Arsitektur Sistem Pakar Sistem Pakar

f. Monitoring Pengawasan : Membandingkan proses sistem yang diawasi dengan proses yang seharusnya terjadi. g. Instruction Instruksi : Memberikan proses pembelajaran pada area teknikal suatu bidang. h. Control Kendali : Melakukan kendali terhadap lingkungan yang rumit. Micheal Negnevitsky, 2002, pada bukunya menjabarkan bahwa karakteristik yang unik pada sistem pakar adalah pada kemampuan penjelasan yang disediakan. Fitur ini memberikan sistem kemampuan melakukan evaluasi terhadap pemberian alasan sistem itu sendiri dan menjelaskan keputusan yang diambil.

2.2.2 Arsitektur Sistem Pakar

Pada gambar dibawah ini kami jabarkan arsitektur lengkap suatu sistem pakar Gambar 2.1 Arsitektur Lengkap Sistem Pakar Ahmad, 2012 Knowledge Acquisiion Facilty Knowledge Base Rule: If-Then Working Memory Fact Inference Engine Explanation Facilities User Interface User database STORE VIEW Medical Expert Universitas Sumatera Utara Gambar 2.1 menjelaskan bahwa sistem pakar memiliki beberapa buah komponen yang berbeda, diantaranya adalah : a. Knowledge Acquisition Facility Mengidentifikasi pakar yang sesuai dan melibatkan orang yang sesuai didalam proses pengambilan pengetahuan merupakan hal yang penting untuk kesuksesan dari pengambilan pengetahuan. Beberapa orang yang terlibat dalam pengambilan pengetahuan ini dapat dikategorikan yaitu : 1. Pakar dibidang masalah yang ingin dilakukan dengan pengalaman kerja yang tinggi dibidang tersebut. 2. Pembuat aplikasi, orang yang memiliki kemampuan dalam menafsirkan dan menerjemahkan pengetahuan serta mengimplementasikan pengetahuan tersebut kedalam sistem pakar. 3. Pengguna dan manajer. Ada beberapa hal isu yang harus diperhatikan untuk melakukan pengambilan pengetahuan. Isu pertama yaitu adalah pemilihan pakar bidang tersebut yang sesuai harus memenuhi 3 kriteria, yaitu reputasi yang baik, karakter pakar dan sikap yang baik, serta ketersediaan waktu dari pakar tersebut. Isu kedua adalah seberapa banyak pakar yang akan dilibatkan dalam pengambilan pengetahuan. Penggunaan satu pakar biasanya lebih baik dari banyak pakar, akan tetapi untuk kasus tertentu kadang diperlukan banyak pakar untuk mengumpulkan pengetahuan yang diinginkan. Ada beberapa masalah yang mungkin timbul jika menggunakan satu pakar, yaitu : susahnya membagi waktu seorang pakar untuk pengambilan keperluan, bias seorang pakar, keterbatasan pengambilan alasan oleh satu pakar, kepakaran yang terbatas. Dari isu ini maka perlu diambil keputusan mana yang diperlukan, seorang pakar atau banyak pakar dalam membuat sistem pakar yang diinginkan. Metode yang biasa digunakan untuk pengambilan pengetahuan adalah wawancara, observasi, dan analisis protokol. Setiap metode memiliki kesesuaian dengan bidang ilmu yang ingin diambil pengetahuannya, akan tetapi wawancara merupakan metode yang cukup umum digunakan. Universitas Sumatera Utara b. Knowledge Base Menurut Luger, 2005 didalam bukunya, ia berpendapat bahwa knowledge base basis pengetahuan adalah hati dari sistem pakar. Basis pengetahuan mengandung pengetahuan dari bidang ilmu yang diinginkan. Pada jenis sistem pakar berbasis aturan, basis pengetahuan ini biasanya dituliskan dalam bentuk jika...maka.... Aturan yang terdapat didalam basis pengetahuan menjadi dasar dari pengambilan keputusan yang ada didalam sistem pakar. Dari sisi teknis, tidak ada fungsi yang lebih penting daripada memilih rangka kerja pemrograman