PROPOSAL SKRIPSI

IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR

OLEH : WANDA SURYANATA 3101 0802 0973

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU (STMIK BANJARBARU) BANJARMASIN 2012

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU (STMIK BANJARBARU) PERSETUJUAN PROPOSAL SKRIPSI Nama NIM Program Studi Judul Skripsi : WANDA SURYANATA : 3101 0802 0973 : TEKNIK INFORMATIKA : IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR Telah disetujui untuk diseminarkan pada Sidang Proposal Skripsi Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika & Komputer Banjarbaru (STMIK BANJARBARU). Banjarmasin, 23 Februari 2012 Pembimbing Utama Pembimbing Pendamping

Drs. H. Sushermanto, M.Kom

Boy Abidin Rozany, S.T

Mengetahui : Ketua Jurusan Teknik informatika,

Ir. Yulia Yudihartanti, M.Kom. ii

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER BANJARBARU (STMIK BANJARBARU) PENGESAHAN PROPOSAL SKRIPSI Nama NIM Program Studi Judul Skripsi : WANDA SURYANATA : 3101 0802 0973 : TEKNIK INFORMATIKA : IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR Proposal ini telah diseminarkan dihadapan Komite Seminar pada 25 Februari 2012 dan disetujui untuk dijadikan pedoman dalam penulisan skripsi SUSUNAN KOMITE SEMINAR NO 1 2 3 KOMITE SEMINAR Boy Abidin Rozany, S.T H. Budi Rahmani, S.Pd, M.Kom Dra. Hj. Ruliah S, M.Kom STATUS Ketua Sekretaris Anggota TANDA TANGAN

Banjarmasin, 1 Maret 2012 Mengetahui, Ketua Jurusan Teknik Informatika Mengesahkan Ketua STMIK Banjarbaru

Ir. Yulia Yudihartanti, M.Kom NIP. 19690401.200501.2.001 iii

Drs. H. Sushermanto, M.Kom NIK. 091 062 001

KATA PENGANTARDengan nama Allah Yang Maha Pengasih lagi Maha Penyayang. Segala puji dan syukur bagi Allah Tuhan seru sekalian alam, shalawat dan salam semoga selalu Allah limpahkan kepada junjungan kita Nabi Besar Muhammad SAW beserta seluruh keluarga, sahabat dan pengikut beliau hingga akhir zaman. Suatu nikmat dari Allah SWT yang selayaknya disyukuri, karena dengan taufiq dan hidayah-Nya penulis dapat menyelesaikan Skripsi yang berjudul IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR. Sesuai dengan kemampuan dan pengetahuan yang penulis miliki. Penulis menyadari, bahwa penulisan Skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Maka, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih yang setinggi-tingginya kepada : 1. Pak Boy Abidin Rozani, ST selaku pembimbing skripsi yang telah meluangkan waktu dan memberikan arahan selama proses pembuatan skripsi. 2. Seluruh dosen pengajar di STMIK Banjarbaru yang telah memberikan ilmu pengetahuan yang bermanfaat. 3. Semua teman dan sahabatku, khususnya jurusan Teknik Informatika Angkatan 2008 yang banyak memberikan dukungan moril dan materil beserta masukan yang membangun. 4. Teman-teman seperjuangan yang mengambil Tugas Akhir atas saran, kritik dan sharing ilmu pengetahuan serta bantuan dalam proses penulisan skripsi. iv

5.

Seluruh pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan bantuan. Penulis sadar bahwa dalam pembuatan skripsi ini masih banyak terdapat

kekurangan. Hal ini karena keterbatasan kemampuan dan ilmu pengetahuan yang penulis miliki. Karena itu, penulis masih mengharapkan kritik dan saran yang konstruktif dari para pembaca sekalian demi penyempurnaan skripsi ini. Akhirnya, penulis berharap semoga Skripsi ini dapat memberikan manfaat bagi khasanah ilmu pengetahuan Sistem Informasi di Indonesia.

Banjarmasin, 17 April 2012

Penulis

v

DAFTAR ISIHal.

PERSETUJUAN PROPOSAL SKRIPSI ................................................................ ii PENGESAHAN PROPOSAL SKRIPSI ................................................................ iii KATA PENGANTAR ........................................................................................... iv DAFTAR ISI .......................................................................................................... vi DAFTAR TABEL ................................................................................................ viii DAFTAR GAMBAR ............................................................................................. ix BAB I PENDAHULUAN ......................................................................................1 1.1. Latar Belakang .................................................................................. 1 1.2. Permasalahan Penelitian ................................................................... 3 1.2.1. Identifikasi Masalah ............................................................. 3 1.2.2. Ruang Lingkup Masalah ....................................................... 3 1.2.3. Rumusan Masalah................................................................. 4 1.3. Tujuan dan Manfaat Penelitian ......................................................... 4 1.3.1. Tujuan Penelitian .................................................................. 4 1.3.2. Manfaat Penelitian ................................................................ 4

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN .........................5 2.1. Tinjauan Pustaka............................................................................... 5 2.2. Landasan Teori ................................................................................. 6 2.2.1. Sistem Pakar ......................................................................... 6 2.2.2. Gangguan Somatoform ....................................................... 10 2.2.3. Kategori Gangguan Somatoform ........................................ 11 2.2.4. Certainty Factor ................................................................. 13 2.2.5. Pemrograman Delphi .......................................................... 22 2.3. Kerangka Pemikiran ....................................................................... 25 vi

BAB III METODE PENELITIAN........................................................................26 3.1. Analisa Kebutuhan ......................................................................... 26 3.1.1. Jenis Penelitian ................................................................... 26 3.1.2. Metode Pengumpulan Data ................................................ 27 3.2. Perancangan Penelitian ................................................................... 28 3.2.1. Diagram Konteks ................................................................ 28 3.2.2. Use Case Diagram .............................................................. 28 3.2.3. Sequence Diagram .............................................................. 29 3.2.4. Activity Diagram ................................................................ 36 3.2.5. Desain Database ................................................................. 43 3.2.6. Desain Arsitektural ............................................................. 46 3.3. Teknik Analisis Data ...................................................................... 47 1.3.1 1.3.2 1.3.3 Analisis Basis Pengetahuan ................................................ 47 Data Gejala Gangguan Somatoform ................................... 48 Analisis Certainty Factor ................................................... 52

3.4. Jadwal Penelitian ............................................................................ 55

DAFTAR PUSTAKA ............................................................................................56 DAFTAR RIWAYAT HIDUP ...............................................................................58

vii

DAFTAR TABELHal. Tabel 2. 1. Rangkuman Gangguan Somatoform ................................................... 10 Tabel 2. 2. Istilah Hasil CF ................................................................................... 14 Tabel 2. 3. Aturan Kombinasi MYCIN ................................................................. 15 Tabel 3. 1. Tabel Login ......................................................................................... 43 Tabel 3. 2. Tabel Gejala ........................................................................................ 44 Tabel 3. 3. Tabel Gangguan .................................................................................. 44 Tabel 3. 4. Tabel Pengetahuan .............................................................................. 44 Tabel 3. 5. Tabel Informasi ................................................................................... 45 Tabel 3. 6. Nilai Interpretasi untuk MB dan MD .................................................. 53 Tabel 3. 7. Contoh Tabel Pengetahuan ................................................................. 54 Tabel 3. 8. Tabel Estimasi Jadwal......................................................................... 55

viii

DAFTAR GAMBARHal. Gambar 2. 1. Struktur Sistem Pakar ....................................................................... 8 Gambar 2. 2. Jaringan Penalaran CF .................................................................... 16 Gambar 2. 3. Kombinasi CF ................................................................................ 16 Gambar 2. 4. Kombinasi Paralel CF .................................................................... 17 Gambar 2. 5. Kerangka Pemikiran ....................................................................... 25 Gambar 3. 1. Diagram Konteks............................................................................. 28 Gambar 3. 2. Use Case Diagram ........................................................................... 29 Gambar 3. 3. Sequence Diagram Login ................................................................ 30 Gambar 3. 4. Sequence Diagram Data Gejala ....................................................... 31 Gambar 3. 5. Sequence Diagram Data Gangguan ................................................. 32 Gambar 3. 6. Sequence Diagram Data Pengetahuan ............................................. 33 Gambar 3. 7. Sequence Diagram Data Informasi .................................................. 34 Gambar 3. 8. Sequence Diagram Identifikasi........................................................ 35 Gambar 3. 9. Sequence Diagram Lihat Informasi ................................................. 36 Gambar 3. 10. Activity Diagram Login ................................................................. 37 Gambar 3. 11. Activity Diagram Data Gejala ........................................................ 38 Gambar 3. 12. Activity Diagram Data Gangguan .................................................. 39 Gambar 3. 13. Activity Diagram Data Pengetahuan .............................................. 40 Gambar 3. 14. Activity Diagram Data Informasi................................................... 41 Gambar 3. 15. Activity Diagram Proses Identifikasi ............................................. 42 Gambar 3. 16. Activity Diagram Lihat Informasi .................................................. 43 Gambar 3. 17. Relasi Tabel ................................................................................... 45 Gambar 3. 18. Desain Arsitektural ........................................................................ 46

ix

BAB I PENDAHULUAN

1.1.

