengaruhi lebih dari 5% penduduk dunia, dan beberapa indikator menunjukkan bahwa prevalensinya terus menerus meningkat, khususnya diantara anak-anak. Meskipun penelitian untuk menditeksi dan mencegah asma terus berkembang akhir-akhir ini, asma tetap menjadi penyebab mordibitas yang signifikan yang merugikan secara ekonomis. Di Amerika Serikat tercatat sekitar 2 juta penderita asma yang mengunjungi Unit Gawat Darurat setiap tahunnya, dan sekitar 500.000 penderita asma yang harus menjalani rawat inap, dan sebagai peringkat ketiga penyebab rawat inap. (Deritana, 2007).
Di satu sisi, dunia kedokteran dan farmasi telah mencapai kemajuan yang sangat signifikan dalam pemahaman mengenai asma sebagai penyakit. Namun ironisnya, dari sisi lain, meski berjuta-juta dollar telah dikeluarkan untuk berbagai studi dan riset mengenai asma, nyatanya jumlah penderita baru asma di seluruh dunia terus meningkat dari tahun ke tahun, tanpa bisa diketahui secara jelas apa penyebabnya. (Hadibroto et al, 2006).
Prevalensi asma pada anak di Indonesia cukup tinggi, terutama di kota-kota besar, hingga mencapai hampir 17%. Menurut laporan ahli internasional pada peringatan Hari Asma Sedunia 4 Mei 2004 yang lalu, yang bertema Burden of Asthma, prevalensi asma di dunia akan meningkat dalam beberapa tahun mendatang. Di tahun 2005 diperkirakan penderita asma di seluruh dunia mencapai 400 juta orang, dengan pertambahan 180.000 setiap tahunnya. Asma adalah salah satu penyakit kronis dengan jumlah penderita terbanyak pada saat ini. (Hadibroto et al, 2006).
(16)
Ketidak tahuan masyarakat akan pentingnya mengontrol asma mereka menyebabkan semakin tingginya tingkat keparahan penyakit asma yang dideritanya. Padahal, jika penderita bisa mengetahui penyakit asma mereka secara dini, maka penderita dapat mengendalikannya secara tepat, dan penyakit asma yang diderita akan semakin membaik dan terkontrol.
Karena melihat hal tersebut, penulis mendapatkan ide untuk membuat sistem pakar yang dapat menentukan derajat asma yang diderita secara mandiri serta terapi yang bisa dilakukan oleh penderita penyakit asma, agar dapat mengontrol asma yang dideritanya secara mandiri, karena asma adalah suatu penyakit yang bisa dikendalikan.
1.2 Rumusan Masalah
Rumusan masalah yang diangkat dalam penelitian ini ialah bagaimana cara merancang suatu sistem pakar untuk menentukan derajat asma dan terapinya.
1.3 Batasan Masalah
Agar pembahasan penelitian ini lebih terarah, maka diperlukan batasan-batasan. Batasan-batasan dalam penelitian ini adalah:
1. Sistem pakar ini hanya mendiagnosis gejala klinis yang dirasakan penderita asma, tanpa pemeriksaan penunjang seperti pemeriksaan laboratorium, tes pengukuran faal paru, dan intermediate diagnosis seperti tes darah dan tes alergi.
2. Sistem tidak membuat penjelasan efek samping dari obat yang dianjurkan.
3. Pembuatan sistem pakar ini menggunakan metode forward chaining.
4. Interaksi antara program dan user menggunakan pertanyaan yang diberikan melalui proses dialog yang memerlukan jawaban “ya” atau “tidak” dari user.
(17)
5. Output yang dihasilkan adalah derajat asma dan terapi yang dapat dilakukan
secara mandiri.
6. Pembuatan aplikasi sistem pakar ini dilakukan dengan menggunakan PHP dan MySQL.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah menghasilkan suatu sistem pakar yang dapat mempermudah masyarakat awam mengetahui derajat asma yang dideritanya secara dini dan terapi yang bisa dilakukannya secara mandiri.
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah:
1. User atau pengguna khususnya masyarakat awam dapat dengan mudah
menggunakan sistem ini untuk mendiagnosis derajat asma yang dideritanya serta terapi yang dapat dilakukan secara mandiri.
2. Sebagai alat bantu bagi pengguna dalam memperoleh informasi mengenai pentingnya mengontrol penyakit asma yang diderita.
1.6 Metode Penelitian
Dalam penulisan skripsi ini, penulis melakukan beberapa tahapan untuk memperoleh data atau informasi dalam menyelesaikan permasalahan. Adapun tahapan penelitian yang dilakukan adalah :
1. Studi Literatur
Dilakukan studi literatur atau tinjauan pustaka tentang konsep dan teori dasar sistem pakar serta mengenai derajat asma.
(18)
2. Pengumpulan Data
Melakukan proses pencarian data yang berkaitan mengenai gejala, derajat asma, dan terapinya yang diperoleh dari wawancara kepada pakar
3. Perancangan
Pada tahap ini dilakukan perancangan desain sistem pakar untuk menentukan derajat asma dan terapinya.
4. Pengkodean
Pada tahap ini sistem yang telah dirancang kemudian diimplementasikan ke dalam bentuk coding perogram.
5. Pengujian dan Perbaikan
Setelah proses pengkodean selesai, maka pada tahap ini akan dilakukan pengujian sistem yang telah dibuat dan memperbaiki kekurangan yang terdapat dalam sistem.
6. Penyusunan Laporan
Menyusun laporan hasil analisis dan perancangan ke dalam format penulisan skripsi.
1.7 Sistematika Penulisan
Dalam penulisan tugas akhir ini, Penulis membagi sistematika penulisan menjadi lima bab, yaitu:
BAB 1 PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang pemilihan judul, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan.
(19)
BAB 2 TINJAUAN PUSTAKA
Pada bab ini berisi dasar teori tentang permasalahan yang akan dibahas. Teori-teori tentang kecerdasan buatan, sistem pakar, dan kinerja forward chaing pada sistem pakar untuk menentukan derajat asma dan terapinya.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Berisi analisis kebutuhan perangkat lunak dan perancangan sistem pakar dengan menggunakan metode forward chaining untuk menentukan derajat asma dan terapinya.
BAB 4 IMPLEMENTASI DAN PENGGUNAAN
Bab ini menjelaskan bagaimana mengimplementasikan sistem pakar menentukan derajat asma dan terapinya serta dilanjutkan dengan menguji aplikasi yang dibangun.
BAB 5 KESIMPULAN DAN SARAN
Bab terakhir akan memuat kesimpulan yang merupakan rangkuman dari hasil analisis kerja yang telah diuraikan pada bab-bab sebelumnya dan saran yang diberikan untuk pengembangan sistem lebih lanjut.
(20)
BAB 2
TINJAUAN PUSTAKA
2.1 Kecerdasan Buatan
Menurut Hartati dan Iswanti (2008) Kecerdasan buatan adalah salah satu bidang ilmu komputer yang mendayagunakan komputer sehingga dapat berprilaku cerdas seperti manusia. Ilmu komputer tersebut mengembangkan perangkat lunak dan perangkat keras untuk menirukan tindakan manusia. Aktifitas manusia yang di tirukan seperti penalaran, penglihatan, pembelajaran, pemecahan masalah, pemahaman bahasa alami dan sebagainya. Sesuai dengan definisi tersebut, maka teknologi kecerdasan buatan dipelajari dalam bidang-bidang seperti : Robotika (Robotics), Penglihatan Komputer (Computer Vision), Pengolahan Bahasa Alami (Natural Language Processing), Pengenalan Pola (Pattern Recognition), Sistem Syaraf Buatan (Artificial Neural
System), Pengenalan Suara (Speech Recognition), dan Sistem Pakar (Expert System).
Kecerdasan buatan menyelesaikan permasalahan dengan mendayagunakan komputer untuk memecahkan masalah yang kompleks dengan cara mengikuti proses penalaran manusia. Salah satu teknik kecerdasan buatan yang menirukan proses penalaran manusia adalah sistem pakar.
2.2 Sistem Pakar
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. (Kusrini, 2006).
(21)
Sistem pakar sebagai kecerdasan buatan, menggabungkan pengetahuan dan fakta-fakta serta teknik penelusuran untuk memecahkan permasalahan yang secara normal memerlukan keahlian dari seorang pakar. Proses berpikir pada manusia dimodelkan dalam sistem pakar pada modul yang disebut Inference Machine. Tujuan utama pengembangan sistem pakar adalah mensubstitusikan pengetahuan dan pengalaman pakar di berbagai bidang seperti bidang pertanian, kelautan, bisnis, pendidikan, ilmu pengetahuan, telekomunikasi, geologi dan meteorology, kesehatan dan pengobatan, komunikasi dan transportasi. (Desiani et al, 2006).
Untuk membangun sistem seperti itu, maka komponen-komponen yang harus dimiliki adalah sebagai berikut :
1. Antar Muka Pengguna (User Interface). 2. Basis Pengetahuan (Knowledge Base). 3. Mekanisme Inferensi (Inference Machine). 4. Memori Kerja (Working Memory).
Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dilengkapi dengan fasilitas berikut:
1. Fasilitas Penjelasan (Explanation Facility).
2. Fasilitas Akuisi Pengetahuan (Knowledge Acquisition Facility).
Berikut ini merupakan tabel yang menjelaskan perbedaan antara sistem pakar dengan seorang pakar (dokter).
