Logika Fuzzy – Semester Genap 2013-2014 | Wayan Firdaus Mahmudy

(1)

PROYEK AKHIR

MATA KULIAH LOGIKA FUZZY SEMESTER GENAP 2013-2014

SISTEM PAKAR PEMANTAU KONDISI PASIEN RAWAT

INAP MENGGUNAKAN FUZZY INFERENSI TSUKAMOTO

Disusun oleh:

Kelompok D Kelas A

Eko Subha (105060801111067)

Dosen Pengajar: Wayan Firdaus Mahmudy, Ph.D.

PROGRAM STUDI INFORMATIKA

PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER UNIVERSITAS BRAWIJAYA


(2)

ii

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan segala kasih sayang dan rahmat-Nya sehingga penulis dapat menyelesaikan proyek akhir dengan judul “Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto”. Dokumentasi ini menjadi bagian dari proyek akhir mata kuliah Logika Fuzzy di Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya.

Penulis menyadari bahwa proyek akhir ini tidak dapat terealisasikan tanpa bantuan dari berbagai pihak, untuk itu penulis menyampaikan penghargaan dan ucapan terima kasih yang sedalam-dalamnya kepada:

1. Wayan Firdaus Mahmudy, Ph.D., selaku dosen mata kuliah Logika Fuzzy kelas A 2014;

2. Arief Andy Soebroto, ST.,M.Kom., selaku dosen mata kuliah Sistem Pakar kelas A 2014;

3. Orang tua penulis yang sudah memberikan sumbangan materiil maupun non materiil;

4. Teman-teman kelompok 9 mata kuliah Sistem Pakar untuk bantuan, kerja sama dan semangatnya; dan

5. Semua pihak yang tidak dapat disebutkan satu-persatu.

Penulis menyadari bahwa proyek akhir ini masih jauh dari kesempurnaan, untuk itu dengan segala kerendahan hati penulis mengharapkan saran dan kritik yang membangun demi kesempurnaan penulisan selanjutnya. Semoga laporan proyek akhir ini dapat bermanfaat untuk semua pihak.

Malang, 26 Mei 2014


(3)

iii DAFTAR ISI

KATA PENGANTAR... ii

DAFTAR ISI ... iii

DAFTAR GAMBAR ...vi

DAFTAR TABEL ... vii

DAFTAR PERSAMAAN ... viii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah ... 3

1.4 Tujuan ... 3

1.5 Manfaat ... 4

1.6 Sistematika Penulisan ... 4

BAB II DASAR TEORI ... 6

2.1 Pelayanan Rawat Inap ... 6

2.2 Sistem Pakar ... 6

2.2.1 Ciri dan Karakteristik Sistem Pakar ... 7

2.2.2 Rule ... 10

2.3 Logika Fuzzy ... 11

2.3.1 Himpunan Fuzzy ... 12

2.3.2 Fungsi Keanggotaan Fuzzy ... 14

2.4 Fuzzy Inference System (FIS) Tsukamoto ... 15

2.4.1 Forward Chaining ... 15

2.4.2 Backward Chaining ... 16

2.5 Bahasa Pemrograman Java ... 19

2.6 Metode SBAR ... 21

BAB III METODOLOGI PENELITIAN ... 24

3.1 Studi Literatur ... 25

3.2 Pengumpulan Data ... 25


(4)

iv

3.4 Analisa Perancangan ... 27

3.4.1 Deskripsi Sistem ... 27

3.5 Implementasi Sistem ... 34

3.6 Uji Coba Sistem ... 34

3.7 Penarikan Kesimpulan ... 36

BAB IV PERANCANGAN ... 37

4.1 Analisa Kebutuhan Perangkat Lunak ... 38

4.1.1 Identifikasi Aktor ... 38

4.1.2 Daftar Kebutuhan Sistem ... 38

4.1.3 Diagram Use Case ... 39

4.1.4 Skenario Use Case ... 40

4.2 Perancangan Sistem Pakar ... 41

4.2.1 Akuisisi Pengetahuan ... 41

4.2.2 Basis Pengetahuan ... 41

4.2.2.1 Himpunan Bahasa Variable ... 42

4.2.2.2 Semesta Pembicaraan ... 42

4.2.2.3 Fungsi Derajat Keanggotaan Variabel Tekanan Darah (SBP) ... 42

4.2.2.4 Fungsi Derajat Keanggotaan Variabel Heart Rate... 45

4.2.2.5 Fungsi Derajat Keanggotaan Variabel Tingkat kejenuhan Oksigen pada Darah (SPO2) ... 47

4.2.2.6 Fungsi Derajat Keanggotaan Variabel Suhu ... 49

4.2.2.7 Fungsi Derajat Keanggotaan Variabel Gula Darah ... 51

4.2.2.8 Fungsi Derajat Keanggotaan Output ... 53

4.2.2.9 Rule ... 57

4.2.3 Mesin Inferensi ... 86

4.2.4 Subsistem Antarmuka Pengguna ... 87

BAB V IMPLEMENTASI ... 88

5.1 Lingkungan Implementasi ... 88

5.1.1 Kebutuhan Perangkat Keras ... 88

5.1.2 Kebutuhan Perangkat Lunak ... 88

5.2 Implementasi Aplikasi ... 89

5.2.1 Kode Sumber Aplikasi ... 89


(5)

v

5.2.1.2 HeartRate.java ... 93

5.2.1.3 SystolicBloodPressure.java ... 97

5.2.1.4 OxygenSaturation.java ... 101

5.2.1.5 Temperature.java ... 104

5.2.1.6 Risk.java ... 107

5.2.1.7 RiskPrediction.java ... 108

5.2.1.8 PCMFuzzy.java ... 113

5.2.1.9 DBConnection.java ... 114

5.2.1.10 LoginWindow.java ... 115

5.2.1.11 MainWindow.java ... 121

5.2.1.12 TestUnit.java ... 138

5.2.2 Antarmuka Aplikasi ... 139

BAB VI PENUTUP ... 141

7.1 Kesimpulan ... 141

7.2 Saran ... 141


(6)

vi

DAFTAR GAMBAR

Gambar 2.1 Blok Diagram Sistem Pakar ... 9

Gambar 2.2 Konsep Dasar Fuzzy ... 12

Gambar 2.3 Perbandingan Fungsi Keanggotaan Himpunan Fuzzy Terhadap Crisp ... 13

Gambar 2.4 Fungsi Keanggotaan Segitiga ... 14

Gambar 2.5 Fungsi Keanggotaan Trapesium ... 15

Gambar 2.6 Diagram Blok Sistem Inferensi Fuzzy ... 17

Gambar 2.7 Inferensi dengan menggunakan MetodeTsukamoto ... 18

Gambar 3.1 Alur Penelitian... 24

Gambar 3.2 Diagram Alir Pengambilan Data Sampel ... 26

Gambar 3.3 Arsitektur Sistem Pakar Pemantau kondisi Rawat Inap ... 28

Gambar 3.4 Diagram alir aplikasi dari segi user... 32

Gambar 3.5 Diagram alir aplikasi dari segi pakar... 33

Gambar 3.6 Diagram alir proses pengujian dengan akurasi ... 34

Gambar 3.7 Diagram alir proses pengujian fungsional sistem ... 35

Gambar 4.1 Pohon Perancangan Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto ... 37

Gambar 4.2 Diagram Use Case ... 39

Gambar 4.3 Grafik fuzzy set tekanan darah ... 44

Gambar 4.4 Grafik fuzzy set heart rate ... 46

Gambar 4.5 Grafik fuzzy set SPO2 ... 48

Gambar 4.6 Grafik fuzzy set suhu ... 50

Gambar 4.7 Grafik fuzzy set gula darah ... 51

Gambar 4.8 Grafik fuzzy set risk group ... 54

Gambar 4.9 Flowchart Metode Fuzzy Tsukamoto ... 86

Gambar 4.10 Antarmuka Sistem ... 87

Gambar 5.1 Antarmuka Window Log in ... 139


(7)

vii

DAFTAR TABEL

Tabel 3.1 Konsep pengetahuan sistem pakar pemantau kondisi pasien rawat inap

... 30

Tabel 4.1 Identifikasi Aktor ... 38

Tabel 4.2 Daftar kebutuhan Sistem ... 38

Tabel 4.3 Skenario Use Case ... 40

Tabel 4.4 Semesta Pembicaraan ... 42

Tabel 4.5 Range Fuzzy Set SBP ... 43

Tabel 4.6 Range Fuzzy Set Heart Rate... 45

Tabel 4.7 Range Fuzzy Set SPO2 ... 48

Tabel 4.8 Range Fuzzy Set Suhu ... 49

Tabel 4.9 Range Fuzzy Set Gula Darah ... 51


(8)

viii

DAFTAR PERSAMAAN

Persamaan 2-1 Fungsi Keanggotaan Himpunan Fuzzy ………...13 Persamaan 2-2 Fungsi Keanggotaan Segitiga ………..14 Persamaan 2-3 Fungsi Keanggotaan Trapesium ……….15


(9)

BAB I PENDAHULUAN

1.1 Latar Belakang

Rumah sakit sebagai salah satu institusi pelayanan umum, membutuhkan keberadaan suatu sistem informasi yang akurat dan handal, serta cukup memadai untuk meningkatkan pelayanan kepada para pasien serta lingkungan yang terkait lainnya. Informasi yang intensif memainkan peranan vital dalam pengambilan keputusan.

Menurut surat Keputusan Menteri Kesehatan RI no.

159b/MENKES/PER/II/1988 tentang rumah sakit, pelayanan kesehatan di rumah sakit berupa pelayanan rawat jalan, pelayanan rawat inap, dan pelayanan gawat darurat yang mencangkup pelayanan medik dan pelayanan penunjang medik [8:3]. Masing-masing pelayanan mempunyai sistem informasi yang terintegrasi dalam suatu sistem informasi rumah sakit. Kondisi penyakit level kronis membutuhkan pemantauan yang ekstra waspada dari pihak rumah sakit. Pemantauan tersebut bisa mengenai infus, tekanan darah, detak jantung dan lain-lain. Dengan demikian dibutuhkan sistem pemantau kondisi pasien untuk memudahkan kerja tenaga medis dalam melayani pasien.

Sistem Early Warning Scoring System (EWSS) dapat mengidentifikasi keadaan pasien yang beresiko lebih awal dan menggunakan multi parameter [9:4]. Para ahli mengatakan bahwa, sistem ini dapat menghasilkan manfaat lebih bagi pasien dan rumah sakit dengan mengidentifikasi penurunan kondisi pasien. EWS yang digunakan di rumah sakit Indonesia saat ini masih berbasis kertas dan perhitungannya masih dilakukan manual dengan menggunakan tabel. Perlu dilakukan trasformasi media dari semula kertas ke media yang dapat dengan mudah diakses oleh tenaga medis. Salah satu media yang dapat digunakan adalah komputer.

Pada sistem pakar terdapat salah suatu metode yaitu fuzzy Tsukamoto. Metode Tsukamoto mengaplikasikan penalaran monoton pada setiap aturannya.


(10)

2 Kalau pada penalaran monoton, sistem hanya memiliki satu aturan. Pada metode Tsukamoto, sistem terdiri atas beberapa aturan [10:22]. Fuzzy Tsukamoto merupakan metode yang cocok digunakan dalam pemantauan kondisi pasien rawat inap. Fuzzy Tsukamoto merupakan metode yang sangat fleksibel dan memiliki toleransi pada data yang ada. Metode ini memiliki kelebihan yaitu lebih intuitif, diterima oleh banyak pihak, lebih cocok untuk masukan yang diterima dari manusia bukan mesin.

