analisa perbandingan metode dempster …perpustakaan.fmipa.unpak.ac.id/file/e-jurnal emanuel...
TRANSCRIPT
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 : [email protected]
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)