Tabel 2.1 Perbedaan Sistem Pakar dengan Seorang Pakar (dokter)
Sistem Pakar Dokter (Pakar)
Bisa digunakan setiap saat Pada saat hari kerja
Bisa digunakan di mana saja Hanya pada daerah tertentu Kecepatan dan ketepatan pengambilan
keputusan konstan
Kecepatan dan ketepatan pengambilan keputusan sesuai dengan keadaan yang di alami pakar
(22)
digunakan
Dapat menyimpan dan mengingat pengetahuan yang tidak terbatas
Mempunyai keterbatasan dalam mengingat pengetahuan
Tidak kenal lelah Dapat merasakan lelah Pengguna hanya dapat berkonsultasi
sebatas kemampuan sistem
Pasien dapat berkonsultasi dengan pakar sejauh mana yang ia inginkan Tidak dapat melayani pengguna dengan
ramah seperti seorang pakar
Dapat memberikan pelayanan kepada pasien dengan ramah, sehingga pasien akan senang bila ingin berkonsultasi kembali
Tidak dapat mengenal dan memahami keadaan ekonomi pengguna
Dapat mengenal dan memahami keadaan ekonomi pasien
2.2.1 Sejarah Sistem Pakar
Sistem pakar mulai dikembangkan pada tahun 1960 oleh Artificial Intelligence
Corporation. Penelitian artificial intelligence ini didominasi oleh suatu keyakinan
bahwa nalar yang digabung dengan komputer canggih akan menghasilkan prestasi pakar atau bahkan manusia super. General Purpose Problem-Solver (GPS) merupakan sistem pakar yang pertama kali muncul dan dikembangkan oleh Allen Newell, John Cliff Shaw, dan Herbert Alexander Simon dari Logic Theorist.
Pada pertengahan tahun 1960-an, terjadi pergantian dari program serba bisa (general purpose) ke program yang spesialis (special-purpose) dengan dikembangkannya DENDRAL oleh E. Feigenbaum dari Universitas Stanford dan kemudian diikuti oleh MYCYN.
Sistem pakar untuk melakukan diagnosis kesehatan telah dikembangkan sejak pertengahan tahun 1970. Sistem pakar untuk melakukan diagnosis pertama dibuat oleh Bruce Buchanan dan Edward Shortliffe di Stanford University. Sistem ini diberi nama MYCIN. (Heckerman, 1986).
(23)
MYCIN merupakan program interaktif yang melakukan diagnosis penyakit miningitis dan infeksi bacremia serta memberikan rekomendasi terapi antimikrobia. MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN merupakan referensi yang bagus dalam penelitian kecerdasan buatan yang lain. (Kusrini, 2006).
2.2.2 Struktur Sistem Pakar
Menurut Kusumadewi (2003) bila dilihat dari sudut pandang lingkungan (environment) dalam sistem, sistem pakar terdiri dari dua bagian, yaitu:
1. Lingkungan pengembang (development environment)
Lingkungan pengembang ditujukan bagi pembangun sistem pakar untuk membangun komponen dan memasukkan pengetahuan hasil akuisisi pengetahuan ke dalam basis pengetahuan.
2. Lingkungan konsultasi (consultation environment)
Lingkungan konsultasi diperuntukkan bagi pengguna non pakar untuk melakukan konsultasi dengan sistem yang tujuannya adalah mendapatkan nasihat pakar.
(24)
Komponen-komponen yang terdapat dalam struktur sistem pakar: 1. Antarmuka Pengguna
Sistem pakar menggantikan seorang pakar dalam suatu situasi tertentu, maka sistem harus menyediakan pendukung yang diperlukan oleh pemakai yang tidak memahami masalah teknis. Antar muka yang efektif dan ramah pengguna (user-friendly) penting sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada sistem pakar.
2. Basis Pengetahuan
Basis pengetahuan merupakan kumpulan pengetahuan bidang tertentu pada tingkatan pakar dalam format tertentu. Pengetahuan ini diperoleh dari akumulasi pengetahuan pakar dan sumber-sumber pengetahuan lainnya. Basis pengetahuan bersifat dinamis, bisa berkembang dari waktu ke waktu.
3. Mesin Inferensi
Mesin inferensi adalah program komputer yang menyediakan metodologi untuk melakukan penalaran tentang informasi pada basis pengetahuan dan pada memori kerja, serta untuk merumuskan kesimpulan-kesimpulan. Komponen ini menyajikan arahan-arahan tentang bagaimana menggunakan pengetahuan dari sistem dengan membangun agenda yang mengelola dan mengontrol langkah-langkah yang diambil untuk menyelesaikan masalah ketika dilakukan konsultasi.
4. Memori Kerja
Merupakan bagian dari sistem pakar yang menyimpan fakta-fakta yang diperoleh saat dilakukan proses konsultasi. Fakta-fakta inilah yang nantinya akan diolah oleh mesin inferensi berdasarkan pengetahuan yang disimpan dalam basis pengetahuan untuk menentukan suatu keputusan pemecahan masalah.
5. Fasilitas Penjelasan
Fasilitas penjelasan dapat memberikan informasi kepada pemakai mengenai jalannya penalaran sehingga dihasilkan suatu keputusan. Bentuk penjelasannya
(25)
dapat berupa keterangan yang diberikan setelah suatu pertanyaan diajukan, yaitu penjelasan atas pertanyaan mengapa, atau penjelasan atas pertanyaan bagaimana sistem mencapai konklusi.
6. Workplace/Blackboard
Workplace merupakan memori kerja yang digunakan untuk menyimpan
kondisi/keadaan yang dialami oleh pengguna termasuk keputusan sementara.
7. Fasilitas Akuisisi Pengetahuan
Pengetahuan pada sistem pakar dapat ditambahkan kapan saja pengetahuan baru diperoleh atau saat pengetahuan sudah ada sudah tidak berlaku lagi. Fasilitas ini bertujuan agar pemakai menggunakan sistem pakar yang komplit dan sesuai perkembangan.
2.2.3 Model Representasi Pengetahuan
Sistem pakar merupakan sistem yang berbasis pengetahuan, mengerjakan tugas yang biasanya dilakukan oleh seorang pakar. Representasi pengetahuan dimaksudkan untuk mengorganisasikan pengetahuan dalam bentuk dan format tertentu untuk bisa dimengerti oleh komputer (Hartati et al, 2008).
Untuk membuat sistem pakar yang efektif harus dipilih representasi pengetahuan yang tepat. Pemilihan representasi pengetahuan yang tepat akan membuat sistem pakar dapat mengakses basis pengetahuan tersebut untuk keperluan pembuatan keputusan. Beberapa model representasi pengetahuan yang penting:
1. Jaringan Semantik (Semantic Nets) 2. Bingkai (Frame)
3. Kaidah Produksi (Production Rule) 4. Logika Predikat (Predicate Logic)
(26)
2.2.3.1 Jaringan Semantik
Jaringan semantik adalah teknik representasi pengetahuan yang digunakan untuk informasi proporsional, sedangkan yang dimaksud dengan informasi proporsional ialah pernyataan yang mempunyai nilai benar atau salah. Sebagai contoh: sebuah bujur sangkar mempunyai empat sisi. Informasi proporsional merupakan bahasa deklaratif karena menyatakan fakta.
Representasi jaringan semantik merupakan penggambaran grafis dari pengetahuan yang memperlihatkan hubungan hirarkis dari obyek-obyek. Komponen dasar merepresestasikan pengetahuan dalam bentuk jaringan semantik adalah simpul (node) dari penghubung (link). Obyek direpresentasikan oleh simpul. Hubungan antar obyek-obyek dinyatakan oleh penghubung yang diberi label untuk menyatakan hubungan yang direpresentasikan.
Mikroprosessor
Unit Prefecth
Unit Bus Unit
Kode Unit
Kontrol MMU
ALU
(27)
2.2.3.2 Bingkai
Bingkai merupakan kumpulan slot-slot yang berisi atribut untuk mendeskripsikan pengetahuan. Pengetahuan yang termuat dalam slot dapat berupa kejadian, lokasi, situasi ataupun elemen-elemen lainnya. Bingkai digunakan untuk representasi pengetahuan deklaratif. Bingkai memuat deskripsi sebuah obyek dengan menggunakan tabulasi informasi yang berhubungan dengan obyek. Jadi bingkai mengelompokkan atribut sebuah obyek. Dengan demikian, bingkai membantu menirukan cara seseorang mengorganisasikan informasi tentang sebuah obyek menjadi kumpulan data. Representasi pengetahuan menggunakan bingkai sesuai untuk jenis pengetahuan yang memiliki subjek sempit, lebih bersifat pasti, dan jarang berubah-ubah isinya.
Tabel 2.2 Bingkai Sepeda Motor
Slots Fillers
Nama Sepeda motor
Spesialisasi Jenis kendaraan beroda dua
Produk Honda, Yamaha, Kawasaki, Daiheiyo Bahan bakar Bensin
2.2.3.3 Kaidah Produksi
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then). Kaidah if-then menghubungkan antesenden (antecendent) dengan konsekuensi yang diakibatkannya. Berbagai struktur kaidah if-then yang menghubungkan obyek atau atribut sebagai berikut (Adedeji, 1992).
