1

ANALISA PERBANDINGAN METODE DEMPSTER-SHAFER DENGAN METODE CERTAINTY

FACTOR PADA DIAGNOSA PENYAKIT ANAK

Emanuel Riolan (065111299)

Program Studi Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan

Jl.Pakuan PO BOX 452 Telp / Fax. (0251)375547 Bogor

Email : emanuelriolan@gmail.com

ABSTRAK

Sistem aplikasi diagnosa penyakit adalah hal yang sering didengar dalam pembuatan sistem pakar dan umumnya

setiap sistem pakar tersebut digunakan suatu metode agar dapat melakukan proses yang memperhitungkan hasil diagnosa

pada sistem pakar. Metode-metode yang digunakan pada diagnosa penyakit yaitu seperti Dempster-Shafer dan Certainty

Factor, pada penelitian ini metode tersebut dibandingkan secara kuantitatif yaitu dengan teori Counfusion Matrix yang

diambil dari hasil perhitungan dari kejadian-kejadian gejala penyakit dan dinilai berdasarkan keyakinan dari pengetahuan

pakar. Sehingga dapat dihasilkan nilai akurasinya yaitu 94,44% pada metode Dempster-Shafer dan 96,03% pada metode

Certainty Factor.

Kata kunci : Dempster-Shafer, Certainty Factor, Confusion Matrik, Penyakit Anak.

1. Pendahuluan

1.1 Latar Belakang

Masalah yang terdapat pada dunia medis salah

satunya adalah ketidakseimbangan jumlah antara pasien

dan dokter, kurangnya ketersediaan dokter ahli dan tenaga

medis khususnya di daerah-daerah pelosok dan terpencil.

Selain itu sebagian besar masyarakat tidak terlatih secara

medis sehingga apabila mengalami gejala-gejala penyakit

tidak dapat memahami tanda dari suatu penyakit serta cara

penanggulangannya.

Oleh karena itu masyarakat memperlukan suatu alat

atau sistem yang lebih praktis yang memiliki kemampuan

layaknya seorang dokter ahli dalam mendiagnosa

penyakit. Sistem tersebut adalah sistem pakar yang

bekerja dengan mengadopsi pengetahuan manusia

kedalam komputer agar dapat menyelesaikan masalah

seperti yang biasa dilakukan oleh pakar. Untuk membuat

sistem pakar biasanya digunakan teori-teori yang memiliki

suatu metode masing-masing dan dapat diterapkan pada

sistem pakar, dimana menurut Giarratano dan Riley bahwa

sistem pakar harus dapat bekerja dalam ketidakpastian.

Sejumlah teori yang dapat bekerja dalam

ketidakpastian diantaranya adalah Dempster-Shafer

(Arthur P. dan Glenn, 1976) dan Certainty Factor

(Shortliffe B, 1975). Kedua teori tersebut memiliki proses

dan konsep penyelesaian yang berbeda namun infomasi

yang akan diperhitungkan memiliki kesamaan, seperti

pada setiap potongan informasi dari kedua teori tersebut

memiliki penilaian yang diambil dari keyakinan atau

hipotesis. Oleh sebab itu teori Dempster-Shafer dengan

Certainty Factor layak untuk dibandingkan satu sama lain

agar dapat mengetahui kekurangan dan kelebihannya

masing-masing.

Penelitian ini ditujukan untuk menyelesaikan

permasalahan dalam membandingkan kedua teori

tersebut, yaitu dengan membuat sistem pakar yang mampu

mendiagnosa penyakit anak dan dapat diselesaikan dengan

menggunakan dua teori yang berbeda. Yang kemudian

sistem pakar memberikan penjelasan dan kesimpulan atas

hasil konsultasi yang telah dilakukan sebelumnya

(Turban, E., 2005).

Berdasarkan latar belakang permasalahan diatas dan

dari peneliti sebelumnya oleh Rismawati (2013), Luther

A. Latumakulita (2012), Nur Anjas Sari (2013) dan Elyza

Gustri Wahyuni (2013) yang masing-masing membuat

sistem yang dapat menghasilkan diagnosa suatu penyakit

dengan menggunakan salah satu dari metode Dempster-

Shafer atau Certainty Factor, maka pada penelitian ini

diberi judul “Analisa Perbandingan Metode Dempster-

Shafer dengan Metode Certanty Factor pada Diagnosa

Penyakit Anak”.

1.2 Tujuan Penelitian

Tujuan penelitian ini adalah sebagai berikut :

1. Dapat membandingkan Metode Dempster-Shafer dan

Metode Certanty Factor

2. Merancang dan membangun sistem pakar untuk

mendianogsa penyakit anak.

3. Memberikan hasil berupa keterangan dan solusi yang

benar dan tepat mengenai penyakit anak yang diderita.

1.3 Ruang Lingkup

Ruang lingkup pada penelitian ini memiliki batasan-

batasan berikut :

1. Pada aplikasi sistem pakar ini Admin dapat mengubah

data penyakit, gejala dan password login Admin.

2. Pada aplikasi ini juga User dapat memilih gejala-gejala

penyakit dan melihat hasil diagnosa penyakitnya serta

dapat menyimpan data hasil diagnosa.

3. Sumber pengetahuan di peroleh dari pakar, buku-buku

pendukung dan internet.

4. Objek yang diamati pada penelitian ini adalah penyakit

anak beserta gejala-gejala penyebabnya.

5. Metode sistem pakar yang digunakan adalah

Dempster-Shafer dan Certanty Factor.

6. Dapat memberikan hasil dianogsa, keterangan dan

solusi umum.

2

1.4 Manfaat Penelitian

Adapun manfaat penelitian adalah sebagai berikut :

1. Dapat mengetahui perbandingan dari kedua penerapan

metode Dempster-Shafer dan Certainty Factor.

2. Sebagai salah satu sumber informasi bagi masyarakat

mengenai permasalahan penyakit anak.

3. Mempermudah dan mempercepat para dokter dalam

proses dianogsa serta pemberian solusi dan informasi

tentang penyakit anak terhadap para penderita dengan

cepat dan mudah.