Latar Belakang Gangguan somatoform adalah suatu kelompok gangguan yang memiliki

gejala fisik (sebagai contohnya, nyeri, mual, dan pusing) di mana tidak dapat ditemukan penjelasan medis. Gejala dan keluhan somatik adalah cukup serius untuk menyebabkan penderitaan emosional yang bermakna pada pasien atau gangguan pada kemampuan pasien untuk berfungsi di dalam peranan sosial atau pekerjaan. Gangguan somatoform adalah tidak disebabkan oleh pura-pura yang disadari atau gangguan buatan. (Anonim, 2011) Sistem pakar (Expert System) adalah program komputer yang merupakan cabang dari penelitian ilmu komputer yang disebut kecerdasan buatan. Sistem pakar merupakan suatu program aplikasi komputerisasi yang berusaha menirukan proses penalaran dari seorang ahlinya dalam memecahkan masalah spesifikasi atau bisa dikatakan merupakan duplikat dari seorang pakar karena

pengetahuannya disimpan didalam basis pengetahuan untuk diproses pemecahan masalah. Implementasi sistem pakar dapat diterapkan dalam dunia psikologi seperti identifikasi ganguaan-gangguan kejiwaan pada client sebagai diagnosa awal. Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi yaitu sistem pakar untuk identifikasi gangguan somatoform pada pasien. Seringkali pasien bingung dengan gangguan-gangguan yang dalam jiwanya sehingga harus ke dokter atau psikolog untuk berkonsultasi. Karena gangguan somatoform sangat beragam jenis dan gejalanya, maka seorang pakar atau 1

2

psikolog perlu mengkaji lebih dalam gejala yang dialami pasien untuk mengidentifikasi gangguan somatoform apa yang dialaminya. Kebanyakan masyarakat khususnya di Indonesia belum mengetahui apa sebenarnya gangguan somatoform. Gangguan somatoform merupakan gangguan psikologis tapi berakibat pada sakit fisik, misalnya karena orang terlalu stres membuat orang tersebut jadi muncul sakit gatal-gatal atau sakit kepala. Gangguan ini ditandai dengan adanya keluhan-keluhan berupa gejala fisik yang bermacam-macam dan hampir mengenai semua sistem tubuh. Keluhan ini biasanya sudah berlangsung lama dan biasanya keluhannya berulang-ulang namun berganti-ganti tempat. Pasien biasanya sering pergi ke berbagai macam dokter. Beberapa pasien bahkan ada yang sampai dilakukan operasi namun hasilnya negatif. Menurut DSM IV, terdapat lima gangguan somatoform spesifik, yaitu gangguan somatisasi, gangguan konversi, hipokondrias, gangguan dismorfik tubuh, dan ganggua nyeri. DSM IV juga memiliki dua kategori diagnostik residual, yaitu gangguan somatoform tidak terdirensisasi dan gangguan somatoform yang tidak dapat ditentukan. Pengidentifikasian suatu gangguan somatoform dengan komputer akan mempermudah psikolog maupun orang awam sekalipun dalam membantu menentukan keputusan yang diambil. Sebagai contoh penelitian yang dilakukan oleh Linda Widias Tuty pada tahun 2011 dengan judul Sistem Pakar Untuk Analisis Anak Autisme dengan Metode Certainty Factor. Keluaran yang dihasilkan oleh sistem adalah ada tidaknya autisme pada seorang anak

3

berdasarkan gejala yang diberikan kepada sistem. Pada penelitian sekarang ini akan mencoba menggunakan metode yang sama namun objek yang berbeda. Berdasarkan latar belakang di atas, maka pada penelitian ini akan membuat sistem pakar untuk mengidentifikasi gangguan somatoform dengan metode Certainty Factor. Kemudian membandingkan hasil identifikasi gangguan somatoform oleh pakarnya yaitu psikolog dengan aplikasi sistem pakar yang dibangun apakah sama atau berbeda sama sekali. Dan juga akan dihitung uji komparasi perbandingan antara keduanya.

1.2.

Permasalahan Penelitian

1.2.1. Identifikasi Masalah Berdasarkan uraian latar belakang di atas, maka identifikasi permasalahan dalam penelitian ini yaitu membandingkan hasil identifikasi gangguan somatoform oleh pakar yaitu psikolog dengan aplikasi sistem pakar. 1.2.2. Ruang Lingkup Masalah Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut : 1. Sistem pakar ini dibuat hanya pada gangguan somatoform. 2. Tidak membahas gangguan-gangguan psikologis lainnya. 3. Metode inferensinya menggunakan metode forward chaining. 4. Metode yang digunakan dalam penyelesaian masalah ini adalah metode Certainty Factor (CF).

4

1.2.3. Rumusan Masalah Rumusan masalah dalam penelitian ini adalah bagaimana membuat sistem pakar untuk mengidentifikasi gangguan somatoform pada pasien dengan metode Certainty Factor dan membandingkan hasil identifikasi oleh psikolog dan sistem pakar ?

1.3.

Tujuan dan Manfaat Penelitian

1.3.1. Tujuan Penelitian Sesuai dengan latar belakang di atas, maka penelitian yang dilakukan ini memiliki tujuan yaitu membuat sistem pakar yang berisi pengetahuan dari seorang pakar / psikolog yang diyakini kebenarannya yang memiliki kemampuan untuk mengidentifikasi gangguan somatoform pada pasien dari gejala-gejala yang dialami secara cepat dan tepat seperti seorang pakar dengan menggunakan metode Certainty Factor (CF). Kemudian membandingkan hasil identifikasi gangguan somatoform oleh pakarnya yaitu psikolog dengan aplikasi sistem pakar yang dibangun apakah sama atau berbeda sama sekali. 1.3.2. Manfaat Penelitian Manfaat dari penelitian ini adalah dengan adanya sistem pakar ini diharapkan nantinya dapat mengetahui perbandingan antara hasil identifikasi gangguan somatoform oleh pakar dengan sistem pakar tersebut.

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1.

Tinjauan Pustaka Penelitian terdahulu yang relevan dengan penelitian ini adalah sebagai

berikut : Denok Puspitasari (2010) dengan penelitian tentang penerapan metode certainty factor yang berjudul Sistem Pakar Diagnosa Diabetes Nefropathy dengan Metode Certainty Factor meneliti tentang diagnosa apakah seseorang pasien menderita diabetes nefropathy atau tidak, dengan perhitungan metode certainty factor. Sehingga dapat memperkecil resiko-resiko kesalahan dalam proses diagnosa pada umumnya (Puspitasari, 2010). Kusrini (2006) dengan penelitian tentang penerapan metode certainty factor yang berjudul Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan

Keluarganya penelitian ini tentang mengurangi kesalahan diagnose penyakit epilepsi melalui perhitungan modern salah satunya adalah metode certainty factor. Dengan 4 hasil akhir yaitu, positip sejati: suatu gejala ada dan pasien memang menderita penyakit yang ditunjukkan oleh gejala itu, positip palsu: suatu gejala itu ada tetapi pasien tidak menderita penyakit sebagaimana yang ditunjukkan oleh gejala itu, negatif palsu: pasien menderita suatu penyakit tetapi tidak terdapat gejala yang menunjukkan penyakit itu, negatip sejati: pasien tidak menunjukkan gejala penyakit dan memang tidak menderita penyakit tersebut (Kusrini, 2006). Linda Widias Tuty (2011) dengan penelitian tentang sistem pakar analisis anak autisme yang berjudul Sistem Pakar Untuk Analisis Anak Autisme dengan 5

6

Metode Certainty Factor. Tujuan penelitiannya adalah untuk membantu orangtua dalam pengetahuan tentang autisme serta dalam melakukan diagnosa awal kemungkinan autisme pada anak. Pengetahuan pada sistem direpresentasikan dalm bentuk nilai kepastian analisis dari metode certainty factor. Keluaran dari sistem ada tidaknya autisme pada seorang anak berdasarkan fakta/gejala yang diberikan pada sistem. (Tuty, 2011) Hasil penelitian sebelumnya dapat menjadi informasi dan acuan bagi penulis saat ini menggunakan metode Certainty Factor (CF) untuk

mengidentifikasi gangguan somatoform pasien. Penelitian-penelitian diatas berbeda dengan penelitian kali ini, meskipun metode yang sama tapi berbeda objek. Objek pada penelitian ini adalah tentang gangguan somatoform.

2.2.

Landasan Teori

2.2.1. Sistem Pakar Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960.Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel & Simon. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Sistem pakar memiliki banyak definisi, tetapi pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. 2.2.1.1. Definisi Sistem Pakar

Beberapa definisi yang ada untuk sistem pakar (Kusumadewi, 2003) :

7

a.

Menurut Martin dan Oxman : Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah, yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang tertentu.

b.

Menurut Ignizio : Sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis pengetahuan (Knowledge Base System), memungkinkan adanya komponen untuk berpikir dan mengambil kesimpulan dari sekumpulan kaidah.

c.

Menurut Giarratano dan Riley : Sistem pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu. Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas

pemecahan masalah. Beberapa aktifitas pemecahan yang dimaksud antara lain: pembuatan keputusan (decision making), pemaduan pengetahuan (knowledge fusing), pembuatan desain (designing), perencanaan (planning), prakiraan (forecasting), pengaturan (regulating), perumusan (prescribing), penjelasan (explaining), pemberian nasihat (advising ) dan pelatihan (tutoring). Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar. (Librina, 2011) 2.2.1.2. Struktur Sistem Pakar

Sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation\

environment). Lingkungan pengembangan digunakan sebagai pembangun sistem

8

pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi.

