cdss tsukamoto fuzzy inference system

SEMINAR NASIONAL II: THE APPLICATION OF TECHNOLOGY TOWARD A BETTER LIFE

Penentuan Tingkat Resiko Penyakit Menggunakan Tsukamoto Fuzzy Inference SystemSri Kusumadewi Jurusan Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km. 14,5 Yogyakarta Email: [email protected]

Abstrak Masalah penentuan tingkat resiko penyakit (diagnosa penyakit) sangat berhubungan dengan Clinical Decision Support System (CDSS). Selama ini sudah ada beberapa metode dalam melakukan diagnosa penyakit, terutama dalam bentuk sistem pakar. Pada penelitian ini, akan digunakan fuzzy inference system dengan metode Tsukamoto untuk menentukan tingkat resiko penyakit yang mungkin diderita oleh pasien. Input yang dibutuhkan adalah gejala-gejala klinis yang dialami oleh pasien. Basis pengetahuan dibangun dengan menggunakan kaidah produksi (IF-THEN). Fire strength yang diperoleh pada setiap aturan fuzzy untuk setiap penyakit pada basis pengetahuan, kemudian dikomposisikan dengan menggunakan rata-rata terbobot. Hasil rata-rata terbobot ini merupakan output tingkat resiko penyakit. Kata kunci: fuzzy inference system, tingkat resiko

1. Pendahuluan 1.1 Latar Belakang Masalah penentuan tingkat resiko penyakit (diagnosa penyakit) sangat berhubungan dengan Clinical Decision Support System (CDSS). CDSS adalah perangkat lunak yang dirancang untuk membantu para pekerja klinis dalam mengambil keputusan. Pada sistem ini, karakteristik dari data pasien akan dicocokkan dengan pengetahuan-pengetahuan yang ada pada basis pengetahuan. Ada beberapa target utama CDSS, yaitu support diagnosa, dosis obat, tindakan pencegahan (seperti: mengingatkan untuk melakukan vaksinasi), manajemen penyakit (seperti: diabetes, hipertensi, asma), pengadaan tes dan resep obat (seperti pengecekan terhadap alergi obat), serta utilitas (seperti: tindak lanjut klinis). Masalah diagnosa penyakit sering kali dijumpai, bahkan menjadi dominasi pada Clinical Decision Support System (CDSS). Pada sistem pakar biasa, masalah diagnosa penyakit sudah cukup banyak dikembangkan. Perangkat lunak yang telah dibangun untuk keperluan CDSS tertua adalah MYCIN. MYCIN berisi sejumlah aturan, yang diturunkan oleh kolaborasi para ahli. MYCIN menggunakan certainty factors (CF) untuk mengatasi masalah ketidakpastian. Perangkat lunak selanjutnya yang sudah dikembangkan adalah QMR (1985), Dxplain (1986), dan Iliad (1987) (Mendona Eneida A., 2004). ISABEL merupakan suatu bentuk CDSS yang terintegrasi dengan internet yang menyediakan beberapa fitur untuk diagnosis. ISABEL mulai dibangun pada tahun 2001 dan masih sedang dikembangkan sampai sekarang (Ramnarayan, dkk., 2004). Beberapa penelitian tentang diagnosa penyakit menggunakan logika fuzzy antara lain: klasifikasi tingkat resiko epilepsi (Harikumar R, dan Sabarish Narayanan B, 2003); diagnosa penyakit kulit menggunakan neuro-fuzzy (Castellano dkk, 2003).

VI-19


Pada penelitian ini, akan dicoba untuk menggunakan fuzzy inference sistem untuk menentukan tingkat resiko penyakit yang dialami oleh seorang pasien yang mengalami gejala-gejala klinis tertentu. 1.2 Tujuan Tujuan utama penelitian ini adalah mengimplementasikan fuzzy inference sistem dengan metode Tsukamoto, untuk menentukan tingkat resiko penyakit yang dialami oleh seorang pasien yang mengalami gejala-gejala klinis tertentu. 2. Dasar Teori 2.1 Operator Fuzzy Untuk merelasikan antar himpunan fuzzy, dibutuhkan suatu operator. Operator dasar fuzzy terdiri atas (Cox Earl, 1994): Interseksi Union Komplemen AB AB A = min(A[x], B[y]). = max(A[x], B[y]). = 1-A[x] (1) (2) (3)

Selain operator dasar, dapat juga digunakan operator dengan transformasi aritmatika seperti (Cox Earl, 1994): operator mean (and dan or), intensified mean, diluted mean, product, bounded product, bounded sum, drastic product, concentration, dilation, dan intensification.MIN atau DOT [y] 1 [z] C1 1

[x] A1 1

B2

10 Var-1 0 Var-2 0

z1Var-3

[x] 1

A2

[y] B1 1

[z] 1

C2

20 Var-1 0 Var-2 0

z2Var-3

rata-rata terbobot

z + 2z2 z= 1 1 1 + 2

Gambar 1 Inferensi dengan menggunakan Metode Tsukamoto.