4. Bermanfaat bagi masyarakat yang ingin mengetahui

tentang hasil diagnosa, penyebabnya serta keterangan

dan solusi dengan lebih mudah.

2. Tinjauan Pustaka

2.1 Sistem Pakar

Secara umum, sistem pakar (Expert System) adalah

sistem yang berusaha mengadopsi pengetahuan manusia

ke komputer, agar komputer dapat menyelesaikan masalah

yang seperti biasa dilakukan oleh para ahli. Sistem pakar

yang baik di rancang agar dapat menyelesaikan suatu

permasalahan tertentu dengan meniru kerja dari para ahli.

(Anisa Nurul. 2012).

2.2 Penyakit Anak

Penyakit pada anak diantaranya disebabkan karena

faktor lingkungan yang tidak baik, kebersihan tubuh,

kurangnya aktif bergerak, asupan nutrisi, istirahat tubuh

dan sebagainya. Berikut ini adalah beberapa penyakit anak

yang umum dan memungkinkan untuk diketahui dari

gejala-gejalanya :

a) Demam berdarah

Demam berdarah disebabkan oleh virus dengue yang

menyebar ke manusia melalui gigitan nyamuk Aedes

aegypti.

b) Demam Tifoid

Demam Tifoid atau yang umumnya disebut tipus

adalah penyakit infeksi yang disebabkan oleh

bakteri Salmonella thypi, dimana penyakit tipus ini

erat kaitannya dengan kebersihan karena bakteri

penyebab penyakit ini hidup dimakanan kotor

ataupun tanah.

c) Campak

Campak adalah suatu infeksi virus

golongan Paramixovirus yang sangat menular yang

biasa terjadi pada masa kanak-kanak , yang ditandai

dengan demam, batuk, konjungtivitis (peradangan

selaput ikat mata/konjungtiva) dan ruam kulit.

d) Diare

Diare adalah penyakit yang ditandai dengan encernya

tinja yang dikeluarkan atau buang air besar (BAB)

dengan frekuensi yang lebih sering dibandingkan

dengan biasanya. Pada umumnya, diare terjadi akibat

konsumsi makanan atau minuman yang

terkontaminasi.

e) Tetanus

Tetanus adalah penyakit infeksi serius yang

menyerang susunan saraf dan ditandai kontraksi otot

yang hebat (kejang). Penyakit ini biasanya terjadi

akibat luka tusuk dalam oleh benda yang tercemar

debu, pupuk, tanah dan kotoran hewan atau manusia.

f) Faringitis

Faringitis adalah suatu penyakit peradangan yang

menyerang tenggorok atau hulu kerongkongan.

Kadang juga disebut sebagai radang tenggorok.

Radang ini biasanya disebabkan oleh virus , seperti

influenza (flu) atau bakteri seperti streptococcus yang

disebabkan karena daya tahan tubuh yang lemah.

Pengobatan dapat dilakukan dengan menggunakan

antibiotic dan hanya efektif apabila penyakit

disebabkan karena terkena bakteri.

2.3 Metode Dempster-Shafer

Teori Dempster-Shafer pertama kali diperkenalkan

oleh oleh Arthur P. Dempster dan Glenn Shafer, yang

melakukan percobaan ketidakpastian dengan range

probabilities dari pada sebagai probabilitas tunggal.

Kemudian pada tahun 1976 Shafer mempublikasikan teori

Dempster pada buku yang berjudul Mathematichal Theory

of Evident. Pada teori ini dapat membedakan

ketidakpastian dan ketidaktahuan. Teori Dempster-Shafer

adalah representasi, kombinasi dan propogasi

ketidakpastian, dimana teori ini memiliki beberapa

karakteristik yang secara instutitif sesuai dengan cara

berfikir seorang pakar, namun dasar matematika yang

kuat.

Secara umum teori Dempster-Shafer ditulis dalam

suatu interval: [Belief,Plausibility]. Belief (Bel) adalah

ukuran kekuatan evidence dalam mendukung suatu

himpunan proposisi. Jika bernilai 0 maka

mengindikasikan bahwa tidak ada evidence, dan jika

bernilai 1 menunjukkan adanya kepastian. Plausibility

(Pls) akan mengurangi tingkat kepastian dari evidence.

Plausibility bernilai 0 sampai 1. Jika yakin akan X, maka

dapat dikatakan bahwa Bel(X) = 1, sehingga rumus di atas

nilai dari Pls(X) = 0. Menurut Giarratano dan Riley fungsi

Belief dapat diformulasikan dan ditunjukkan pada

persamaan berikut :

Dan Plausibility dinotasikan pada persamaan (1) :

Dimana :

Bel(X) = Belief (X)

Pls(X) = Plausibility (X)

m(X) = mass function dari (X)

m(Y) = mass function dari (Y)

Pada teori Dempster-Shafer juga dikenal adanya

frame of discrement yang dinotasikan dengan θ. Frame ini

merupakan semesta pembicaraan dari sekumpulan

hipotesis sehingga sering disebut dengan environment

yang ditunjukkan seperti persamaan berikut :

θ = { θ1, θ2,… θN }

3

Dimana :

θ = frame of discrement atau environment θ1,…,θN =

elemen / unsur bagian dalam environment

Environment mengandung elemen-elemen yang

menggambarkan kemungkinan sebagai jawaban, dan

hanya ada satu yang akan sesuai dengan jawaban yang

dibutuhkan. Kemungkinan ini dalam teori Dempster-

Shafer disebut dengan power set dan dinotasikan dengan

P (θ), setiap elemen dalam power set ini memiliki nilai

interval antara 0 sampai 1.

m : P(θ) [0,1]

Sehingga dapat dirumuskan dengan :

Dimana :

P(θ) = power set m

m(X) = mass function (X)

Mass function (m) dalam teori Dempster-shafer

adalah tingkat kepercayaan dari suatu evidence (gejala),

sering disebut dengan evidence measure sehingga

dinotasikan dengan (m). Tujuannya adalah mengaitkan

ukuran kepercayaan elemen-elemen θ. Tidak semua

evidence secara langsung mendukung tiap-tiap elemen.