Gambar 2. 1. Struktur Sistem Pakar

Sumber : (Kusumadewi, 2003) 2.2.1.3. Kelebihan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain : Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli, bisa melakukan proses secara berulang secara otomatis, menyimpan pengetahuan dan keahlian para pakar, meningkatkan output dan produktivitas, meningkatkan kualitas, mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka), mampu beroperasi dalam lingkungan yang berbahaya, memiliki kemampuan untuk mengakses pengetahuan, memiliki reliabilitas, meningkatkan kepabilitas sistem komputer, memiliki kemampuan

9

untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian, sebagai media pelengkap dalam penelitian, meningkatkan kapabilitas dalam penyelesaian masalah dan menghemat waktu dalam pengambilan keputusan. (Harawi, 2011) 2.2.1.4. Kekurangan Sistem Pakar

Namun Sistem ini tetap memiliki kekurangan-kekurangan yang merupakan bentuk tidak kemampuan rekayasa pengetahuan dan pakar dengan hasil semaksimal mungkin. Antara lain: biaya yang diperlukan sangat mahal untuk membuat dan pemeliharaan sistem ini, sulit dikembangkan, terutama bila dikaitkan dengan ketersediaan pakar dibidangnya, sistem Pakar tidak 100% bernilai benar, karena ini rekayasa manusia untuk membantu menyelesaikan masalah bukan sebagai penyelesaian secara utuh. (Kusumadewi, 2003) 2.2.1.5. Metode Inferensi

Metode ini lebih dikenal dengan sebutan mesin inferensi. Mesin inferensi merupakan bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu : a) Forward Chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. b) Backward Chaining. Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan

10

untuk menguji kebenara hipotesis tersebut dicari harus dicari fakta-fakta yang ada dalam basis pengetahuan

2.2.2. Gangguan Somatoform Kata somatoform ini di ambil dari bahasa Yunani soma, yang berarti tubuh. Dalam gangguan somatoform, orang memiliki simtom fisik yang mengingatkan pada gangguan fisik, namun tidak ada abnormalitas organik yang dapat ditemukan penyebabnya. Gangguan somatoform berbeda dengan

malingering, atau kepura-puraan simtom yang bertujuan untuk mendapatkan hasil yang jelas. Gangguan ini juga berbeda dengan gangguan factitious yaitu suatu gangguan yang ditandai oleh pemalsuan simtom psikologis atau fisik yang disengaja tanpa keuntungan yang jelas. Selain itu gangguan ini juga berbeda pula dengan sindrom Muchausen yaitu suatu tipe gangguan factitious yang ditandai oleh kepura-puraan mengenai simtom medis. Ciri utama gangguan ini adalah adanya keluhan-keluhan gejala fisik yang berulang disertai permintaan pemeriksaan medis, meskipun sudah berkali-kali terbukti hasilnya negatif dan juga telah dijelaskan oleh dokternya bahwa tidak terjadi kelainan yang mendasari keluhannya.Tabel 2. 1. Rangkuman Gangguan Somatoform

Gangguan Gangguan Nyeri Gangguan Dismorfik Tubuh Hipokondrias

Deskripsi Faktor-faktor psikologis berperan secara signifikan dalam muncul dan menetapnya rasa nyeri Preokupasi dengan kerusakan dalam penampilan fisik yang hanya dibayangkan atau dilebih-lebihkan Preokupasi dengan ketakutan menderita penyakit serius

11

Gangguan Konversi Gangguan Somatisasi

Simtom-simtom sensorik atau motorik tanpa penyebab fisiologis Keluhan fisik yang berulang dan banyak yang tidak memiliki dasar biologis Sumber : (Davidson, Neale, & Kring, 2006)

2.2.3. Kategori Gangguan Somatoform DSM-IV-TR (Diagnostic and Statistical Manual of Mental Disorders) mengajukan lima kategori utama, yaitu : a) Gangguan Nyeri Definisi dari gangguan nyeri menurut DSM-IV-TR adalah gangguan nyeri yang merupakan keluhan utama dan menjadi fokus perhatian klinis. Faktor psikologis sangat berperan pada gangguan ini. Gejala utama gangguan nyeri (pain disorder) adalah adanya nyeri pada sat atau lebih tempat yang tidak sepenuhnya disebabkan oleh kondisi medis atau neorologis nonpsikiatrik. b) Gangguan Dismorfik Tubuh Definisi gangguan ini adalah preokupasi dengan kecacatan tubuh yang tidak nyata, misalnya seseorang yang merasa hidungnya kurang mancung, atau keluhan yang berlebihan tentang kekurangan tubuh yang minimal atau

kecil. Inti dari gangguan ini bahwa pasien berkeyakinan kuat atau takut dirinya tidak menarik atau bahkan menjijikkan. Ketakutan ini sulit diredakan dengan penentraman atau pujian, meskipun penampilan pasien ini sangat normal. c) Hipokondriasis Hipokondriasis adalah keterpakuan (preokupasi) pada ketakutan menderita, atau keyakinan bahwa seseorang memiliki penyakit medis yang serius,

12

meski tidak ada dasar medis untuk keluhan yang dapat ditemukan. Berbeda dengan gangguan somatisasi dimana pasien biasanya meminta pengobatan terhadap penyakitnya yang seringkali menyebabkan terjadinya

penyalahgunaan obat, maka pada gangguan hipokondrik pasien malah takut untuk makan obat karena dikira dapat menambah keparahan dari sakitnya. (Fitrisyah, 2010) d) Gangguan Konversi Merupakan bentuk perubahan yang mengakibatkan adanya perubahan fungsi fisik yang tidak dapat dilacak secara medis, gangguan ini muncul dalam konflik atau pengalaman traumatik yang memberikan keyakinan akan adanya penyebab psikologis. Definisi lainnya adalah suatu tipe gangguan somatoform yang ditandai oleh kehilangan atau kendala dalam fungsi fisik, namun tidak ada penyebab organis yang jelas. Gangguan ini dinamakan konversi karena adanya keyakinan psikodinamika bahwa gangguan tersebut mencerminkan

penyaluran, atau konversi, dari energi seksual atau agresif yang direpresikan ke simptom fisik. (Fitrisyah, 2010) e) Gangguan Somatisasi Gangguan somatisasi merupakan gangguan yang melibatkan berbagai keluhan yang muncul berulang-ulang yang tidak dapat dijelaskan oleh penyebab fisik apapun. Gangguan ini menyebabkan seseorang untuk melakukan kunjungan medis berkali-kali.

13

2.2.4. Certainty Factor Banyak kasus dimana informasi diketahui tetapi kita tidak mempercayai kebenaran sepenuhnya. Ramalan cuaca menggunakan angka keyakinan untuk meramal apakah akan hujan atau tidak sehingga angka keyakinan bisa digunakan dalam kaidah produksi. Peramal cuaca dapat mengatakan 70% kemungkinan akan hujan, tetapi sebenarnya mereka mengatakan ketidaktahuan dengan pasti apakah akan hujan atau tidak. Kemudian, mereka mempunyai banyak informasi untuk bisa mengatakan 70% cuaca sekitarnya menunjukkan akan hujan. Faktor kepastian sebenarnya hanya merupakan ukuran keyakinan seseorang tentang fakta tertentu atau kaidah tertentu benar atau salah. (Marlan, 2007) Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley, 1984). Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty factor didefinisikan sebagai berikut (2.1) (Rohman, Fahrur, & Fauzijah, 2008)): CF(H,E) = MB(H,E) MD(H,E) CF(H,E) (2.1)

: certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara 1 sampai dengan 1. Nilai 1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kerpercayaan mutlak.

MB(H,E)

: ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.

MD(H,E)

:ukuran kenaikan ketidakpercayaan (measure of increaseddisbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E

14

Metode Certainty Factor Menggunakan rule. Didefinisikan sebagai berikut : CFrule = MB(H,E) MD(H,E) (2.2)

Pada penelitian Probabilitas Penggunaan Premis untuk menentukan Certainty Factor dari Rule oleh S. Budhi, Geogrorius dan Rolly Intan menyebutkan rule certainty factor dengan rumus (S., Geogrorius, & Intan, 2006): .1 MB(H|E)= max[P(H|E) , P(H)] - P(H) 1 - P(H) 1 MD(H|E)= min[P(H|E), P(H)] - P(H) - P(H) if P(H) = 1

(2.3)otherwise

if P(H) = 0

(2.4)otherwise

P(H) P(H|E)

: :

probabilitas kebenaran hipotesa H probabilitas bahwa H benar karena fakta E merepresentasikan keyakinan dan ketidakyakinan pakar. Dari perhitungan diatas, dapat diistilahkan hasil hitungan menjadi hasil masalah tersebut, terlihat pada tabel berikut :

P(H) dan P(H|E) :

Tabel 2. 2. Istilah Hasil CF

Istilah Pasti bukan Hampir bisa dipastikan bukan Mungkin bukan Barangkali bukan Tidak dikenal Barangkali

CF -1,0 -0,8 -0,6 -0,4 -0,2 sampai 0,2 0,4

15

Mungkin Hampir bisa dipastikan Pasti

0,6 0,8 1,0 Sumber: (Puspitasari, 2010)

2.2.4.1.

