cdss kehamilan

19
1 Program Bantu Diagnosa Gangguan Kesehatan Kehamilan dengan Metode Forward Chaining 1) Birgitta Whenty H, 2) Rosa Delima, 3) Joko Purwadi Jurusan Teknik Informatika Fakultas Teknik Universitas Kristen Duta Wacana, Yogyakarta Email : 1) [email protected], 2) [email protected] Abstract Pregnant women sometimes experience health problems during their pregnancy. In order to help diagnosing and finding solution for these problems, gynecologist is needed. The diagnosis expert system for health problems during pregnancy in this research is a system developed by applying the Forward Chaining method. This method provides a health problem diagnosis based on existing facts collected from an interview with users in a consultation session. This research aims at developing an appropriate knowledge base to apply at Pregnancy Health Problem Diagnosis Expert System. It is expected that this research can assist health care units, especially mid-wifery, in handling health problems in pregnancy, and assist medical doctor candidates in their studies. Keywords :Expert System, Forward Chaining, Knowledge Based System, Pregnancy Health Problems Diagnosis. 1. Pendahuluan Angka kematian ibu bersalin dan angka kematian prenatal umumnya dapat digunakan sebagai petunjuk untuk menilai keadaan gizi dan kesehatan ibu, tingkat pelayanan kesehatan ibu pada waktu hamil serta kondisi kesehatan lingkungan. Menurut hasil Survei Kesehatan Rumah Tangga (SKRT) tahun 1986, angka kematian ibu bersalin di Indonesia masih sangat tinggi, berkisar 450 per 100.000 kelahiran hidup [1]. Angka kematian ibu yang tinggi ini erat hubungannya dengan pelayanan obstetri yang masih sangat terbatas cakupannya sehingga belum mampu menanggulangi ibu hamil resiko tinggi dan kasus gawat darurat pada lini terdepan serta minimnya informasi pada ibu hamil mengenai gejala-gejala penyakit yang muncul pada masa kehamilan dan bahaya dari kehamilan resiko tinggi. Untuk alasan tersebut, maka perlu dibuat sebuah sistem yang dapat membantu mendiagnosa penyakit di masa kehamilan berdasarkan gejala-gejala yang ada. Sistem yang dapat melakukan tugas tersebut termasuk dalam kategori sistem pakar. Sistem pakar adalah salah satu bagian dari kecerdasan buatan yang mengandung pengetahuan dan pengalaman

Upload: ditamaryani

Post on 28-Sep-2015

31 views

Category:

Documents


0 download

DESCRIPTION

CDSS

TRANSCRIPT

  • 1 Program Bantu Diagnosa Gangguan KesehatanKehamilan dengan Metode Forward Chaining

    1)Birgitta Whenty H, 2)Rosa Delima, 3)Joko Purwadi

    Jurusan Teknik InformatikaFakultas Teknik

    Universitas Kristen Duta Wacana, YogyakartaEmail : 1)[email protected], 2)[email protected]

    Abstract

    Pregnant women sometimes experience health problems duringtheir pregnancy. In order to help diagnosing and finding solution for theseproblems, gynecologist is needed. The diagnosis expert system for healthproblems during pregnancy in this research is a system developed byapplying the Forward Chaining method. This method provides a healthproblem diagnosis based on existing facts collected from an interviewwith users in a consultation session. This research aims at developing anappropriate knowledge base to apply at Pregnancy Health ProblemDiagnosis Expert System. It is expected that this research can assisthealth care units, especially mid-wifery, in handling health problems inpregnancy, and assist medical doctor candidates in their studies.

    Keywords :Expert System, Forward Chaining, Knowledge Based System, Pregnancy Health Problems Diagnosis.