untuk basis pengetahuan. Rangka kerja ini merepresentasikan bagaimana pembangun sistem pakar dapat mengklasifikasikan pengetahuan tersebut. Pada bagian ini juga dapat di tuliskan aturan rules, frame dan pohon keputusan. Ada beberapa jenis hal yang dapat di atur didalam basis pengetahuan, seperti pengalasan tidak pasti inexact reasoning dan pemprosesan kemampuan prosudural. Perwakilan Pengetahuan , merupakan bagian untuk membangun sistem berbasis pengetahuan, dan dapat diklasifikasin sesuai dengan bagaimana kita merepresentasikan pengetahuan. Kategori yang termasuk dalam perwakilan pengetahuan ini adalah rule-based, frame based, case based, dan fuzzy logic. Pengalasan tidak pasti, salah satu dari kemampuan sistem pakar yang terkenal adalah kemampuannya untuk menyelesaikan masalah yang memiliki ketidakpastian informasi dan pengetahuan. Sistem pakar harus dilengkapi dengan metode untuk melaksanakan pengalasan ketidakpastian ini, seperti faktor kepastian certainty factors, metode Shafer Dempster, ataupun pendekatana Bayesian. Pemprosesan kemampuan prosedural, pada beberapa aplikasi diperluakan untuk menulis kode prosudural, fungsi diperlukan didalam model ini. Pada sistem pakar berbasis model, diperlukan metode untuk mendukung penghantaran pesan. Di sistem pakar yang besar, diperlukan model ini untuk menuliskan kode prosudural untuk mendukung aktifitas kemampuan pemprosesan sistem pakar tersebut. c. Working Memory Universitas Sumatera Utara Pada dasarnya working memory adalah tempat dimana rule diambil dari basis pengetahuan dan dieksekusi agar melahirkan pertanyaan yang berhubungan dengan metode reasoning yang diterapkan. Working memory biasanya dalam bentuk stack, bertumpuk agar memudahkan chaining yang akan diterapkan didalam sistem pakar tersebut. d. Inference Engine Mesin inferensi adalah bagian didalam sistem pakar yang menerapkan pengetahuan kepada solusi yang terdapat pada permasalahan nyata. Biasanya dinyatakan sebagai penerjemah dari basis pengetahuan Luger, 2005. Fungsi utama dari mesin inferensi adalah melakukan peran sebagai pengenal dan pemberi tindakan didalam proses kontrol sistem pakar. Pada umumnya mesin inferensi dipisahkan dari basis pengetahuan, walaupun untuk pembuatan sistem pakar dengan batasan kecil, kedua bagian tersebut disatukan. Mekanisme inferensi dan kontrol digunakan untuk memanipulasi pengetahuan didalam basis pengetahuan. Dalam analogi nya mesin inferensi ini merupakan cara pengambilan alasan yang terjadi pada manusia. Dibawah ini akan dipaparkan beberapa teknik didalam mesin inferensi, diantaranya adalah : Chaining Runut, didalam sistem pakar berbasis aturan, forward chaining atau runut maju dan backward chaining ato runut mundur merupakan dua dasar teknik inferensi yang digunakan. Backward chaining sangat baik digunakan untuk masalah diagnosis sedangkan forward chaining sangat cocok untuk masalah desain dan perencanaan. Agenda , merupakan kumpulan tujuanfakta yang dibuktikan oleh sistem inferensi yang menggunakan backward chaining Meta-rules , merupukan deskripsi bagaimana pengetahuan lain seharusnya digunakan. Biasanya digunakan untuk mengarahkan pemprosesan dari pengetahuan lain kepada area baru pada basis informasi yang ditemukan. Biasanya untuk masalah yang tidak cocok menggunakan teknik chaining, maka akan menggunakan teknik ini didalam mesin inferensinya. Nonmonotonic reasoning, tipe inferensi ini mengijinkan perubahan terhadapa pengambilan