Kombinasi Aturan

Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang ditunjukkan pada tabel 2.2 aturan kombinasi MYCIN berikut ini (Kusrini, 2006):Tabel 2. 3. Aturan Kombinasi MYCIN

Evidence, E E1 dan E2 E1 atau E2 Tidak E

Antecedent Ketidakpastian Min [CF(H,E1),CF(H,E2)] Max [CF(H,E1),CF(H,E2)] -CF(H,E) Sumber : (Kusrini, 2006)

Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah sebagai berikut (Kusrini, 2006): CF(H,e) = CF(E,e) * CF(H,E) CF(E,e) CF(H,E) (2.5)

: Certainty Factor evidence E yang dipengaruhi oleh evidence e : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1

CF(H,e)

: Certainty Factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence dan antecedent diketahui dengan pasti maka rumusnya menjadi :

CF(H,e) = CF (H,E)

(2.6)

16

Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain. Kondisi tersebut dapat digambarkan sebagai berikut (Arvi, 2010) :A

0.8

0.7 C D

0.9 F

0.5 B E -0.3

Sumber : (Arvi, 2010)Gambar 2. 2. Jaringan Penalaran CF

Dari gambar di atas ditunjukkan bahwa certainty factor dapat digunakan untuk menghitung perubahan derajat kepercayaan dari hipotesis F ketika A dan B bernilai benar. Hal ini dapat dilakukan dengan mengkombinasikan semua certainty factor pada A dan B menuju F menjadi sebuah alur hipotesis certainty factor seperti di bawah ini (Arvi, 2010): JIKA (A DAN B) MAKA F Kondisi ini juga dapat digambarkan sebagai berikut: (2.7)

AB

F

Sumber : (Arvi, 2010)Gambar 2. 3. Kombinasi CF

Kombinasi seperti ini disebut kombinasi paralel, sebagaimana ditunjukkan oleh gambar di bawah ini :

17

E1

CF(H,E1)

H

E2

CF(H,E2)

Sumber : (Kusrini, 2006).Gambar 2. 4. Kombinasi Paralel CF

Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama, yaitu H. Kedua Certainty Factor CF(H,E1) dan CF(H,E2) dikombinasikan menghasilkan certainty factor CF(H,E1,E2). Certainty kedua aturan dikombinasikan sehingga menghasilkan certainty factor CF(H,E). Untuk menghitung kombinasi tersebut digunakan rumus berikut (Kusrini, 2006) CF(H,E) = CF(E,E) * CF (H,E) (2.8)

Definisi menurut David McAllister adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang biasanya digunakan dalam sistem pakar. Metode ini sangat cocok untuk sistem pakar yang mendiagnosis sesuatu yang belum pasti (Admin, 2009) .

2.2.4.2.

Rumus Certainty Factor

Aturan metode Certainty (Admin, 2009): 1. McAllister menggambarkan aturan untuk menambahkan dua faktor Certaint positif adalah:(CFaCFb) CFa CFb * (1 CFa)

(2.9)

2. Aturan untuk menambahkan dua Certaint yang negatif adalah:(CFcCFd) CFc CFd CFc * CFd

(2.10)

18

3. Aturan untuk menambahkan Certainty Factors positif dan Certainty Factors negatif lebih kompleks:CFe CFf 1 min[| CFe |, | CFn |}

(CFeCFf )

(2.11)

Tiga aturan ini menyediakan suatu skala interval untuk Certainty Factors. Contoh untuk fakta yang positif: Strong suggestive (CFa) Suggestive (CFb) CFcombine (CFa CFb) : 0.8 : 0.6 : 0.8 + 0.6 (1-0.8) = 0.92

Contoh untuk fakta yang negatif: Strong suggestive (CFc) Suggestive (CFd) CFcombine (CFc CFd) : -0.8 : -0.6 : -0.8 + -0.6 + -0.8 * -0.6 = -0.92

Contoh untuk fakta yang positif dan negatif: Certainty factor adalah 0.88 (CFe) Certainty factor against adalah 0.90 (CFf)CFcombin (CFeCFf ) 0,88 (0,90 ) 0,17 1 min{| 0,88 |, | 0,90 |}

(2.12)

Metode certainty factors ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. Untuk bobot yang lebih dari 2 banyaknya, untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang dihitung teracak, artinya tidak ada aturan untuk mengkombinasikan bobotnya, karena untuk kombinasi seperti apapun hasilnya akan tetap sama.

19

Contoh perhitungan certainty factor menggunakan evidence dengan angka negatif dan positif :

untuk mengetahui apakah seorang pasien tersebut menderita penyakit jantung atau tidak, itu dilihat dari hasil perhitungan bobot setelah semua keluhankeluhan diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factor. Pasien yang divonis mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan yang dimiliki mengarah kepada penyakit jantung. Sedangkan pasien yang mempunyai bobot mendekati -1 adalah pasien yang dianggap tidak mengidap penyakit jantung, serta pasien yang memiliki bobot sama dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral.

Berikut ini adalah contoh ekspresi logika yang mengkombinasikan evidence : E=(E1 DAN E2 DAN E3) ATAU (E4DAN BUKAN E5) Gejala E akan dihitung sebagai : E = max[min(E1,E2,E3),min(E4,-E5)]

Untuk nilai E1 = 0,9 E2 = 0,8 E3 = 0,3 E4 = -0,5 E5 = -0,4 Hasilnya adalah : E = max[min(E1,E2,E3),min(E4,-E5)] = max(0,3, -0,5) = 0,3 Bentuk dasar rumus Certainty Factor sebuah aturan JIKA E MAKA H ditunjukkan oleh rumus : CF(H,e) = CF( E,e)*CF(H,E) Dimana : CF(E,e) : Certainty Factor evidence E yang dipengaruhi oleh evidence

20

CF(H,E)

: Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti , yaitu ketika CF(E,e)=1

CF(H,e)

: Certainty factor hipotesis yang dipengaruhi oleh evidence e

Jika semua evidence pada antecedent diketahui dengan pasti, maka rumusnya ditunjukkan sebagai berikut : CF(H,e) = CF(H,E) Karena CF(E,e) = 1. Contoh kasus yang melibatkan kombinasi CF : JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influenza, CF : 0,7 dengan menganggap E1 : batuk, E2 :demam, E3 :sakit kepala, E4:bersinbersin, dan H:influenza, nilai certainty factor pada saat evidence pasti adalah : CF(H,E) : CF(H,E1 E2 E3 E4) : 0,7 Dalam kasus ini , kondisi pasien tidak dapat ditentukan dengan pasti . Certainty factor evidence E yang dipengaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai berikut : CF(E1,e) : 0,5 (pasien mengalami batuk 50%) CF(E2,e) : 0,8 (pasien mengalami demam 80%) CF(E3,e) : 0,3 (pasien mengalami sakit kepala 30%) CF(E4,e) : 0,7 (pasien mengalami bersin-bersin 70%)

21

Sehingga CF(E,e) = CF(H,E1 E2 E3 E4)

= min[CF(E1,e), CF(E2,e), CF(E3,e), CF(E4,e)] = min[0,5, 0,8, 0,3, 0,7] = 0,3 Maka nilai certainty factor hipotesis adalah : CF(H,e) = CF(E,e)* CF(H,E) = 0,3 * 0,7 = 0,21

Contoh perhitungan certainty factor menggunakan evidence dengan angka positif: Seorang pasien menderita air liur menetes dan ada yang tumbuh di mulut. Kemungkinan penyakit yang diderita oleh pasien tersebut beserta nilai kepercayaannya (CF) dapat dihitung sebagai berikut: [ ] { [ ] [ ] ( [ [ [ [ ] ]) ] ])(2.13)

[ (2.14)

]

{

[

]

[

] (

Setelah MB dan MD didapat, maka dihitung menggunakan : CF=MB(h,e1)-MD(h,e2) (2.15)

Berdasarkan gejala yang diberikan, maka dapat dihitung kemungkinan penyakit dan nilai CF: 1. Menggunakan perhitungan manual dengan rumus :

22

a. CF[abses peritonsiler, air liur menetes] = MB[abses peritonsiler, air liur menetes]-MD[abses peritonsiler, air liur menetes] = 1 0 = 1 b. MB[abses peritonsiler, air liur menetes ada yang tumbuh di mulut] =

MB[abses peritonsiler, air liur menetes]+MB[abses peritonsiler, ada yang tumbuh di mulut]*(1-MB[abses peritonsiler, air liur menetes]) = 1 + 1 * (1-1) = 1 c. MD[abses peritonsiler, air liur menetes ada yang tumbuh di mulut] =

MD[abses peritonsiler, air liur menetes]+MD[abses peritonsiler, ada yang 12 d. tumbuh di mulut]*(1-MD[abses peritonsiler, air liur menetes]) = 0 + 0 * (1-0) = 0 e. CF[abses peritonsiler, air liur menetes 0=1 Maka, hasil perhitungan diperoleh bahwa pasien tersebut terdiagnosa menderita penyakit abses peritonsiler dengan nilai CF sebesar 1. ada yang tumbuh di mulut] = 1