Untuk itu perlu adanya probabilitas fungsi densitas (m).

Nilai m tidak hanya mendefinisikan elemen-elemen θ saja,

namun juga semua subsetnya.

Sehingga jika θ berisi n elemen, maka subset θ adalah

2n. Jumlah semua m dalam subset θ sama dengan 1.

Apabila tidak ada informasi apapun untuk memilih

hipotesis, maka nilai :

m{θ} = 1,0

Apabila diketahui X adalah subset dari θ, dengan m1

sebagai fungsi densitasnya, dan Y juga merupakan subset

dari θ dengan m2 sebagai fungsi densitasnya, maka dapat

dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu

ditunjukkan pada persamaan(2) berikut :

m3(Z) = ∑𝑋∩𝑌=𝑍 𝑚1(X).m2(Y)

1−∑𝑋∩𝑌=∅ 𝑚1(𝑋).𝑚2(𝑌)

Dimana:

m3(Z) = mass function dari evidence (Z)

m1(X) = mass function dari evidence (X), yang

diperoleh dari nilai keyakinan suatu

evidence dikalikan dengan nilai

disbelief dari evidence tersebut.

m2(Y) = mass function dari evidence (Y), yang

diperoleh dari nilai keyakinan suatu

evidence dikalikan dengan nilai

disbelief dari evidence tersebut.

∑𝑋∩𝑌=𝑍 𝑚1(X). m2(Y) = merupakan nilai kekuatan dari

evidence Z yang diperoleh dari

kombinasi sekumpulan evidence X dan Y yang memiliki

irisan.

∑𝑋∩𝑌=∅ 𝑚1(X). m2(Y) = merupakan nilai kekuatan dari

kombinasi sekumpulan X dan Y evidence yang tidak

memiliki irisan.

2.4 Metode Certainty Factor

Faktor kepastian (Certainty Factor) diperkenalkan

oleh Shortliffe Buchanan dalam pembuatan MYCIN pada

tahun 1975 untuk mengakomadasi ketidakpastian

pemikiran (inexact reasoning) seorang pakar. Teori ini

berkembang bersamaan dengan pembuatan sistem pakar

MYCIN.

Team pengembang MYCIN mencatat bahwa dokter

sering kali menganalisa informasi yang ada dengan

ungkapan seperti misalnya: mungkin, kemungkinan besar,

hampir pasti. Untuk mengakomodasi hal ini tim MYCIN

menggunakan Certainty Factor (CF) guna

menggambarkan tingkat keyakinan pakar terhadap

permasalahan yang sedang dihadapi.

Faktor Kepastian (Certainty Factor) menyatakan

kepercayaan dalam sebuah kejadian (atau fakta atau

hipotesis) berdasarkan bukti atau penilaian pakar (Turban,

2005). Certainty Factor menggunakan suatu nilai 0

sampai 1 untuk mengasumsikan derajad keyakinan

seorang pakar terhadap suatu data.

Berikut ini adalah deskripsi beberapa kombinasi

Certainty Factor terhadap berbagai kondisi :

1. Certainty Factor untuk kaidah dengan premis tunggal

(single premis rules) :

CF(H,E) = CF(E)*CF(rule)

2. Certainty Factor untuk kaidah dengan premis

majemuk (multiple premis rules): CF (A AND B ) =

Minimum (CF (a),CF (b)) * CF (rule)

CF (A OR B ) = Maximum (CF (a),CF (b)) * CF (rule)

3. Certainty Factor untuk kaidah dengan kesimpulan

yang serupa (similarly concluded rules) :

CFCOMBINE (CF1, CF2) = CF1 + CF2*(1 - CF1) …

persamaan (3)

3. Metode Penelitian

Metodologi penelitian dalam proses pembuatan sistem

analisa perbandingan metode Dempster-Shafer dengan

metode Certainty Factor pada diagnosa penyakit anak

yaitu menggunakan siklus pengembangan sistem pakar

seperti yang di tampilkan pada gambar 1.

Definisi masalah

Penilaian kebutuhan

Evaluasi solusi alternatif

Desain dan perancangan konseptual

Sumber pengetahuan

Membangun prototipe kecil

Menguji,meningkatkan, mengembangkan

Mendemontrasikan dan menganalisa kelayakan

Operasian

Pemeliharaan dan upgrade

Evaluasi periodik

Melengkapi basis pengetahuan

Menguji dan meningkatkan basis pengetahuan

Merencanakan interegrasi

Fase II

Analisis dan desain

sistem

Fase III

Prototyping

cepat

Fase IV

Pengembangan

sistem

Fase V

Implementasi

Fase VI

Pasca implementasi

Fase I

Inisialisasi proyek

Demonstrasi sistem, keamanan, dokumentasi

Interegrasi dan pengujian lapangan

Gambar 1. Skema Siklus Pengembangan ES (Expert System)

4

4. Perancangan dan Implementasi

4.1 Definisi Masalah

Mengidentifikasi masalah merupakan langkah

untuk menentukan kebutuhan dan perkembangan

sistem. Pada sistem untuk mendiagnosa penyakit anak,

maka dibutuhkan data-data penyakit anak yang sudah

umum agar dapat dikembangkan kedalam sistem.

Penyakit anak yang diketahui yaitu :

1) Demam berdarah dengue.

2) Demam tifoid.

3) Campak.

4) Diare.

5) Tetanus.

6) Faringitis

7) Varisela (cacar air)

4.2 Penilaian Kebutuhan

Penilaian kebutuhan merupakan persyaratan

fungsional sistem dengan meenentukan penilaian dari

masalah-masalah pada penyakit anak. Penyakit-penyakit

anak yang telah diketahui, dibutuhkan suatu penilaian

kebutuhan agar dapat menentukan hasil diagnosa suatu

penyakit yang tepat kedalam sebuah sistem, yaitu dengan

menentukan gejala-gejala penyakitnya. Berdasarkan

pengetahuan yang diperoleh oleh pakar semua penyakit

anak yang telah diketahui memiliki gejala-gejala yang

dapat dibentuk sebagai aturan (rule) seperti dibawah ini :

R1: IF demam OR lesu OR malas makan OR muntah

berak AND pendarahan pada kulit OR mimisan OR

sakit kepala THENpenyakit=Demam berdarah

dengue.