Pada penelitian sebelumnya yang berjudul “Fuzzy Logic Based Patients’ Monitoring System”(Jumanah Abdullah Al-Dmour. 2013), membahas tentang pemantauan kondisi pasien rumah sakit menggunakan teknologi RFID untuk mengintegrasikan tanda-tanda vital seperti suhu tubuh, tekanan darah, gula darah, dan kadar oksigen dalam darah. Sistem yang telah dibuat sebelumnya terlalu rumit untuk diaplikasikan pada setiap rumah sakit. Karena tidak semua rumah sakit mempunyai teknologi serupa.

Berdasarkan permasalahan tersebut maka perlu dikembangkan perangkat lunak dengan kemampuan sama atau mendekati seorang pakar sistem pemantauan kondisi pasien rawat inap dengan ketelitian tinggi, lebih sederhana dan lebih lengkap dibandingkan sistem yang serupa. Untuk itu kami mengangkat judul “Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto”.

1.2 Rumusan Masalah

Berdasarkan paparan latar belakang tersebut, maka rumusan masalah adalah sebagai berikut

1. Bagaimana merancang dan mengimplementasikan sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi metode Tsukamotto.

2. Bagaimana menguji sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi metode Tsukamotto.


(11)

3 1.3 Batasan Masalah

Penelitian ini dibatasi oleh hal-hal sebagai berikut: 1. Kriteria yang digunakan terdiri dari:

a. SBAR • Situation Background Assessment

Recommendation [7:17]

b. EWS (Early Warning Score). Pengamatan fisiologi yang dilakukan meliputi:

Oxygen saturation Blood sugar Heart rate

Systolic blood pressure Temperature [5:5] [9:7].

2. Pemprosesan data (EWS) menggunakan fuzzy logic dengan metode inferensi tsukamoto [5:58-62].

3. Bahasa pemrograman yang digunakan adalah bahasa pemrograman Java. 4. DBMS yang digunakan adalah MySQL.

5. Perangkat lunak IDE yang digunakan untuk implementasi sistem ini adalah Netbeans.

6. Pengujian disesuaikan dengan kebutuhan mata kuliah Logika Fuzzy.

1.4 Tujuan

Tujuan penelitian ini adalah merancang, mengimplementasikan dan menguji sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto.


(12)

4 1.5 Manfaat

Manfaat penelitian ini adalah 1.5.1 Bagi Pasien

1. Dapat memberikan kenyaman pada pasien sehingga mengurangi keluhan dari pasien mengenai lambatnya penanganan dokter.

2. Dapat mempercepat waktu distribusi informasi kondisi pasien.

1.5.2 Bagi Tenaga Medis (Suster dan Dokter)

1. Dapat memberikan kenyaman pada tenaga medis dalam melakukan monitoring keadaan pasien rawat inap.

2. Dapat meningkatkan efektifitas dan efisiensi waktu antara tenaga medis

1.5.3 Bagi Rumah Sakit

1. Dapat meningkatkan pelayanan terhadap pasien.

2. Dapat meningkatkan kepercayaan publik terhadap Rumah Sakit. 1.5.4 Bagi Penulis

1. Proyek akhir ini diharapkan dapat menjadi pembelajaran dan dapat menambah pengalaman di bidang studi keilmuan yang terkait.

1.6 Sistematika Penulisan

Untuk mencapai tujuan yang diharapkan, maka sistematika penulisan yang disusun dalam proyek akhir ini adalah sebagai berikut:

BAB I Pendahuluan

Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, sistematika penulisan, dan waktu pengerjaan dari penelitian sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto.


(13)

5 BAB II Dasar Teori

Bab ini terdiri membahas teori-teori yang mendukung dalam perancangan dan pengembangan sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto.

BAB III Metodologi

Membahas tentang metode yang digunakan dalam penelitian sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto yang berupa studi literatur.

BAB IVAnalisis Kebutuhan dan Perancangan

Membahas tentang analisa kebutuhan dari sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto dan kemudian merancang hal-hal yang berhubungan dengan analisa tersebut.

BAB V Implementasi

Membahas tentang hasil perancangan dari analisis kebutuhan dan implementasi sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto.

BAB VI Penutup

Memuat kesimpulan yang diperoleh dari pembuatan dan pengujian perangkat lunak sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamoto yang dikembangkan dalam proyek akhir ini serta saran-saran untuk pengembangan lebih lanjut.


(14)

6 BAB II

DASAR TEORI

2.1 Pelayanan Rawat Inap

Pelayanan rawat inap merupakan salah satu bentuk pelayanan rumah sakit yang memberikan pelayanan kepada pasien yang perlu menginap untuk keperluan observasi, diagnosis, pengobatan, bagi individu dengan keadaan medis tertentu, pada kasus bedah, kebidanan, penyakit kronis atau rehabilitasi yang memerlukan perawatan dokter setiap hari. Sedangkan DepKes 1991 membatasi pelayanan rawat inap adalah layanan terhadap pasien masuk rumah sakit yang menempati tempat tidur untuk keperluan observasi, diagnosis, terapi, rehabilitasi medis dan atau pelayanan medis lainnya (Antin Yohana. 2006)

2.2 Sistem Pakar

Sistem pakar adalah perangkat lunak komputer yang menggunakan pengetahuan (aturan-aturan tentang sifat dari suatu unsur masalah), fakta dan teknik inferensi untuk masalah yang biasanya membutuhkan kemampuan seorang ahli (Marimin, 2005). Pengetahuan yang digunakan dalam sistem pakar terdiri dari akidah-kaidah (rules) atau informasi dari pengalaman tentang tingkah laku suatu unsur dari suatu gugus persoalan. Kaidah-kaidah biasanya memberikan deskripsi tentang kondisi yang diikuti oleh akibat dari prasyarat tersebut.

Tujuan perancangan sistem pakar adalah untuk mempermudah kerja atau bahkan menggantikan tenaga ahli, penggabungan ilmu dan pengalaman dari beberapa tenaga ahli, training tenaga ahli baru, penyediaan keahlian yang diperlukan oleh suatu proyek yang tidak ada atau tidak mampu membayar tenaga ahli. Hal tersebut dapat dipahami secara rasional, karena kaderisasi tenaga ahli dalam suatu organisasi sangat diperlukan, terutama untuk badan usaha yang mempunyai keterbatasan dana untuk menyediakan tenaga ahli.

Penggabungan ilmu dan pengalaman para tenaga ahli bukan merupakan pekerjaan yang mudah, khususnya untuk tenaga ahli yang berbeda dalam bidang


(15)

7 keahlian. Dalam hal ini sistem pakar dirancang untuk menyimpan dan menggunakan ilmu serta pengalaman dari satu atau beberapa tenaga ahli. Untuk itu sustu sistem pakar yang mempunyai kapasitas besar diperkirakan mampu memecahkan suatu persoalan yang tidak dapat dipecahkan oleh satu atau sekelompok kecil tenaga ahli [10:12-13].

2.2.1 Ciri dan Karakteristik Sistem Pakar

Ada berbagai ciri dan karakteristik yang membedakan sistem pakar dengan sistem yang lain. Ciri dan karakteristik ini menjadi pedoman utama dalam pengembangan sistem pakar. Ciri dan karakteristik yang dimaksud antara lain [2:1-3]:

1. Pengetahuan sistem pakar merupakan suatu konsep, bukan berbentuk numeris. Hal ini dikarenakan komputer melakukan proses pengolahan data secara numerik sedangkan keahlian dari seorang pakar adalah fakta dan aturan-aturan, bukan numerik.

2. Informasi dalam sistem pakar tidak selalu lengkap, subyektif, tidak konsisten, subyek terus berubah dan tergantung pada kondisi lingkungan sehingga keputusan yang diambil bersifat tidak pasti dan tidak mutlak “ya” atau “tidak” akan tetapi menurut ukuran kebenaran tertentu. Oleh karena itu dibutuhkan kemampuan sistem untuk belajar secara mandiri dalam menyelesaikan masalah-masalah dengan pertimbangan-pertimbangan khusus.

3. Kemungkinan solusi sistem pakar terhadap suatu permasalahan adalah bervariasi dan mempunyai banyak pilihan jawaban yang dapat diterima, semua faktor yang ditelusuri memiliki ruang masalah yang luas dan tidak pasti. Oleh karena itu diperlukan sistem yang fleksibel dalam menangani kemungkinan solusi dari berbagai permasalahan.

4. Perubahan atau pengembangan pengetahuan dalam sistem pakar dapat terjadi setiap saat bahkan sepanjang waktu sehingga diperlukan kemudahan dalam modifikasi sistem untuk menampung jumlah pengetahuan yang semakin besar dan semakin bervariasi.


(16)

8 5. Pandangan dan pendapat setiap pakar tidak selalu sama, oleh karena itu tidak ada jaminan bahwa solusi sistem pakar merupakan jawaban yang pasti benar. Setiap pakar akan memberikan pertimbangan-pertimbangan berdasarkan faktor subyektif.

6. Keputusan merupakan bagian terpenting dari sistem pakar. Sistem pakar harus memberikan solusi yang akurat berdasarkan masukan pengetahuan meskipun solusinya sulit sehingga fasilitas informasi sistem harus selalu diperlukan.

Blok diagram sistem pakar bisa dilihat pada Gambar 2.2. Pada gambar tersebut menjelaskan bahwa sistem pakar juga dapat dilihat dari sudut pandang lingkungan (environment) dalam sistem. Terdapat dua lingkungan yaitu lingkungan konsultasi dan lingkungan pengembangan. Lingkungan konsultasi diperuntukkan bagi pengguna non pakar untuk melakukan konsultasi dengan sistem yang tujuannya adalah mendapatkan nasehat pakar. Sedangkan lingkungan pengembangan ditujukan bagi pembangun sistem pakar untuk membangun komponen dan memasukkan pengetahuan hasil akuisisi pengetahuan ke dalam basis pengetahuan.


(17)

9 Gambar 2.1 Blok Diagram Sistem Pakar

Sumber: [12:24]

Secara umum sistem pakar biasanya terdiri atas beberapa komponen yang masing-masing berhubungan. Basis pengetahuan sistem pakar yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas dua elemen dasar yaitu [11]:

1. Fakta

Fakta disini misalnya situasi, konsisi dan kenyataan dari permasalahan yang ada, serta teori dalam bidang; sistem pakar diterapkan.

2. Aturan

Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus.

Mesin inferensi (inference engine) merupakan otak dari sistem pakar. Mesin inferensi juga dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi

Pemakai

Antarmuka

Aksi yang direkomendasikan

Fasilitas Penjelas

Mesin Inferensi

Workplace PengetahuanPerbaikan Basis Pengetahuan : fakta dan aturan

Knowledge Engineer

Pakar LINGKUNGAN KONSULTASI LINGKUNGAN PENGEMBANGAN

Fakta tentang kejadian tertentu


(18)

10 untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi meliputi [11]:

1. Menentukan aturan mana akan dipakai

2. Menyajikan pertanyaan kepada pemakai, ketika diperlukan. 3. Menambahkan jawaban ke dalam memori sistem pakar. 4. Menyimpulkan fakta baru dari sebuah aturan

5. Menambahkan fakta tadi ke dalam memori

2.2.2 Rule

Rule adalah sebuah struktur knowledge yang menghubungkan beberapa informasi yang sudah diketahui ke informasi lain sehingga dapat disimpulkan. Sebuah rule adalah sebuah bentuk knowledge yang prosedural. Dengan demikian yang dimaksud dengan sistem pakar berbasis rule adalah sebuah program computer untuk memproses masalah dari informasi spesifik yang terdapat dalam memori aktif dengan sebuah set dari rule dalam knowledge base, dengan menggunakan inference engine untuk menghasilkan informasi baru.