2.2.5. Pemrograman Delphi Borland Delphi 7.0 adalah suatu bahasa pemrograman yang terintegrasi berbasis windows. Borland Delphi 7.0 yang sering disebut Delphi 7.0 dapat digunakan untuk membangun sebuah aplikasi sederhana, aplikasi berbasis database ( stand alone atau client/server ) sampai dengan aplikasi yang berbasis internet. Delphi 7.0 memiliki berbagai tools sehingga memudahkan pengguna untuk membangun sebuah aplikasi. Tools yang tersedia di dalam IDE ( Integrated Development Environment ) tergantung pada edisi 7.0 (Pujianto, 2007)

23

Delphi merupakan pengembangan dari bahasa Pascal. Delphi telah memanfaatkan suatu teknik pemrograman yang disebut RAD yang telah membuat pemrograman menjadi lebih mudah. Delphi adalah suatu bahasa pemrograman yang telah memanfaatkan metode pemrograman Object Oriented Programming (OOP). Delphi dapat digolongkan ke dalam bahasa pemrograman tingkat tinggi (high typed language) karena segala kemudahan yang ditawarkan untuk perancangan sebuah aplikasi. Ada beberapa keuntungan utama yang dapat diperoleh dari penggunaan Delphi dalam perancangan aplikasi, antara lain : 1. Pemrograman aplikasi yang cepat, sederhana dan mudah. Dengan teknik drag and drop, maka akan sangat memudahkan programmer dalam merancang tampilan suatu program. Bahkan untuk para pemula sekalipun. Hanya dengan menambahkan kode pada masing-masing komponen, maka sudah didapatkan sebuah apilkasi jadi. 2. Banyak dukungan untuk pengembangan kemampuan aplikasi dan

kemampuan para programmer delphi. Banyak pengembang pihak ketiga yang menyediakan sumber-sumber pengetahuan, pelatihan, fasilitas download komponen gratis yang sangat berguna dalam perancangan aplikasi. 3. Delphi memiliki kompatibilitas yang baik antara versi pertama dengan versi terbarunya. Banyak programmer dan developer yang membuat program merasa kewalahan dengan perkembangan bahasa pemrograman yang pesat, dan aplikasi yang dirancang dengan versi lama/awal tidak dapat dijalankan

24

dengan versi terbaru. Selain itu, teknik penulisan (syntax) dari delphi versi pertama tetap sama dan konsisten dengan versi yang terbaru sekalipun. 4. Jenis aplikasi yang dapat dirancang dengan delphi sangat luas dan bervariasi. Sebagian besar adalah aplikasi umum, seperti yang biasa dirancang oleh kalangan pendidikan dan praktisi. Misalnya aplikasi matematis, pengolah kata, komputer grafis, multimedia dan sebagainya. (Komputer, 2006)

25

2.3.

Kerangka Pemikiran

MasalahMembandingkan hasil identifikasi gangguan somatoform oleh psikolog dengan sistem pakar

Pendekatan Metode Certainty Factor

Pengembangan Analisa & Desain : UML Coding: Borland Delphi 7.0 Testing : Whitebox & Blackbox

Implementasi

Diva Roetji HR Consulting

Pengujian Uji Komparasi Perbandingan Pakar dan Sistem

Hasil Perbandingan Hasil Identifikasi Gangguan Somatoform oleh Psikolog dan Sistem Pakar

Gambar 2. 5. Kerangka Pemikiran

BAB III METODE PENELITIAN

3.1.

Analisa Kebutuhan Sistem pakar yang akan dibangun adalah sebuah sistem pakar untuk

mengidentifikasi gangguan somatoform pada pasien dengan metode Certainty Factor. Sistem pakar dengan metode CF ini bekerja dengan mengadaptasi pengetahuan dari pakar serta didukung dengan literatur-literatur yang berkaitan dengan gangguan somatoform, baik dari buku-buku psikologi maupun dari internet. Setelah mengamati dan mencari informasi baik dari pakar (psikolog) diketahui bahwa gangguan somatoform memiliki gejala-gejala yang menyertainya dan beberapa tipe gangguan somatoform tersebut memiliki gejala yang sama. Sistem pakar ini dibangun untuk memberikan informasi pengetahuan berupa angka keyakinan tipe gangguan somatoform yang diderita pasien berdasarkan keluaran certainty factor kepada user dengan cara menganalisa gejala-gejala yang dialami pasien. Pada sistem ini use dapat memilih gejala-gejala yang dialaminya, selanjutnya sistem akan memberikan output berupa tipe gangguan somatoform yang teridentifikasi.

3.1.1. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah model kuantitatif. Penelitian kuantitatif bertujuan untuk mengimplementasikan aplikasi

26

27

sistem pakar identifikasi gangguan somatoform pada pasien dengan metode certainty factor, jenis data yang digunakan adalah data primer dan data sekunder. Data primer diperoleh secara langsung dari sumber, dengan melakukan pengambilan data ke Diva Roetji HR Consulting, adapun data primer yang diperoleh yaitu tipe-tipe gangguan somatoform beserta gejala-gejala yang dialami pasien. 3.1.2. Metode Pengumpulan Data Metode pengumpulan data adalah metode yang digunakan dalam pengumpulan data dan proses penelitian yang diperlukan dalam pembuatan laporan penelitian, adapun teknik yang digunakan dalam pengumpulan data penelitian ini adalah : 1. Metode Kepustakaan (Library Research) Metode ini digunakan untuk mengumpulkan data-data dan rumus-rumus yang diperlukan dalam proses penelitian dengan mempelajari dan mengkaji teoriteori melalui buku-buku atau literatur yang berhubungan dengan tema yang dibahas. 2. Wawancara (Interview) Metode ini dilakukan dengan mengadakan tanya jawab (wawancara) secara langsung dengan pihak-pihak yang berkaitan dengan informasi dan proses yang akan dibahas. Wawancara dilakukan dengan para pakar psikolog yaitu Aziza Fitriah, M.Psi, Dina Aprilia, M.Psi, dan Irfan Fitriadi, M.Psi.

28

3.2.

Perancangan Penelitian

3.2.1. Diagram Konteks Diagram konteks merupakan gambaran umum mengenai interaksi yang terjadi antara sistem dengan admin dan user. Diagram konteks dari sistem ini ditunjukkan pada gambar. Pada diagram konteks ini digambarkan proses umum yang terjadi didalam sistem.

Data Gejala Data Tipe Gangguan Somatoform Data Pengetahuan ADMIN Informasi Gejala Informasi Tipe Gangguan Somatoform Informasi Pengetahuan

Sistem Pakar Identifikasi Gangguan Somatoform pada Pasien

Hasil Identifikasi Informasi

Data Gejala

USER

Gambar 3. 1. Diagram Konteks

3.2.2. Use Case Diagram Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem terlihat dimatapengguna. Sasaran pemodelan use case diantaranya adalah mendefinisikan kebutuhan fungsional dan operasional sistem dengan

mendefinisikan skenario penggunaan yang disepakati antara pemakai dan pengembang (developer). Use case diagram dapat dilihat pada gambar di bawah ini :

29

uc Primary Use Cases Sistem Pakar Identifikasi Gangguan Somatoform

Mengelola Data Gej ala include Login Admin Mengelola Data Gangguan include

include

Mengelola Data Pengetahuan

include

Mengelola Data Informasi

Identifikasi Gangguan Somatoform

User Hasil Identifikasi Lihat Informasi

Gambar 3. 2. Use Case Diagram

3.2.3. Sequence Diagram Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atas waktu dan objekobjek terkait. Sequence diagram biasa digunakan untuk menggambarkan scenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan.

30

Berikut ini sequence diagram login :sd Login

Admin

Menu Login

Kontrol Login

Database

Pilih menu login()

Input nama dan kata sandi() [Buka database : tbl_pguna] : cek detail pengguna ()

Detail pengguna()

[nama dan sandi tidak valid] : tampil pesan()

validasi login()

[Login gagal = 3 kali] : keluar()

[Login berhasil] : panggil menu admin()

Tampil menu admin()

Gambar 3. 3. Sequence Diagram Login

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses login.

31

Berikut ini sequence diagram mengelola data gejala :sd Data Gej ala

Admin

Form Data Gejala

Control Data Gejala

Tabel Gejala

Pilih form()

Panggil form() Tampil form() Buka tabel()

Pilih tambah data baru() Input data gejala() Proses query()

[Simpan data = 'YES' ]: simpan data baru()

update data()

[Data berhasil ditambahkan] : tampil pesan()

[Simpan data = 'NO' ]: batal()

Pilih ubah data() Input ubah data() Proses query() Update data()

[Simpan ubah = 'YES' ]: simpan data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal()

Pilih hapus data() Hapus data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus()

[Hapus data = 'YES' ] : hapus data()

Update data()

[data berhasil dihapus ] : tampil pesan()

[Hapus Data = 'NO' ] : batal()

Pilih Keluar() Tutup form() Tutup tabel()

Gambar 3. 4. Sequence Diagram Data Gejala

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data gejala.