VI-20


2.2 Fuzzy Inference System dengan Metode Tsukamoto Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton (Gambar 1). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan -predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot (Jang, dkk., 1997) (Kusumadewi, 2003). 3. Hasil Penelitian. 3.1 Fungsi keanggotaan Fungsi keanggotaan fuzzy pada setiap himpunan ada yang dibangun dengan pendekatan fungsi linear, dan ada juga yang bernilai diskret. Fungsi keanggotaan linear naik digunakan untuk himpunan SERING variabel Batuk, dan himpunan TINGGI pada variabel Demam, masing-masing dengan fungsi sebagai berikut:

x 50 0; x 50 BatukSERING [ x] = ; 50 x 100 50 x 100 1;dengan x adalah rata-rata frekuensi batuk setiap hari, dan

(4)

y 35 0; y 35 ; 35 y 50 DemamTINGGI [ y ] = 15 y 50 1;dengan y adalah suhu tubuh dalam derajat celcius.

(5)

Pada nilai keanggotaan diskret, untuk himpunan fuzzy standar, nilai keanggotaan diberikan sebesar (w) = 0,75. Sedangkan untuk kasus melemahkan (Sedikit, Agak) dan menyangatkan (Sangat, Sekali), masing-masing digunakan operator dilatation dan concentration. Fungsi keanggotaan terbentuk dengan menggunakan operator dilation adalah: DIL(A)[w] = (A[w])1/2 Sedangkan fungsi keanggotaan concentration adalah: CON(A)[x] = (A[x])2 Sebagai contoh: SuaraSerak = 0,75. SuaraAGAKSerak = 0,75 = 0,866. SuaraSANGATSerak = (0,75)2 = 0,5625 terbentuk dengan menggunakan operator

3.2 Basis Pengetahuan Terdapat 38 gejala klinis yang mempengaruhi 23 penyakit. Setiap aturan hanya terdiri atas satu anteseden. Oleh karena itu, pada setiap penyakit bobot yang diberikan oleh setiap gejala melalui fire strength yang diberikan pada aturan yang

VI-21


bersesuaian. Hasil akhir tingkat resiko penyakit dihitung dengan menggunakan ratarata terbobot dari setiap aturan yang bersesuaian dengan penyakit tersebut. Basis pengetahuan yang menunjukkan hubungan antara gejala dengan penyakit disusun dengan menggunakan kaidah produksi IF-THEN, seperti pada Tabel 1. Tabel 1 Basis Pengetahuan.No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF Leher bengkak Nyeri saat bicara & menelan Ada benjolan di leher Air liur menetes Demam TINGGI Getah bening leher AGAK bengkak Sakit kepala Suara serak Nyeri leher Sakit kepala Demam TINGGI Demam TINGGI Hidung tersumbat Infeksi sinus Nyeri leher Nyeri wajah Pendarahan hidung Ada benjolan di leher Demam SANGAT TINGGI Mual & muntah Nyeri saat bicara & menelan Getah bening leher AGAK bengkak Batuk SERING SEKALI Berat badan turun DRASTIS Bunyi nafas abnormal SERING Mual & muntah Nyeri SEKALI saat bicara & menelan Getah bening leher SANGAT bengkak Suara serak Ada yang tumbuh di mulut SANGAT Letih & lesu Nyeri SEKALI saat bicara & menelan Pendarahan hidung SANGAT BANYAK Perubahan kulit Perubahan suara Letih & lesu Hidung tersumbat Pendarahan hidung SANGAT Letih & lesu Pembengkakan leher getah bening SERIUS Ada benjolan di leher Demam SANGAT TINGGI Leher bengkak Nyeri saat bicara & menelan Tenggorokan gatal Nyeri leher Nyeri tenggorokan Gejala THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN Penyakit Abses Parafariengal Abses Parafariengal Abses Paritonsiler Abses Paritonsiler Abses Paritonsiler Abses Paritonsiler Abses Paritonsiler Abses Paritonsiler Barotitis Media Barotitis Media Contract Ulcers Deviasi Septrum Deviasi Septrum Deviasi Septrum Deviasi Septrum Deviasi Septrum Deviasi Septrum Faringitis Faringitis Faringitis Faringitis Faringitis Kanker Laring Kanker Laring Kanker Laring Kanker Laring Kanker Laring Kanker Laring Kanker Laring Kanker Leher & Kepala Kanker Leher & Kepala Kanker Leher & Kepala Kanker Leher & Kepala Kanker Leher & Kepala Kanker Leher & Kepala Kanker Leher Metastatik Kanker Nasofaring Kanker Nasofaring Kanker Tonsil Kanker Tonsil Laringitis Laringitis Laringitis Laringitis Laringitis Meniere Meniere