R2: IF demam OR sakit kepala OR tubuh mengigil OR

denyut jantung lemah OR badan lemah OR tidak

nafsu makan OR konstipasi OR lidah putih

THEN penyakit=Demam tifoid.

R3: IF demam OR hidung meler OR batuk AND bercak

koplik OR nyeri otot OR mata merah THEN

penyakit=Campak.

R4: IF buang air besar terus-menerus OR mual OR

muntah-muntah OR pegal pada punggung OR

perut sering berbunyi THEN penyakit=Diare

R5: IF demam OR sakit kepala OR tubuh menggigil OR

kekakuan rahang OR nyeri telan AND kejang

otot THEN penyakit=Tetanus.

R6: IF demam OR sakit kepala OR tidak nafsu makan

OR nyeri otot OR nyeri telan THEN

penyakit=Faringitis.

R7: IF demam OR sakit kepala OR mual OR nyeri

punggung AND tonjolan- tonjolan kemerahan

THEN penyakit =Varisela

Berdasarkan pengetahuan yang diperoleh penilaian bobot gejala pada penyakit anak dapat dilihat pada tabel dibawah ini :

Tabel 1. Tabel Penilaian Bobot Gejala

Keterangan :

P1 = Demam berdarah dengue

P2 = Demam tifoid

P3 = Campak

P4 = Diare P5 = Tetanus

P6 = Faringitis

P7 = Varisela (cacar

air)

Gejala

Dempster-shafer Certainty factor

Penyakit DS Penyakit

P1 P2 P3 P4 P5 P6 P7

Demam P1,2,3,5,6,7 0,90 0,90 0,90 0,90 0,80 0,90 0,90

Lesu P1 0,25 0,25

Malas makan P1 0,35 0,35

Muntah berak P1 0,25 0,25

Pendarahan pd kulit P1 0,90 0,80

Mimisan P1 0,35 0,35

Sakit kepala P1,2,5,6,7 0,30 0,20 0,15 0,30 0,15 0,20

Tubuh menggigil P2,5 0,80 0,25 0,30

Denyut jantung lemah P2 0,20 0,05

Badan lemah P2 0,30 0,10

Tidak nafsu makan P2,6 0,40 0,15 0,20

Konstipasi P2 0,50 0,25

Sakit perut P2 0,60 0,30

Lidah putih P2 0,70 0,85

Hidung meler P3 0,10 0,05

Batuk P3 0,10 0,05

Bercak koplik P3 0,90 0,90

Nyeri otot P3,6 0,40 0,20 0,30

Mata merah P3 0,30 0,15

BAB terus-menerus P4 0,90 0,90

Mual P4,7 0,30 0,30 0,20

Muntah-muntah P4 0,30 0,20

Pegal pada punggung P4 0,30 0,15

Perut sering berbunyi P4 0,70 0,80

Kekakuan rahang P5 0,80 0,80

Nyeri telan P5,P6 0,70 0,35 0,80

Kejang otot P5 0,90 0,90

Nyeri punggung P7 0,40 0,10

Tonjolan kemerahan P7 0,90 0,95

5

4.3 Perancangan Alur Kerja Sistem

4.3.1 Alur Kerja Sistem User

Sistem analisa perbandingan kedua metode pada

diagnosa penyakit anak ini mempunyai alur kerja sebagai

user dan juga sebagai admin. Pada alur kerja user pertama

user menentukan gejala-gejala penyakit anak yang

kemudian dari gejala-gejala tersebut diproses dengan

penerapan perhitungan metode, hingga akhirnya diketahui

penyakit yang memiliki kemungkinan terbesar dari gejala-

gejala yang telah dipilih serta beberapa keterangan

penyakitnya yang dapat dilihat pada berikut :

Mulai

User

File:

1.Tentang

2. Diagnosa

3. Keluar

Tentang Diagnosa

Input data

gejala dan

data pasien

DB

B

B

A

Hasil

Diagnosa

A

Proses Metode

Dempster-Shafer dan

Certainty Factor

Keluar

Selesai

Gambar 2. Alur Kerja Sistem User

4.3.2 Alur Kerja Admin Pada aur kerja admin pertama admin harus malakukan

login pada menu login, setelah admin

telah berhasil login maka admin dapat melihat,

menambah, mengubah atau juga menghapus data gejala,

data penyakit, data diagnosa dan data untuk login. Seperti

pada alur kerja sistem admin yang dapat dilihat pada Mulai

Admin

Login

Input

nama dan

password

Valid

Menu

Admin

File:

1. Data gejala

2. Data penyakit

3. Data diagnosa

4. Ubah password

5. Keluar

Data

gejala

Data

penyakit

Data

Diagnosa

Ubah

passwordT entang

Tambah

Edit

hapus

Tambah

Edit

hapus

Tambah

Edit

hapus

Tambah

Edit

hapus

DB

T

Y

selesai

A

A

Gambar 3. Alur Kerja Sistem Admin

Untuk contoh proses metode dapat dilihat pada

Gambar 4 untuk flowchart Dempster-Shafer dan

Gambar 5 untuk flowchart Certainty Factor yang

keduanya merupakan gambaran proses perhitungan

metode pada sistem pakar.

O

b

j

e

c

t

6

Proses Metode Dempster-Shafer

Gambar 4. Flowchart Dempster-Shafer

Proses Metode Certainty Factor

Gambar 5. Flowchart Certainty Factor

4.4 Perancangan Basis Data (Database)

Secara umum basis data merupakan kumpulan dari data-data yang saling berhubungan satu dengan yang lainnya, data

tersebut tersimpan dalam perangkat keras komputer dan digunakan dengan perangkat lunak untuk memanipulasinya. Pada

perancangan basis data yang harus dilakukan adalah seperti hal-hal berikut :

Keterangan :

g(1),g(2)…g(n) = Gejala-gejala dipilih

r = gejala ke-n

m1,m2,m3 = Nilai Densitas

X,Y,Z = Himpunan penyakit

Ya

Selesai

Mulai

Gejala

g(1),g(2) . . . g(n)

Banyaknya

gejala = 1

r = 2

m3(Z)

=∑𝑋∩𝑌=𝑍 𝑚1(X). m2(Y)

1 − ∑𝑋∩𝑌=∅ 𝑚1(𝑋). 𝑚2(𝑌)

Densitas m2(Y) = Data nilai

g(r)

Gejala

habis ?