Struktur rule secara logika menghubungkan satu atau lebih anteseden (juga disebut premis) yang terletak dalam bagian IF dengan satu atau lebih konsekuen (juga disebut konklusi) yang terletak dalam bagian THEN. Secara umum, sebuah rule dapat mempunyai premis jamak dihubungkan dengan pernyataan AND (konjungsi) pernyataan OR (disjungsi) atau kombinasi dari keduanya.

Dalam sistem pakar berbasis aturan domain knowledge ditampung dalam sebuah set dari rules dan dimasukkan dalam basis sistem pengetahuan. Sistem menggunakan aturan ini dengan informasi selama berada dalam memori aktif untuk memecahkan masalah. Sistem pakar berbasis aturan mempunyai arsitektur yang dapat dijelaskan sebagai berikut [10:14-15]:

1. User interface

Digunakan sebagai media oleh user untuk melihat dan berinteraksi dengan sistem.

2. Developer interface


(19)

11 3. Fasilitas penjelasan

Sub sistem yang berfungsi untuk menyediakan penjelesan dalam sistem reasoning.

4. Program eksternal

5. Program seperti basis data, spreadsheet, yang bekerja dalam mendukung keseluruhan sistem.

2.3 Logika Fuzzy

Logika fuzzy didasarkan pada logika Boolean yang umum digunakan dalam komputasi. Secara ringkas, teorema fuzzy memungkinkan komputer “berpikir” tidak hanya dalam skala hitam-putih (0 dan 1, mati atau hidup) tetapi juga dalam skala abu-abu. Dalam Logika Fuzzy suatu preposisi dapat direpresentasikan dalam derajat kebenaran (truthfulness) atau kesalahan (falsehood) tertentu.

Pada sistem diagnosis fuzzy peranan manusia/operator lebih dominan. Pengiriman data dilaksanakan oleh operator ke dalam sistem. Ketika sistem memerlukan data tambahan. Selain itu operator dapat meminta atau menanyakan informasi dari sistem diagnosis berupa hasil konklusi atau prosedur detail hasil diagnosis oleh sistem. Dari sifat sistem ini, sistem diagnosis fuzzy dapat digolongkan pada sistem pakar fuzzy. Sistem pakar fuzzy adalah sistem pakar yang menggunakan notasi fuzzy pada aturan-aturan dan proses inference (logika keputusan).

Banyak sistem yang terlalu kompleks untuk dimodelkan secara akurat, meskipun dengan persamaan matematis yang kompleks. Dalam kasus seperti itu, ungkapan bahasa yang digunakan dalam logika kabur dapat membantu mendefinisikan karakteristik operasional sistem dengan lebih baik. Ungkapan bahasa untuk karakteristik sistem biasanya dinyatakan dalam bentuk implikasi logika. Misalnya aturan IF-THEN.

Penerapan logika fuzzy dapat meningkatkan kinerja sistem kendali dengan menekan munculnya fungsi-fungsi liar pada keluaran yang disebabkan oleh


(20)

12 fluktuasi pada variabel masukan. Pendekatan logika fuzzy secara garis besar diimplementasikan dalam tiga tahapan yaitu [10:15-16]:

1. Tahap pengaburan (fuzzification) yakni pemetaan dari masukan tegas ke himpunan kabur.

2. Tahap inferensi, yakni pembangkitan aturan kabur.

3. Tahap penegasan (defuzzification), yakni tranformasi keluaran dari nilai kabur ke nilai tegas.

Gambar 2.2 Konsep Dasar Fuzzy Sumber:[13]

2.3.1 Himpunan Fuzzy

Himpunan fuzzy adalah konsep yang mendasari lahirnya logika fuzzy. Himpunan fuzzy adalah sebuah himpunan yang anggotanya memiliki derajat keanggotaan tertentu. Setiap anggota memiliki derajat keanggotaan tertentu yang ditentukan oleh fungsi keangotaan (membership function) tertentu atau disebut juga fungsi karakteristik (characteristic function).

Himpunan crisp adalah himpunan klasik yang telah dikenal secara umum. Himpunan crisp membedakan anggotanya dengan nilai nol atau satu, anggota himpunan atau bukan. Sebagai contoh himpunan crisp yaitu, pada himpunan manusia. Himpunan wanita atau laki-laki dapat dipresentasikan dengan mudah

F

u

z

if

ic

a

ti

o

n

Inference Mechanism

Rule-base

D

e

fu

z

if

ic

a

ti

o

n

Process Reference

Input

Fuzzy Controller


(21)

13 dengan cara himpunan klasik. Akan tetapi, bagaimana mempresentasikan himpunan pada manusia muda atau tua. Muda atau tua itu cukup relatif tidak langsung terpisah hanya karena berbeda satu hal. Dalam hal ini himpunan fuzzy dapat memberikan pengelompokan dengan memberi nilai dalam derajat tertentu. Berbeda dengan himpunan klasik, keanggotaan himpunan fuzzy dapat bernilai parsial [6:1].

Gambar 2.3 Perbandingan Fungsi Keanggotaan Himpunan Fuzzy Terhadap Crisp

Sumber : [6:1]

Fungsi keanggotaan didefinisikan sebagai berikut: Jika X adalah himpunan semesta, maka fungsi keanggotaan (fungsi keanggotaan/fungsi karakteristik A pada X) yang didefinisikan oleh himpunan fuzzy A memiliki ketentuan berikut:

∶ → [0,1]………(2-1) nilai [0,1] adalah interval bilangan real dari nol sampai dengan satu. Dua himpunan A dan B dinyatakan sama jika dan hanya jika (x) = (x). Jika (x) bernilai nol, berarti x bukan anggota dari himpunan fuzzy A. Jika (x) bernilai satu, menunjukkan x adalah himpunan fuzzy A. Sementara nilai antara nol hingga

X 1.0

0.0

Classical (crips) set A Fuzzy set Ā

Membership function µ(x) µ(x)


(22)

14 satu menunjukkan bahwa x merupakan anggota dari himpunan fuzzy A secara parsial [6:1-2].

2.3.2 Fungsi Keanggotaan Fuzzy

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah menggunakan pendekatan fungsi. Macam-macam fungsi keanggotaan [10:16-17]:

1. Fungsi keanggotaan yang mempunyai parameter a, b, dan c dengan formulasi segitiga (x: a, b, c) = max{min{(x –a)/(b-a), (c-x)/(c-b)}, 0}.

Gambar 2.4 Fungsi Keanggotaan Segitiga Sumber: [10:17]

dengan a, b, dan c merupakan parameter segitiga (x: a, b, c). Fungsi Keanggotaan Kurva Segitiga:

[ ]

0 ; ≤ ≥ ; < ≤ ; < <


(23)

15 2. Fungsi keanggotaan yang mempunyai parameter a,b,c, dan d dengan formulasi Trapesium (x; a, b, c, d) = max{min{(x-a)/(b-a), 1, (d-x)/(d-c)}, 0}.

Gambar 2.5 Fungsi Keanggotaan Trapesium Sumber : [10:17]

dengan a,b,c, dan d merupakan parameter trapesium (x: a, b, c, d). Fungsi Keanggotaan Kurva Trapesium:

[ ] ! !

0 ; ≤ ≥ " ; < ≤ 1 ; < ≤

#

# ; < < "

………..………….(2-3)

2.4 Fuzzy Inference System (FIS) Tsukamoto

Inferensi adalah proses penggabungan banyak aturan berdasarkan data yang tersedia. Komponen yang melakukan inferensi dalam sistem pakar disebut mesin inferensi. Dua pendekatan untuk menarik kesimpulan pada IF-THEN rule (aturan jika-maka) adalah forward chaining dan backward chaining [3:36].

2.4.1 Forward Chaining

Forward chaining mencari bagian JIKA terlebih dahulu. Setelah semua kondisi dipenuhi, aturan dipilih untuk mendapatkan kesimpulan. Jika kesimpulan


(24)

16 yang diambil dari keadaan pertama bukan dari keadaan yang terakhir, maka ia akan digunakan sebagai fakta untuk disesuaikan dengan kondisi aturan JIKA yang lain untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut hingga dicapai kesimpulan akhir.

2.4.2 Backward Chaining

Backward chaining adalah kebalikan dari forward chaining. Pendekatan ini dimulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin inferensi kemudian mengidentifikasi kondisi JIKA yang diperlukan untuk membuat kesimpulan benar dan mencari fakta untuk menguji apakah kondisi JIKA adalah benar. Jika semua kondisi JIKA adalah benar, maka aturan dipilih dan kesimpulan dicapai. Jika beberapa kondisi salah, maka aturan dibuang dan aturan berikutnya digunakan sebagai hipotesis kedua. Jika tidak ada fakta yang membuktikan bahwa semua kondisi JIKA adalah benar atau salah, maka mesin inferensi terus mencari aturan yang kesimpulannya sesuai dengan kondisi JIKA yang tidak diputuskan untuk bergerak satu langkah ke depan memeriksa kondisi tersebut. Proses ini berlanjut hingga suatu set aturan didapat untuk mencapai kesimpulan atau untuk membuktikan tidak dapat mencapai kesimpulan.

Sistem inferensi fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy yang berbentuk IF-THEN, dan penalaran fuzzy. Secara garis besar, diagram blok proses inferensi fuzzy terlihat pada Gambar 2.6.


(25)

17 Gambar 2.6 Diagram Blok Sistem Inferensi Fuzzy

Sumber: [3:37]

Sistem inferensi fuzzy menerima input crisp. Data input kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire strength (nilai keanggotaan anteseden atau α) akan dicari pada setiap aturan. Apabila aturan lebih dari satu, maka akan dilakukan agregasi semua aturan. Selanjutnya pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output sistem. Salah satu metode FIS yang dapat digunakan untuk pengambilan keputusan adalah metodeTsukamoto.

Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi "Sebab-Akibat"/Implikasi "Input-Output" yang antara anteseden dan konsekuen harus ada berhubungan. Setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil tegas (crisp solution) digunakan rumus penegasan (defuzzifikasi) yang disebut "Metode rata-rata terpusat" atau "Metode defuzzifikasi rata-rata terpusat (center average deffuzzyfier). Untuk lebih memahami metodeTsukamoto, perhatikan Contoh 2.1.

Contoh 2.1: Misalkan ada 2 variabel input, Var-1 (x) dan Var-2(x), serta variabel output, Var-3(z), dimana Var-1 terbagi atas 2 himpunan yaitu A1 dan A2. Var-2

Input

IF-THEN

IF-THEN

Agregasi

Defuzzy

Output Crips

Aturan-1

Aturan-n

Fuzzy

Fuzzy

Fuzzy


(26)

18 terbagi atas 2 himpunan B1 dan B2, Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu:

[R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2)

Pertama-tama dicari fungsi keanggotaan dari masing-masing himpunan fuzzy dari setiap aturan, yaitu himpunan A1, B2 dan C1 dari aturan fuzzy [R1], dan himpunan A2, B1 dan C2 dari aturan fuzzy [R2]. Aturan fuzzy R1 dan R2 dapat direpresentasikan dalam Gambar 2.7 untuk mendapatkan suatu nilai crisp Z.