    1. Pendahuluan

    Angka kematian ibu bersalin dan angka kematian prenatal umumnya dapatdigunakan sebagai petunjuk untuk menilai keadaan gizi dan kesehatan ibu, tingkatpelayanan kesehatan ibu pada waktu hamil serta kondisi kesehatan lingkungan.Menurut hasil Survei Kesehatan Rumah Tangga (SKRT) tahun 1986, angka kematianibu bersalin di Indonesia masih sangat tinggi, berkisar 450 per 100.000 kelahiranhidup [1]. Angka kematian ibu yang tinggi ini erat hubungannya dengan pelayananobstetri yang masih sangat terbatas cakupannya sehingga belum mampumenanggulangi ibu hamil resiko tinggi dan kasus gawat darurat pada lini terdepanserta minimnya informasi pada ibu hamil mengenai gejala-gejala penyakit yang munculpada masa kehamilan dan bahaya dari kehamilan resiko tinggi. Untuk alasan tersebut,maka perlu dibuat sebuah sistem yang dapat membantu mendiagnosa penyakit dimasa kehamilan berdasarkan gejala-gejala yang ada. Sistem yang dapat melakukantugas tersebut termasuk dalam kategori sistem pakar. Sistem pakar adalah salahsatu bagian dari kecerdasan buatan yang mengandung pengetahuan dan pengalaman

  • 2Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    yang dimasukkan oleh satu atau banyak pakar ke dalam satu area pengetahuantertentu, sehingga setiap orang dapat menggunakannya untuk menentukan solusiyang tepat dari permasalahan yang ada, dalam hal ini untuk menentukan jenis gangguankesehatan di masa kehamilan berdasarkan gejala yang diderita. Metode yangdigunakan adalah forward chaining untuk melakukan proses pengolahan data yangdi-input-kan oleh pengguna (user). Dari fakta-fakta yang ada tersebut dapatdiperoleh kesimpulan jenis penyakit yang diderita ibu di masa kehamilan. Tujuandari penelitian ini adalah untuk membangun basis pengetahuan yang tepat yangditerapkan pada program bantu untuk mendiagnosa gangguan kesehatan di masakehamilan dengan metode forward chaining. Program bantu diagnosa gangguankesehatan kehamilan ini menghasilkan output berupa penyakit yang diderita ibuhamil berdasarkan fakta-fakta yang dimasukkan user. Fakta-fakta tersebutmerupakan gejala yang dialami ibu hamil dan output tidak menyertakan tingkatpersentase kebenaran dari proses pengolahan data.

    2. Kajian Pustaka

    Sistem pakar adalah sistem yang mengadopsi pengetahuan manusia yangditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkankeahlian manusia [2]. Sistem pakar dipakai untuk membantu orang-orang yang tidakahli dalam hal tertentu dalam mengambil keputusan, atau bisa juga dipakai oleh parapakar sebagai asisten. Sistem pakar bahkan dapat menjadi lebih baik daripada pakarjika bekerja pada ruang lingkup pengetahuan atau keahlian yang sempit [2].

    Komponen utama pada struktur sistem pakar meliputi Basis Pengetahuan(Knowledge Base), Mesin Inferensi (Inference Engine), Working Memory, danAntarmuka Pemakai (User Interface)[3]. Struktur sistem pakar dapat ditunjukkanpada Gambar 1.

    Knowledge Base

    Domain Knowledge

    Working Memory Case/Inferred Facts Conclusions

    Inference Engine User_____

    Case Facts

    Gambar 1 Struktur Sistem Pakar

    Teknik representasi pengetahuan yang digunakan dalam pengembangan sistem pakarini adalah rule based expert system di mana pengetahuan direpresentasikan dalambentuk fakta dengan serangkaian aturan (rules) dalam basis pengetahuan (knowledgebase) yang menggunakan inference engine untuk menghasilkan solusi yangdibutuhkan [4]. Bentuk representasi rule based expert system terdiri atas premis

  • 3dan kesimpulan. Arsitektur dari rule based expert system dapat ditunjukkan padaGambar 2.

    Inference Engine

    Explanation Facility

    Knowledge Base

    Working Memory

    External Programs

    User Interface

    Developer Interface

    User Knowledge Engineer

    Gambar 2 Arsitektur Rule Based Expert System

    Gangguan Kesehatan Kehamilan Kehamilan resiko tinggi adalah kehamilan yang akan menyebabkan terjadinya