alasan untuk fakta yang diberikan. Tidak hanya mengijinkan untuk pengolahan fakta yang diberikan, tetapi juga menyebabkan pengolahan terhadap Universitas Sumatera Utara fakta yang lain yang terkait dengan perubahan fakta. Tipe inferensi ini bernilai untuk aplikasi yang bersifat perencanaan, desain atau penjadwalan. e. Explanation Facilites Bagian ini adalah bagian untuk melakukan penjelasan dari sistem pakar kepada pengguna. Penjelasan yang dihasilkan meliputi justifikasi dari kesimpulan yang dihasilkan oleh sistem, penjelasan kenapa sistem memerlukan data yang dimasukkan oleh pengguna, dan dimana kegunaan penjelasan yang dihasilkan, panduan dan langkah-langkah mengatasi masalah yang diinginkan oleh pengguna. Fasilitas penjelasan ini menyediakan keterbukaan bagi pengalasan di dalam sistem pakar. Bagian ini merupakan bagian yang memberikan sisi interaktif terhadap sistem, ketika pengguna ingin mengetahui kenapa pertanyaan diberikan kepada dirinya, bagaimana hasil jawaban disajikan. Sebagai contohnya sebuah sistem pendiagnosisan penyakit di dunia kedokteran, dimana hasil keluaran dari sistem ini adalah sebuah rekomendasi obat dan saran serta langkah yang bisa dilakukan oleh pasien. Selama proses konsultasi dengan sistem, pengguna mungkin ingin mengetahui kenapa informasi yang ditanyakan itu diperlukan, dan pada akhirnya rasionalitas bagaimana sistem pakar akan sampai pada kesimpulan memberikan rekomendasi obat akan dipaparkan. Oleh karena obat yang disarankan merupakan hasil dari penilaian dari pakar, akan sangat mudah melihat kenapa pengguna ingin mengetahui kenapa sistem bisa sampai kepada rekomendasi obat ini. f. User Interface Antarmuka adalah bagian dimana interaksi antara manusia dan sistem pakar dilakukan, pada bagian ini akan ada pertanyaan-pertanyaan yang diberikan oleh sistem pakar untuk dijawab oleh pengguna. Salah satu isu dalam desain ketika membangun sebuah sistem pakar dapat kita jabarkan dari sistem pakar MYCIN, dimana pada sistem itu pembangun aplikasi menekankan pada pentingnya menyediakan antarmuka yang mudah digunakan oleh pengguna dan mampu memenuhi semua kebutuhan pengguna. Oleh karena itu sangat penting untuk memahami keinginan pengguna sebelum memilih arsitektur sistem pakar tersebut. Universitas Sumatera Utara Ada beberapa poin yang harus diperhatikan untuk memenuhi keinginan pelanggan. Diantaranya adalah sebagai berikut : Display Type, sistem pakar generasi awal hanya memaparkan antar muka berdasarkan text, dimana pertanyaan diberikan ke pengguna berupa text dan jawaban diberikan melalui keyboard dengan mengetikkan jawaban tersebut. Pada saat ini sistem pakar sudah menggunakan graphical user interface GUI yang membuat pengguna dapat berinteraksi lebih interakrif dengan sistem. Information entry, banyak metode bagaimana pengguna memasukkan informasi ke dalam sistem. Cara yang paling sederhana adalah dengan mengetikkan jawaban terhadap pertanyaan yang diberikan, atau dengan mengisi form secara keseluruhan. Sebuah pertanyaan dapat ditujukan untuk satu jawaban, ataupun jawaban bisa lebih dari satu dipilih dari list yang disediakan. g. Database Pada basisdata ini dilakukan penyimpanan data-data yang berasal dari mesin inferensi. Data yang disimpan adalah data yang berhubungan dengan fakta ataupun data gejala, dll. Dari beberapa komponen sistem pakar yang sudah dijabarkan bisa dilihat bahwa satu komponen memiliki kebergantungan terhadap komponen lain.