Gambar 2.7 Inferensi dengan menggunakan MetodeTsukamoto Sumber: [3:39]

Karena pada metode Tsukamoto operasi himpunan yang digunakan adalah konjungsi (AND), maka nilai keanggotaan anteseden dari aturan fuzzy [R1] adalah irisan dari nilai keanggotaan A1 dari Var-1 dengan nilai keanggotaan B1 dari Var-2. Menurut teori operasi himpunan, maka nilai keanggotaan anteseden dari operasi konjungsi (And) dari aturan fuzzy [R1] adalah nilai minimum antara nilai


(27)

19 keanggotaan A1 dari Var-1 dan nilai keanggotaan B2 dari Var-2. Demikian pula nilai keanggotaan anteseden dari aturan fuzzy [R2] adalah nilai minimum antara nilai keanggotaan A2 dari Var-1 dengan nilai keanggotaan B1 dari Var-2.

Selanjutnya, nilai keanggotaan anteseden dari aturan fuzzy [R1] dan [R2] masing-masing disebut dengan α1 dan α2. Nilai α1 dan α2 kemudian disubstitusikan pada fungsi keanggotaan himpunan C1 dan C2 sesuai aturan fuzzy [R1] dan [R2] untuk memperoleh nilai z1 dan z2, yaitu nilai z (nilai perkiraan produksi) untuk aturan fuzzy [R1] dan [R2]. Nilai output crisp/nilai tegas Z dapat diperoleh dengan cara mengubah input (berupa himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzzifikasi(penegasan). Metode defuzzifikasi yang digunakan dalam metode Tsukamoto adalah metode defuzzifikasi rata-rata terpusat (center average defuzzyfier).

2.5 Bahasa Pemrograman Java

Bahasa pemrograman Java dikembangkan di Sun Microsystems dibawah pengawasan dari tokoh-tokoh dari Net yaitu James Gosling dan Bill Joy. Java didesain agar menjadi bahasa pemrograman yang independen terhadap jenis mesin (machine-independent) yang cukup aman untuk melintasi jaringan dan kuat untuk menggantikan kode executable asal.

Sebagian besar antusiasme untuk Java pada awalnya tersentralisasi sekitar kapabilitasnya untuk membangun aplikasi tertanam (embedded applications) untuk World Wide Web; aplikasi ini disebut applets. Applets dapat menjadi program mandiri pada dirinya sendiri, atau front-end mutakhir pada program yang dijalankan pada server. Ketertarikan telah bergeser ke area lain akhir-akhir ini. Dengan Java 2, Java memiliki alat paling mutakhir untuk membangun antarmuka pengguna berbasis grafis (graphical user interface); perkembangan ini membuat Java menjadi platform populer untuk mengembangkan perangkat lunak aplikasi tradisional. Java juga sudah menjadi platform penting untuk aplikasi sisi server, menggunakan antarmuka servlet, dan untuk aplikasi enterprise


(28)

20 menggunakan teknologi seperti Enterprise JavaBeans. Dan Java adalah pilihan platform untuk aplikasi terdistribusi modern.

“Bibit” Java ditanam pada tahun 1990 oleh kepala peneliti Sun Microsystems yaitu Bill Joy. Sun telah mendorong suatu ide sejak permulaan Sun di awal tahun 1980: “Jaringan adalah computer”. Sun berkompetisi dalam workstation market yang relatif kecil pada waktu itu, sedangkan Microsoft memulai dominasi dari dunia PC berbasis Intel. Saat Sun ketinggalan dalam revolusi PC, Joy ditarik ke Aspen, Colorado, untuk bekerja pada penelitian yang lebih lanjut. Ia berkomitmen untuk menyelesaikan tugas kompleks dengan perangkat lunak sederhana, dan menemukan yang tepatnya disebut Sun Aspen Smallworks.

Dari anggota asli tim programmer kecil yang dibentuk di Aspen, James Gosling yang akan diingat sebagai bapak Java. Gosling pertama kali melejitkan namanya di awal tahun 1980 sebagai penulis Gosling Emacs, versi pertama dari editor Emacs populer yang ditulis bengan bahasa C dan dijalankan dibawah Unix. Gosling Emacs menjadi populer, namun kemudian tertutup oleh versi gratis, GNU Emacs, yang ditulis oleh desainer asli Emacs. Gosling telah pindah untuk mendesain sistem window NeWS dari Sun pada waktu itu.

Mendesain NeWS mengajarkan Gosling kekuatan dari integrasi bahasa ekspresif dengan network-aware windowing GUI. Hal tersebut juga mengajarkan Sun bahwa komunitas pemrograman internet akan menolak untuk menerima standar hak milik, tidak peduli seberapa bagus hal tersebut nantinya. “Bibit” dari skema lisensi permissive disebarkan oleh kegagalan NeWS. Gosling membawa apa yang telah ia pelajari ke proyek Aspen baru milik Bill Joy, dan pada 1992, bekerja pada proyek memimpin ke penemuan cabang Sun, FirstPerson, Inc. Misinya adalah untuk memimpin Sun menuju dunia elektronik consumer.

Tim FirstPerson bekerja pada mengembangkan perangkat lunak untuk alat informasi, seperti telepon seluler dan personal digital assistants (PDAs). Tujuannya adalah untuk meng-enable transfer informasi dan aplikasi real-time melalui infrared murah dan jaringan berbasis paket. Limitasi memori dan bandwidth mendiktekan kode kecil dan efisien. Basis dari aplikasi juga menuntut mereka untuk menjadi aman dan kuat. Gosling dan anggota timnya memulai


(29)

21 memrogram di C++, namun mereka kemudian terkepung dalam bahasa yang terlalu kompleks, berat, dan tidak aman untuk tugasnya. Mereka memutuskan untuk memulai dari awal, dan Gosling memulai bekerja pada sesuatu yang ia juluki “C++ minus minus”.

Telah menjadi kenyataan bahwa bahtera PDA belum sampai dengan tenggelamnya Apple Newton, jadi Sun mengalihkan usaha FirstPerson ke TV interaktif (ITV). Bahasa pemrograman terpilih untuk ITV merupakan nenek moyang dekat dari Java, yaitu Oak. Oak tidak mampu menyelamatkan penyebab hilangnya ITV bahkan dengan keeleganannya dan kemampuannya untuk menyediakan interaktifitas aman. Pelanggan tidak menginginkannya, dan Sun kemudian mengabaikan konsep tersebut.

Joy dan Gosling berkolaborasi untuk memutuskan strategi baru untuk bahasa mereka pada waktu itu. Pada waktu itu di tahun 1993, terjadi ledakan interest di internet, khususnya World Wide Web, yang mempersembahkan kesempatan baru. Oak adalah bahasa pemrograman yang kecil, kuat, architecture-independent, dan berorientasi obyek. Selama hal tersebut terjadi, terdapat pula kebutuhan untuk bahasa pemrograman yang universal dan pandai-jaringan (network-savvy). Sun dengan cepat mengubah fokus, dengan sedikit melengkapi kembali, Oak menjadi Java [4 : 10]

2.6 Metode SBAR

Kerangka komunikasi efektif yang digunakan di rumah sakit adalah komunikasi SBAR (Situation, Background, Assessment, Recommendation). Metode komunikasi ini digunakan pada saat perawat melakukan handover ke pasien. Komunikasi SBAR adalah kerangka teknik komunikasi yang disediakan untuk petugas kesehatan dalam menyampaikan kondisi pasien[14:6].

SBAR adalah metode terstruktur untuk mengkomunikasikan informasi penting yang membutuhkan perhatian segera dan tindakan berkontribusi terhadap eskalasi yang efektif dan meningkatkan keselamatan pasien. SBAR juga dapat digunakan secara efektif untuk meningkatkan serah terima antar shift atau antara staf di daerah klinis yang sama atau berbeda. Melibatkan semua anggota tim


(30)

22 kesehatan untuk memberikan masukan ke dalam situasi pasien termasuk memberikan rekomendasi. SBAR memberikan kesempatan untuk diskusi antara anggota tim kesehatan atau tim kesehatan lainnya.

Keuntungan dari penggunaan metode SBAR adalah[14:6-7]: 1. Kekuatan perawat berkomunikasi secara efektif.

2. Dokter percaya pada analisa perawat karena menunjukkan perawat paham akan kondisi pasien.

3. Memperbaiki komunikasi sama dengan memperbaiki keamanan pasien.

Komunikasi efektif SBAR dapat diterapkan oleh semua tenaga kesehatan, diharapkan semua tenaga kesehatan maka dokumentasi tidak terpecah sendiri-sendiri. Diharapkan dokumentasi catatan perkembangan pasien terintegrasi dengan baik. sehingga tenaga kesehatan lain dapat mengetahui perkembangan pasien.

1. Situation: Bagaimana situasi yang akan dibicarakan/dilaporkan? - Mengidentifikasi nama diri petugas dan pasien.

- Diagnosa medis

- Apa yang terjadi dengan pasien yang memprihatinkan

2. Background: Apa latar belakang informasi klinis yang berhubungan dengan situasi?

- Obat saat ini dan alergi - Tanda-tanda vital terbaru

- Hasil laboratorium: tanggal dan waktu tes dilakukan dan hasil tes sebelumnya untuk perbandingan

- Riwayat medis

- Temuan klinis terbaru

3. Assessment: berbagai hasil penilaian klinis perawat - Apa temuan klinis?

- Apa analisis dan pertimbangan perawat

- Apakah masalah ini parah atau mengancam kehidupan? 4. Recommendation: apa yang perawat inginkan terjadi dan kapan?

- Apa tindakan/rekomendasi yang diperlukan untuk memperbaiki masalah? - Apa solusi yang bisa perawat tawarkan dokter?


(31)

23 - Apa yang perawat butuhkan dari dokter untuk memperbaiki kondisi

pasien?

- Kapan waktu yang perawat harapkan tindakan ini terjadi? Sebelum serah terima pasien, perawat harus melakukan [14:8]: 1. Perawat mendapatkan pengkajian kondisi pasien terkini.

2. Perawat mengkumpulkan data-data yang diperlukan yang berhubungan dengan kondisi pasien yang akan dilaporkan.

3. Perawat memastikan diagnosa medis pasien dan prioritas masalah keperawatan yang harus dilanjutkan.

4. Perawat membaca dan pahami catatan perkembangan terkini & hasil pengkajian perawat shift sebelumnya.


(32)

24 BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dibahas tentang langkah-langkah yang akan dilakukan dalam penyusunan proyek akhir mata kuliah Logika Fuzzy, yang meliputi: studi literatur, pengumpulan data, analisa dan perancangan, implementasi, pengujian sistem, pembuatan laporan. Berikut adalah diagram alir dari metode penelitian yang dilakukan.