    bahaya dan komplikasi yang lebih besar baik terhadap ibu maupun terhadap janinyang dikandungnya selama masa kehamilan, persalinan dan nifas bila dibandingkandengan kehamilan, persalinan dan nifas normal. Gangguan dan penyulit pada kehamilanumumnya ditemukan pada kehamilan resiko tinggi. Secara garis besar, kelangsungansuatu kehamilan sangat bergantung pada keadaan dan kesehatan ibu, plasenta dankeadaan janin [1]. Pemeriksaan untuk mendiagnosa jenis kelainan di masa kehamilandibedakan menjadi dua yaitu obstetri dan ginekologi. Obstetri merupakan bagianIlmu Kedokteran yang khusus mempelajari segala soal yang bersangkutan denganlahirnya bayi. Dengan demikian, yang menjadi obyek adalah kehamilan, persalinan,nifas dan bayi yang baru dilahirkan [5]. Berdasarkan pemeriksaan, kelainan di masakehamilan dibagi menjadi dua yaitu kelainan yang disertai perdarahan dan kelainanyang tidak disertai perdarahan. Terdapat beberapa jenis kelainan yang disertaiperdarahan yang sering muncul di masa kehamilan antara lain Abortus Imminiens;Abortus Insipiens; Abortus Inkompletus; Abortus Kompletus; Abortus Mola;Abortus Infeksiosus; Kehamilan Ektopik; Ruptura Uteri; Plasenta PreviaMarginalis; Plasenta Previa Lateralis; Plasenta Previa Totalis; Mola Hidatidosa;Solutio Plasenta Ringan; Solutio Plasenta Sedang; Solutio Plasenta Berat.

    Metode Forward ChainingForward Chaining adalah metode pencarian/penarikan kesimpulan yang

    berdasarkan pada data (fakta) yang ada menuju ke kesimpulan, penelusuran dimulaidari fakta yang ada lalu bergerak maju melalui beberapa premis untuk menuju kekesimpulan (bottom up reasoning). Forward chaining adalah data-driven, karenainferensi dimulai dengan informasi atau fakta-fakta yang ada baru kesimpulandiperoleh. Dalam melakukan proses forward chaining, perlu suatu kumpulan aturan(rules), aturan yang ada ditelusuri satu persatu hingga penelusuran dihentikan karenakondisi terakhir telah terpenuhi [4]. Forward chaining memiliki aturan-aturan untukdiuji satu demi satu dalam urutan tertentu. Urutan itu berupa urutan pemasukan

    Program Bantu Diagnosa (Whenty H, dkk)

  • 4Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    aturan ke dalam basis aturan atau juga aturan lain yang ditentukan oleh pemakai.Saat tiap aturan diuji, sistem pakar akan mengevaluasi apakah kondisinya benaratau salah. Jika kondisinya benar, maka menghasilkan solusi kemudian aturanberikutnya diuji. Proses ini akan berulang sampai seluruh basis aturan teruji denganberbagai kondisi. Proses forward chaining terlihat pada Gambar 3.

    Conclusions

    Facts

    Facts

    Conclusion

    Key

    Gambar 3 Proses Forward Chaining

    Dalam membantu pemahaman mengenai metode forward chaining dalamsebuah sistem pakar, maka akan diberikan suatu contoh kasus sederhana mengenaipenerapan metode forward chaining yang digunakan untuk menentukan pembelianobligasi. Terdapat beberapa kriteria dalam penentuan pembelian obligasi, yaitu sukubunga, harga obligasi dan dollar yang digunakan dari data pengetahuan tersebutmaka basis pengetahuan dapat direpresentasikan dalam aturan-aturan sebagai berikut:

    If suku bunga turun Then harga obligasi naik If suku bunga naik Then harga obligasi turun If suku bunga tidak berubah Then harga obligasi tidak berubah If dollar naik Then Suku bunga turun If dollar turun Then suku bunga naik If harga obligasi turun Then beli obligasiBerdasarkan basis aturan tersebut, maka berikut ini contoh sesi konsultasi

    yang berupa pertanyaan yang diajukan oleh sistem dan jawaban yang diinputkanoleh user

    Pertanyaan : Bagaimana keadaan dollar hari ini ?Jawaban : Dollar turunMakaKesimpulan : Beli ObligasiDari pertanyaan dan jawaban yang diperoleh, sistem melakukan penelusuran

    aturan-aturan yaitu dari sampai dengan , namun hanya , dan saja yang dijalankan, karena hanya ketiga aturan tersebut yang sesuaidengan inputan user. Oleh karena itu didapat keputusan akhir yaitu beli obligasi.