32

Berikut ini sequence diagram mengelola data gangguan :sd Data Gangguan

Admin

Form Data Gangguan Pilih form() panggil form() Tampil form()

Kontrol Data Gangguan

Tabel Gangguan

Buka tabel() Pilih tambah data baru() Input data gangguan() Proses query()

[Simpan data = 'YES' ]: simpan data baru()

Update data()

[Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal()

Pilih ubah data() Input ubah data() Proses query() Update data()

[Simpan ubah = 'YES' ]: simpan data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal() Pilih hapus data() Hapus Data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus()

[Hapus data = 'YES' ] : hapus data() [data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal() Pilih keluar() Tutup form() Tutup tabel()

Gambar 3. 5. Sequence Diagram Data Gangguan

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data gangguan.

33

Berikut ini sequence diagram mengelola data pengetahuan :sd Data Pengetahuan

Admin

Form Data Pengetahuan Pilih form() Panggil form()

Kontrol Data Pengetahuan

Tabel Pengetahuan

Buka tabel() Tampil form()

Pilih tambah data baru() Input rule & nilai MD, MD() Proses query() Update data()

[Simpan data = 'YES' ]: simpan data baru()

[Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal()

Pilih ubah data()

Input ubah data() Proses query() Update data()

[Simpan ubah = 'YES' ]: simpan data()

[Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal()

Pilih hapus data() Hapus data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus()

[Hapus data = 'YES' ] : hapus data()

[data berhasil dihapus ] : tampil pesan()

[Hapus Data = 'NO' ] : batal() Pilih keluar() Tutup form() Tutup tabel()

Gambar 3. 6. Sequence Diagram Data Pengetahuan

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data pengetahuan.

34

Berikut ini sequence diagram mengelola data informasi :sd Data Informasi

Admin

Form Data Informasi Pilih form() Panggil form()

Kontrol Data Informasi

Tabel Informasi

Buka tabel() Tampil form()

Pilih tambah data baru()

Input data informasi() Proses query() [Simpan data = 'YES' ]: simpan data baru() Update data()

[Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal() Pilih ubah data() Input ubah data() Proses query()

[Simpan ubah = 'YES' ]: simpan data() Update data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal()

Pilih hapus data() hapus data() Validasi hapus() [konfirmasi hapus data ] : tampil pesan ()

[Hapus data = 'YES' ] : hapus data()

[data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal()

Pilih keluar() Tutup form() Tutup tabel()

Gambar 3. 7. Sequence Diagram Data Informasi

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses mengelola data informasi.

35

Berikut ini sequence diagram identifikasi gangguan :sd Proses Identifikasi

User

Form identifikasi

Kontrol Identifikasi

Database

Pilih form() Panggil form() Buka database() [tampil data gejala] : tampil form()

Pilih gejala() Input gejala() Proses Inferensi() Detail rule dengan nilai MB & MD() cari rule serta nilai MB & MD()

[Tampil] : seluruh hasil perhitungan nilai CF dari proses identifikasi() Pilih lihat hasil identifikasi()

Hasil identifikasi() [tampil] : seluruh hasil proses identifikasi dengan nilai CF tertinggi()

Pilih cetak hasil identifikasi()

Proses cetak laporan()

Laporan hasil identifikasi()

Pilih keluar() Tutup Form() Tutup Database()

Gambar 3. 8. Sequence Diagram Identifikasi

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses identifikasi gangguan somatoform.

36

Berikut ini sequence diagram lihat informasi :sd Interaction

User

Form informasi

Kontrol Informasi

Database

Pilih form() Panggil form() Buka database() [tampil informasi] : tampil form()

Lihat informasi()

Pilih keluar()

Tutup Form() Tutup database()

Gambar 3. 9. Sequence Diagram Lihat Informasi

Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses lihat informasi. 3.2.4. Activity Diagram Diagram aktifitas (Activity diagram) memodelkan urutan aktifitas dalam suatu proses.

37act login

Mulai

Pilih menu data

menu login

input nama, sandi

[[login gagal] : nama & sandi tidak valid] cek detail pengguna

buka database [tbl_pguna]

v alidasi login

[login berhasil]

tampil menu admin

selesai

Gambar 3. 10. Activity Diagram Login

Untuk dapat mengakses menu data, maka admin diharuskan login terlebih dahulu, isi nama dan kata sandi yang disediakan, jika nama dan kata sandi tidak valid maka akan tampil pesan peringatan, jika nama dan kata sandi ditemukan, maka login berhasil dan dapat

38

mengakses data gejala, data gangguan, data informasi, dan data pengetahuan.act Data gej ala

Mulai

Pilih data gej ala

[[simpan data] = 'NO']

tampil data gej ala

Pilih tombol tambah

Pilih tombol ubah

Pilih tombol hapus

Pilih tombol keluar

[[hapus data] = 'NO'] Input data Input ubah Hapus data Simpan data Simpan ubah

Tutup Form

[[simpan ubah] = 'NO']

Tutup tabel

[[simpan ubah] = 'YES'] [[hapus data] = 'YES']

[[simpan data] = 'YES']

datastore tbl_gej ala

selesai

Gambar 3. 11. Activity Diagram Data Gejala

Diawali dengan tampil menu data gejala yang berfungsi untuk menambah gejalagejala baru tentang gangguan somatoform, pada menu ini terdapat tombol tambah, tombol, simpan, tombol ubah,tombol batal, tombol hapus dan tombol keluar untuk kembali ke menu admin.

39act Data Gangguan

Mulai

Pilih form data gangguan

[[simpan data] = 'NO']

tampil data gangguan

Pilih tombol tambah

Pilih tombol ubah

Pilih tombol hapus

Pilih tombol keluar

Input data

Input ubah Hapus data

[[hapus data] = 'NO']

Tutup Form

Simpan data

Simpan ubah

[[simpan ubah] = 'NO']

Tutup tabel

[[simpan ubah] = 'YES'] [[hapus data] = 'YES'] datastore tbl_gangguan

[[simpan data] = 'YES']

selesai

Gambar 3. 12. Activity Diagram Data Gangguan

Diawali dengan tampil menu data gangguan yang berfungsi untuk menambah jenis gangguan somatoform, pada menu ini terdapat tombol tambah, tombol, simpan, tombol ubah,tombol batal, tombol hapus dan tombol keluar untuk kembali ke menu admin.

40

act Data Pengetahuan

Mulai

Pilih form data pengetahuan

[[simpan data] = 'NO']

tampil data pengetahuan

Pilih tombol tambah

Pilih tombol ubah

Pilih tombol hapus

Pilih tombol keluar

[[hapus data] = 'NO'] Input data Input ubah Hapus data Simpan data Simpan ubah

Tutup Form

Tutup tabel [[simpan ubah] = 'NO']

[[simpan ubah] = 'YES']

[[hapus data] = 'YES']

datastore tbl_ptahuan [[simpan data] = 'YES']

selesai

Gambar 3. 13. Activity Diagram Data Pengetahuan

Diawali dengan tampil menu data pengetahuan yang berfungsi sebagai rule pada sistem pakar yang dibuat ini, pilih nama gejala dan nama gangguan kemudian isi nilai MB dan MD pada gejala dan gangguan tersebut. pada menu ini terdapat tombol tambah, tombol, simpan, tombol ubah,tombol batal, tombol hapus dan tombol keluar untuk kembali ke menu admin.

41act Data Informasi

Mulai

Pilih form data informasi

[[simpan data] = 'NO']

tampil data informasi

Pilih tombol tambah

Pilih tombol ubah

Pilih tombol hapus

Pilih tombol keluar

Input data

Input ubah Hapus data

[[hapus data] = 'NO']

Tutup Form

Simpan data

Simpan ubah

[[simpan ubah] = 'NO']

Tutup tabel

[[simpan ubah] = 'YES']

[[hapus data] = 'YES']

[[simpan data] = 'YES']

datastore tbl_info

selesai

Gambar 3. 14. Activity Diagram Data Informasi

Diawali dengan tampil menu data informasi yang berfungsi untuk menambah data-data informasi tentang gangguan somatoform, pada menu ini terdapat tombol tambah, tombol, simpan, tombol ubah,tombol batal, tombol hapus dan tombol keluar untuk kembali ke menu admin.

42act Activ ity

mulai

Pilih form identifikasi

Tampil data gej ala

Pilih gej ala

Pilih tombol keluar

Centang gej ala yang dipilih

Tutup form

cari rule serta nilan MB & MD (tbl_ptahuan)

Hitung nilai MB & MD (nilai CF)

Tampil hasil identifikasi gangguan somatoform dengan nilai CF tertinggi

Pilih cetak hasil

Laporan Hasil Identifikasi selesai

Gambar 3. 15. Activity Diagram Proses Identifikasi

Setelah tampil menu proses identifikasi, maka pilih gejala-gejala yang disediakan, kemudian akan tampil proses perhitungannya, tekan tombol proses untuk mengetahui nilai CF masing-masing gangguan somatoform.