Gambar 3.1 Alur Penelitian Sumber: Perancangan


(33)

25 3.1 Studi Literatur

Dasar teori yang digunakan untuk menunjang penulisan serta pengerjaan proyek akhi, dipelajari dalam studi literatur. Teori-teori pendukung penulisan serta pemahaman tentang tugas akhir diperoleh dari buku, jurnal, e-book, penelitian sebelumnya yang berkaitan tentang topic proyek akhir ini, bantuan dan mesin pencari (search engine) internet. Referensi utama yang diperlukan untuk menunjang penulisan ini adalah:

1. Pelayanan rawat inap 2. Sistem Pakar

3. Metode Fuzzy Tsukamotto 4. Metode SBAR

5. EWS (early warning score) 6. Pengujian Akurasi

3.2 Pengumpulan Data

Lokasi penelitian proyek akhir ini adalah Rumah Sakit Umum Lavalette Malang. Hipotesis penelitian ini merancang, membangun, dan mengimplementasikan sistem pakar pemantau kondisi pasien rawat inap menggunakan fuzzy inferensi Tsukamotto. Pengumpulan data pada penelitian ini menggunakan data primer. Data primer adalah data yang didapatkan langsung dari sumber penelitian. Pengumpulan data primer dapat dilakukan menggunakan wawancara, kuisioner maupun observasi.

3.3 Analisa Kebutuhan

Analisis kebutuhan bertujuan untuk mendapatkan semua kebutuhan dalam membangun sistem pakar pemantau kondisi pasien rawat inap. Metode analisis yang digunakan adalah Object Oriented Analysis dengan menggunakan bahasa pemodelan UML (Unified Modeling Language). Diagram Use Case digunakan untuk mendeskripsikan kebutuhan-kebutuhan dan fungsionalitas sistem dari


(34)

26 perspektif end-user. Analisis kebutuhan dilakukan dengan mengidentifikasi semua kebutuhan (requirements) sistem.

Sumber data yang digunakan berasal rumah sakit Lavalette. Data yang dimaksud adalah sistem pemantauan kondisi pasien rawat inap yang sudah ada di rumah sakit Lavalette sebagai acuan dalam pengembangan aplikasi dan perancangan sistem. Selain itu, diperlukan juga kuisioner, untuk menentukan kebutuhan pasien dan tenaga medis dalam sistem yang diinginkan. Data-data tersebut digunakan untuk menghitung tingkat keberhasilan dari sistem. Diagram alir untuk pengambilan data sampel ditunjukkan pada Gambar 3.2.

Gambar 3.2 Diagram Alir Pengambilan Data Sampel Sumber: Perancangan

Spesifikasi Kebutuhan perangkat yang digunakan dalam pembuatan sistem pakar diantaranya:

1. Spesifikasi Kebutuhan Hardware a. Komputer (PC)/Laptop


(35)

27 2. Spesifikasi Kebutuhan Software

a. Linux distribusi Ubuntu 12.04 sebagai sistem operasi yang digunakan.

b. MySql sebagai sistem manajemen database. c. Bahasa Java dipilih untuk membangun aplikasi.

3.4 Analisa Perancangan

Analisa dan perancangan sistem dilakukan sebelum penelitian dilaksanakan, Analisa dan perancangan sistem berisi uraian umum tentang jalannya sistem.

3.4.1 Deskripsi Sistem

Sistem pakar pemantau kondisi pasien rawat inap dibangun dengan menerapkan metode fuzzy inferensi Tsukamotto. Arsitektur sistem pakar pemantau kondisi pasien rawat inap dibentuk seperti pada Gambar 3.3.


(36)

28 Gambar 3.3 Arsitektur Sistem Pakar Pemantau kondisi Rawat Inap

Sumber: Perancangan

Proses yang dapat dijelaskan dari arsitektur sistem pakar pemantau kondisi pasien rawat inap yakni, pertama perawat akan memasukkan data PHR (Personal Healt Record) yang meliputi tekanan darah, heart rate, suhu, gula darah dan tingkat kejenuhan oksigen (SPO2) ke dalam sistem. Selanjutnya, masuan tersebut akan menentukan rekomendasi tindakan dari tenaga medis yang sesuai.

Proses interaksi user dengan sistem dilakukan melalui antarmuka pengguna. Pada antarmuka juga dilengkapi dengan fasilitas penjelas yang memberikan penjelasan bagaimana hasil kesimpulan diperoleh sehingga dapat meyakinkan pengguna. Kesimpulan yang diperoleh dari input yang diberikan berupa rekomendasi tindakan yang harus dilakukan oleh tenaga medis yang sesuai dengan kondisi pasien saat itu.


(37)

29 Pakar mengambil peranan sangat aktif dalam pembuatan basis pengetahuan. Tempat kerja disediakan bagi pakar untuk membantu memberikan solusi bagi permasalahan saat sistem dijalankan dan menyedikan fasilitas untuk menulis agenda dan deskripsi terhadap permasalahan khusus yang belum diprediksi. Knowledge engineer bertanggung jawab membuat kesan yang tepat, secara positif mengomunikasikan informasi tentang proyek, memahami tipe pakar, mempersiapkan sesi, dan seterusnya.

Metode akuisisi pengetahuan yang digunakan adalah metode manual, yang terdiri dari:

1. Metode wawancara terstuktur

Teknik wawancara melibatkan dialog langsung antara pakar dan knowledge engineer. Informasi dikumpulkan dengan bantuan instrumen konvensional (misalnya tape recorder atau kuisioner) dan selanjutnya ditranskip, dianalisis dan dikodekan. Metode wawancara terstruktur adalah proses berorientasi tujuan yang sistematik. Proses berorientasi tujuan menekankan komunikasi terorganisasi antara knowledge engineer dan pakar. Struktur sistematik mengurangi persoalan interpretasi yang inheren dan memungkinkan knowledge engineer mencegah distorsi yang disebabkan oleh subjektivitas pakar domain.

2. Metode analisis kasus

Pada metode analisis kasus, pakar ditanya bagaimana mereka menangani kasus khusus di masa sebelumnya. Biasanya metode ini melibatkan analisis dokumentasi .

Basis pengetahuan sistem pakar ini berisi pengetahuan setara pakar yang telah diisi oleh knowledge engineer. Basis pengetahuan berisi fakta tindakan-tindakan yang harus dilakukan seorang tenaga medis yang sesuai dengan kondisi pasien serta aturan yang berhubungan dengan metode fuzzy. Representasi yang digunakan yaitu aturan produksi, karena pada basis pengetahuan digunakan aturan pengetahuan sedangkan pada mesin inferensi dapat digunakan aturan inferensi dengan menerapkan metode fuzzy.


(38)

30 Konsep pengetahuan yang dibangun terdiri dari atribut dan alternatif yang dibutuhkan. Atribut yang diperlukan disesuaikan dengan data input PHR. Alternatif yang dihasilkan sesuai dengan yang ditentukan pada batasan masalah. Konsep pengetahuan yang dibangun, digambarkan pada Tabel 3.1.

Tabel 3.1 Konsep pengetahuan sistem pakar pemantau kondisi pasien rawat inap Total Score

Minimum Observation

Frequency

Alert Response

1 12 Hourly Nurse in charge Nurse in charge to

review if new score 1

2 6 Hourly Nurse in charge Nurse in charge t

review 3 4 Hourly Nurse in charge &

Team/On-call SHO

1. SHO to review within 1 hour

4-6 1 Hourly

Nurse in charge & Team/On-call SHO

1. SHO to review within ½ hour 2. If no response to

treatment within 1 hour, contact Registrar

3. Consider continuous patient monitoring 4. Consider transfer to

higher level of care

>= 7 ½ Hourly

Nurse in charge & Team/On-call Registrar inform Team/On-call Consultant

1. Registrar to review immediately 2. Continuous patient

monitoring recommended 3. Plan to transfer to

higher level of care 4. Activate Emergency

Response System (ERS) (as

appropriate to hospital model)


(39)

31 Note: Single score triggers

Score of 2 HR <= 40 (Bradicardia)

½ Hourly

Nurse in charge & Team/On-call SHO

1. SHO to review immediately

*score of 3 in any single

parameter

½ Hourly pr as indicated by patient’s condition

Nurse in charge & Team/On-call SHO

1. SHO to review immediately 2. If no response to

treatment or still concerned contact Registrar

3. Consider activating ERS

* in certain circumstances a score of 3 in a single parameter may not require ½ hourly observations. i.e. some patients on O2

• When communicatingpatiens score inform relevant personnel if patient is charted for supplemental oxygen e.g. post-op.

• Document all communication and management plans at each escalation point in medical and nursing notes.

• Escalation protocol may be stepped down as appropriate and documented in management plan.

IMPORTANT:

1. If response is not carried out as above CNM/Nurse in charge must contact the Registrar or Consultant.

2. If you are concerned about a patient ascalate care regardless of score. Sumber: [12:24]

Basis pengetahuan berinteraksi dua arah dengan mesin inferensi; pada mesin inferensi ini sendiri dilakukan proses pengambilan kesimpulan. Metode penalaran yang dilakukan adalah forward chaining, yaitu berjalan dari fakta menuju kesimpulan. Pada sistem ini dilakukan update pengetahuan dan perbaikan secara teratur sehingga informasi yang diberikan tetap valid.

Berikut ini adalah penjelasan antarmuka pengguna saat user mengakses aplikasi sistem pakar yang digambarkan dalam diagram alir:


(40)

32 Proses penggunaan aplikasi saat log in sebagai perawat harus melakukan log in untuk bisa masuk ke sistem. Setelah masuk ke sistem perawat harus memasukan data PHR. Pada tahap selanjutnya proses akan berlangsung secara otomatis. Masukan akan diproses dengan metode fuzzy sehingga akan ditampilkan penjelasan pengambilan kesimpulan dan analisis dari pakar.

Gambar 3.4 Diagram alir aplikasi dari segi user Sumber: Perancangan

Proses representasi pengetahuan yang menggunakan metode aturan produksi ditunjukkan saat proses user memasukkan data. Teknik penalaran forward chaining ditunjukkan saat user melakukan entry data berupa fakta hingga akhirnya mendapat keluaran berupa tindakan yang perlu dilakukan.


(41)

33 Proses inferensi dilakukan dengan menerapkan metode TOPSIS, sehingga diperoleh kesimpulan dari fakta yang diketahui.

2. Pakar

Proses penggunaan aplikasi dari segi pakar dimulai dari pakar melakukan log in. Setelah masuk sebagai pakar, akan muncul halaman utama. Pada halaman utama, pakar dapat melihat data-data masukan PHR dan data rekomendasi hasil analisis dari sistem. Selanjutnya terhadapa menu untuk pakar mengedit data. Edit data dimaksudkan untuk mengubah data dan atau menambahkan data hasil analisis dari sistem. Data yang telah diakusisi oleh pakar akan ditampilkan sebagai hasil akhir.

Gambar 3.5 Diagram alir aplikasi dari segi pakar Sumber: Perancangan


(42)

34 3.5 Implementasi Sistem

Implementasi aplikasi dilakukan dengan mengacu kepada perancangan aplikasi. Implementasi perangkat lunak dilakukan menggunakan bahasa pemrograman Java dengan Netbeans IDE. Pada pembuatan database sistem pakar, digunakan Database Management System (DBMS) MySQL.

3.6 Uji Coba Sistem

Pengujian sistem dilakukan untuk mengetahui kesesuai dengan harapan awal. Pengujian terdiri dari:

1. Pengujian akurasi

Melakukan pengujian berdasarkan implementasi yang telah dibuat melalui perhitungan akurasi. Perhitungan akurasi digambarkan pada diagram alir berikut.