  • 5 Program Bantu Diagnosa (Whenty H, dkk)

    3. Perancangan Sistem

    Fakta yang berpengaruh terhadap diagnosa gangguan kesehatan kehamilanterdiri dari masa kehamilan, asal perdarahan, sifat perdarahan, keadaan nyeri perut,kondisi ibu, kanalis servikalis, fundus uteri, keadaan khusus ibu dan keadaan khususfetus, selanjutnya fakta-fakta tersebut dikodekan yang kemudian digunakan untukmerancang pohon keputusan dan membantu perancangan basis aturan untukmemberikan solusi terhadap permasalahan yang ada. Pada Tabel 1 berisi jenisgangguan kesehatan dalam masa kehamilan. Sistem ini mampu mendeteksi 15 jenisgangguan kesehatan pada masa kehamilan seperti terlihat pada Tabel 1.

    Tabel 1 Jenis Gangguan Kesehatan Kehamilan

    Kode Jenis Gangguan KehamilanH01 Abortus imminensH02 Abortus insipiensH03 Abortus InkompletusH04 Abortus KompletusH05 Abortus MolaH06 Abortus InfeksiosusH07 Kehamilan ektopikH08 Ruptura Uteri

    H09 Plasenta Previa MarginalisH10 Plasenta Previa LateralisH11 Plasenta Previa TotalisH12 Mola HidatidosaH13 Solutio Plasenta RinganH14 Solutio Plasenta SedangH15 Solutio Plasenta Berat

    Tabel 2 berisi fakta mengenai masa kehamilan yang secara garis besar dibagimenjadi dua yaitu kehamilan kurang dari 28 minggu dan kehamilan lebih dari 28minggu. Gangguan kehamilan umumnya diawali dengan pendarahan, fakta mengenaiasal pendarahan dapat dilihat pada Tabel 3, sementara sifat pendarahan dapat dilihatpada Tabel 4.

    Tabel 2 Tabel Masa Kehamilan

    Kode Masa KehamilanM01 Kehamilan < 28 mingguM02 Kehamilan > 28 minggu

  • 6Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    Tabel 3 Tabel Asal Perdarahan Tabel 4 Tabel Sifat Perdarahan

    Kode Asal PerdarahanF01 Ostium UteriF02 Uretra

    Kode Sifat PerdarahanP01 Perdarahan sedikit / perdarahan

    ringanP02 Perdarahan banyak / perdarahan

    beratP03 Perdarahan berhentiP04 Perdarahan sedikit / banyak

    Tabel 5 merupakan tabel untuk menampung fakta mengenai kondisi nyeri perut yangdialami pasien.Tabel 6 merupakan tabel fakta yang berisi penyerta pendarahan, yangmenekankan ada tidaknya jaringan yang keluar selama pendarahan berlangsung.

    Tabel 5 Tabel Kondisi Nyeri Perut

    Kode Nyeri PerutN01 Nyeri perut terus menerus (nyeri

    memilin)N02 Nyeri perut kadang muncul kadang

    tidakN03 Tanpa/sedikit disertai nyeri perut

    Tabel 6 Tabel Penyertaan Perdarahan

    Kode Penyertaan PerdarahanD01 Disertai jaringan buah kehamilan

    berupa jaringan plasenta/fetusD02 Disertai jaringan buah kehamilan

    berupa gelembung-gelembungD03 Tanpa disertai jaringan buah

    kehamilan

    Fakta mengenai kondisi pasien (ibu) dan kondisi servik pasien dapat dilihat padaTabel 7 dan Tabel 8. Tabel 9 menggambarkan kondisi fundus uteri pada pasienapakah lebih kecil, sesuai atau lebih besar dari usia gestasi. Fakta mengenai keadaankhusus fetus (calon bayi) dan keadaan khusus ibu dapat dilihat pada pasien apakahlebih kecil, sesuai atau lebih besar dari usia gestasi.

    Tabel 7 Tabel Kondisi Ibu Tabel 8 Tabel Kanalis Servikalis

    Kode Kondisi IbuU01 BaikU02 Syok

    Kode Kanalis SevikalisR01 TerbukaR02 Tertutup

    Tabel 9 Tabel Fundus Uteri

    Kode Fundus UteriB01 Lebih kecil dari usia gestasiB02 Sesuai dengan usia gestasiB03 Lebih besar dari usia gestasi

  • 7 Program Bantu Diagnosa (Whenty H, dkk)

    Tabel 10 dan Tabel 11. Dengan demikian sistem diagnosa ini secara keseluruhanmemiliki sepuluh tabel fakta dan satu tabel solusi (jenis gangguan kehamilan).Perangkat lunak ini menggunakan representasi pengetahuan berbasis aturan (rulebased system).