2.2.2.1 Rule Based Expert System

Penghasil aturan production rule pertama kali di paparkan oleh Emil Post pada tahun 1943 Post..., dalam mengkategorikan metode di dalam komputasi. Kemudian diterapkan sebagai aturan penulisan kembali di bidang pemprosesan bahasa pada tahun 1957 oleh Chomsky, dan digunakan oleh Newell dan Simon didalam pemodelan penyelesaian masalah manusia Newell-Simon,.... Teknik ini diadaptasikan kedalam sistem pakar DENDRAL dan MYCIN untuk merepresentasikan pengetahuan dan menjadikan teknik ini sebagai teknik paling populer didalam pembangunan sistem pakar pada tahun 1970an. Aturan merupakan implikasi dengan bentuk jika P maka Q. Konsekuensi dari sebuah aturan dapat di artikan sebagai sebuah pengetahuan baru. Didalam rule based sistem jika kita memindahkan arah dari konsekuensi kepada penyebab Universitas Sumatera Utara maka kita melakukan backward chaining, jika arah dilakukan dari penyabab ke konsekuensi maka kita melakukan forward chaining. Cara kerja sistem pakar berbasis aturan dapat dijabarkan sebagai berikut 1. Sistem pakar menetapkan basis aturan dengan bentuk xi....xn → yi....yn dimana xi adalah mewakilkan fakta dan yi mewakilkan tindakan yang akan dilakukan. 2. Sistem akan membuat memory yang bekerja terus memasukkan fakta yang diambil dari domain masalah atau dari inferensi yang dihasilkan oleh sistem. 3. Untuk setiap perulangan, sistem akan mengkomputasikan sebuah kumpulan aturan yang memiliki kesesuaian atau keterikatan dengan fakta yang disimpan didalam memori yang bekerja, atau proses ini biasa disebut dengan tahap pencocokan. 4. Sebuah aturan dari kumpulan aturan yang telah disesuaikan tadi akan dipilih untuk dieksekusi, proses ini dinamakan sebagai fase resolusi konflik. 5. Aturan yang dipilih kemudian dieksekusi.

2.2.2.2 Case Based Expert System

Cara lain didalam inferensi yang dilakukan oleh sistem pakar adalah menggunakan pencarian alasan melalui kasus-kasus, biasa disebut juga sebagai CBR Case Based Reasoning. CBR ini menggunakan sebuah explicit basisdata dari solusi masalah untuk mengalamatkan situasi baru dalam penyelesaian masalah. Solusi yang ada dapat dikumpulkan dari pakar manusiaatau melalui hasil sebelumnya dari keberhasilan terdahulu. Contohnya didalam kedokteran, dimana sebuah solusi tidak hanya dilihat dari teori yang tersedia, akan tetapi juga melihat kasus yang pernah terjadi terhadap pasien terdahulu dan penangannya.

2.2.2.3 Model Based Expert System

Pada jenis ini, sistem pakar dapat dilihat sebagai hasil penggabungan dari a sebuah pemodelan dari suatu area pengetahuan yang digunakan, yang mana digunakan didalam mesin sistem pakar berbasis model ini untuk menyelesaikan Universitas Sumatera Utara masalah-masalah yang berhubungan dengan keinginan pengguna sistem pakar. Poin utama dari sistem pakar ini adalah model yang ada tidak hanya memberikan pengalaman heuristik seorang pakar, tetapi juga lebih kepada prinsip awal dari deskripsi pengetahuan yang diinginkan.

2.3 Sistem Pakar pada bidang Kesehatan

Berdasarkan literatur survey yang dilakukan oleh Durkin, 1994, MYCIN merupakan sistem pakar yang pertama sekali digunakan untuk mendiagnosa bakteri penyebab infeksi, kemudian dilanjutkan dengan sistem pakar PUFF yang dibangun untuk mendiagnosa penyakit lambung, sistem pakar ANGY yang mampu menolong dokter mendiagnosa penyempitan pembuluh darah, dan sistem pakar BABY yang memberikan bantuan kepada dokter dalam memonitoring kelahiran bayi dalam kondisi ICU Giarratano, 2005. Dari survey literatur yang sudah dilakukan, dapat disimpulkan bahwa sistem pakar telah banyak digunakan di dunia medis secara luas, mulai dari area pendiagnosisan sampai dengan kemampuan memberikan fasilitas publik sebagai alat saran bagi pasien.