IF premis THEN konklusi IF masukan THEN keluaran IF kondisi THEN tindakan IF antesenden THEN konsekuen IF data THEN hasil
(28)
IF tindakan THEN tujuan IF aksi THEN reaksi IF sebab THEN akibat IF gejala THEN diagnosa
Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat diperoleh. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Antesenden mengacu pada situasi yang terjadi sebelum konsekuensi dapat diamati. Data mengacu pada informasi yang harus tersedia sehingga sebuah hasil dapat diperoleh. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Aksi mengacu pada kegiatan yang menyebabkan munculnya efek dari kegiatan tersebut. Sebab mengacu pada keadaan tertentu yang menimbulkan akibat tertentu. Gejala mengacu pada keadaan yang menyebabkan adanya kerusakan atau keadaan tertentu yang mendorong adanya pemeriksaan.
Sebelum sampai pada bentuk kaidah produksi, terdapat langkah-langkah yang harus ditempuh dari pengetahuan yang didapatkan dalam domain tertentu. Langkah-langkah tersebut adalah menyajikan pengetahuan yang berhasil di dapatkan dalam bentuk tabel keputusan (decision table) kemudian dari tebel keputusan dibuat pohon keputusan (decision tree).
Tabel 2.3 Tabel Keputusan
Hipotesa 1 Hipotesa 2 Hipotesa 3 Hipotesa 4
Evidence A ya ya ya tidak
Evidence B ya tidak ya ya
Evidence C ya tidak tidak ya
Evidence D tidak tidak tidak ya
Evidence E tidak ya ya tidak
Hipotesa
(29)
A
H1 H2
** **
E ** ** D
C ** E C B B H1 H1 H4 H1 H3 y t y y y y y y y t t t t t t t
Gambar 2.3 Pohon Keputusan
Keterangan :
A = evidence A, H1 = hipotesa 1, y = ya B = evidence B, H2 = hipotesa 2, t = tidak
C = evidence C, H3 = hipotesa 3, ** = tidak menghasilkan hipotesa tertentu D = evidence D, H4 = hipotesa 4,
2.2.3.4 Logika Predikat
Logika yang pertama kali dikembangkan oleh Aristoteles merupakan logika formal. Logika formal adalah logika yang berhubungan dengan bentuk (syntax) pernyataan bukan pada arti (semantic) dari pernyataannya.
Logika formal berkembang sampai tahun 1847 saat George Boole mengemukakan konsep logika simbolis (symbolic Logic). Pernytaan semua putri duyung dapat berenang dengan baik tidak lagi diterima sebagai premis ataupun konklusi pada logika simbolis, karena pada kenyataannya putri duyung itu tidak ada, hanya dongeng.
(30)
Logika proporsional atau bisa juga disebut kalkulus proporsional adalah logika simbolis yang memanipulasi proposisi. Logika proporsional akan menangani kalimat deklaratif yang bernilai benar atau salah. Kalimat yang nilai benarnya dapat ditentukan disebut pernyataan (statement) atau proposisi.
Logika proporsional hanya mampu menangani pernyataan yang komplit dan tidak bisa menganalisa struktur internal sebuah pernyataan. Sehingga untuk menganalisa kasus yang lebih umum dikembangkan logika predikat yang dapat menganalisis struktur internal kalimat.
Logika predikat berdasarkan pada kebenaran dan kaidah inferensi untuk merepresentasikan simbol-simbol dan hubungannya satu dengan yang lain. Contoh logika proporsional: Bujur sangkar mempunyai empat sisi. Kalimat tersebut merupakan logika proporsional karena mengandung pernyataan yang mempunyai nilai kebenaran. Sedangkan kalimat berikut ini adalah contoh logika predikat. Semua segitiga adalah poligon. Logika predikat menganalisa struktur internal kalimat tersebut, ditunjukkan dengan penggunaan quantifier. Quantifier berupa kata ”semua”, ”beberapa”, atau ”tidak”. Quantifier ini menjadi begitu penting karena dengan
quantifier inilah kata yang lain dapat diukur, sehingga kalimat yang dihasilkan lebih
eksak (Hartati et al, 2008).
2.3 Mesin Inferensi
Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu: 1. Metode Forward Chaining
2. Metode Backward Chaining
2.3.1 Metode Forward Chaining
Menurut Hartati dan Iswanti (2008) Runut maju (Forward Chaining) merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang
(31)
meyakinkan menuju konklusi akhir. Forward chaining biasa juga disebut sebagai penalaran forward (forward reasoning) atau pencarian yang dimotori data (data
driven search). Jadi dimulai dari premis-premis atau informasi masukan (if) dahulu
kemudian menuju konklusi atau derived information (then) atau dapat dimodelkan sebagai berikut :
IF (informasi masukan) THEN (konklusi)
Inferensi dimulai dengan informasi yang tersedia dan akan memperoleh konklusi. Informasi masukan dapat berupa data, bukti, temuan, atau pengamatan. Sedangkan konklusi dapat berupa tujuan, hipotesa, penjelasan, atau diagnosis. Sehingga jalannya penalaran forward chaining dapat dimulai dari data menuju tujuan, dari bukti menuju hipotesa, dan temuan menuju penjelasan, atau dari pengamatan menuju diagnosa.
Pada metode forward chaining, sistem tidak melakukan praduga apapun, namun sistem menerima semua gejala yang diberikan user, kemudian sistem akan mengecek gejala-gejala tersebut memenuhi konklusi yang mana. (Hartati et al, 2008).
Tabel 2.4 Contoh Aturan Menggunakan Penalaran Forward Chaining (Alur Maju)
No Aturan
R-1 IF A & B THEN C R-2 IF C THEN D R-3 IF A & E THEN F R-4 IF A THEN G R-5 IF F & G THEN D R-6 IF G & E THEN H R-7 IF C & H THEN I R-8 IF I & A THEN J R-9 IF G THEN J R-10 IF J THEN K
(32)
Pada tabel 2.4 terlihat ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan hanya : A dan F (artinya : A dan F bernilai benar). Ingin dibuktikan apakah K bernilai benar (hipotesis K) ?
Langkah-langkah inferensi adalah sebagai berikut :
a. Dimulai dari R-1, A merupakan fakta sehingga bernilai benar, sedangkan B belum bisa diketahui kebenarannya, sehingga C-pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-1 ini. Sehingga kita menuju ke R-2.
b. Pada R-2 kita tidak mengetahui informasi apapun tentang C, sehingga kita juga tidak bisa memastikan kebenaran D. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-1 ini. Sehingga kita menuju ke R-3.
c. Pada R-3, baik A maupun E adalah fakta sehingga jelas benar. Dengan demikian F sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu F. Karena F bukan hipotesis yang hendak kita buktikan maka penelusuran kita lanjutkan ke R-4.
d. Pada R-4, A adalah fakta sehingga jelas benar. Dengan demikian G sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu G. Karena G bukan hipotesis yang hendak kita buktikan, maka penelusuran kita lanjutkan ke R-5.
e. Pada R-5, baik F maupun G bernilai benar berdasarkan aturan R-3, danR-4. Dengan demikian D sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu D. Karena D bukan hipotesis yang hendak kita buktikan, maka penelusuran kita lanjutkan ke R-6.
(33)
f. Pada R-6, baik A maupun G adalah benar berdasarkan fakta dari R-4. Dengan demikian H sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu H. Karena H bukan hipotesis yang hendak kita buktikan, maka penelusuran kita lanjutkan ke R-7.
g. Pada R-7, meskipun H benar berdasarkan R-6, namun kita tidak tahu kebenaran C sehingga, I pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-7 ini. Sehingga kita menuju ke R-8.
h. Pada R-8, meskipun A benar karena fakta, namun kita tidak tahu kebenaran I, sehingga J pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-8 ini. Sehingga kita menuju ke R-9.
i. Pada R-9, J bernilai benar karena G benar berdasarkan R-4. Karena J bukan hipotesis yang hendak kita buktikan, maka penelusuran kita lanjutkan ke R-10.
j. Pada R-10, K bernilai benar karena J benar berdasarkan R-9. Karena H sudah merupakan hipotesis yang hendak kita buktikan, maka terbukti bahwa K adalah benar.
Tabel munculnya fakta baru pada saat inferensi terlihat pada tabel 2.5. sedangkan alur inferensi terlihat pada gambar 2.4.
(34)
Tabel 2.5 Fakta Baru Pada Saat Inferensi
Aturan Fakta Baru
R-3 F
R-4 G
R-5 D
R-6 H
R-9 J
R-10 K
Gambar 2.4 Alur Inferensi Forward Chaining
2.3.2 Metode Backward Chaining
Metode backward chaining adalah kebalikan dari forward chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Fakta
R-4
A
E
G
F
J
H D
K
Fakta
R-3
R-5
R-9
R-6
(35)
Seperti halnya pada tabel 2.4. terlihat ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan : A dan F (artinya A dan F bernilai benar). Ingin dibuktikan apakah A bernilai benar (hipotesis hanya K)?.
Langkah-langkah inferensi adalah sebagai berikut :
1. Pertama-tama kita cari terlebih dahulu mulai dari R-1, aturan yang mana memiliki konsekuen K. Ternyata setelah ditelusur, aturan dengan konsekuen K baru ditemukan pada R-10. Untuk membuktikan bahwa K benar maka perlu dibuktikan bahwa J benar.