    Tabel 10 Tabel Keadaan Khusus Fetus

    Kode Keadaan Khusus FetusJ01 Bagian Fetus tidak terabaJ02 Bagian fetus terabaJ03 Denyut jantung fetus dan gerak fetus

    positifJ04 Denyut jantung fetus dan gerak fetus negatifJ05 Kepala fetus belum masuk pintu atas panggulJ06 Kepala fetus mengolak kesamping

    J07 Kepala menonjol diatas simfisis

    Tabel 11 Tabel Keadaan Khusus Ibu

    Kode Keadaan Khusus IbuG01 Air ketuban berwana merahG02 Tes kehamilan positifG03 Warna darah merah segar (merah muda)

    G04 Warna darah merah kehitaman (merah tua)G05 Teraba jaringan plasenta pada pinggir lingkaran pembukaanG06 Teraba jaringan plasenta menutupi sebagian dari lingkaran pembukaanG07 Teraba jaringan plasenta menutupi seluruh lingkaran pembukaanG08 Uterus lunakG09 Uterus kerasG10 Keluar fluor berbau busukG11 Warna darah kecoklat-coklatanG12 Belum terjadi ekspulsi hasil konsepsi

    G13 Ekspulsi sebagian hasil konsepsiG14 Riwayat ekspulsi hasil konsepsiG15 Hipofibrinogenemia (50 250 mg/dL)G16 Hipofibrinogenemia (

  • 8Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    (D03) dan kondisi ibu, f) baik (U01) dan kanalis servikalis, g) tertutup (R02) danFundus uteri, h) sesuai dengan usia gestasi (B02) dan gejala khusus ibu, i) uteruslunak (G08) dan gejala khusus ibu, j) kram perut bawah (G19) maka AbortusImminens (H01).

    Tabel 12 Basis Pengetahuan Sistem

    No Masa Asal Sifat Keadaan Penyerataan Kondisi Kanali s Fundus Keadaan Keadaan Jenis Kehamilan Pendarahan Pendarahan Nyeri Pendarahan Ibu Servikalis Uteri Khusus Ibu Khusus Gangguan

    Perut Fetus Kehamilan1 M01 F01 P01 N03 D03 U01 R02 B02 G08,G19 - H012 M01 F01 P02 N01 D03 U01 R01 B02 G12 - H023 M01 F01 P02 N03 D01 U01 R01 B01 G13 - H034 M01 F01 P03 N03 D01 U01 R02 B01 G14 - H045 M01 F01 P02 N01 D03 U01 R01 B03 G08,G20,G21 - H056 M01 F01 P01 N01 D03 U01 R01 B03 G10 - H067 M01 F01 P01 N01 D03 U02 R02 B01 G08 - H078 M02 F01 P01 N01 D03 U02 R02 B02 G17 J04 H089 M02 F01 P04 N03 D03 U01 R01 B02 G03 J03 H09

    10 M02 F01 P04 N03 D03 U01 R01 B02 G15 J03 H1011 M02 F01 P04 N03 D03 U01 R01 B02 G16 J05 H1112 M01 F01 P04 N03 D02 U01 R02 B03 G11 J01 H1213 M02 F01 P04 N02 D03 U02 R01 B02 G05 J02 H1314 M02 F01 P04 N01 D03 U02 R01 B02 G06 J01 H1415 M02 F01 P04 N02 D03 U02 R01 B02 G07 J04 H1516 M01 F02 - - - - - - - - Default Output17 M02 F02 - - - - - - - - Default Output

    Mekanisme Inferensi

    Pohon inferensi dibangun sesuai dengan basis pengetahuan sistem yang terlihatpada Tabel 12. Pohon inferensi dapat dilihat pada Gambar 4 yang menunjukkanbahwa penelusuran forward chaining dilakukan dari bawah ke atas (bottom up),yaitu dimulai dari fakta masa kehamilan sampai didapatkan kesimpulan berupa jenisgangguan kehamilan yang diderita pasien.Mekanisme inferensi dengan metode for-ward chaining untuk program bantu diagnosa gangguan kesehatan kehamilanmemiliki beberapa tahapan. Mekanisme inferensi yang digunakan adalah kaidahproduksi. Berikut langkah-langkahnya :Langkah 1: mengajukan pertanyaan pada userLangkah 2: menammpung inputan dari user sebagai premis rule pada short term

    memoryLangkah 3: memeriksa rule berdasarkan inputan user pada short term memoryLangkah 4: jika rule ditemukan maka konklusi rule ditampung pada short term

    memory, maka langkah satu sampai dengan langkah empat diulang. Jika rule tidak ditemukan maka berikan default output