Gambar 3.6 Diagram alir proses pengujian dengan akurasi Sumber: Perancangan


(43)

35 Pada Gambar 3.6, pertama dilakukan perhitungan antara data hasil keluaran dari sistem dengan hasil keluaran yang diberikan oleh pakar yang menggunakan proses manual. Proses manual pakar adalah proses yang biasa dilakukan pakar untuk memberi keluaran dengan subjektifitas pakar kesahatan. Hasil akurasi yang didapat akan digunakan sebagai acuan sebagai hasil akhir akurasi.

2. Pengujian fungsional sistem

Pengujian fungsional sistem berfungsi untuk mengetahui kinerja sistem sesuai dengan rancangan dan tujuan yang dibuat. Berikut ini adalah diagram alir pengujian fungsional dari sistem pakar pemilihan bidang studi.

Gambar 3.7 Diagram alir proses pengujian fungsional sistem Sumber: Perancangan


(44)

36 Pengujian fungsional ini dilakukan dengan memeriksa keterpenuhan fungsional sistem pada aplikasi sistem pakar yang dibuat.

3.7 Penarikan Kesimpulan

Kesimpulan dilakukan setelah semua tahapan perancangan, implementasi dan pengujian sistem terhadap metode yang digunakan. Penulisan saran berguna untuk memberikan pertimbangan atas hasil yang telah dilakukan.


(45)

37 BAB IV

PERANCANGAN

Pada bab ini akan dibahas tentang perancangan sistem pakar untuk pemantau kondisi pasien rawat inap. Tahap perancangan sistem terdiri dari analisis kebutuhan perangkat lunak dan perancangan sistem pakar. Tahap analisis kebutuhan perangkat lunak meliputi identifikasi aktor, daftar kebutuhan sistem, dan use case diagram serta skenario use case. Sedangkan tahap perancangan sistem pakar meliputi akuisisi pengetahuan, basis pengetahuan, mesin inferensi, dan sub sistem antarmuka. Berikut ilustrasi pohon perancangan Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto.

Gambar 4.1 Pohon Perancangan Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto

Sumber: Perancangan 4. Perancangan

4.1 Analisis Kebutuhan Perangkat Lunak

4.1.1 Identifikasi Aktor

4.1.2 Daftar Kebutuhan Sistem

4.1.3 Use Case Diagram

4.1.4 Skenario Use Case

4.2 Perancangan Sistem Pakar

4.2.1 Akuisisi Pengetahuan

4.2.2 Basis Pengetahuan

4.2.3 Mesin Inferensi

4.2.4 Subsistem Antarmuka


(46)

38 4.1 Analisa Kebutuhan Perangkat Lunak

Tahapan analisa kebutuhan sistem memiliki tujuan untuk memodelkan informasi yang akan digunakan dalam tahapan perancangan. Analisa kebutuhan sistem yang diperlukan meliputi identifikasi aktor, daftar kebutuhan sistem, dan use case diagram. Berikut ini merupakan penjelasan dari masing-masing tahapannya.

4.1.1 Identifikasi Aktor

Tahapan ini bertujuan untuk mengidentifikasi aktor-aktor yang nantinya akan berinteraksi dengan sistem. Pada kolom aktor disebutkan aktor yang berperan dalam sistem dan pada kolom lainnya akan menunjukkan deskripsi dari aktor. Tabel 4.1 memperlihatkan aktor yang berperan dalam sistem yang dilengkapi dengan penjelasannya yang merupakan hasil dari proses identifikasi aktor.

Tabel 4.1 Identifikasi Aktor

Aktor Deskripsi Aktor

User User merupakan aktor pengguna yang ingin mendapatkan analisis sistem pakar yang berupa pemantau kondisi pasien.

Sumber: Perancangan

4.1.2 Daftar Kebutuhan Sistem

Tahapan ini bertujuan untuk menjelaskan kebutuhan sistem yang harus dipenuhi saat aktor melakukan sebuah aksi. Daftar kebutuhan ini terdiri dari sebuah kolom yang merupakan hal-hal yang harus disediakan oleh sistem, sedangkan pada kolom yang lain menunjukkan nama use case yang menampilkan fungsionalitas masing-masing kebutuhan tersebut.

Tabel 4.2 Daftar kebutuhan Sistem


(47)

39

Sistem harus User

User User User Sumber: Perancangan

4.1.3 Diagram Use Case

Use case diagram merupakan salah satu diagram yang digunakan untuk menggambarkan kebutuhan-kebutuhan dan fungsionalitas dari sistem serta digunakan untuk menunjukan aksi-aksi yang dilakukan oleh aktor dari sistem. Gambar 4.2 merupakan diagram use case sistem pakar yang menunjukkan spesifikasi fungsionalitas yang disediakan oleh sistem dari segi aktor Admin dan User.


(48)

40 Sumber: Perancangan

Dalam sistem ini aktor dapat memasukkan kondisi pasien. Selain itu aktor juga dapat mengkalkulasi hasil dari inputan kondisi pasien. Secara otomatis sistem akan menyimpan hasil-hasil analisa sistem pakar serta dapat melihat rule. Disamping itu user dapat mengatur ulang input kondisi pasien serta menghapus rule.

4.1.4 Skenario Use Case

Use case yang telah digambarkan dalam diagram use case akan lebih dijelaskan secara terperinci dalam skenario use case. Penggunaan skenario use case ini bertujuan untuk mendapatkan deskripsi secara global mengenai use case, kondisi awal dan akhir yang harus dipenuhi oleh use case setelah fungsionalitas telah dijalankan. Dalam Tabel 4.3 akan menjelaskan bagaimana tanggapan sistem terhadap aksi yang dilakukan oleh aktor.

Tabel 4.3 Skenario Use Case Identifikasi

Nama Mengolah data

Deskripsi Use case ini menjelaskan tentang proses input data dalam sistem

Aktor User

Pra-kondisi Sistem telah menampilkan halaman user Skenario Input Data

Aksi Aktor Reaksi Sistem

• Aktor masuk ke halaman utama • Sistem menampilkan halaman utama

• Aktor masuk ke menu input data • Sistem menampilkan halaman menu input data

• Aktor masukkan data-data berupa kondisi pasien.

• Sistem memasukkan data yang telah dimasukkan oleh aktor ke dalam database.

• Sistem menampilkan hasil analisis sistem pakar.


(49)

41 • Aktor melihat hasil data

sebelumnya.

• Sistem menampilkan hasil proses data yang dimasukkan sebelumnya. • Aktor mereset hasil data. • Sistem mereset hasil data.

Sumber: Perancangan

4.2 Perancangan Sistem Pakar

Berikut ini dijelaskan tentang perancangan sistem pakar yang terdiri dari akuisisi pengetahuan, basis pengetahuan, mesin inferensi, dan subsistem antarmuka.

4.2.1 Akuisisi Pengetahuan

Akuisisi pengetahuan dilakukan dengan mencari berbagai informasi tentang kondisi pasien berdasarkan tekanan darah (SBP), Heart Rate (HR), kejenuhan kandungan oksigen dalam darah pasien (SPO2), Suhu (Temp), gula darah (BS), dan mesin inferensi. Informasi diperoleh dari buku, jurnal, laporan penelitian, skripsi yang telah ada sebelumnya, dan internet. Informasi-informasi yang diperoleh membantu dalam proses pembuatan sistem pakar untuk pemantauan kondisi pasien rawat inap.

4.2.2 Basis Pengetahuan

Basis pengetahuan berisi pengetahuan-pengetahuan pakar berupa fakta-fakta, konsep, aturan, prosedur, dan hubungan di antaranya, yang telah direpresentasikan dalam bentuk yang dimengerti oleh sistem. Basis pengetahuan dibutuhkan untuk memahami, memformulasikan, dan memecahkan masalah yang dihadapi oleh sistem, di sini basis pengetahuan berfungsi sebagai sumber referensi untuk mengambil suatu tindakan. Basis pengetahuan dalam sistem pakar ini meliputi himpunan bahasa variabel, semesta pembicaraan, fungsi derajat keanggotaan, dan rule.


(50)

42 4.2.2.1 Himpunan Bahasa Variable

Himpunan bahasa variabel pada sistem pakar pemantau kondisi pasien rawat inap adalah sebagai berikut

1.Tekanan Darah (SBP) : Low-3, Low-2, Low-1, Normal-0, High-2.

2.Heart Rate (HR) : Low-2, Low-1, Normal-0, High-1, High-2, High-3 3.Saturasi O2 (SPO2) : Low-3, Low-2, Low-1, Normal-0.

4.Suhu (TEMP) : Low-2, Normal-0, High-2

5.Gula Darah (BS) : Low-3, Low-2, Normal-0, High-2, High-3.

4.2.2.2 Semesta Pembicaraan

Berikut ini adalah semesta pembicaraan yang menjelaskan tentang kondisi pasien rawat inap yang berdasarkan rentang kriteria-kriteria beserta rentang nilai yang ditentukan oleh pakar.

Tabel 4.4 Semesta Pembicaraan

Input Low-3 Low-2 Low-1 Normal-0 High-1 High-2 High-3

SBP <75 70-80 80-100 95-199 - - >185

HR - <50 45-60 53-100 95-110

105-130

>125

SPO2 <85 83-90 87-95 >93 - - -

TEMP - <36.5 - 36-38.5 - >38 -

BS <66 63-72 - 70-110 -

106-150

>140

Sumber: Perancangan

4.2.2.3 Fungsi Derajat Keanggotaan Variabel Tekanan Darah (SBP)

Nilai-nilai yang berbeda tekanan darah mengubah hasilnya dengan mudah. Dalam hal ini, kami menggunakan tekanan darah sistolik. Variabel input ini dibagi menjadi 5 fuzzy set yaitu Low-3, Low-2, Low-1, Normal-0, dan High-2; fungsi keanggotaan dari 5 fuzzy set adalah trapesium. Langkah pertama dalam menerapkan algoritma kontrol logika fuzzy adalah untuk fuzzify variabel yang


(51)

43 diukur. Untuk fuzzify variabel SBP, harus ditentukan range nilai untuk SBP. Ditentukan nilai SBP menjadi 100 sampai 185mm Hg (mungkin, tidak semua orang setuju dengan hal ini, pilihan ini berdasarkan pengalaman “ahli”). Dengan demikian kita membuat himpunan fuzzy berlabel Normal-0 dan menetapkan nilai-nilai SBP antara 101 dan 199 mm Hg ke tingkat keanggotaan dari 1,0 di set ini. Selanjutnya kita mengatasi masalah lebih jelas dari apa yang kisaran nilai untuk SBP mungkin bisa normal, tetapi juga menjadi abnormal. Setiap saran ahli, kisaran 185-199 diputuskan untuk berada di ujung atas dan 95 sampai 100 di ujung bawah pertama. Dengan kata lain, jika SBP di atas 199 mm Hg, itu terlalu tinggi (yang diberi label High-2 pada fuzzy set), pilihan terbaik adalah rentang nilai antara 185 dan 199 mm Hg. Tabel fungsi keanggotaan dan grafik fuzzy set dan variabel SBP secara berturut-turut ditunjukkan pada Tabel 4.5 dan Gambar 4.3.