2. Kita cari aturan yang memiliki konsekuen J. kita mulai dari R-1, ternyata kita baru akan menemukan aturan dengan konsekuen J pada R-8. Untuk membuktikan bahwa J benar maka perlu dibuktikan bahwa I dan A benar. Untuk membuktikan kebenaran I, kita perlu cari aturan dengan konsekuen I, ternayata ada di R-7.
3. Untuk membuktikan bahwa I benar di R-7, kita perlu buktikan bahwa C dan H benar. Untuk itu kita pun perlu mencari aturan dengan konsekuen C dan ada di R-1.
4. Untuk membuktikan C benar di R-1, kita perlu buktikan bahwa A dan B benar. A jelas benar karena A merupakan fakta. Sedangkan B kita tidak bisa membuktikan kebenarannya, karena selain bukan fakta, di dalam basis pengetahuan juga tidak ada aturan dengan konsekuen B. Dengan demikian maka dari penalaran ini kita tidak bisa buktikan kebenaran dari hipotesis K. Namun demikian, kita masih punya alternatif lain untuk melakukan penalaran.
5. Kita lakukan backtracking. Kita ulangi lagi dengan pembuktian kebenaran C dengan mencari aturan lain dengan konsekuen C. Ternyata tidak ditemukan.
6. Kita lakukan backtraining lagi dengan mencari aturan dengan konsekuen I, ternyata juga tidak ada.
(36)
7. Kita lakukan backtraining lagi dengan mencari aturan dengan konsekuen J, ternyata kita temukan pada R-9. sehingga kita perlu buktikan kebenaran G.
8. Kita mendapatkan di R-4 dengan konsekuen G. Kita perlu untuk membuktikan kebenaran A. Karena A adalah fakta, maka terbukti bahwa G benar. Dengan demikian berdasarkan penalaran ini bisa dibuktikan bahwa K bernilai benar.
Alur inferensi dapat dilihat pada gambar 2.5. berikut ini :
(a) Pertama : Gagal
(b) Kedua : Sukses
Gambar 2.5. Alur Inferensi Backward Chaining
K J I C A
A H B
Fakta
Tidak diketahui R-1 R-7
R-8 R-10
A G
K J
Fakta
(37)
2.4 Asma
Menurut Prasetyo (2010) Asma, bengek atau mengi adalah beberapa nama yang biasa kita pakai kepada pasien yang menderita penyakit asma. Asma bukan penyakit menular, tetapi faktor keturunan (genetic) sangat punya peranan besar di sini.
Asma sendiri berasal dari kata asthma. Kata ini berasal dari bahasa Yunani yang memiliki arti sulit bernafas. Penyakit asma dikenal karena adanya gejala sesak nafas, batuk, dan mengi yang disebabkan oleh penyempitan saluran nafas. Atau dengan kata lain asma merupakan peradangan atau pembengkakan saluran nafas yang reversibel sehingga menyebabkan diproduksinya cairan kental yang berlebih. (Prasetyo, 2010).
Saluran pernafasan penderita asma sangat sensitif dan memberikan respon yang sangat berlebihan jika mengalami rangsangan atau ganguan. Saluran pernafasan tersebut bereaksi dengan cara menyempit dan menghalangi udara yang masuk. Penyempitan atau hambatan ini bisa mengakibatkan salah satu atau gabungan dari berbagai gejala mulai dari batuk, sesak, nafas pendek, tersengal-sengal, hingga nafas yang berbunyi ”ngik-ngik” (Hadibroto et al, 2006).
Beberapa ahli membagi asma dalam 2 golongan besar, seperti yang dianut banyak dokter ahli pulmonologi (penyakit paru-paru) dari Inggris, yakni:
1. Asma Ekstrinsik 2. Asma Intrinsik
2.4.1 Asma Ekstrinsik
Asma ekstrinsik adalah bentuk asma yang paling umum, dan disebabkan karena reaksi alergi penderitanya terhadap hal-hal tertentu (alergen), yang tidak membawa pengaruh apa-apa terhadap mereka yang sehat.
(38)
Pada orang-orang tertentu, seperti pada penderita asma, sistem imunitas bekerja lepas kendali dan menimbulkan reaksi alergi. Reaksi ini disebabkan oleh alergen. Alergen bisa tampil dalam bentuk: mulai dari serbuk bunga/tanaman/pohon, debu luar/dalam rumah, jamur, hingga zat/bahan makanan. Ketika alergen memasuki tubuh pengidap alergi, sistem imunitasnya memproduksi antibodi khusus yang disebut IgE. Antibodi ini mencari dan menempelkan dirinya pada sel-sel batang. Peristiwa ini terjadi dalam jumlah besar di paru-paru dan saluran pernafasan lalu membangkitkan suatu reaksi. Batang-batang sel melepaskan zat kimia yang disebut mediator. Salah satu unsur mediator ini adalah histamin.
Akibat pelepasan histamin terhadap paru-paru adalah reaksi penegangan/pengerutan saluran pernafasan dan meningkatnya produksi lendir yang dikeluarkan jaringan lapisan sebelah dalam saluran tersebut.
2.4.2 Asma Intrinsik
Asma intrinsik tidak responsif terhadap pemicu yang berasal dari alergen. Asma jenis ini disebabkan oleh stres, infeksi, dan kondisi lingkungan seperti cuaca, kelembaban dan suhu udara, polusi udara, dan juga oleh aktivitas olahraga yang berlebihan.
Asma intrinsik biasanya berhubungan dengan menurunnya kondisi ketahanan tubuh, terutama pada mereka yang memiliki riwayat kesehatan paru-paru yang kurang baik, misalnya karena bronkitis dan radang paru-paru (pneumonia). Penderita diabetes mellitus golongan lansia juga mudah terkena asma intrinsik.
Tujuan dari pemisahan golongan asma seperti yang disebut di atas adalah untuk mempermudah usaha penyusunan dan pelaksanaan program pengendalian asma yang akan dilakukan oleh dokter maupun penderita itu sendiri. Namun dalam prakteknya, asma adalah penyakit yang kompleks, sehingga tidak selalu dimungkinkan untuk menentukan secara tegas, golongan asma yang diderita seseorang. Sering indikasi asma ekstrinsik dan intrinsik bersama-sama dideteksi ada pada satu orang.
(39)
2.4.3 Pencetus Asma
Menurut The Lung Association of Canada, ada dua faktor yang menjadi pencetus asma, yaitu:
1. Pemicu (trigger) yang mengakibatkan mengencang atau menyempitnya saluran pernafasan (bronkokonstriksi).
Pemicu tidak menyebabkan peradangan. Banyak kalangan kedokteran yang menganggap pemicu dan bronkokonstriksi adalah gangguan pernafasan akut, yang belum berarti asma, tapi bisa menjurus menjadi asma jenis intrinsik. Gejala-gejala bronkokonstriksi yang diakibatkan oleh pemicu cenderung timbul seketika, berlangsung dalam waktu pendek dan relatif mudah diatasi dalam waktu singkat. Namun saluran pernafasan akan bereaksi lebih cepat terhadap pemicu, apabila sudah ada, atau sudah terjadi peradangan. Umumnya pemicu yang mengakibatkan bronkokonstriksi termasuk stimulus sehari-hari seperti: perubahan cuaca dan suhu udara, polusi udara, asap rokok, infeksi saluran pernafasan, gangguan emosi, dan olahraga yang berlebihan.
2. Penyebab (inducer) yang mengakibatkan peradangan (inflammation) pada saluran pernafasan.
Penyebab asma (inducer) bisa menyebabkan peradangan (inflammation) dan sekaligus hiperresponsivitas (respon yang berlebihan) dari saluran pernafasan. Oleh kebanyakan kalangan kedokteran, inducer dianggap sebagai penyebab asma sesungguhnya atau asma jenis ekstrinsik. Penyebab asma (inducer) dengan demikian mengakibatkan gejala-gejala yang umumnya berlangsung lebih lama (kronis), dan lebih sulit diatasi, dibanding gangguan pernafasan yang diakibatkan oleh pemicu (trigger). Umumnya penyebab asma (inducer) adalah alergen, yang tampil dalam bentuk: ingestan, inhalan, dan kontak dengan kulit. Ingestan yang utama ialah makanan dan obat-obatan. Sedangkan alergen inhalan yang utama adalah tepung sari (serbuk) bunga, tungau, serpih dan kotoran binatang, serta jamur.
(40)
Klasifikasi asma berdasarkan tingkat keparahan penyakit (derajat asma) yaitu: 1. Intermiten
Intermitten ialah derajat asma yang paling ringan. Pada tingkatan derajat asma ini, serangannya biasanya berlangsung secara singkat. Dan gejala ini juga bisa muncul di malam hari dengan intensitas sangat rendah yaitu ≤ 2x sebulan . 2. Persisten Ringan
Persisten ringan ialah derajat asma yang tergolong ringan. Pada tingkatan derajat asma ini, gejala pada sehari-hari berlangsung lebih dari 1 kali seminggu, tetapi kurang dari atau sama dengan 1 kali sehari dan serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
3. Persisten Sedang
Persisten sedang ialah derajat asma yang tergolong lumayan berat. Pada tingkatan derajat asma ini, gejala yang muncul biasanya di atas 1 x seminggu dan hampir setiap hari. Serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
4. Persisten Berat
Persisten berat ialah derajat asma yang paling tinggi tingkat keparahannya. Pada tingkatan derajat asma ini, gejala yang muncul biasanya hampir setiap hari, terus menerus, dan sering kambuh. Membutuhkan bronkodilator setiap hari dan serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
2.5 PHP dan MySQL
PHP merupakan singkatan dari Personal Home Page. PHP merupakan bahasa berbentuk skrip yang ditempatkan dalam server dan diproses di server, kemudian hasilnya dikirimkan ke klien, tempat pemakai menggunakan browser. (Kadir, 2008).