DensitasMax m3(Z)

Ya

Tidak

Densitas m1(X) =

m3(Z)

r = r + 1

Tidak

Densitas m1(X) = Data nilai

g(1)

r = 2

s = s + 1

Penyaki

t habis

?

CF (P(s)) COMBINE (CF1, CF2) = CF1 +

CF2*(1 - CF1)

CF1 = CF (P(s))

COMBINE

r = r + 1

Keterangan :

g(1),g(2)…g(n) = Gejala-gejala dipilih

r = Gejala ke-n

P = Penyakit

s = Penyakit ke-s

Ya

Selesai

Mulai

Gejala g(1),g(2) . . .

g(n)

Banyakn

ya

gejala =

1

r = 2

s = 1

CF2 = Nilai data (P(s)) pada

g(r)

Gejal

a

habis

? Ya

Tidak

Tidak

CF1 = Nilai data (P(s)) pada

g(1)

Max

CF(P(s))

Tidak

Ya

7

Gejala

PK Kode gejala

Nama gejala

Kode penyakit

Nilai bobot

Diagnosa

PK Kode diagnosa

Nama

Jenis kelamin

Tanggal lahir

Alamat

Telepon

Kode gejala

Hasil diagnosa CF

Hasil diagnosa DS

Penyakit

PK Kode penyakit

Nama penyakit

Keterangan

Rincian diagnosa

PK Kode diagnosa

Kode gejala

Gambar 6.Relasi Tabel

4.2 Fase III Prototiping Cepat

Prototiping cepat merupakan langkah yang dilakukan untuk dapat melihat hasil nilai keyakinan proses kedua

metode, yaitu dengan melihat perhitungan secara manual agar dapat membandingakannya sekaligus dapat menyamakan

hasil keyakinan perhitungan metode dengan keyakinan pakar yaitu Dr. Eko Budi Santoso. Berikut adalah tabel gejala-

gejala dipilih yang akan dihitung, dengan keyakinan penyakit dari pakar yang dilihat dari gejala-gejalanya.

Tabel 2. Tabel Kejadian Gejala-gejala Penyakit

Kejadian Gejala-gejala Keyakinan Pakar

(gejala-gejala yang dipilih sesuai dengan rule ) Penyakit Nilai (%)

A. Demam

berdarah dengue

(P1)

Demam, lesu, malas makan, muntah berak, pendarahan

pada kulit, mimisan, sakit kepala

Demam berdarah

dengue 100

B. Demam tifoid

(P2)

Demam, sakit kepala, tubuh mengigil, denyut jantung

lemah, badan lemah, nyeri otot myalgia, tidak nafsu mkan, konstipasi, lidah putih

Demam tifoid 100

C. Campak (P3) Demam, hidung meler, batuk, bercak koplik, nyeri otot, mata merah

Campak 100

D. Diare (P4) Buang air besar terus-menerus, mual, muntah-muntah, pegal pada punggung, perut sering berbunyi

Diare 100

E. Tetanus (P5) Demam, sakit kepala, tubuh mengigil, kekakuan rahang, nyeri telan, kejang otot

Tetanus 100

F. Faringitis (P6) Demam, sakit kepala, tidak nafsu makan, nyeri otot, nyeri telan

Faringitis 100

G. Varisela (P7) Demam, sakit kepala, mual, nyeri punggung, tonjolan-tonjolan kemerahan

Varisela 100

(gejala-gejala yang dipilih secara acak )

H. Kejadian ke-1 Demam, malas makan, sakit kepala, badan lemah, mata

merah, muntah-muntah

Demam berdarah

dengue / Demam

Tifoid

80-90

I. Kejadian ke-2 Sakit kepala, tubuh menggigil, denyut jantung lemah,

lidah putih, nyeri telan.

Demam Tifoid /

Faringitis 60-70

J. Kejadian ke-3 Buang air besar terus-menerus, perut sering berbunyi,

malas makan, badan lemah Diare 100

K. Kejadian ke-4 Lesu, bercak koplik, nyeri telan, nyeri otot, mual, pegal

pada punggung Campak 100

L. Kejadian ke-5 Tonjolan kemerahan, nyeri punggung, pegal pada

punggung, BAB terus menerus, mual Varisela / Diare 100

M. Kejadian ke-6 Konstipasi, lidah putih, denyut jantung lemah, sakit

kepala, hidung meler Demam Tifoid 80-90

N. Kejadian ke-7 Lesu, malas makan, kejang otot, nyeri otot, kekakuan

rahang Tetanus 80-90

O. Kejadian ke-8 Pendarahan pada kulit, mimisan, sakit kepala, tidak

nafsu makan, hidung meler

Demam berdarah

dengue 80-90

P. Kejadian ke-9 Nyeri telan, tidak nafsu makan, sakit kepala, mata

merah, demam Faringitis / Tetanus 90/60

Q. Kejadian ke-10 Sakit perut, tidak nafsu makan, sakit kepala, bercak

koplik, batuk, lidah putih

Demam Tifoid /

Campak 80/70

R. Kejadian ke-11 Demam, malas makan, badan lemah, bercak koplik Campak 100

8

4.2.1 Perhitungan Penyakit Dengan Dempster-Shafer Perhitungan penyakit dengan Dempster-Shafer dilakukan untuk menganalisa hasil agar dapat dibandingkan dengan

perhitungan penyakit dengan Certainty Factor, dimana setiap penyakit dipilih gejala yang sesuai dengan rule yang sudah

ada agar dapat mendapatkan nilai maksimal dari setiap perhitungan penyakit. Perhitungan dapat dilakukan menggunakan

data nilai bobot seperti pada Tabel 3. Tabel Penilaian Bobot Gejala.