Tabel 4.5 Range Fuzzy Set SBP Input Field Range Fuzzy Set

Tekanan Darah Sistolik

(TDS)

<75 Low-3

70 – 85 Low-2

80 – 100 Low-1

95 – 199 Normal-0

>185 High-2


(52)

44 Gambar 4.3 Grafik fuzzy set tekanan darah

Sumber: Perancangan

Fungsi Derajat Keanggotaan SBP

$%& '[ ] =

)

1, < 70

+,

+, +-, 70 ≤ < 75

0, ≥ 75

...(4-1)

$%& /[ ] =

! !

+-+, +-, 70 ≤ < 75

1, 75 ≤ < 80

1,

1, 1-, 80 ≤ < 85

0, ≤ 70 ≥ 85

...(4-2) 0

0.2 0.4 0.6 0.8 1 1.2

0 50 100 150 200 250

SBP

Low-3 Low-2 Low-1 Normal-0 High-2


(53)

45 $%& 2[ ] =

! !

1-1, 1-, 80 ≤ < 85

1, 85 ≤ < 95

2--2-- 4,, 95 ≤ < 100

0, ≤ 80 ≥ 100

...(4-3)

5%67 8 -[ ] =

! !

4,

2-- 4,, 95 ≤ < 100

1, 100 ≤ < 185

244

244 21,, 185 ≤ < 199

0, ≤ 95 ≥ 199

...(4-4)

9:;< /[ ] =

)

21,

244 21,, 185 ≤ < 199

1, ≥ 199 0, < 185

...(4-5)

4.2.2.4 Fungsi Derajat Keanggotaan Variabel Heart Rate

Berdasarkan sistem MEWS scoring dan setiap saran ahli, enam fuzzy set (Low-2, Low-1, Normal-0, High-1, High-2, dan High-3) digunakan dalam variabel heart rate. Fungsi keanggotaan dari fuzzy set ini adalah trapesium. Penentuan nilai HR mirip dengan penentuan nilai SBP. Tabel fungsi keanggotaan dan grafik fuzzy set variabel heart rate secara berturut-turut ditunjukkan pada Tabel 4.6 dan Gambar 4.4.

Tabel 4.6 Range Fuzzy Set Heart Rate Input Field Range Fuzzy Set Heart Rate

(HR)

<50 Low-2


(54)

46 53 - 100 Normal-0

95 - 110 High-1

105 - 130 High-2

>125 High-3

Sumber: Perancangan

Gambar 4.4 Grafik fuzzy set heart rate Sumber: Perancangan

Fungsi Derajat Keanggotaan HR

$%& /[ ] =

)

1, < 45

,-,- >,, 45 ≤ < 50

0, ≥ 50

...(4-6)

$%& 2[ ] =

! !

>,

,' >,, 45 ≤ < 50

1, 50 ≤ < 53

@-@- ,', 53 ≤ < 60

0, ≤ 45 ≥ 60

...(4-7) 0

0.2 0.4 0.6 0.8 1 1.2

0 50 100 150 200

HR

Low-2 Low-1 Normal-0 High-1 High-3 High-2


(55)

47 5%67 8 -[ ] =

! !

,'

@- ,', 53 ≤ < 60

1, 60 ≤ < 95

2--2-- 4,, 95 ≤ < 100

0, ≤ 53 ≥ 100

...(4-8)

9:;< 2[ ] =

! !

4,

2-- 4,, 95 ≤ < 100

1, 100 ≤ < 105

22-22- 2-,, 105 ≤ < 110

0, ≤ 95 ≥ 110

...(4-9)

9:;< /[ ] =

! !

2-,

22- 2-,, 105 ≤ < 110

1, 110 ≤ < 125

2'-2'- 2/,, 125 ≤ < 130

0, ≤ 105 ≥ 130

...(4-10)

9:;< '[ ] =

)

2/,

2'- 2/,, 125 ≤ < 130

1, ≥ 130 0, < 125

...(4-11)

4.2.2.5 Fungsi Derajat Keanggotaan Variabel Tingkat kejenuhan Oksigen pada Darah (SPO2)

Nilai variabel ini adalah tingkat kejenuhan oksigen pada darah pasien. Dalam hal ini, digunakan empat variabel linguistik (fuzzy set) (Low-3, Low-2, Low-1, dan Normal-0). Setiap nilai yang lebih tinggi dari 95(>95) dianggap


(56)

48 sebagai Normal-0. Pada table ini fuzzy set didefinisikan. Fungsi keanggotaan dari fuzzy set adalah trapesium dan ditunjukkan pada Gambar 4.5.

Tabel 4.7 Range Fuzzy Set SPO2 Input Field Range Fuzzy Set

SPO2

<85 Low-3

83 - 90 Low-2

87 - 95 Low-1

>93 Normal-0 Sumber: Perancangan

Gambar 4.5 Grafik fuzzy set SPO2 Sumber: Perancangan

Fungsi Derajat Keanggotaan SPO2

$%& '[ ] =

)

1, < 83

1,

1, 1', 83 ≤ < 85

0, ≥ 85

...(4-12) 0

0.2 0.4 0.6 0.8 1 1.2

0 50 100 150

SPO2

Low-3 Low-2 Low-1 Normal-0


(57)

49 $%& /[ ] =

! !

1'

1, 1', 83 ≤ < 85

1, 85 ≤ < 87

4-4- 1+, 87 ≤ < 90

0, ≤ 83 ≥ 90

...(4-13)

$%& 2[ ] =

! !

1+

4- 1+, 87 ≤ < 90

1, 90 ≤ < 93

4,

4, 4', 93 ≤ < 95

0, ≤ 87 ≥ 95

...(4-14)

5%67 8 -[ ] =

)

4'

4, 4', 93 ≤ < 95

1, ≥ 95 0, < 93

...(4-15)

4.2.2.6 Fungsi Derajat Keanggotaan Variabel Suhu

Tiga fuzzy set (Low-2, Normal-0, dan High-2) digunakan untuk variabel suhu. Dalam tabel ini fuzzy set didefinisikan. Fungsi keanggotaan dari fuzzy set ini adalah trapesium. Fungsi keanggotaan ini dijelaskan dalam Gambar 4.6.

Tabel 4.8 Range Fuzzy Set Suhu Input Field Range Fuzzy Set

Temperatur (TEMP)

<36.5 Low-2

36 - 38.5 Normal-0

>38 High-2


(58)

50 Gambar 4.6 Grafik fuzzy set suhu

Sumber: Perancangan

Fungsi Derajat Keanggotaan suhu

$%& /[ ] =

)

1, < 36

'@.,

'@., '@, 36 ≤ < 36.5

0, ≥ 36.5

...(4-16)

5%67 8 -[ ] =

! !

'@

'@., '@, 36 ≤ < 36.5

1, 36.5 ≤ < 38

'1.,

'1., '1, 38 ≤ < 38.5

0, ≤ 36 ≥ 38.5

...(4-17)

9:;< /[ ] =

)

'1

'1., '1, 38 ≤ < 38.5

1, ≥ 38.5 0, < 38

...(4-18) 0

0.2 0.4 0.6 0.8 1 1.2

0 10 20 30 40 50

TEMP

Low-2 Normal-0 High-2


(59)

51 4.2.2.7 Fungsi Derajat Keanggotaan Variabel Gula Darah

Gula darah merupakan faktor yang sangat penting. Input field ini memiliki lima fuzzy set (Low-3, Low-2, Normal-0, High-2, dan High-3). Dalam sistem ini, Telah ditetapkan bahwa jika nilai jumlah gula darah lebih rendah dari 66 (<66) maka pasien memiliki gula darag rendah (Low-3), jika lebih tinggi dari 140 (>140) maka pasien memiliki gula darah yang sangat tinggi (High-3), dan set lainnya ditunjukkan pada tabel dibawah ini. Gambar 4.7 menunjukkan fungsi keanggotaan gula darah. Fungsi keanggotaan dari fuzzy set ini adalah trapesium.

Tabel 4.9 Range Fuzzy Set Gula Darah Input Field Range Fuzzy Set

Gula Darah

<66 Low-3

63 - 72 Low-2

70 - 110 Normal-0

106 - 150 High-2

>140 High-3

Sumber: Perancangan

Gambar 4.7 Grafik fuzzy set gula darah Sumber: Perancangan

0 0.2 0.4 0.6 0.8 1 1.2

0 100 200 300 400 500

BS

Low-3 Low-2 Normal-0 High-2 High-3


(60)

52 Fungsi Derajat Keanggotaan Gula Darah

$%& '[ ] =

)

1, < 63

@@

@@ @', 63 ≤ < 66

0, ≥ 66

...(4-19)

$%& /[ ] =

! !

@'

@@ @', 63 ≤ < 66

1, 66 ≤ < 70

+/

+/ +-, 70 ≤ < 72

0, ≤ 63 ≥ 72

...(4-20)

5%67 8 -[ ] =

! !

+-+/ +-, 70 ≤ < 72

1, 72 ≤ < 106

22-22- 2-@, 106 ≤ < 110

0, ≤ 70 ≥ 110

...(4-21)

9:;< /[ ] =

! !

2-@

22- 2-@, 106 ≤ < 110

1, 110 ≤ < 140

2,-2,- 2>-, 140 ≤ < 150

0, ≤ 106 ≥ 150

...(4-22)

9:;< '[ ] =

)

2>-2,- 2>-, 140 ≤ < 150

1, ≥ 150 0, < 140


(61)

53 4.2.2.8 Fungsi Derajat Keanggotaan Output

Pada subseksi ini menjelaskan output dari sistem logika fuzzy. Terdapat satu output variabel “Risk Group”, yang mengarahkan ketingkat kemungkinan kondisi pasien. Range-nya dari 0 sampai 14. Nilai tertinggi adalah nilai resiko kesehatan tertinggi pasien. Sistem ini mempunyai 15 fuzzy set untuk output variabel risk group yaitu NRM, LRG1, LRG2, LRG3, LRG4, HRG5, HRG6, HRG7, HRG8, HRG9, HRG10, HRG11, HRG12, HRG13, dan HRG14. Membership functions pada variabel ini adalah trapesium. Detail membership Functions dapat dilihat pada Tabel 4.10 dan Gambar 4.8

Tabel 4.10 Range fuzzy set risk group Output Field Range Fuzzy Set

Risk Group

0<RG<0.5 NRM 0.5<RG<1.5 LRG 1 1.5<RG<2.5 LRG 2 2.5<RG<3.5 LRG 3 3.5<RG<4.5 LRG 4 4.5<RG<5.5 HRG 5 5.5<RG<6.5 HRG 6 6.5<RG<7.5 HRG 7 7.5<RG<8.5 HRG 8 8.5<RG<9.5 HRG 9 9.5<RG<10.5 HRG 10 10.5<RG<11.5 HRG 11 11.5<RG<12.5 HRG 12 12.5<RG<13.5 HRG 13 13.5<RG<14 HRG 14 Sumber: Perancangan


(62)

54 Gambar 4.8 Grafik fuzzy set risk group

Sumber: Perancangan

Fungsi Derajat Keanggotaan Output

5DE[ ] = F -.,

-., -, 0 ≤ < 0.5

0, ≤ 0 ≥ 0.5...(4-24)

$DG 2[ ] =

H

-.,

2 -.,, 0.5 ≤ < 1

2.,

2., 2, 1 ≤ < 1.5

0, ≤ 0.5 ≥ 1.5

...(4-25)