Secara khusus, PHP dirancang untuk membentuk aplikasi web dinamis. Artinya, ia dapat membentuk suatu tampilan berdasarkan permintaan terkini. Misalnya, kita bisa menampilkan isi database ke halaman web. (Kadir, 2008).
(41)
MySQL adalah salah satu jenis database server yang sangat terkenal. Kepopulerannya disebabkan MySQL menggunakan SQL sebagai bahasa dasar untuk mengakses database-nya. Selain itu, MySQL juga bersifat open source. SQL digunakan tidak hanya untuk melakukan query suatu database dan mengubah datanya, tetapi juga untuk mendefinisikan database. SQL dapat dibagi menjadi dua : Data
Definition Language (DDL) mencakup perintah-perintah untuk pembuatan database
dan tabel, dan Data Manipulation Language (DML) yang berupa perintah-perintah
(42)
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis berguna untuk mengetahui kebutuhan perangkat lunak yang akan dibangun. Dalam tahap ini dilakukan pengumpulan data serta pengetahuan yang diperlukan untuk membangun sistem pakar, sehingga pada akhirnya hasil dari analisis yang diperoleh berupa sebuah sistem yang strukturnya dapat didefinisikan dengan baik dan jelas. Untuk menghasilkan sistem pakar yang handal, diperlukan basis pengetahuan dan basis aturan yang baik serta pembuatan mekanisme inferensi yang baik juga. Mekanisme inferensi adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasarkan urutan dan pola tertentu. Selama proses konsultasi antar sistem dan pemakai, mekanisme inferensi menguji aturan satu demi satu sampai kondisi aturan itu benar.
Dalam pembuatan sistem pakar ini, penulis menggunakan mekanisme inferensi penalaran maju (fordward chaining) untuk menguji aturan. Dalam penalaran maju, aturan-aturan diuji satu demi satu dalam urutan tertentu. Saat tiap urutan diuji, sistem pakar akan mengevaluasi apakah kondisinya benar atau salah. Jika kondisinya benar, maka aturan itu disimpan kemudian aturan berikutnya diuji. Sebaiknya kondisinya salah, aturan itu tidak disimpan dan aturan berikutnya diuji. Proses ini akan berulang (iterative) sampai seluruh basis aturan teruji dengan berbagai kondisi.
Sistem pakar ini dibangun dengan menggunaan bahasa PHP 5, sehingga pengguna dapat dengan mudah mengakses sistem ini karena berbasis web. Sasaran pengguna dari sistem ini ialah penderita penyakit asma dan sudah mengerti tentang internet.
(43)
3.1.1 Pembahasan Program
Sistem pakar merupakan program dengan basis pengetahuan yang dinamis. Dengan kata lain, pengetahuan yang terdapat dalam sistem pakar ini harus dapat ditambah atau di-edit kapanpun kita butuhkan, mengingat semakin cepatnya perkembangan ilmu pengetahuan sekarang ini, sehingga basis pengetahuan yang dimiliki oleh sistem pakar ini juga terus berkembang.
Mesin inferensi untuk program sistem pakar untuk menentukan derajat asma dan terapinya ini merupakan gabungan dari algoritma pencarian dan struktur If - Then. Metode yang digunakan adalah metode forward chaining dimana program mengambil kesimpulan dari jawaban "Ya" atau "Tidak" atas pertanyaan yang digunakan dari program.
3.1.2 Cara Kerja Sistem Pakar yang Dibangun
Sistem pakar yang dibangun memiliki cara kerja untuk menghasilkan suatu keluaran atau output tentang derajat asma dari pasien serta solusi yang direkomendasikan berdasarkan basis pengetahuan yang telah dibuat. Adapun cara sistem pakar dapat melakukan diagnosa penyakit adalah sebagai berikut:
1. Dalam melakukan diagnosis derajat asma, sistem yang dibuat akan menampilkan dialog berupa pertanyaan mengenai gejala yang dialami pengguna (user).
2. Pengguna (user) diminta untuk menjawab semua pertanyaan yang diajukan oleh sistem.
3. Sistem akan menghasilkan suatu output (berupa derajat asma serta solusi yang direkomendasikan) yang memenuhi rule yang telah dibuat, setelah pengguna (user) menjawab semua pertanyaan yang dijukan
(44)
3.2 Perancangan Sistem
Pada subbab ini akan diuraikan tentang perancangan sistem yang terdiri dari perancangan mesin inferensi, perancangan basis data, perancangan struktur program, dan perancangan antarmuka.
Berikut ini adalah gambar perancangan diagram sistem pakar yang akan dibangun.
tbl_aturan
tbl_pertanyaan tbl_solusi
Antar muka sistem
user admin
Mesin Inferensi
Memori kerja Basis Pengetahuan
Fasilitas Akuisisi Pengetahuan
Gambar 3.1 Diagram Sistem Pakar Menentukan Derajat Asma dan Terapinya
Basis pengetahuan dalam sistem pakar ini diperoleh dari pengetahuan seorang pakar yang ahli dibidang penyakit paru. Berdasarkan hasil wawancara yang dilakukan penulis dengan seorang pakar, maka diperoleh diagram untuk menentukan derajat asma dan terapinya yang dapat dilihat pada lampiran C. Berdasarkan diagram sistem
(45)
pakar di atas, dapat dilihat bahwa terdapat unsur kepakaran dalam sistem pakar yang akan dibangun dan fasilitas akuisisi pengetahuan untuk meng-update pengetahuan apabila terdapat pengetahuan baru yang harus ditambahkan.
3.2.1. Perancangan Mesin Inferensi
Pada perancangan sistem pakar untuk menentukan derajat asma dilakukan dengan menggunakan mesin inferensi. Mesin inferensi forward chaining digunakan dalam sistem ini untuk mendiagnosis derajat asma setelah user menjawab pertanyaan yang berhubungan dengan gejala asma yang dialami user. User harus menjawab semua pertanyaan yang diberikan oleh sistem.
Setiap jawaban yang diberikan oleh user akan diproses oleh sistem dengan mencari kesesuaian aturan yang telah dibuat dalam knowlegde-based, sehingga nantinya akan diperoleh suatu solusi berupa tingkat derajat asma yang diderita dan terapinya. Untuk lebih jelasnya dapat dilihat pada flowchart pada Gambar 3.1 di bawah ini.
(46)
Start
id_pertanyaan = 1
Input jawaban
simbol = p simbol = simbol_hasil
id_pertanyaan = id_hasil
id_solusi = id_hasil Cek tbl_aturan
Cek tbl_pertanyaan
Cek tbl_solusi
Tampilkan Solusi
End Ya
Tidak
(47)
3.2.1.1Perancangan Pohon Keputusan
Pembuatan pohon keputusan akan memudahkan sistem dalam melakukan penalaran hingga ditemukannya suatu kesimpulan yang tepat. Perancangan pohon keputusan ini mengacu pada diagram menentukan derajat asma yang terdapat pada lampiran C. Berikut ini adalah perancangan pohon keputusan (decision tree) untuk sistem pakar menentukan derajat asma dan terapinya.
(48)
1 1 1 2 3 4 1 5 6 7 1 7 2 9 2 10 13 11 8 14 3 4 17 3 4 12 4 4 4 16 4 15 4 5 2 9 2 10 13 11 8 14 3 4 17 3 4 12 4 4 4 16 4 15 4 5 1 5 6 7 1 7 2 9 2 10 13 11 8 14 3 4 17 3 4 12 4 4 4 16 4 15 4 5 2 9 2 10 13 11 8 14 3 4 17 3 4 12 4 4 4 16 4 15 4 5 4 : : : : Pertanyaan Solusi Jawaban Ya Jawaban Tidak Keterangan
(49)
Data yang didapat dirancangan sedemikian rupa berdasarkan urutan proses yang ada dan solusi yang bersesuian, kemudian dirancang menjadi basis pengetahuan. Untuk id pertanyaan dapat dilihat pada lampiran daftar pertanyaan.
3.2.1.1.1 Tahap Perancangan Intermitten
Dari pohon keputusan di atas, dapat dibuat tabel keputusan sebagai berikut.
Tabel 3.1 Tabel Keputusan untuk Derajat Asma Intermitten
Id Pertanyaan
Derajat Asma
Intermitten
1 √ √ √ √ √ √ √ √
2 √ √ √ √
3 √ √ √ √
4 √ √ √ √ √ √ √ √
5 √ √ √ √
6 √ √ √ √
7 √ √ √ √
Contoh rule untuk menentukan derajat asma intermitten sebagai berikut.
IF pasien mengalami batuk
AND mengalami flu yang diderita, dan berlanjut menjadi sesak, atau
berlangsung lebih dari 10 hari
AND batuk atau mengi timbul sesudah aktifitas AND mengalami gangguan batuk pada malam hari
AND gejala pada malam hari kurang dari 2 kali sebulan
THEN Intermitten
Penelusuran derajat asma intermitten dapat dilihat pada gambar pohon keputusan di bawah ini.