    Langkah 5: berikan solusinyaBerikut contoh ilustrasi penerapan mekanisme inferensi pada satu kasus. Ada

    seorang ibu hamil dengan kondisi kehamilan kurang 28 minggu, mengalamipendarahan, dan pendarahan tersebut berasal dari ostium uteri/vagina karena selamaterjadi pendarahan tidak mengalami nyeri di uretra dan ibu tidak mempunyai riwayatambien, kemudian hasil/sifat pendarahan sedikit karena setelah memakai pembalut/kain bersih dibutuhkan waktu lebih dari 5 menit untuk membasahi pembalut/kainpembersih, ibu mengalami nyeri perut terus menerus selama pendarahan, dan setelah

  • 9diperiksa di pembalut tidak ada jaringan buah kehamilan yang menyertai pendarahan,ibu mengalami syok dengan tanda pucat dan pernafasan cepat serta gelisah, kondisikanalis servikalis/vagina ibu masih menutup rapat/belum terjadi pembukaan vaginadengan ditandai jari belum bisa masuk ke vagina, tinggi fundus uteri/perut ibu lebihkecil dari usia kehamilan yang seharusnya dan uterus ibu lunak. Berdasarkan contohkasus di atas, penerapan mekanisme inferensi akan dijalankan dengan mengajukanpertanyaan kepada user. Penelusuran fakta dari aturan yang ada dilakukanberdasarkan jawaban user terhadap pertanyaan yang diajukan. Penelusuran terusdilakukan sampai didapatkan konklusi/kesimpulan dari kondisi yang dialami pasien.

    Gambar 4 Pohon Inferensi Sistem

    Berikut ilustrasi pertanyaan yang diajukan oleh sistem1. Pertanyaan : Berapa usia kehamilan ibu ? Jawaban : Kehamilan < 28 minggu (M01)2. Pertanyaan : Dari manakah pendarahan berasal ? Jawaban : Ostium uteri / liang senggama (F01)3. Pertanyaan : Bagaimanakah sifat perdarahan ? Jawaban : Perdarahan sedikit/perdarahan ringan (P01)4. Pertanyaan : Apakah ibu mengalami nyeri perut ? Jawaban : Nyeri perut terus menerus (N01)5. Pertanyaan : Apakah terdapat penyertaan jaringan buah kehamilan pada

    perdarahan ? Jawaban : Tanpa disertai jaringan buah kehamilan (D03)

    Program Bantu Diagnosa (Whenty H, dkk)

  • 10

    Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    6. Pertanyaan : Bagaimana kondisi ibu ? Jawaban : Ibu mengalami syok (U02)7. Pertanyaan : Bagaimana kondisi kanalis servikalis ibu ? Jawaban : Tertutup (R02)8. Pertanyaan : Bagaimana tinggi fundus uteri ibu ? Jawaban : Lebih kecil dari usia kehamilan yang seharusnya (B01)9. Pertanyaan : Apa lagi gejala yang alami ibu ? Jawaban : Kondisi uterus ibu lunak (G08)Konklusi/Kesimpulan : Kehamilan ektopik (H07)

    4. Implementasi dan Analisis Sistem

    Implementasi ProgramMenu Login merupakan menu yang pertama kali muncul ketika program

    dijalankan. Untuk pengguna biasa dapat langsung masuk ke Menu Utama, sedangkanuntuk pakar diminta untuk memasukan username dan password terlebih dulu agardapat masuk ke Menu Utama. Menu Login ini dapat dilihat pada Gambar 5.

    Gambar 5 Menu Login Pakar

    Menu Konsultasi, memperbolehkan pemakai untuk melakukan sesikonsultasi. Model konsultasi yang disediakan program adalah dengan mengajukanpertanyaan-pertanyaan mengenai gejala yang diderita ibu hamil. User diminta untukmemasukkan data hasil gejala-gejala yang dialami ibu hamil. Sesi konsultasi diawalidengan kemunculan halaman awal konsultasi yang terlihat pada Gambar 5, selanjutnyauser dapat menghitung usia kehamilannya seperti terlihat pada Gambar 6, denganmemasukkan tanggal haid pertama bulan sebelumnya, selanjutnya sistem akanmenentukan usia kehamilan pasien lebih atau kurang dari 28 minggu yang terlihatpada Gambar 7.