2.4 Backward Chaining

Metode backward chaining merupakan kebalikan dari metode forward chaining dan sering disebut penalaran mundur Kusrini, 2006. Menurut Schnupp dalam Kusrini, 2008, metode backward chaining runut balik, penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut menurut Giarattano dan Riley dalam Kusrini, 2006. Adapun karakteristik backward chaining adalah : a. Metode backward chaining lebih cocok digunakan untuk menentukan masalah diagnosis. b. Metode backward chaining digunakan untuk masa lalu. c. Tujuan metode backward chaining adalah memandu, penalaran dari atas ke bawah. d. Bekerja ke belakang untuk mendapatkan fakta yang mendukung hipotesis. Universitas Sumatera Utara e. Depth first search dimudahkan. f. Konsekuen menentukan pencarian. g. Penjelasan difasilitasi. Dalam metode backward chaining, akan dipilih satu aturan dari kesimpulan dan menganggapnya sebagai masalah yang harus diselesaikan. Setelah masalah tersebut diselesaikan, akan dipilih salah satu dari sub masalah untuk dievaluasi dan sub masalah yang terpilih itu kemudian menjadi sub masalah baru. Observasi 1 Aturan A Fakta 1 Observasi 2 Aturan D Aturan B Fakta 2 Kesimpulan Aturan E Observasi 3 Aturan C Fakta 3 Observasi 4 Gambar 2.2 Diagram Backward Chaining Universitas Sumatera Utara Berikut ini kami paparkan beberapa penelitian terdahulu dari sistem pakar yang digunakan untuk Pendiagnosisan Penyakit : Tabel 2.3 Penelitian Sebelumnya Sumber Definisi Ahmad 2012 Ahmad A, menjabarkan didalam riset yang dilakukannya untuk mengimplementasikan sistem pakar berbasis rule untuk diterapkan pada diagnosis dan symphtom penyakit saraf, sistem yang dibangun dapat membedakan 10 penyakit saraf, diantaranya adalah : Alzheimer P arkinson, Huntington’s disease, Celebral Palsy, Meningitis, Epilepsy, Multiple Sclerosis, Stroke, Cluster headache, Migraine, Meningitis for Children. Saurkar 2012 Pada penelitian ini saurkar memaparkan sebuah pengimplementasian sistem pakar berbasis aturan untuk pendiagnosisan penyakit pada hewan. Aplikasi yang dibangun memiliki basis data citra untuk jenis penyakit hewan, sistem pakar mampu menghadirkan gambar penyakit hewan dalam pengambilan keputusan yang dilakukan dalam sistem ini. Nana 2012 mMes Mobile Medical Expert System sebuah aplikasi sistem pakar mobile yang digunakan untuk layanan pasien di rumah sakit di Ghana, sistem ini memungkinkan sistem pakar dipakai secara mobile dan terkoneksi dengan pakar lain didaerah berbeda. Rajdeep 2012 Pada jurnal yang dipaparkan oleh Rajdeep, dipaparkan implementasi dari sistem pakar berbasis pengetahuan untuk pendiagnosaan penyakit sistem Universitas Sumatera Utara saraf otot. Sistem yang dibangun didalam Java untuk mendiagnosis penyakit seperti CelebralPalsy, Multiple Sclerosis, Muscular Dystrophy, dan Parkinson’s. Sistem ini memberikan kumpulan pertanyaan berkenaan dengan symptom penyakit pasien berdasarkan penyakit yang di diagnosakan kepada pasien dan memberikan saran mengenai perawatan yang diberikan kepada pasien tersebut. Smitha 2010 Smitha menghasilkan sebuah sistem pakar untuk mendiagnosa penyakit diabetes, dipaparkan melalui thesis masternya. Informasi yang diberikan tidak hanya komplikasi yang terjadi akibat penyakit ini saja, tetapi juga alat diagnosa awal penyakit. Pendekatan yang digunakan adalah berbasis aturan, dengan metode inferensi forward chaining. Universitas Sumatera Utara

BAB III ANALISIS DAN PERANCANGAN SISTEM

Sistem pakar untuk diagnosa penyakit bukanlah hal baru di dunia kedokteran dan sistem pakar, akan tetapi penulis mencoba melakukan di domain area yang berbeda yaitu penyakit darah. Pada bab ini akan dijelaskan analisis dan perancangan sistem pakar untuk penyakit darah. Dimulai dari identifikasi dan spesifikasi dari masalah yang ada agar disesuaikan dengan sistem yang akan dibuat.