(50)
1
2
2
3
4
5
7
Keterangan
: : : :
Pertanyaan Solusi Jawaban Ya Jawaban Tidak
Gambar 3.4 Pohon Keputusan Derajat Asma Intermitten
Pohon keputusan di atas dapat dijelaskan sebagai berikut:
Tabel 3.2 Kumpulan Pertanyaan Intermitten Id
Pertanyaan
Pertanyaan Jawaban
1 Apakah Anda mengalami batuk? Ya
2 Apakah Anda mengalami serangan batuk disertai
mengi yang berulang? Tidak
3 Apakah ada mengalami flu yang diderita, dan berlanjut menjadi sesak, atau berlangsung lebih dari 10 hari? Ya 4 Apakah batuk atau mengi timbul sesudah aktifitas? Ya 5 Apakah Anda mengalami gangguan batuk pada malam Ya
(51)
hari?
Tabel 3.2 Kumpulan Pertanyaan Intermitten (Lanjutan) Id
Pertanyaan
Pertanyaan Jawaban
7 Apakah gejala pada malam hari kurang dari 2 kali
sebulan? Ya
Solusi 2 :
Derajat Asma : Intermitten
Terapi : Intermitten ialah derajat asma yang paling ringan. Pada tingkatan derajat asma ini, serangannya biasanya berlangsung secara
singkat. Dan gejala ini juga bisa muncul di malam hari dengan intensitas sangat rendah yaitu ≤ 2x sebulan.
Pasien tidak perlu pengobatan harian, jadi hanya di kala terjadi serangan saja. Dan terapinya berupa obat pelega pernafasan. Seperti :
ß2
Contohnya : Berotec, Ventoline. -agnosis Inhalasi
Aturan pakai : Jika mengalami sesak saja
3.2.1.1.2 Tahap Perancangan Persisten Ringan
Dari pohon keputusan sistem pakar menentukan derajat asma dan terapinya di atas, dapat dibuat tabel keputusan sebagai berikut.
Tabel 3.3 Tabel Keputusan untuk Derajat Asma Persisten Ringan
Id Pertanyaan
Derajat Asma Persisten Ringan
1 √ √ √ √ √ √ √ √
2 √ √ √ √
3 √ √ √ √
(52)
5 √ √ √ √
Tabel 3.3 Tabel Keputusan untuk Derajat Asma Persisten Ringan (Lanjutan)
Id Pertanyaan
Derajat Asma Persisten Ringan
6 √ √ √ √
7
8 √ √ √ √
9 √ √ √ √ √ √ √ √
Contoh rule untuk menentukan derajat asma Persisten Ringan sebagai berikut.
IF pasien mengalami batuk
AND mengalami serangan batuk disertai mengi yang berulang AND batuk atau mengi timbul sesudah aktifitas
AND batuk atau mengi atau rasa berat di dada timbul sesudah pajanan terhadap alergen atau polutan
AND gejala pada malam hari lebih dari 2 kali sebulan
AND gejala pada sehari-hari kurang dari atau sama dengan 1 kali per minggu
THEN Persisten Ringan
Penelusuran derajat asma Persisten Ringan dapat dilihat pada gambar pohon keputusan di bawah ini.
(53)
1
2
4
5
6
7
9
10
13
8
17
3
Keterangan
: : : :
Pertanyaan Solusi Jawaban Ya Jawaban Tidak
(54)
Pohon keputusan di atas dapat dijelaskan sebagai berikut:
Tabel 3.4 Kumpulan Pertanyaan Persisten Ringan Id
Pertanyaan
Pertanyaan Jawaban
1 Apakah Anda mengalami batuk? Ya
2 Apakah Anda mengalami serangan batuk disertai
mengi yang berulang? Ya
4 Apakah batuk atau mengi timbul sesudah aktifitas? Ya 5 Apakah Anda mengalami gangguan batuk pada malam
hari? Tidak
6 Apakah batuk atau mengi atau rasa berat di dada timbul sesudah pajanan terhadap alergen atau polutan? Ya 7 Apakah gejala pada malam hari kurang dari 2 kali
sebulan? Tidak
9 Apakah gejala pada malam hari lebih dari 2 kali
sebulan? Ya
10 Apakah gejala pada malam hari berlangsung lebih dari
1 kali seminggu? Tidak
13
Apakah gejala pada sehari-hari berlangsung lebih dari 1 kali seminggu, tetapi kurang dari atau sama dengan 1 kali sehari?
Tidak
8 Apakah gejala pada sehari-hari kurang dari atau sama
dengan 1 kali per minggu? Ya
17 Apakah gejala pada sehari-hari mengganggu aktifitas
tidur? Tidak
Solusi 3 :
Derajat Asma : Persisten Ringan
Terapi : Persisten Ringan ialah derajat asma yang tergolong ringan. Pada tingkatan derajat asma ini , gejala yang muncul biasanya di atas 1x seminggu. dan serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
Untuk terapinya terdiri dari dua jenis
• Controller : Pengobatan Harian
• Steroid Inhalasi : Inflamide. Aturan pakai : 1 x tiap malam. Atau Pulmicort. Aturan pakai : 1 x tiap malam
(55)
• Atau teofilin oral : Retaphyl SR, aturan pakai : 1 x sehari. Atau Quibron SR, aturan pakai : 1 x sehari
• Atau antileukotrien : Leukoklast, aturan pakai : 1 x sehari.
• Pelega :
ß2
1. Berotec
-agnosis Inhalasi
2. Ventoline
Aturan Pakai : Jika mengalami sesak saja
3.2.1.1.3 Tahap Perancangan Persisten Sedang
Dari pohon keputusan sistem pakar menentukan derajat asma dan terapinya di atas, dapat dibuat tabel keputusan sebagai berikut.
Tabel 3.5 Tabel Keputusan untuk Derajat Asma Persisten Sedang Id
Pertanyaan
Derajat Asma Persisten Sedang
1 √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √
2 √ √ √ √ √ √ √ √ √ √ √ √ √ √
3 √ √ √ √ √ √ √ √ √ √ √ √ √ √
4 √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √
5 √ √ √ √ √ √ √ √ √ √ √ √ √ √
6 √ √ √ √ √ √ √ √ √ √ √ √ √ √
7
8 √ √ √ √
9 √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √
10 √ √ √ √ √ √ √ √ √ √ √ √
11 √ √ √ √ √ √ √ √
12 √ √ √ √
13 √ √ √ √ √ √ √ √
14 √ √ √ √
15
(56)
17 √ √ √ √
Contoh rule untuk menentukan derajat asma Persisten Sedang sebagai berikut.
IF pasien mengalami batuk
AND mengalami serangan batuk disertai mengi yang berulang AND batuk atau mengi timbul sesudah aktifitas
AND mengalami gangguan batuk pada malam hari AND gejala pada malam hari lebih dari 2 kali sebulan
AND gejala pada sehari-hari kurang dari atau sama dengan 1 kali per minggu
AND gejala pada sehari-hari mengganggu aktifitas tidur
THEN Persisten Sedang
Penelusuran derajat asma persisten sedang dapat dilihat pada gambar pohon keputusan di bawah ini.
(57)
1
2
4
5
7
9
10
13
8
17
4
Keterangan
: : : :
Pertanyaan Solusi Jawaban Ya Jawaban Tidak
(58)
Pohon keputusan di atas dapat dijelaskan sebagai berikut:
Tabel 3.6 Kumpulan Pertanyaan Persisten Sedang Id
Pertanyaan
Pertanyaan Jawaban
1 Apakah Anda mengalami batuk? Ya
2 Apakah Anda mengalami serangan batuk disertai
mengi yang berulang? Ya
4 Apakah batuk atau mengi timbul sesudah aktifitas? Ya 5 Apakah Anda mengalami gangguan batuk pada malam
hari? Ya
7 Apakah gejala pada malam hari kurang kurang dari 2
kali sebulan? Tidak
9 Apakah gejala pada malam hari lebih dari 2 kali
sebulan? Ya
10 Apakah gejala pada malam hari berlangsung lebih dari
1 kali seminggu? Tidak
13
Apakah gejala pada sehari-hari berlangsung lebih dari 1 kali seminggu, tetapi kurang dari atau sama dengan 1 kali sehari?
Tidak
8 Apakah gejala pada sehari-hari kurang dari atau sama
dengan 1 kali per minggu? Ya
17 Apakah gejala pada sehari-hari mengganggu aktifitas
tidur? Ya
Solusi 4 :
Derajat Asma : Persisten Sedang
Terapi : Persisten Ringan ialah derajat asma yang tergolong ringan. Pada tingkatan derajat asma ini , gejala yang muncul biasanya di atas 1x seminggu. dan serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
Untuk terapinya terdiri dari dua jenis
• Controller : Pengobatan Harian
» Steroid Inhalasi dan Bronkodilator aksi lambat.