VI-22


No 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF IF Serangan vertigo

Gejala THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN THEN Meniere Meniere Telinga terasa penuh Bola mata bergerak tanpa sadar Tenggorokan AGAK terasa nyeri Telingan berdenging Tuli Demam SANGAT TINGGI Nyeri leher Tenggorokan SANGAT Nyeri Radang gendang telinga Batuk SERING Dahi sakit Demam TINGGI Hidung meler Hidung tersumbat Letih & lesu Nyeri antara mata Nyeri pinggir hidung Sakit kepala Selaput lendir merah & bengkak Batuk SERING Dahi sakit Demam TINGGI Hidung meler Hidung tersumbat Letih & lesu Sakit kepala Selaput lendir merah & bengkak Batuk SERING Demam TINGGI Hidung meler Hidung tersumbat Letih & lesu Nyeri pipi di bawah mata Sakit gigi Sakit kepala Selaput lendir merah & bengkak Batuk SERING Demam TINGGI Hidung meler Hidung tersumbat Letih & lesu Nyeri leher Nyeri telinga Sakit kepala Selaput lendir merah & bengkak Batuk SERING Demam TINGGI Nyeri saat bicara & menelan Nyeri tenggorokan Pembengkakan leher getah bening Sakit kepala Sakit kepala SERIUS

Penyakit

Neuronitis Vestibularis Neuronitis Vestibularis Osteosklerosis Osteosklerosis Otitis Media Akut Otitis Media Akut Otitis Media Akut Otitis Media Akut Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Etmoidalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Frontalis Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Maksilaris Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Sinusitis Sfenoidalis Tonsilitis Tonsilitis Tonsilitis Tonsilitis Tonsilitis Tonsilitis Tumor Syaraf Pendengaran

VI-23


No 101 102 103 IF IF IF Tuli

Gejala Tubuh tak seimbang Bola mata bergerak tanpa sadar THEN THEN THEN

Penyakit Tumor Syaraf Pendengaran Tumor Syaraf Pendengaran Fertigo Postular

Tingkat resiko dialaminya suatu penyakit direpresentasikan dengan nilai antara 0 sampai 1. Semakin ke arah 1, maka tingkat resikonya semakin tinggi. 3.3 Kasus Seorang pasien mengalami gejala sebagai berikut: batuk (rata-rata 70 kali sehari), dahi sakit, demam (suhu badan 36oC), hidung meler, letih & lesu, mual & muntah, nyeri saat bicara atau menelan, nyeri tenggorokan, dan sakit kepala. Setelah dilakukan inferensi untuk setiap hipotesa penyakit menggunakan Metode Tsukamoto, berdasarkan Gambar 1, maka tingkat resiko pada setiap penyakit terlihat pada Tabel 2.

Tabel 2 Hasil tingkat resiko setiap penyakit.No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Penyakit Abses Parafariengal Abses Paritonsiler Barotitis Media Contract Ulcers Deviasi Septrum Faringitis Kanker Laring Kanker Leher & Kepala Kanker Leher Metastatik Kanker Nasofaring Kanker Tonsil Laringitis Meniere Neuronitis Vestibularis Osteosklerosisi Otitis Media Akut Sinusitis Etmoidalis Sinusitis Frontalis Sinusitis Maksilaris Sinusitis Sfenoidalis Tonsilitis Tumor Syaraf Pendengaran Fertigo Postular Tingkat Resiko 0.43 0.14 0.01 0.17 0.14 0.42 0.33 0.35 0.43 0.01 0.36 0.41 0.42 0.46 0.01 0.34 0.39 0.40 0.38 0.38 0.38 0.01 0.01

Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa resiko terbesar pasien menderita Neuronitis Vistibularis, dengan tingkat resiko 0,46. 4. Kesimpulan Berdasarkan hasil penelitian dapat disimpulkan bahwa fuzzy inference system bisa dan tepat digunakan untuk menentukan tingkat resiko penyakit. Kelebihan dari penggunaan metode ini adalah dapat mengakomodasi adanya ketidakpastian yang bisa diwujudkan secara linguistik pada setiap gejala.

VI-24


5. Pustaka [1] Castellano G., C. Castellio, AM Fanelli dan C, Leone. 2003. Diagnosis of Dermatological Diseases by A Neuro-Fuzzy System. www.di.uniba.it/ ~castella/papers/eusflat2003. Cox, Earl. 1994. The Fuzzy Systems Handbook (A Prsctitioners Guide to Building, Using, and Maintaining Fuzzy Systems). Massachusetts: Academic Press, Inc. Harikumar R, dan Sabarish Narayanan B. 2003. Fuzzy Techniques for Clasification of Epilepsy Risk Level from EEG Signals. IEEE. www.ewh.ieee.org/ecc/r10/ Tencon2003/Articles/375. J.S.R Jang, C.T. Sun, dan E. Mizutani. 1997. Neuro-Fuzzy and Soft Computing. London: Prentice-Hall. Kusumadewi Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya). Jogjakarta: Graha Ilmu. Mendona Eneida A. 2004. Clinical decision Support Systems: Perspective in Dentistry. Journal of Dental Education. Pp 589-597. Ramnarayan, P., G. Kulkarni, A. Tomlinson, dan J. Britto. 2004. ISABEL: A Novel Internet-Delivered Clinical Decision Support System. Healthcare Computing. www.health-informatics.org/hc2004/P28_Ramnarayan http://cybermed.cbn.net.id/

[2]

[3]

[4] [5] [6] [7]

[8]

VI-25

cdss tsukamoto fuzzy inference system

Documents