3.1 Identifikasi dan Spesifikasi Sistem

Ada beberapa hal yang akan dikategorikan didalam sistem pakar oleh penulis, yaitu bentuk penyakit darah yang akan dikumpulkan dan dibuat didalam basis pengetahuan, disusun menurut sistem pakar berbasis aturan rule based expert system dengan metode inferensi yaitu backward chaining. Sistem pakar yang dirancang bertujuan untuk membantu pasien dalam menangani gejala penyakit yang diderita serta melakukan diagnosis terhadap penyakit tersebut dan membantu dokter ahli dalam menangani penyakit tersebut. Implementasi backward chaining dalam pendeteksian penyakit darah merupakan suatu sistem yang menganalisa data gejala yang dialami pasien untuk menghasilkan diagnosa jenis penyakit yang diderita. Input dari sistem berupa gejala yang dialami pasien, update, basis pengetahuan dan basis aturan yang merupakan salah satu komponen penting dalam sistem pakar yang merupakan fasilitas yang disediakan bagi pakar. Sistem dibangun dengan menggunakan bahasa pemrograman Visual Basic 2008 dengan basisdata MySQL.

3.2 Pengumpulan Pengetahuan

Berdasarkan fakta yang disadur dari beberapa referensi yaitu Bakta, 2003, Hillman, 2002, dan Harmening, 2002 dan hasil wawancara dengan Dr. Ronny Khor spesialis Patologi Anatomi, beberapa faktakesimpulantujuan dari penyakit darah beserta dengan gejaladatasymphtom dan pembatas penyakit tersebut, maka Universitas Sumatera Utara dikumpulkanlah pengetahuan yang akan dijadikan sebagai basis pengetahuan di dalam sistem pakar yang akan dibangun, dipaparkan dalam tabel dibawah ini : Tabel 3.1 Tabel Anemia No Fakta Kesimpulan Sympthom dan Gejala dan Batasan Penyakit 1. Anemia Gejala Klinik - Laki-laki, umur 15 dan hemoglobin 13gdl - Perempuan, umur 15 dan hemoglobin 12gdl - Prempuan,umur 15 dan hamil dan hemoglobin 11gdl - Anak-anak, 6umur14, dan hemoglobin 12gdl - Anak-anak, ½ umur 6, dan hemoglobin 11gdl - Hemoglobin 10 gdl - Hematokrit 30 - Eritrosi 2,8jutamm3 Gejala Fisik - Warna kulit pucat atau kulit telapak tangan kuning - nyeri tulang 2. Anemia Ringan - 8 gdl Hemoglobin 9,9gdl 3. Anemia Menengah - 6 gdl Hemoglobin 7,9gdl 4. Anemia Berat Hemoglobin 6gdl 5. Anemia Hiprokromik Mikrositer Indeks Eritrosit - MVC 80fl - MCH 27 pg 6. Anemia Normokromik Normositer Indeks Eritrosit - 80fl MVC 95fl - 27pg MCH 34 pg Universitas Sumatera Utara 7. Anemia Mirkositer Indeks Eritrosit - MVC 95fl 8. Anemia Mengenai Organ Jantung Lesu, cepat lelah, sesak ketika bekerja, gagal jantung 9. Anemia Mengenai Sistem Saraf Sakit Kepala, pusing , telinga mendesing , mata berkunang-kunang, kelemahan otot, lesu, perasaan dingin 10. Anemia Mengenai Sistem Urogenital Gangguan haid, libido menurun, Pembengkakan Testis 11. Anemia mengenai Epitel Warna kulit pucat, rambut tipis, elastisitas kulit menurun 12. Anemia defisiensi besi - Disfagia, atrofi papil lidah, stomatitis angularities - Anemia Hipokromik Makrositer - Besi Pada Sumsum Tulang Negatif - Besi Serum Menurun 50 mgdl - TIBC menaik 350 mgdl - Feritin Menurun 20 µgdl - Kuku Sendok, menjadi rapuh, bergaris-garis vertikal - Permukaan lidah menjadi licin - Radang pada sudut mulut - Nyeri menelan - Badan lemah, cepat lelah, mata berkunang- kunang, telinga mendesing 13. Anemia Akibat Penyakit Kronik - Anemia Menengah - Anemia Hipokromik Makrositer - Besi pada susmsum tulang positif - Besi Serum Menurun 50 mgdl - TIBC Menurun 350 mgdl Universitas Sumatera Utara - Feritin MenurunNormal 20 µgdl - 200 µgdl 14. Anemia Thallasemia - Anemia Hipokromik Makrositer - Besi pada sumsusm tulang Positif kuat - Besi Serum Normal - Feritin Meningkat 50 µgdl - Elektroforesis HB - Hb A2 menaik - HbF Menaik 15. Anemia Sideroblastik - Anemia Hipokromik Mikrositer - Besi Serum Normal - Feritin Normal 200 µgdl - Besi pada sumsum tulang positif dengan ring sideroblast 16. Anemia defisensi asam folat - Lidah merah - Anemia Makrositer - Leukopenia Ringan - Kadar Bilirubin Inderik Serum Meningkat -LDH Meningkat 17. Anemia hemolitik - Ikterus dan hepatosplenomegali - Kholelithiasis - Ulkus pada Kaki - Kelainan pada tulang yaitu penebalan tulang frontalis dan parietalis - Penurunan Masa Hidup Eritrosit 120hari - Tidak ada pendarahan ke dalam rongga tubuh - Penurunan hemoglobin 1 gdl dalam waktu 1 minggu - Hemoglobinuria, urine berwarna merah, kecoklatan atau coklat hitam. - Anemia Normokromik Normositer 18. Anemia Aplastik - Pendarahan kulitmukosa, tanda-tanda infeksi Universitas Sumatera Utara - Pendarahan Gusi - Ulserasi Mulut atau tenggorokan - Anemia Normokromik Normositer - Besi serum normal atau meningkat - TIBC Normal, - HbF meningkat - terdapat retikulositopenia - terjadi trombositopenia Sumber : Bhakta, 2003 Berdasarkan pengumpulan pengetahuan penulis mendapatkan bahwa penyakit anemia memiliki standar basis WHO untuk penyakit anemia secara kesuluruhan dimana penyakit ini dapat diukur dari kadar hemoglobin darah, dan kategori anemi dapat dibagi menjadi tiga berdasarkan derajat tingkatnya yaitu anemia ringan, anemia menengah, dan anemia berat. Sedangkan berdasarkan kategori anemia, dibagi menjadi tiga kategori besar yaitu, Anemia Makrositer, Anemia Normokromik Normositer dan Anemia Hipokromik Makrositer. Pengumpulan Pengetahuan yang dilakukan akan diubah dalam bentuk basis pengetahuan untuk menghasilkan aturan-aturan yang dapat diinferensikan melalui mesin inferensi untuk menghasilkan keputusan. Adapun penjelasan tentang itu akan dipaparkan pada sub-bab berikut ini. 3.3 Representasi Pengetahuan 3.3.1 Basis Pengetahuan Basis pengetahuan adalah proses merubah fakta dan gejaladata menjadi rule-rule aturan-aturan yang menjadi basis dalam sistem pakar untuk mengambil kesimpulan atau fakta. Berikut ini adalah beberapa aturan yang dapat dihasilkan dari pengumpulan pengetahuan diatas : 1. If umur_pasien 15thnhemoglobin 13 gdllaki-laki Then Anemia 35 2. If umur_pasien 15thn hemoglobin 12 gdl perempuan Then Anemia 35 Universitas Sumatera Utara 3. Ifumur_pasien 15thn hemoglobin 12 gdl perempuan_hamil Then Anemia 35 4. If 6umur_pasien 14thn hemoglobin 12 gdl Then Anemia 35 5. If umur_pasien 6 thn hemoglobin 11 gdl Then Anemia 35 6. If hematrokrit 30 Then Anemia 50 7. If eritrosti 2,8jutamm3 Then Anemia 75 8. If warna kulit pucat || telapak tangan kuning Then Anemia 90 9. If nyeri tulang Then Anemia 100 10. If hemoglobin 8-9,9 gdl Then Anemia Ringan 11. If hemoglobin 6-7,9 gdl Then Anemia Sedang 12. If hemoglobin 6 gdl Then Anemia Berat 13. If Indeks Eritrosit MVC 80fl MCH 27 pg Then Anemia Hipokromik Makrositer 14. If Indeks Eritrosit MVC = 80fl – 95fl MCH = 27pg – 34 pg Then Anemia Normokromik Normositer 15. If Indeks Eritrosit MVC 95fl Then Mirkositer Universitas Sumatera Utara

3.3.2 Mesin Inferensi Backward Chaining