43act Lihat Informasi

mulai

Pilih form informasi

Tampil data informasi

Lihat informasi

Pilih tombol keluar

Tutup Form selesai

Gambar 3. 16. Activity Diagram Lihat Informasi

3.2.5. Desain Database 3.2.5.1 Rancangan Tabel Berikut adalah tabel-tabel yang digunakan dalam sistem pakar identifikasi gangguan somatoform yang terdiri dari : 1. Tabel Pengguna Nama tabel : tbl_pguna Fungsi tabel : untuk menyimpan data login adminTabel 3. 1. Tabel Login

No 1 2

Nama Field nama sandi

Type Varchar Varchar

Size 30 30

Keterangan Nama pengguna Kata sandi

44

2. Tabel Gejala Nama tabel : tbl_gejala Fungsi : untuk menyimpan data gejala dari gangguanTabel 3. 2. Tabel Gejala

No 1 2

Nama Field Id_gejala gejala

Type Integer Varchar

Size 4 200

Keterangan Id Gejala Nama Gejala

3. Tabel Gangguan Nama tabel : tbl_gangguan Fungsi : untuk menyimpan data tipe-tipe gangguanTabel 3. 3. Tabel Gangguan

No 1 2 3 4

Nama Field Id_gangguan gangguan ket Nilai_cf

Type Integer Varchar longtext Double

Size 4 40 -

Keterangan Id gangguan Nama Gangguan Somatoform Keterangan Nilai CF

4. Tabel Pengetahuan Nama tabel : tbl_ptahuan Fungsi : untuk menyimpan data pengetahuanTabel 3. 4. Tabel Pengetahuan

No 1 2 3

Nama Field Id_ptahuan Id_gejala Id_gangguan

Type Integer Integer Integer

Size 5 4 4

Keterangan Id Pengetahuan Id Gejala Id Gangguan

45

4 5

Nilai_mb Niai_md

Double Double

-

Nilai MB Nilai MD

5. Tabel Informasi Nama tabel : tbl_info Fungsi : untuk menyimpan data informasi gangguanTabel 3. 5. Tabel Informasi

No 1 2 3

Nama Field Id_info Judul isi

Type Integer Varchar longtext

Size 4 250 Id info Judul Isi

Keterangan

3.2.5.2 Relasi Tabel Berikut adalah relasi tabel yang terdapat dalam sistem. Dimana terdapat tabel yang berelasi yaitu tbl_gejala, tbl_gangguan dan tbl_ptahuan.

tbl_pgunanama sandi

tbl_infoId_info Judul isi

tbl_ptahuan tbl_gejalaId_gejala gejala Id_ptahuan Id_gejala Id_gangguan Nilai_Mb Nilai_Md

tbl_gangguanId_gangguan gangguan Ket Nilai_cf

Gambar 3. 17. Relasi Tabel

46

3.2.6. Desain Arsitektural Desain arsitektural sistem pakar identifikasi gangguan pada pasien adalah seperti gambar di bawah ini :

MENU UTAMA SISTEM PAKAR

Data

Proses

Informasi

Keluar

Login

Proses Identifikasi

Informasi Gangguan Somatoform

Data Gejala

Hasil Identifikasi

Data Gangguan

Laporan Hasil Identifikasi

Data Pengetahuan

Data Informasi

Kembali Ke Menu Utama

Gambar 3. 18. Desain Arsitektural

Dalam desain arsitektural sistem pakar yang dibangun seperti gambar diatas terdapat dua menu yang yang tersedia yaitu menu utama dan menu admin. Menu utama dapat diakses oleh pengguna atau user yang meliputi menu identifikasi dan menu informasi. Sedangkan menu admin hanya dapat diakses oleh pakar atau admin yang mengelola data master yang terdiri dari data gejala, data gangguan, data informasi, dan data pengetahuan. Untuk mengakses menu admin, terlebih dahulu mengisi menu login untuk menjaga keamanan sistem.

47

3.3.

Teknik Analisis Data Adapun analisis data yang terjadi dalam mengidentifikasi gangguan

somatoform pada pasien adalah sebagai berikut : 1.3.1 Analisis Basis Pengetahuan Dalam perancangan ini digunakan kaidah produksi sebagai sarana untuk representasi pengetahuan. Kaidah produksi sebagai sarana untuk representasi pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi]. Pada perancangan basis pengetahuan sistem pakar ini premis adalah gejala-gejala yang dialami oleh pasien dan konklusi adalah tipe gangguan somatoform yang diderita pasien, sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [tipe gangguan somatoform]. Bagian premis dalam aturan produksi dapat memiliki lebih dari satu proposisi yaitu berarti pada sistem pakar ini dalam satu kaidah dapat memiliki lebih dari satu gejala. Gejala-gejala tersebut dihubungkan dengan operator logika DAN. Bentuk pernyataannya adalah : JIKA [gejala1] DAN [gejala2] DAN [gejala3] MAKA [tipe gangguan somatoform] Adapun contoh kaidah sistem pakar identifikasi gangguan somatoform pada pasien adalah sebagai berikut : JIKA merasakan keluhan fisik selama beberapa tahun DAN merasakan nyeri di kepala atau perut atau punggung atau dada

48

DAN merasakan mual, kembung, muntah selain karena hamil kemudian diare atau alergi makanan DAN menstruasi tidak teratur atau disfungsi ereksi (ejakulasi dini) DAN kehilangan keseimbangan, sulit menelan, halusinasi atau rasa baal pada indera peraba, pandangan ganda, kebutaan, kejang MAKA gangguan somatisasi Metode penalaran yang digunakan dalam sistem ini adalah penalaran pelacakan maju (Forward Chaining) yaitu dimulai dari sekumpulan fakta-fakta tentang suatu gejala yang diberikan oleh user sebgai masukan sistem, untuk kemudian dilakukan pelacakan sampai tujuan akhir berupa analisis kemungkinan tipe gangguan somatoform yang diderita dan penjelasan tentang tipe gangguan somatoform tersebut. (Arhami, 2005)

1.3.2

Data Gejala Gangguan Somatoform Data gejala gangguan somatoform yang digunakan sebagai representasi

pengetahuan untuk menentukan tipe gangguannya dalam sistem pakar. Data berikut ini hasil dari para psikolog yang terlibat dalam penelitian ini yang menjadi pakarnya yaitu : 1. Sering merasakan nyeri pada bagian tubuh yang berbeda-beda. Minimal empat bagian yang dirasakan, seperti: Kepala, perut, punggung, persendian, dada, saat menstruasi, lambung dan saluran cerna, pada saat buang air. (Minimal 4 nyeri)

49

2.

Sering merasakan mual, muntah (bukan karena hamil), kembung, diare, menghindari beberapa jenis makanan. (Minimal 2 gejala)

3. Mengalami gejala seksual atau area reproduksi, seperti: menurun gairah seksual. 4. Mengalami gejala seksual atau area reproduksi, seperti: disfungsi ereksi. 5. Mengalami gejala seksual atau area reproduksi, seperti: menstruasi tidak teratur. 6. Mengalami gejala seksual atau area reproduksi, seperti: pendarahan mentruasi yang berlebihan. 7. Mengalami gejala seksual atau area reproduksi, seperti: muntah sepanjang kehamilan. 8. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa tidak seimbang. 9. Merasakan gangguan tidak hanya karena rasa nyeri, tapi mudah limbung. 10. Merasakan gangguan tidak hanya karena rasa nyeri, tapi lemas pada bagian tubuh tertentu. 11. Merasakan gangguan tidak hanya karena rasa nyeri, tapi sulit menelan. 12. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa ada benjolan di tenggorokan. 13. Merasakan gangguan tidak hanya karena rasa nyeri, tapi suara menghilang. 14. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa sulit menahan kencing. 15. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa halusinasi.

50

16. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa hilang sensasi sentuh atau rasa nyeri. 17. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa pandangan ganda. 18. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa kebutaan. 19. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa ketulian. 20. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa kejang. 21. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa hilang kesadaran. 22. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa pingsan. 23. Merasakan gangguan tidak hanya karena rasa nyeri, tapi merasa amnesia (lupa ingatan). 24. Merasakan gangguan dimulai sebelum usia 30 tahun, terjadi selama beberapa tahun terakhir (Minimal 5-6 bln terakhir). 25. Kondisi yang dirasakan, tidak dikarenakan oleh sebuah konsisi medis umum yang dikarenakan karena efek pengobatan, ataupun karena cedera. 26. Kondisi yang dirasakan bukan dikarenakan riwayat penyakit yang sudah pernah diderita, melebihi dari hasil pemeriksaan fisik ataupun hasil laboratorium. 27. Gejala tidak ditimbulkan dengan sengaja atau dibuat-buat atau dikarenakan kondisi gangguan buatan atau pura-pura. 28. Merasakan satu gejala atau lebih yang mengganggu pada fungsi gerak tubuh, atau sistem perasa pada tubuh, yang mengarah pada gangguan saraf atau kondisi medis lainya.