• Steroid Inhalasi : Inflamide. Aturan pakai : 1 x tiap malam. Atau Pulmicort. Aturan pakai : 1 x tiap malam • Bronkodilator aksi lambat : Solmoterol, aturan pakai : 3 x
sehari. Atau Fomoterol, aturan pakai : 3 x sehari » Atau antileukotrien : Leukoklast => 1 x sehari
(59)
• Pelega :
ß2
1. Berotec
-agnosis Inhalasi
2. Ventoline
Aturan Pakai : Jika mengalami sesak saja
3.2.1.1.4 Tahap Perancangan Persisten Berat
Dari pohon keputusan sistem pakar menentukan derajat asma dan terapinya di atas, dapat dibuat tabel keputusan sebagai berikut.
Tabel 3.7 Tabel Keputusan untuk Derajat Asma Persisten Berat
Id Pertanyaan
Derajat Asma Persisten Berat
1 √ √ √ √
2 √ √
3 √ √
4 √ √ √ √
5 √ √
6 √ √
7 8
9 √ √ √ √
10 √ √ √ √
11 √ √ √ √
12 13 14
(60)
16 √ √ √ √
Contoh rule untuk menentukan derajat asma Persisten Berat sebagai berikut.
IF pasien mengalami batuk
AND mengalami flu yang diderita, dan berlanjut menjadi sesak, atau berlangsung lebih dari 10 hari
AND batuk atau mengi timbul sesudah aktifitas
AND batuk atau mengi atau rasa berat di dada timbul sesudah pajanan terhadap alergen atau polutan
AND gejala pada malam hari lebih dari 2 kali sebulan
AND gejala pada malam hari berlangsung lebih dari 1 kali seminggu
AND gejala pada malam hari sering kambuh
AND gejala pada sehari-hari membuat aktifitas fisik terganggu AND Anda membutuhkan bronkodilator setiap hari
THEN Persisten Berat
Penelusuran derajat asma persisten berat dapat dilihat pada gambar pohon keputusan di bawah ini.
(61)
1
5
3
4
5
6
7
9
10
11
16
15
2
: : : :
Pertanyaan Solusi Jawaban Ya Jawaban Tidak
(62)
Pohon keputusan di atas dapat dijelaskan sebagai berikut:
Tabel 3.8 Kumpulan Pertanyaan Persisten Berat Id
Pertanyaan
Pertanyaan Jawaban
1 Apakah Anda mengalami batuk? Ya
2 Apakah Anda mengalami serangan batuk disertai
mengi yang berulang? Tidak
3 Apakah ada mengalami flu yang diderita, dan berlanjut menjadi sesak, atau berlangsung lebih dari 10 hari? Ya 4 Apakah batuk atau mengi timbul sesudah aktifitas? Ya 5 Apakah Anda mengalami gangguan batuk pada malam
hari? Tidak
6 Apakah batuk atau mengi atau rasa berat di dada timbul sesudah pajanan terhadap alergen atau polutan? Ya 7 Apakah gejala pada malam hari kurang kurang dari 2
kali sebulan? Tidak
9 Apakah gejala pada malam hari lebih dari 2 kali
sebulan? Ya
10 Apakah gejala pada malam hari berlangsung lebih dari
1 kali seminggu? Ya
11 Apakah gejala pada malam hari sering kambuh? Ya 16 Apakah gejala pada sehari-hari membuat aktifitas fisik
terganggu? Ya
15 Apakah Anda membutuhkan bronkodilator setiap hari? Ya
Solusi 5 :
Derajat Asma : Persisten Berat
Terapi : Persisten Berat ialah derajat asma yang paling tinggi tingkat keparahannya. Pada tingkatan derajat asma ini , gejala yang muncul biasanya hampir setiap hari, terus menerus, dan sering kambuh. Membutuhkan bronkodilator setiap hari. Dan
serangannya biasanya dapat mengganggu aktifitas tidur di malam hari.
• Controller : Pengobatan Harian
• Steroid Inhalasi : Inflamide. Aturan pakai : 3 x sehari. Atau Pulmicort. Aturan pakai : 3 x sehari
• Bronkodilator aksi lambat : Solmoterol, aturan pakai : 3 x sehari. Atau Fomoterol, aturan pakai : 3 x sehari
(63)
• Steroid Oral : Methylprednisolone, aturan pakai : 1 x sehari. Atau Dexamethasone aturan pakai : 1 x sehari
• Pelega :
ß2
1. Berotec
-agnosis Inhalasi
2. Ventoline
Aturan Pakai : Jika mengalami sesak saja
3.2.2 Perancangan Basis Data
Dalam perancangan basis data ini terdiri dari perancangan struktur tabel, relasi antar tabel, perancangan DFD dan perancangan kamus data.
3.2.2.1 Struktur Tabel
Tabel 3.9 Tabel tbl_artikel
Nama Field Tipe data Keterangan int(5)
id_artikel Auto Increment
Judul varchar(100)
Isi text
Tabel 3.10 Tabel tbl_pasien
Nama Field Tipe data Keterangan int(5)
id_pasien Auto Increment
Nama varchar(100)
Jk varchar(30)
Umur int(3)
(64)
Tabel 3.11 Tabel tbl_pertanyaan
Nama Field Tipe data Keterangan int(5)
id_pertanyaan Auto Increment
Simbol varchar(2) pertanyaan varchar(200)
Tabel 3.12 Tabel tbl_solusi
Nama Field Tipe data Keterangan int(5)
id_solusi Auto Increment
Simbol varchar(2) Hasil varchar(200) Terapi varchar(200)
Tabel 3.13 Tabel tbl_aturan
Nama Field Tipe data Keterangan int(5)
id_aturan Auto Increment
id_pertanyaan varchar(5) id_jawaban varchar(5) simbol_hasil varchar(2) id_hasil varchar(5)
Tabel 3.14 Tabel tbl_memori_kerja
Nama Field Tipe data Keterangan id_pasien varchar(5)
id_pertanyaan varchar(5) Jawaban varchar(2)
Tabel 3.15 Tabel tbl_users
Nama Field Tipe data Keterangan int(5)
(65)
username varchar(150) password varchar(150)
3.2.2.2 Relasi Antar Tabel
Relasi antar tabel pada sistem pakar menentukan derajat asma dan terapinya dapat dilihat pada gambar di bawah ini.
tbl_artikel id_artikel (PK) judul
isi
tbl_pasien id_pasien (PK) nama
jk umur alamat
tbl_pertanyaan
id_pertanyaan (PK) simbol
pertanyaan
tbl_hasil id_solusi (PK) simbol
hasil terapi tbl_aturan
id_aturan (PK) id_pertanyaan (FK) id_jawaban simbol_hasil
id_hasil (FK)
tbl_memori_kerja id_pasien
id_pertanyaan jawaban tbl_users
userid (PK) username password Input_jawaban Cek_pertanyaan Cek_aturan Cek_solusi Tampilkan_pertanyaan Tampilkan_solusi Input_solusi Input_aturan Input_pertanyaan Input_artikel Lihat_artikel
Gambar 3.8 Relasi Antar Tabel
Berdasarkan gambar di atas dapat dijelaskan bahwa pada saat pasien melakukan konsultasi, jawaban dari pasien tersebut di-input ke dalam tbl_memori_kerja. Kemudian dari tbl_memori_kerja melakukan pengecekan ke dalam tbl_aturan, apabila simbol_hasil merupakan pertanyaan, maka akan dilakukan pengecekan ke dalam tbl_pertanyaan, dan apabila simbol_hasil merupakan solusi,
(66)
maka dilakukan pengecekan ke dalam tbl_hasil dan kemudian akan ditampilkan ke pasien.
3.2.2.3 Perancangan DFD
Perancangan DFD dalam aplikasi sistem pakar ini untuk menjelaskan aliran data, mulai proses input data oleh knowledge engineer, sampai output yang dihasilkan sistem yang dapat dilihat user. Perancangan sistem ini dimulai dari diagram konteks, DFD level 1, hingga DFD level 2.
Diagram konteks untuk aplikasi sistem pakar menentukan derajat asma ini, dapat dilihat pada Gambar 3.3 di bawah ini.
0 Sistem Pakar Menentukan Derajat Asma
dan Terapinya
Pasien
Admin input data pasien
pertanyaan konsultasi
jawaban
Hasil diagnosis login
input pertanyaan konsultasi
validasi login
data pertanyaan konsultasi input solusi
data solusi
data aturan input aturan
Gambar 3.9 Diagram Konteks
Penjelasan proses diagram konteks sistem pakar untuk menentukan derajat asma adalah sebagai berikut:
a. Proses
Nama Proses : Sistem Pakar untuk Menentukan Derajat Asma dan Terapinya
Keterangan : Proses diagnosa penyakit pasien berdasarkan pertanyaan berupa gejala yang diderita oleh pasien.
(67)
Masukan : - Data username dan password - Input data pertanyaan konsultasi - Input data solusi
- Input data aturan - Input artikel - Input data pasien - Input jawaban
Keluaran : - Data username dan password - Data pertanyaan konsultasi - Data solusi
- Data aturan - Data artikel
- Pertanyaan konsultasi - Hasil diagnosis
c. Entitas Luar
Nama Entitas : - Admin
Keterangan : Merupakan bagian yang mengontrol dan memperbaiki sistem Masukan : - Data username dan password
- Data pertanyaan konsultasi - Data solusi
- Data artikel - Data aturan
Keluaran : - Data username dan password - Input data pertanyaan konsultasi - Input data solusi
- Input data artikel - Input data aturan Nama Entitas : Pasien
Keterangan : Pengguna yang menggunakan sistem untuk mendeteksi penyakit yang dideritanya
Masukan : - Pertanyaan konsultasi - Hasil diagnosis
(68)
Keluaran : - Input data pasien - Input jawaban
Proses yang ada pada diagram konteks dapat dipecah lagi menjadi proses-proses yang lebih kecil dan lengkap dalam DFD level 1. Diagram untuk DFD level 1 dapat dilihat pada Gambar 3.4 di bawah ini.