A. Penyakit Demam Berdarah Dengue (P1)

Pada penyakit demam berdarah dengue gejala yang terkait adalah demam, lesu, malas makan, muntah berak,

pendarahan pada kulit, mimisan dan sakit kepala.

Perhitungan 1 : demam & lesu

demam => { P1,P2,P3,P5,P6,P7 }=0,90 | lesu => {P1}=0,25 {P1} 0,25 θ 0,75

{P1,P2,P3,P5,P6,P7} 0,90 {P1} 0,225 {P1,P2,P3,P5,P6,P7} 0,675

θ 0,10 {P1} 0,025 θ 0,075

Hasil perhitungan 1 : {P1,P2,P3,P5,P6,P7} = 0,675

1−0= 0,675

{P1} = 0,225+0,025

1−0= 0,25

{ θ } = 0,07

1−0= 0,075

Perhitungan 2 : Hasil perhitungan 1 & malas makan

Hasil perhitungan 1 => { P1,P2,P3,P5,P6,P7 }=0,675 | malas makan => {P1}=0,35

{ P1 }=0,25 |

{ θ }=0,075 | {P1} 0,35 θ 0,65

{P1,P2,P3,P5,P6,P7} 0,675 {P1} 0,23625 {P1,P2,P3,P5,P6,P7} 0,43875

{P1} 0,25 {P1} 0,0875 {P1} 0,1625

θ 0,075 {P1} 0,02625 θ 0,04875

Hasil perhitungan 2 : {P1,P2,P3,P5,P6,P7} = 0,4387

1−0= 0,43875

{P1} = 0,23625+0,0875+0,02625+0,1625

1−0= 0,5125

{ θ } = 0,0487

1−0= 0,04875

Perhitungan 3,4,5 dihitung hingga dapat mendapatkan hasilnya , lalau dilanjutkan ke perhitungan 6

Perhitungan 6 : Hasil perhitungan 5 & sakit kepala

Hasil perhitungan 5 =>

{P1,P2,P3,P5,P6,P7}=0,0213890625 | sakit kepala=> {P1,P2,P5,P6,P7}=0,30

{ P1 }=0, 976234375 |

{ θ }=0,0023765625 | {P1,P2,P5,P6,P7} 0,30 θ 0,70

{P1,P2,P3,P5,P6,P7} 0,0213890625 {P1,P2,P5,P6,P7} 0,00641671875 {P1,P2,P3,P5,P6,P7} 0,01497234375

{P1} 0,976234375 {P1} 0,2928703125 {P1} 0,6833640625

θ 0,0023765625 {P1,P2,P5,P6,P7} 0,00071296875 θ 0.00166359375

Hasil perhitungan 6 :

{P1,P2,P5,P6,P7} = 0,00641671875+0,00071296875

1−0= 0,0071296875

{P1} = 0,2928703125+0,6833640625

1−0= 0,976234375

{P1,P2,P3,P5,P6,P7} = 0,01497234375

1−0= 0,01497234375

{ θ } = 0,00166359375

1−0= 0,00166359375

Hasil perhitungan penyakit Demam berdarah dengue (P1) dari perhitungan semua gejalanya adalah pada nilai

maksimal pada hasil perhitungan 6 yaitu : {P1}=0, 976234375

4.2.2 Perhitungan Penyakit dg Certainty Factor

Perhitungan penyakit dengan Certainty Factor dilakukan untuk menganalisa hasil agar dapat dibandingkan dengan

perhitungan penyakit dengan Dempster-Shafer, dimana setiap penyakit dipilih gejala yang sesuai dengan rule yang sudah

ada agar dapat mendapatkan nilai maksimal dari setiap perhitungan penyakit. Perhitungan dapat dilakukan menggunakan

data nilai bobot seperti pada Tabel 3. Tabel Penilaian Bobot Gejala.

A. Penyakit Demam Berdarah Dengue (P1)

Pada penyakit demam berdarah dengue gejala yang terkait adalah demam, lesu, malas makan, muntah berak,

pendarahan pada kulit, mimisan dan sakit kepala.

9

Perhitungan1:demam & lesu

Demam => (P1) = 0,9 & Lesu => {P1}=0,25

Hasil perhitungan 1 = 0,9 + 0,25 * (1 – 0,9) = 0,925

Perhitungan 2:Hasil perhitungan1& malas makan

Hasil perhitungan 1 => (P1) = 0,925 & malas makan => {P1}=0,35

Hasil perhitungan2=0,925+0,35*(1– 0,925) = 0,9512

Perhitungan 3,4,5 dihitung hingga dapat mendapatkan hasilnya , lalau dilanjutkan ke perhitungan 6

Perhitungan6:Hasil perhitungan5&sakit kepala

Hasil perhitungan 5 => (P1) = 0, 995242 & sakit kepala => {P1}=0,20

Hasil perhitungan6=0,995242+0,20* (1 – 0, 995242) = 0,9961936

Hasil perhitungan penyakit Demam berdarah dengue (P1) dari perhitungan semua gejalanya pada hasil perhitungan 6

adalah : {P1}=0, 9961936

4.3 Fase IV Pengembangan Sistem

Setelah proses prototiping cepet siap, pengembangan sistem dimulai dengan menilai hasil perhitungan secara

keseluruhan. Dalam fase ini basis pengetahuan dikembangkan untuk melakukan pengujian agar dapat menghitung tingkat

akurasi. Dalam hal perbandingan hasil perhitungan metode dapat dihitung tingkat akurasinya dengan menggunakan

Confusion Matrix.

Confusion matrix adalah suatu teori yang biasanya digunakan untuk melakukan perhitungan akurasi pada

konsep data mining. Pada penerapan teori ini hasil perhitungan metode diambil sebagai prediksi sistem (Predicted) dengan

keyakinan pakar (Actual). Confusion Matrix ini melakukan perhitungan dengan 4 keluaran, yaitu: accuracy (AC), recall

(TP), precision (P) dan error rate (ER). Berikut adalah keempat rumusnya :

Keterangan :

- Accuracy adalah kasus yang diidentifikasi benar dengan jumlah semua kasus.