51

29. Adanya kondisi masalah psikologis seperti konflik dengan orang lain. 30. Adanya kondisi masalah psikologis seperti masalah yang dialami cukup berat. 31. Adanya kondisi masalah psikologis stress. 32. Adanya kondisi masalah psikologis seperti tekanan dalam kehidupan. 33. Gejala tidak dapat dijelaskan secara medis. 34. Gejala tidak dapat karena efek langsung suatu zat atau obat-obatan. 35. Gejala tidak sebagai perilaku/pengalaman yang diterima secara kultural. 36. Yang anda rasakan tidak hanya rasa nyeri atau masalah kesehatan seksual. 37. Yang anda rasakan tidak juga karena perjalanan gangguan somatisasi. 38. Yang anda rasakan tidak dapat diterangkan oleh gangguan lain. 39. Keyakinan akan merasakan ketakutan karena masalah kondisi tubuh dengan adanya penyakit yang serius. 40. Keyakinan yang kuat akan merasakan sakit berlebihan dari gejala-gejala tubuh yang tidak sesuai dengan hasil pemeriksaan medis yang ada. 41. Merasakan sakit atau terganggu pada bagian tubuh, yang serasa tidak sesuai dengan kondisi medisnya, dan cenderung menetap. 42. Rasa sakit atau gangguan tubuh yang dirasakan tidak dikarenakan karena gangguan delusi atau somatis dan tidak terbatas pada kekhawatiran tentang penampilan tubuh. 43. Gangguan dirasakan kurang lebih 6 bulan terakhir. 44. Keyakinan gangguan tubuh berat yang dirasakan tidak dapat diterangkan lebih oleh gangguan kecemasan umum, gangguan obesesif kompulsi,

52

gangguan panik, gangguan depresi berat, cemas perpisahan, atau gangguan somatoform lain. 45. Keyakinan yang kuat akan bayangan cacat dalam penampilan. (Ada sedikit kondisi yang kurang normal). 46. Keyakinan yang berlebihan tidak dapat diterangkan lebih baik oleh gangguan mental lain. Misalnya ketidak puasan dengan bentuk dan ukuran tubuh pada anoreksia nervosa. 47. Merasakan nyeri pada satu bagian tubuh (kepala, leher, punggung, perut, mata, sendi, payudara, gigi, tenggorokan, saluran kemih, telinga, ginjal wajah, tulang, dll) atau lebih, dirasakan parah. 48. Ada hubungan dengan masalah psikologis yang dirasakan yang menyertai rasa nyeri tersebut. 49. Gejala nyeri tidak dikarenakan gangguan buatan atau yang sengaja dibuatbuat. 50. Nyeri tidak dapat diterangkan lebih baik dalam gangguan mood, kecemasan, psikotik. 51. Nyeri dirasakan kurang lebih 3-6 bulan terakhir. 52. Gangguan yang dirasakan menyebabkan penderitaan yang bermakna, menggangu fungsi sosial, pekerjaan atau fungsi yang lain.

1.3.3

Analisis Certainty Factor Ada 2 tahap model yang sering digunakan untuk menghitung tingkat

keyakinan (CF) dari sebuah rule, yaitu sebagai berikut :

53

a. Dengan menggali dari hasil wawancara denga pakar. Nilai CF didapat dari interpretasi term dari pakar menjadi nilai MD atau MB tertentu. Yang digunakan untuk menghitung nilai CF dari suatu rule dengan beberapa metode.Tabel 3. 6. Nilai Interpretasi untuk MB dan MD

Certainty Term Tidak tahu / tidak ada Mungkin Kemungkinan Besar Hampir Pasti Pasti

MB / MD 0-0.2 0.4 0.6 0.8 1.0

Sumber : (Kusrini, Sistem Pakar Teori dan Aplikasi, 2006)

Adapun penilaian MB MD yang dilakukan oleh pakar terhadap gejala-gejala gangguan somatoform (Anxiety Disorders) berdasarkan certain term dari metode certainty factor diantaranya : Nilai MB MD (keyakinan/ketidakyakinan) = 0-0.2 (tidak tahu/ tidak ada) terhadap tiap gejala untuk gangguan somatisasi yang diberikan pakar didasarkan pada pengetahuan pakar terhadap gejala Merasakan keluhan fisik terus-menerus untuk MB = 1 dan MD = 0, maka pakar sangat yakin bahwa gejala tersebut merupakan gejala dari gangguan somatisasi, tetapi jika MB = 0.2 dan MD = 0.8 pada gejala nyeri pada satu tempat atau lebih yang artinya gejala tersebut bukan merupakan tipe dari gangguan somatisasi dan tingkat keyakinannya bahwa gejala tersebut tidak ada pada gangguan somatisasi hampir pasti. b. Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran kepastian suatu fakta atau aturan.

54

Dalam analisis ini digunakan tabel pengetahuan untuk mengetahui nilai MB dan MD dari masing-masing gejala, tabel ini melakukan penyimpanan terhadap data yang telah didapat yaitu informasi gejala dan tipe gangguan somatoform yang berisi data gejala dan tipenya beserta nilai MD dan MD dari gejala yang mempengaruhi nilai CF dari tipe gangguan somatoform. Nilai MB dan MD didapat dari hasil wawancara dan konsultasi dengan pakarnya. Adapun contoh tabel pengetahuannya sebagai berikut :

Tabel 3. 7. Contoh Tabel Pengetahuan Tipe No. Gejala Merasakan keluhan fisik 1 terus-menerus Kehilangan rasa pada tubuh 2 (anestesi) Nyeri pada satu atau lebih 3 tempat anatomis 0.6 0.2 0.6 0.4 1 0.2 0.8 0.2 1 0 0.6 0.4 MB 1 MD 0 MB 0.4 MD 0.8 MB 0.4 MD 0.8 SO KO NY

Keterangan : SO = Gangguan Somatisasi, KO = Gangguan Konversi, NY = Gangguan Nyeri

55

3.4.

Jadwal Penelitian Penelitian ini akan dilaksanakan dengan mengikuti estimasi jadwal yang

telah disusun seperti pada tabel di bawah ini :Tabel 3. 8. Tabel Estimasi Jadwal

Bulan Ke NO KEGIATAN 1 2 3 4 5 6

1 2 3 4

Penentuan Masalah Analisis Desain Membuat Program Testing dan Implementasi Pembuatan Laporan

5

6

Keterangan : : Pelaksanaan Kegiatan

DAFTAR PUSTAKA

Admin. (2009). Perhitungan Metode Certainty Factor. Bandung: Digital Library Telkom Institute Of Technology. Anonim. (2011, September). Gangguan Somatoform. Retrieved from

http://www.psychologymania.com/2011/09/gangguan-somatoformsomatoform.html Arhami, M. (2005). Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset. Arvi, V. E. (2010). Penggunaan Certainty Factor Dalam Perancangan Sistem Pakar untuk Mendiagnosis Penyakit Atheroskerosis. Medan: Universitas Sumatra Selatan. Davidson, G. C., Neale, J. M., & Kring, A. M. (2006). Psikologi Abnormal Edisi Ke-9. Jakarta: PT RajaGrafindo Persada. Fitrisyah, A. (2010). Gangguan Somatoform. Jambi. Harawi, A. (2011). Aplikasi Sistem Pakar Psikiatrik pada Bidang Manajemen Kepribadian Menggunakan Program Visual Basic. Medan: Universitas Sumatera Utara. Komputer, W. (2006). Teknik Antarmuka Mikrokontroller dengan Komputer Berbasis Delphi. Jakarta: Salemba Infotek. Kusrini. (2006). Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya. Yogyakarta: STMIK AMIKOM Yogyakarta. Kusrini. (2006). Sistem Pakar Teori dan Aplikasi. Yogyakarta: Andi. Kusumadewi, S. (2003). Artificial Inteligence (Teknik dan aplikasinya). Yogyakarta: Graha Ilmu. Librina, N. I. (2011). Perancangan Sistem Pakar Untuk Diagnosis Gangguan Pernapasan pada Anak dengan Metode Forward Chaining. Medan: Universitas Sumatera Utara.

56

Marlan, S. &. (2007). Komputer Masa Depan. Yogyakarta: Andi Offset. Pujianto, S. (2007). Trik Pemrograman Delphi 7.0. Jakarta: PT. Elax Mdia Komputindo. Puspitasari, D. (2010). Sistem Pakar Diagnosa Diabetes Nefropaty dengan Metode Certainty Factor Berbasis Web. Surabaya: Politeknik Elektro Negri Surabaya ITS. Rohman, Fahrur, F., & Fauzijah, A. (2008). Rancang Bangun Aplikasi Sistem Pakar untuk Menentukan Jenis Gangguan Perkembangan pada Anak. Yogyakarta: Universitas Islam Indonesia. S., B., Geogrorius, & Intan, R. (2006). Probabilitas Penggunaan premis untuk Menentukan Certainty Factor Dari Rule. Surabaya: Universitas Kristen Petra Surabaya. Tuty, L. W. (2011). Sistem Pakar Untuk Analisis Anak Autisme Dengan Metode Certainty Factor. Banjarmasin: STMIK Banjarbaru.

57

DAFTAR RIWAYAT HIDUP

a.

Data Personal NIM Nama : 3101 0802 0973 : Wanda Suryanata

Tempat / Tgl. Lahir : Banjarmasin, 4 Maret 1990 Jenis Kelamin Agama Status Perkawinan Jenjang Program Studi Alamat Rumah Hp Email ID Messenger b. Pendidikan Formal Jenjang SD SMP SMA Nama Lembaga SD Pengambangan 11 SMP 6 Banjarmasin SMA 7 Banjarmasin IA Jurusan Tahun Lulus 2002 2005 2008 : Laki - laki : Islam : Lajang : Strata Satu (S1) : Teknik Informatika : Jln. Keramat Raya Komp. Guru SD Pengambangan 3 : 081952876213 : wanda_suryanata@yahoo.com : wanda_suryanata

Demikianlah daftar riwayat hidup ini dibuat dengan sebenarnya. Banjarmasin, 17 Maret 2012 Mahasiswa Ybs.,

Wanda Suryanata.

58