  • 11

    Gambar 6 Menu Konsultasi

    Gambar 7 Menu Konsultasi Perhitungan Usia Kehamilan

    Gambar 8 Menu Konsultasi Masa Kehamilan

    Program Bantu Diagnosa (Whenty H, dkk)

  • 12

    Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    Pada Gambar 8 menunjukkan bahwa setelah konsultasi, dilanjutkan denganmenanyakan pada pasien asal pendarahan yang alami.

    Gambar 9 Menu Konsultasi Asal Perdarahan

    Gambar 10 memperlihatkan sifat pendarahan. Gambar 11 menunjukkankeadaan nyeri perut yang dirasakan pasien, dan ada atau tidaknya jaringan penyertapendarahan ditunjukkan pada Gambar 12.

    Gambar 10 Menu Konsultasi Sifat Perdarahan

  • 13

    Gambar 11 Menu Konsultasi Keadaan Nyeri Perut

    Gambar 12 Menu Konsultasi Keadaan Penyertaan Perdarahan

    Gambar 13 menunjukkan kondisi fisik pasien/ibu. Kondisi servik pasien ditunjukkanoleh Gambar 14. Pasien akan menjawab pertanyaan dengan memilih salah satu

    Program Bantu Diagnosa (Whenty H, dkk)

  • 14

    Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    pilihan jawaban yang disediakan oleh sistem. Pasien juga dapat mengulangi pertanyaansebelumnya dengan menekan tombol kembali dan melanjukan konsultasi denganmenekan tombol lanjut.

    Gambar 13 Menu Konsultasi Kondisi Fisik Ibu

    Gambar 14 Menu Konsultasi Kondisi Kanalis Servikalis

    Gambar 15 menunjukkan keadaan fundus uteri. Keadaan khusus ibu ditunjukkanpada Gambar 16, dan keadaan khusus fetus ditunjukkan pada Gambar 17.

  • 15

    Gambar 15 Menu Konsultasi Keadaan Fundus Uteri

    Gambar 16 Menu Konsultasi Keadaan Khusus Ibu

    Program Bantu Diagnosa (Whenty H, dkk)

  • 16

    Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    Gambar 17 Menu Konsultasi Keadaan Khusus Fetus

    Menu Hasil Diagnosa pada Gambar 18 menunjukkan bahwa setelah proseskonsultasi selesai, maka sistem akan memberikan keluaran berupa hasil diagnosayang dilakukan oleh sistem. Dalam halaman diagnosa diberikan keterangan gangguankehamilan yang alami pasien berikut fakta yang mendukung diagnosa dan solusiyang merupakan tidak lanjut yang harus dilakukan pasien.

    Gambar 18 Menu Hasil Diagnosa

  • 17

    Menu Data Penyakit berisi data jenis gangguan kehamilan dan hanya bisadiakses oleh pakar. Form ini dapat digunakan untuk melihat data dan keterangandari jenis penyakit dan juga untuk menambahkan jenis penyakit baru berdasarkanfakta-fakta gejala yang sudah tersimpan. Form ini juga dapat mengubah keterangandan tindakan yang seharusnya dilakukan terhadap suatu jenis penyakit kehamilan.Tombol baru digunakan untuk menambah jenis gangguan kesehatan baru, tombolsimpan untuk menyimpan data baru, dan tombol hapus untuk hapus data. Menudata penyakit ini dapat dilihat pada Gambar 19.

    Gambar 19 Menu Data Penyakit

    Menu Manual Program merupakan menu bantuan yang dapat digunakanuser untuk lebih memahami mengenai cara menggunakan sistem. Menu ini berisipetunjuk mengenai cara penggunaan sistem. Menu manual program ini dapat dilihatpada Gambar 20.