$DG /[ ] =

H

2.,

/ 2.,, 1.5 ≤ < 2

/.,

/., /, 2 ≤ < 2.5

0, ≤ 1.5 ≥ 2.5

...(4-26) 0

0.2 0.4 0.6 0.8 1 1.2

-1 4 9 14

Risk Group

NRM LRG1 LRG2 LRG3 LRG4 HRG5 HRG6 HRG7 HRG8 HRG9


(63)

55 $DG '[ ] =

H

/.,

' /.,, 2.5 ≤ < 3

'.,

'., ', 3 ≤ < 3.5

0, ≤ 2.5 ≥ 3.5

...(4-27)

$DG >[ ] =

H

'.,

> '.,, 3.5 ≤ < 4

>.,

>., >, 4 ≤ < 4.5

0, ≤ 3.5 ≥ 4.5

...(4-28)

9DG ,[ ] =

H

>.,

, >.,, 4.5 ≤ < 5

,.,

,., ,, 5 ≤ < 5.5

0, ≤ 4.5 ≥ 5.5

...(4-29)

9DG @[ ] =

H

,.,

@ ,.,, 5.5 ≤ < 6

@.,

@., @, 6 ≤ < 6.5

0, ≤ 5.5 ≥ 6.5

...(4-30)

9DG +[ ] =

H

@.,

+ @.,, 6.5 ≤ < 7

+.,

+., +, 7 ≤ < 7.5

0, ≤ 6.5 ≥ 7.5


(64)

56 9DG 1[ ] =

H

+.,

1 +.,, 7.5 ≤ < 8

1.,

1., 1, 8 ≤ < 8.5

0, ≤ 7.5 ≥ 8.5

...(4-32)

9DG 4[ ] =

H

1.,

4 1.,, 8.5 ≤ < 9

4.,

4., 4, 9 ≤ < 9.5

0, ≤ 8.5 ≥ 9.5

...(4-33)

9DG 2-[ ] =

H

4.,

2- 4.,, 9.5 ≤ < 10

2-.,

2-., 2-, 10 ≤ < 10.5

0, ≤ 9.5 ≥ 10.5

...(4-34)

9DG 22[ ] =

H

2-.,

22 2-.,, 10.5 ≤ < 11

22.,

22., 22, 11 ≤ < 11.5

0, ≤ 10.5 ≥ 11.5

...(4-35)

9DG 2/[ ] =

H

22.,

2/ 22.,, 11.5 ≤ < 12

2/.,

2/., 2/, 12 ≤ < 12.5

0, ≤ 11.5 ≥ 12.5


(65)

57 9DG 2'[ ] =

H

2/.,

2' 2/.,, 12.5 ≤ < 13

2'.,

2'., 2', 13 ≤ < 13.5

0, ≤ 12.5 ≥ 13.5

...(4-37)

9DG 2>[ ] =

F2> 2'.,2'., , 13.5 ≤ < 14

0, ≤ 13.5 ...(4-38)

4.2.2.9 Rule

Rule merupakan serangkaian aturan yang digunakan sebagai dasar perhitungan yang akan dilakukan dalam metode fuzzy Tsukamoto. Dibawah ini adalah rule yang dibuat oleh pakar untuk Sistem Pakar Pemantau Kondisi Pasien Rawat Inap Menggunakan Fuzzy Inferensi Tsukamoto.

1. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=low2 and BS=low3 THEN EWS SCORE=13

2. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=low2 and BS=low2 THEN EWS SCORE=12

3. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=low2 and BS=normal THEN EWS SCORE=10

4. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=low2 and BS=high2 THEN EWS SCORE=12

5. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=low2 and BS=high3 THEN EWS SCORE=13

6. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=normal and BS=low3 THEN EWS SCORE=11

7. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=normal and BS=low2 THEN EWS SCORE=10

8. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=normal and BS=normal THEN EWS SCORE=8

9. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=normal and BS=high2 THEN EWS SCORE=10


(66)

58 10. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=normal and

BS=high3 THEN EWS SCORE=11

11. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=high2 and BS=low3 THEN EWS SCORE=13

12. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=high2 and BS=low2 THEN EWS SCORE=12

13. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=high2 and BS=normal THEN EWS SCORE=10

14. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=high2 and BS=high2 THEN EWS SCORE=12

15. If SBP=low3 and HR=low2 and SPO2=low3 and TEMP=high2 and BS=high3 THEN EWS SCORE=13

16. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=low2 and BS=low3 THEN EWS SCORE=12

17. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=low2 and BS=low2 THEN EWS SCORE=11

18. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=low2 and BS=normal THEN EWS SCORE=9

19. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=low2 and BS=high2 THEN EWS SCORE=11

20. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=low2 and BS=high3 THEN EWS SCORE=12

21. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=normal and BS=low3 THEN EWS SCORE=10

22. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=normal and BS=low2 THEN EWS SCORE=9

23. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=normal and BS=normal THEN EWS SCORE=7

24. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=normal and BS=high2 THEN EWS SCORE=9

25. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=normal and BS=high3 THEN EWS SCORE=10

26. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=high2 and BS=low3 THEN EWS SCORE=12

27. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=high2 and BS=low2 THEN EWS SCORE=11

28. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=high2 and BS=normal THEN EWS SCORE=9

29. If SBP=low3 and HR=low2 and SPO2=low2 and TEMP=high2 and BS=high2 THEN EWS SCORE=11


(1)

138 private javax.swing.JLabel Labeltemp;

private javax.swing.JTextArea ProsessText; private javax.swing.JTextField Textbs; private javax.swing.JTextField Texthr; private javax.swing.JTextField Textsbp; private javax.swing.JTextField Textspo2; private javax.swing.JTextField Texttemp; private javax.swing.JMenu jMenu1;

private javax.swing.JMenu jMenu2;

private javax.swing.JMenuBar jMenuBar1; private javax.swing.JPanel jPanel1;

private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JTabbedPane jTabbedPane1;

private SystolicBloodPressure systolicBloodPressure = new SystolicBloodPressure();

private HeartRate heartRate = new HeartRate(); private OxygenSaturation oxygenSaturation = new OxygenSaturation();

private Temperature temperature = new Temperature(); private BloodSugar bloodSugar = new BloodSugar(); private DBConnection startConn = null;

private ResultSet resultSet = null; }

5.2.1.12 TestUnit.java package ui;

import java.awt.Dimension; import java.awt.Toolkit;

public class TestUnit {

public static void main(String[] args) {

java.awt.EventQueue.invokeLater(new Runnable() { public void run() {

LoginWindow loginForm = new LoginWindow(); loginForm.setVisible(true);

Dimension dimension =

Toolkit.getDefaultToolkit().getScreenSize();

int x = (int) ((dimension.getWidth() - loginForm.getWidth()) / 2);


(2)

139 loginForm.getHeight()) / 2);

loginForm.setLocation(x, y); }

}); }

}

5.2.2 Antarmuka Aplikasi

Antarmuka aplikasi terdiri dari dua bagian yaitu antarmuka log in dan antarmuka utama. Antarmuka log in digunakan untuk autentikasi pengguna aplikasi. Hanya pengguna dengan level admininistrator yang dapat menggunakan aplikasi ini, misal perawat dan dokter. Antarmuka utama terditi dari beberapa field input dan output yaitu field input kondisi pasien berdasarkan tekanan darah sistolik (SBP), jetak jantung (HR), tingkat kejenuhan oksigen darah (SPO2), suhu tubuh (TEMP), dan gula darah (BS). Field output terdari dari dua bagian yaitu field output hasil perhitungan fuzzy dengan metode FIS Tsukamoto dan field output rule. Gambar

Gambar 5.1 Antarmuka Window Log in Sumber: Perancangan


(3)

140 Gambar 5.2 Antarmuka Window Utama


(4)

141 BAB VI

PENUTUP

7.1 Kesimpulan

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah layaknya seorang pakar. Basis pengetahuan mengandung pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar didasarkan pada dua elemen antara lain fakta dan aturan.

Penelitian yang telah dilakukan untuk memantau kondisi pasien rawat inap menggunakan fuzzy Tsukamoto. Pemantauan kondisi pasien rawat inap tersebut memantau tekanan darah (SBP), detak jantung (HR), kejenuhan oksigen darah (SPO2), suhu (TEMP), dan gula darah (BS). Sehingga pemikiran pakar disampaikan melalu mesin inferensi untuk memudahkan pemantauan kondisi pasien.

7.2 Saran

- Aplikasi ini memberikan deteksi dini untuk pemantauan pasien rawat inap. - Untuk dapat mengembangkan Fuzzy Tsukamoto untuk mengetahui

faktor-faktor pada kondisi pasien.

- Untuk menyertakan faktor jenis kelamin dan usia dalam proses pengambilan keputusan.

Hasil dari sistem yang diusulkan mengkonfirmasi efektivitas logika fuzzy dalam pemantauan pasien, tetapi masih perlu diuji dalam lingkungan real-time untuk menunjukkan nilai klinis penuh.


(5)

142 DAFTAR PUSTAKA

[1] Yohana, Antin. 2009. Analisis Harapan Dan Kepuasan Pasien Rawat Inap Penyakit Dalam Terhadap Mutu Pelayanan Dokter Spesialis Di Rsi Sunan Kudus. Semarang: Universitas Diponegoro.

[2] Teori Penunjang Sistem Pakar. URL: http://www.informatika.web.id, diakses pada tanggal 7 April 2014.

[3] Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy) dalam Sistem Pendukung Keputusan untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Permintaan. Yogyakarta: Universitas Negeri Yogyakarta.

[4] Niemeyer, Pat dan Jonathan Knudsen. 2010. Learning Java. O'Reilly. [5] Al-Dmour, J.A. 2013. Fuzzy Logic Based Patients’ Monitoring System.

Thesis tidak diterbitkan, United Arab Emirates, Faculty of American University of Sharjah College of Engineering.

[6] Purwanto, Ikhlas. 2009. Studi Pengukuran Kemiripan Rantai DNA Virus H5N1 Berbasis Himpunan Fuzzy. Depok: Universitas Indonesia.

[7] Dalgleish, Jordanne and Beatrice Mpamugo Colleen Kearney. 2010. Adapting and Implementing SBAR in a Home Care Setting.

[8] KepMenKes RI no. 159b/MENKES/PER/II/1988 .Rumah Sakit. Jakarta: DepKes RI.

[9] The National Early Warning Score Project Governance and Advisory Groups as a work stream of the Acute Medicine Progamme. 2012. Guiding Framework and Policy for the National Early Warning Score System to Recognise and Respond to Clinical Deterioration. Ireland: Feidhmearnnacht ma Smirbhise Stainte Health Service Execullve.

[10] Thamrin, Fanoeel. Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor Pembebasan Trafo PLN. Semarang.

[11] Sistem Pakar. URL: http://birtandp.wordpress.com/tag/manfaat-sistem-pakar/, diakses pada tanggal 29 Mei 2014.


(6)

143 [12] Broto, A.S. 2010. Perancangan Dan Implementasi Sistem Pakar Untuk

Analisa Penyakit Dalam. Semarang: Universitas Diponegoro.

[13] Tahap Pemodelan Dalam Fuzzy Logic. URL:

http://fahmizaleeits.wordpress.com/category/kuliah-kontrol/fuzzy-logic/page/2/, diakses pada tanggal 29 Mei 2014.

[14] Rochmat, Noer. 2014. Implementasi Sasaran Keselamatan Pasien: Komunikasi Efektif Di Instalasi Rawat Inap. Pemerintah Propinsi Jawa Tengah RSUD Tugurejo Semarang.