- Recall adalah proporsi kasus positif sistem yang diidentifikasi dengan benar.

- Precision adalah proporsi kasus dengan hasil positif yang benar.

- Error Rate adalah kasus yang diidentifikasi salah dengan jumlah semua kasus.

- a adalah prediksi negatif sistem yang sama dengan prediksi negatif pakar.

- b adalah prediksi negatif sistem namun prediksi pakar adalah positif.

- c adalah prediksi positif sistem namun prediksi pakar adalah negatif.

- d adalah prediksi positif sistem yang sama dengan prediksi positif

5. Hasil dan Pembahasan

5.1 Uji Coba Validasi

Uji cuba validasi adalah proses pengujian sistem untuk memastikan proses atau metode yang telah diterapkan dapat

memberikan hasil yang sesuai dengan yang diharapkan, seperti pada contoh-contoh kejadian yang telah dihitung

sebelumnya. Untuk melakukan uji coba tersebut dapat dilakukan pada form diagnosa, dimana user dapat memilih gejala-

gejala pada pemilihan data gejala, lalu user dapat melihat hasil diagnosa dengan memilih tombol proses diagnosa, seperti

pada contoh kejadian demam berdarah dengue yang terlihat pada gambar 13

Gambar 13. Contoh Uji Coba Validasi

5.2 Perbandingan Perhitungan Metode dengan Keyakinan Pakar

Perbandingan hasil perhitungan metode dengan keyakinan pakar dilakukan dengan menggunakan kejadian-kejadian

seperti yang ada pada Tabel 2. Dari 18 kejadian gejala-gejala yang sudah memiliki penilaian penyakit serta nilai keyakinan

dari pakar sebagai acuannya, hasil perhitungan metode Dempster-Shafer dengan Certainty Factor yang memiliki proses

perhitungan yang berbeda namun memiliki kesamaan dan perbedaannya masing-masing pada setiap kejadian.Untuk lebih

jelasnya dapat dilihat seperti pada Tabel 3

10

Tabel 3. Perbandingan Hasil Perhitungan Metode dengan Keyakinan Pakar

Keja

dia

n

Hasil Perhitungan Metode Keyakinan Pakar Akurasi

Dempster-Shafer Certainty Factor

Penyakit Nilai

(%)

DS CF

Penyakit Nilai (%) Penyakit Nilai

(%) a b c d a b c d

A. P1 97,62 P1 99,61 P1 100 6 0 0 1 6 0 0 1

B. P2 97,71 P2 99,63 P2 100 6 0 0 1 6 0 0 1

C. P3 94,33 P3 99,38 P3 100 6 0 0 1 6 0 0 1

D. P4 98,53 P4 99,04 P4 100 6 0 0 1 6 0 0 1

E. P5 99,12 P5 99,87 P5 100 6 0 0 1 6 0 0 1

F. P6 51,76 P6 99,04 P6 100 6 0 0 1 6 0 0 1

G. P7 95,67 P7 99,71 P7 100 6 0 0 1 6 0 0 1

H. P1,P2,P3,P5,P6,P7 27,46 P1 94,80 P1,P2 80-90 1 0 4 2 5 1 0 1

I. P2 48,71 P2 90,91 P2,P6 60-70 5 1 0 1 5 1 0 1

J. P4 94,26 P4 98,00 P4 100 6 0 0 1 6 0 0 1

K. P3 68,40 P3 92,00 P3 100 6 0 0 1 6 0 0 1

L. P7 52,30 P7 96,40 P7,P4 100 5 1 0 1 5 1 0 1

M. P2 87,18 P2 90,09 P2 80-90 6 0 0 1 6 0 0 1

N. P5 94,74 P5 98,00 P5 80-90 6 0 0 1 6 0 0 1

O. P1 89,18 P1 89,60 P1 80-90 6 0 0 1 6 0 0 1

P. P5,P6 39,84 P6 98,64 P6,P5 90/60 5 0 0 2 5 1 0 1

Q. P2 58,29 P2 92,41 P2,P3 80/70 5 1 0 1 5 1 0 1

R. P3 82,06 P3 99,00 P3 100 6 0 0 1 6 0 0 1

Total 99 3 4 20 103 5 0 18

Keterangan :

Berdasarkan pada teori Confusion Matrix pada kolom akurasi kedua metode diambil empat variabel nilai yaitu a,b,c

dan d untuk dapat dihitung nilai Accuracy, Recall, Precision dan Error rate. Pada teori ini akurasi dilakukan pada hasil

penilaian penyakit metode Dempster-Shafer dan Certainty Factor terhadap penilaian penyakit keyakinan pakar, dimana

penyakit yang dikatehui adalah tujuh penyakit yaitu P1,P2,P3,P4,P5,P6 dan P7 sehingga penyakit yang disebutkan pada

metode ataupun pakar adalah prediksi benar (positif) dan yang tidak disebutkan adalah prediksi salah (negatif). Contoh

dalam kejadian A pada akurasi Dempster-Shafer (DS) sebagai sistem yang memprediksi ( P1, P2, P3, P4, P5, P6, P7 )

sesuai dengan kayakinan pakar ( P1, P2, P3, P4, P5, P6, P7 ). Sehingga penilaiannya nilai a,b,c dan d yaitu :

- a bernilai 6 karena DS memperdiksi 6 penyakit yang tidak ada (negatif) dan sesuai dengan keyakinan pakar (negatif).

- b bernilai 0 karena DS memprediksi 0 penyakit lain yang tidak ada (negatif) yg sesuai dengan keyakinan pakar (positif).

- c bernilai 0 karena DS memprediksi 0 penyakit (positif ) yang tidak sesuai dengan keyakinan pakar (negatif).

- d bernilai 1 karena DS memprediksi 1 penyakit yang ada (positif) yang sesuai dengan keyakinan pakar (positif)

11

a b

c d

a b

c d

5.1 Akurasi Ketepatan Hasil Perhitungan Metode

Berdasarkan Tabel 3 akurasi dapat dihitung

dengan menggunakan Confusion Matrix terhadap

ketepatan penyakitnya. Dimana diketahui bahwa

keyakinan pakar merupakan acuan untuk dibandingkan

dengan hasil perhitungan metode Dempster-Shafer dan

Certainty Factor, sehingga pada perhitungan akurasi

menggunakan Confusion Matrix penilaian hasil

perhitungan metode adalah keyakinan prediksi sistem

yang dibandingkan dengan keyakinan pakar.