    Gambar 20 Menu Manual Program

    Program Bantu Diagnosa (Whenty H, dkk)

  • 18

    Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100

    Ketepatan Hasil Analisis Berdasarkan Kasus yang RiilPada program bantu diagnosa gangguan kesehatan kehamilan ini ketepatan

    hasil analisis diketahui berdasarkan dari penilaian pakar yang menjadi narasumberpembuatan sistem ini dan kasus yang ada. Ketepatan hasil analisa sistem ini diujidengan melakukan penilaian terhadap input dan output sistem, yaitu apakah outputyang dihasilkan sudah tepat bila dinilai dari kasus yang nyata. Tabel 13 merupakantabel hasil analisis sistem, dari tabel tersebut tersebut dapat diketahui bahwa rata-rata ketepatan hasil analisis sistem adalah 86,33 %, ini berarti ketepatan hasilanalisis sistem sudah cukup baik. Berdasarkan hasil pengujian sistem yang telahdilakukan pada sampel yang berjumlah 34, dapat diambil kesimpulan bahwa sistemsudah cukup baik. Namun penulis juga mengalami kesulitan dalam mencari sampeluntuk pengujian beberapa jenis gangguan kehamilan, dikarenakan penderita daribeberapa jenis gangguan kehamilan yang digunakan untuk penelitian tersebut hampirtidak ada. Maka dari itu, solusi yang dilakukan penulis adalah mengujikan sistemsecara langsung ke pakar.

    Tabel 13 Hasil Analisis Sistem

    No Kasus Ketepatan 1 Abortus imminens 90%2 Abortus insipiens 80%3 Abortus Inkompletus 90%4 Abortus Kompletus 80%5 Abortus Mola 90%6 Abortus Infeksiosus 85%7 Kehamilan ektopik 85%8 Ruptura Uteri 85%9 Plasenta Previa Marginalis 85%

    10 Plasenta Previa Lateralis 85%11 Plasenta Previa Totalis 85%12 M ola Hidatidosa 85%13 Solutio Plasenta Ringan 90%14 Solutio Plasenta Sedang 85%15 Solutio Plasenta Berat 90%

    Rata-rata 86,33%

    5. Simpulan

    Berdasarkan penelitian yang dilakukan didapatkan beberapa kesimpulan, yaituKeluaran yang dihasilkan sistem dinilai cukup akurat dengan ketepatan analisa86,33%. Basis pengetahuan terdiri dari 49 fakta yang dipisahkan ke dalam sepuluhtabel data dan 15 aturan yang disimpan dalam tabel aturan beserta limabelas jenisgangguan kehamilan dan solusi untuk setiap gangguan kehamilan. Oleh karena itusistem ini memiliki kemampuan mendiagnosa 15 jenis gangguan kehamilan.Representasi pengetahuan yang digunakan oleh sistem adalah rule based system(sistem berbasis aturan) dengan metode inferensi forward chaining (runut maju).Tahapan yang digunakan dalam pengembangan sistem diawali dengan proses akuisisi

    J

  • 19

    pengetahuan dari pakar, dilanjutkan dengan rancangan basis pengetahuan, pembanguninferensi dan antarmuka pemakai, selanjutnya dilakukan uji coba sistem untuk menilaiketepatan kerja sistem.Saran yang diberikan oleh penulis untuk pengembangan sistemselanjutnya adalah Perlu dilakukan penambahan pengetahuan dari sistem mengenaigejala gangguan kesehatan kehamilan agar kinerja sistem lebih baik;Untuk menilaifaktor ketidakpastian dari kondisi pasien perlu digunakan beberapa metode untukmengukur ketidakpastian seperti certainty factor atau probabilitas bayesian.

    6. Daftar Pustaka

    [1] Roeshadi H. 2004. Gangguan dan Penyulit Pada Masa Kehamilan.Sumatra Utara: Bagian Kebidanan dan Penyakit Kandungan UniversitasSumatra Utara.

    [2] Kusumadewi, S. 2003. Artificial Intelligence (Teori dan aplikasinya).Yogyakarta : Graha Ilmu, Indonesia.

    [3] Turban, E., and Jay, E.A. 1998. Decision Support System and IntelligentSystem. New Jersey : Prentice Hall Inc.

    [4] Durkin, J. 1994. Expert System Design and Development. London: PrenticeHall International Edition, Inc.

    [5] Wiknjosastro, H. 1999. Ilmu Kebidanan. Jakarta: Yayasan Bina PustakaSarwono Prawirohardjo.

    Program Bantu Diagnosa (Whenty H, dkk)