1.0 Login Admin
ADMIN
tbl_user data user data user
lprn data user Halaman admin 2.0 Kelola Data Pertanyaan tbl_pertanyaan data pertanyaan data pertanyaan data pertanyaan data pertanyaan 4.0 Kelola Data Aturan 3.0 Kelola Data Solusi 5.0 Kelola Data Artikel tbl_solusi tbl_aturan tbl_artikel data solusi data solusi data solusi data solusi data aturan data aturan data aturan data artikel data artikel data artikel data aturan data artikel PASIEN 7.0 Diagnosis tbl_pasien data pasien pertanyaan data pasien pertanyaan jawaban tbl_memori_kerja jawaban jawaban id_solusi id_pertanyaan solusi solusi 6.0 View Artikel judul artikel judul artikel isi artikel isi artikel penjelasan alasan alasan penjelasan
(69)
Penjelasan proses DFD level 1 sistem pakar untuk menentukan derajat asma adalah sebagai berikut:
a. Proses 1.0
Nama Proses : Login Admin
Masukan : - Data username dan password - Laporan data user
Keluaran : - Data username dan password - Halaman admin
Keterangan : Proses untuk mengecek kebenaran username dan password administrator yang masuk
b. Proses 2.0
Nama Proses : Kelola Data Pertanyaan Masukan : - Input data pertanyaan
- Data pertanyaan Keluaran : - Data pertanyaan
Keterangan : Proses untuk mengolah data pertanyaan, seperti insert, edit, dan delete data pertanyaan
c. Proses 3.0
Nama Proses : Kelola Data Solusi Masukan : - Input data solusi
- Data solusi Keluaran : - Data solusi
Keterangan : Proses untuk mengolah data solusi, seperti insert, edit, dan
delete data solusi
d. Proses 4.0
Nama Proses : Kelola Data Aturan Masukan : - Input data aturan
- Data aturan Keluaran : - Data aturan
(70)
Keterangan : Proses untuk mengolah data aturan, seperti insert, edit, dan
delete data aturan
e. Proses 5.0
Nama Proses : Kelola Data Artikel Masukan : - Input data artikel
- Data artikel Keluaran : - Data artikel
Keterangan : Proses untuk mengolah data artikel, seperti insert, edit, dan
delete data artikel
f. Proses 6.0
Nama Proses : View Artikel
Masukan : - Input judu l artikel - Isi artikel
Keluaran : - Judul artikel - Isi artikel
Keterangan : Proses untuk melihat isi artikel yang terdapat di dalam sistem, yang dapat dilihat oleh pasien
g. Proses 7.0
Nama Proses : Diagnosis
Masukan : - Input data pasien - Data pasien - Input jawaban - Pertanyaan - Solusi - Alasan - Penjelasan Keluaran : - Data pasien
- Pertanyaan - Jawaban - Solusi
(1)
Tabel 4.1 Tabel Hasil Uji Sistem (Lanjutan)
No. Nama Proses Prosedur Pengujian Masukan
Keluaran yang Diharapkan
Hasil
8 Memasukkan Data Aturan Memasukkan data aturan kemudian mengeksekusi tombol Tambah id_pertanyaan, id_jawaban, simbol hasil, id_hasil Konfirmasi data aturan berhasil tersimpan pada database √
9 Mengubah Data Aturan Mengubah data aturan kemudian mengeksekusi perintah Ubah id_aturan, id_pertanyaan, id_jawaban, simbol hasil, id_hasil Konfirmasi data aturan berhasil diubah pada database √
10 Menghapus Data Aturan
Memilih data aturan yang akan dihapus pada tabel, kemudian mengeksekusi perintah Hapus -- Konfirmasi data aturan berhasil di hapus pada database √
11 Memasukkan Data Artikel
Memasukkan data artikel kemudian mengeksekusi tombol Tambah
judu l artikel, isi
Konfirmasi data artikel berhasil tersimpan pada database √
12 Mengubah Data Artikel
Mengubah data artikel kemudian mengeksekusi perintah Ubah
judu l artikel, isi
Konfirmasi data artikel berhasil diubah pada database √
13 Menghapus Data Artikel
Memilih data artikel yang akan dihapus pada tabel, kemudian mengeksekusi perintah Hapus -- Konfirmasi data artikel berhasil di hapus pada database √ 14 Menampilkan artikel tentang asma Mengeksekusi halaman artikel.php dan memilih artikel yang tersedia.
-- Informasi
tentang asma √
(2)
Tabel 4.1 Tabel Hasil Uji Sistem (Lanjutan)
No. Nama Proses Prosedur Pengujian Masukan
Keluaran yang Diharapkan
Hasil
15 Diagnosis derajat asma
Menjawab pertanyaan yang diberikan sistem, kemudian
mengeksekusi perintah jawab.
jawaban ‘ya’ atau ‘tidak’
Derajat asma yang diderita dan terapi yang dilakukan.
√
Keterangan:
√ benar/berhasil
(3)
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pengujian sistem yang telah dilakukan, maka dapat diberikan beberapa kesimpulan sebagai berikut:
1. Dengan sistem ini pengguna dapat dengan mudah mengetahui derajat asma yang dideritanya serta terapi yang dapat dilakukannya secara mandiri.
2. Penalaran dengan menggunakan mesin inferensi forward chaining dapat digunakan untuk merancang sebuah sistem pakar untuk menentukan derajat asma dan terapi yang tepat.
3. Penggunaan pohon keputusan sangat membantu proses mekanisme inferensi dalam melakukan penalaran menuju solusi yang diinginkan.
4. Dengan adanya menu akuisisi pengetahuan dalam sistem membuat sistem pakar ini bersifat dinamis karena seorang administrator dapat dengan mudah menambah, meng-edit, maupun menghapus pengetahuan yang ada di dalam sistem pakar sesuai dengan perkembangan pengetahuan sekarang.
5.2 Saran
Berdasarkan hasil penelitian, ada beberapa saran yang sebaiknya dilakukan guna pengembangan sistem ini menjadi lebih baik, diantaranya sebagai berikut:
1. Perlu adanya parameter lain selain gejala-gejala yang diinputkan untuk mendapatkan hasil diagnosis yang lebih akurat seperti pengukuran APE (Arus Puncak Ekspirasi).
(4)
2. Penggabungan metode forward chaining dengan suatu algoritma tertentu dalam teknik pelacakan solusi akan membuat sistem menjadi lebih efisien dan efektif. 3. Perlu adanya fasilitas penjelasan dari pertanyaan yang diajukan, agar pengguna
sistem yang tidak mengerti tentang pertanyaan tersebut, dapat mengetahui maksud dari pertanyaan yang diajukan.
4. Perlu dipertimbangan gejala dari penyakit lain yang dapat mempengaruhi pemeriksaan klinis yang dilakukan sistem.
(5)
DAFTAR PUSTAKA
Achour, M, Betz, F, et al. 2010. PHP Manual. PHP Documentation Group. Atau
Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset. Bush, Robert K. Georgitis, John W. 1997. Handbook of Asthma and Rhinitis. United
States of America: Blackwell Science.
Deritana, Nini. 2007. Hubungan Antara Score ACT (Asthma Control Test) Dengan Hasil Peak Flow Meter Dan Spirometer Sebagai Parameter Tingkat Kontrol Asma. Thesis. Malang, Indonesia: Universitas Brawijaya.
Desiani, Anita. dan Arhami, Muhammad. 2006. Konsep Kecerdasan Buatan. Yogyakarta: Andi Offset.
Giarratano, Joseph. dan Riley, Gary. 1998. Expert System : Principles and Programming. USA: PWS Publishing Company.
Hadibroto, Iwan. dan Alam, Syamsir. 2006. Asma. Jakarta: PT. Gramedia Pustaka Utama.
Hartati, Sri. dan Iswanti, Sari. 2008. Sistem Pakar & Pengembangannya. Yogyakarta: Graha Ilmu.
Husni. 2004. Pemrograman Database dengan Delphi. Edisi 1. Yogyakarta: Graha Ilmu.
Kadir, Abdul. 2008. Dasar Pemrograman Web Dinamis Dengan Menggunakan Php. Edisi Revisi. Yogyakarta: Andi Offset.
Krishnamoorthy, C. dan Rajeev, S. 1996. Artificial Intelligence and Expert Systems for Engineers. India: CRC Press.
Kusrini. 2006. Sistem Pakar: Teori dan Aplikasi. Yogyakarta: Andi Offset.
Kusumadewi, Sri. 2003. Artificial Intelligence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.
Nugroho, B. 2008. Membuat Aplikasi Sistem Pakar dengan PHP dan Editor Dreamweaver. Yogyakarta: Gava Media.
Prasetyo, Budi. 2010. Seputar Masalah Asma : Mengenal Asma, Sebab-sebab, Resiko-resiko, Dan Cara Mengantisipasinya. Yogyakarta: Diva Press.
(6)
Schaneider. R. 2005. MySQL Database Design and Tuning. United States of America: Sams Publishing.