5.1.1 Akurasi Metode Dempster-Shafer

Ketepatan Penyakit DS

Pada Confusion Matrix ketepatan penyakit di

samping, penilaian metode Dempster-Shafer diambil dari

jumlah penilaian a,b,c dan d pada Tabel 3. Untuk itu dapat

dihitung nilai Accuracy, Recall, Precision dan Error rate

yaitu seperti berikut :

Accuracy a+d

a+b+c+d

99+20

99+3+4+20 =

119

126 = 0,9444

Recall d

c + d

20

4+20 =

20

24 = 0,8333

Precision d

b + d

20

3+20 =

20

23 = 0,8695

Error rate b+c

a+b+c+d

3+4

99+3+4+20 =

7

126 = 0,0555

Pada metode Dempster-Shafer akurasi ketepatan

penyakit dengan jumlah semua kejadian sebesar 94,44%,

akurasi prediksi positif yang diidentifikasi dengan benar

sebesar 83,33%, akurasi hasil positif yang benar sebesar

86,95% dan akurasi ketidaktepatan penyakit dengan

jumlah semua kejadian sebesar 5,55%.

5.1.2 Akurasi Metode Certainty Factor

Ketepatan Penyakit CF

Pada Confusion Matrix ketepatan penyakit di

samping, penilaian metode Certainty Factor diambil dari

jumlah penilaian a,b,c dan d pada Tabel 3. Untuk itu dapat

dihitung nilai Accuracy, Recall, Precision dan Error rate

yaitu seperti berikut :

Accuracy a+d

a+b+c+d

103+18

103+5+0+18 =

121

126 = 0,9603

Recall d

c + d

18

0+18 =

18

18 = 1

Precision d

b + d

18

5+18 =

18

23 = 0,7826

Error rate b+c

a+b+c+d

5+0

103+5+0+18 =

5

126 = 0,0396

Pada metode Certainty Factor akurasi ketepatan

penyakit dengan jumlah semua kejadian sebesar 96,03%,

akurasi prediksi positif yang diidentifikasi dengan benar

sebesar 100%, akurasi hasil positif yang benar sebesar

78,26% dan akurasi ketidaktepatan penyakit dengan

jumlah semua kejadian sebesar 3,96%.

6. Kesimpulan dan Saran

6.1 Kesimpulan

Pada penelitian ini yang berjudul “Analisa

Perbandingan Metode Dempster-Shafer dengan Metode

Certainty Factor Pada Diagnosa Penyakit Anak” adalah

aplikasi yang dapat menghasilkan diagnosa penyakit anak

dengan cara memilih gejala-gejalanya. Hasil diagnosa

tersebut didapat dengan proses perhitungan metode

Dempster-Shafer dan Certainty Factor, dimana proses

tersebut menggunakan penilaian bobot-bobot gejala

dengan penyakit yang terkait berdasarkan pengetahuan

dokter atau pakar sebagai acuan perbandingannya.

Sehingga pada penelitian yang dilakukan ini dapat

disimpulkan dengan membandingkan akurasi hasil proses

perhitungan dari kedua metode tersebut dengan penilaian

keyakinan pakar secara kuantitatif, yaitu dengan

menggunakan teori Confusion Matrix yang hasilnya

adalah 94,44% pada akurasi metode Dempster-Shafer dan

96,03% pada akurasi metode Certainty Factor.

6.2 Saran

Penelitian ini masih banyak yang dapat terus

dikembangkan, yaitu seperti berikut :

1. Menggunakan metode lain yang dapat dibandingkan

dalam menyelesaikan ketidakpasitian penilaian

penyakit melalui gejala-gejala, contohnya seperti :

Probabilitas klasik, Probabilitas Bayes, Teori Hartley,

Teori Shannon, Teori fuzzy dan yang lainnya.

2. Menggunakan basis sistem dan bahasa pemrograman

lain seperti : Website dengan bahasa pemrograman

HTML/PHP ataupun pada Android dengan bahasa

pemrograman Java.

3. Menggunakan penerapan metode yang lain seperti:

interpretasi, pemantauan, peramalan, perancangan

dan sebagainya.

Daftar Pustaka

[1] Rismawati.2013.Perancangan Aplikasi Sistem Pakar

untuk Mendiagnosa Penyakit Ginjal dengan Metode

Dempster-Shafer. STMIK Budi Darma.Medan.

[2] Latumakulita, Luther A..2012.Sistem Pakar

Pendiagnosa Penyakit Anak Menggunakan Certainty

Factor.Universitas Sam Ratulangi.Manado.

[3] Anjas Sari, Nur.2013.Sistem Pakar Mendiagnosa

Penyakit Demam Berdarah Menggunakan Metode

Certanity Factor.STMIK Budi Darma.Medan.

Pakar

Dempster-

Shafer

Negative Positive

Negative 99 3

Positive 4 20

Pakar

Certainty

Factor

Negative Positive

Negative 103 5

Positive 0 18

12

[4] Gustri Wayuni, Elyza.2013.Prototype Sistem Pakar

untuk Mendeteksi Tingkat Resiko Penyakit Jantung

Koroner dengan Metode Dempster-

Shafer.UGM.Yogyakarta.

[5] Nur, Anjas Sari.2013.Sistem Pakar

Mendiagnosa Penyakit Demam Berdarah

Menggunakan Metode Certainty Factor. STMIK

Budidarma Medan

[6] Sulistyohati, Aprilia dan Hidayat,

Taufiq.2008.Aplikasi Sistem Pakar Diagnosa

Penyakit Ginjal Dengan Metode Dempster-

Shafer.Universitas Islam Indonesia

[7] Anonim, DataGridView adding rows and columns in

VB.NET, (Online), (http://vb.net-

informations.com/datagridview, diakses pada

september 2015)