SISTEM PAKAR DIAGNOSA GEJALA, PENYAKIT DAN TERAPI PADA PENDERITA AUTIS MENGGUNAKAN METODE RULE BASED SYSTEM

Estu Rizky H (5212100085)Jurusan Sistem InformasiFakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember Surabaya, Jalan Raya ITS, Kampus ITS Sukolilo Surabaya, Jawa Timur 60111, Indonesiaestu.rizky12@mhs.is.its.ac.idAndy Novian Ragiltya(5212100052)Jurusan Sistem InformasiFakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember Surabaya, Jalan Raya ITS, Kampus ITS Sukolilo Surabaya, Jawa Timur 60111, Indonesiaandy.novian12@mhs.is.its.ac.id

Tania Rahma (5212100125)Jurusan Sistem InformasiFakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember Surabaya, Jalan Raya ITS, Kampus ITS Sukolilo Surabaya, Jawa Timur 60111, Indonesiatania.rahma12@mhs.is.its.ac.id

ABSTRAKDiagnosa penyakit autis pada anak sejak dini merupakan hal yang sangat penting untuk diperhatikan terkait dengan proses tumbuh kembang anak. Namun, kerap kali masyarakat masih menganggap bahwa autisme merupakan sesuatu hal yang tabu dan tidak layak untuk diperbincangkan. Hal tersebut dikarenakan masih sangat kurangnya pengetahuan dan pemahaman masyarakat akan penyakit autis. Banyak dari penyandang autis yang merasa terdiskriminasi, begitu pula dengan keluarga penderita yang tidak tahu harus kemana untuk mencari alternatif terapi yang dapat diberikan kepada penderita. Oleh karena itu diperlukan sebuah sistem yang dapat membantu penderita autis dan masyarakat untuk mengetahui penanganan yang tepat yang dapat dilakukan berdasarkan kondisi atau gejala yang ada.Sistem pakar (Expert System) merupakan program berbasis pengetahuan yang menyediakan solusi-solusi dengan kualitas ahli untuk permasalahan-permasalahan pada bidang tertentu, salah satunya pada bidang kesehatan. Dengan mengadopsi teknologi pada sistem pakar dengan menggunakan metode Rule Based System, maka dapat diperoleh suatu sistem diagnosis penyakit autis pada anak sejak dini. Sistem diharapkan dapat mendeteksi tingkat autis anak berdasarkan gejala-gejala yang muncul dan usia dari anak, serta sistem dapat menampilkan penanganan atau terapi yang sesuai bagi penderita autis.Kata Kunci: Autis, Expert System, Rule Based SystemI. PendahuluanDeteksi penyakit sejak dini merupakan usaha yang harus dilakukan oleh orang tua guna mengantisipasi adanya penyakit-penyakit yang dapat mengancam perkembangan sang buah hati. Salah satu penyakit yang sangat berbahaya bagi tumbuh kembang anak adalah Autisme. Autisme atau ASD (Autistic Spectrum Disorder) identik dengan adanya gangguan perkembangan dalam hal komunikasi, interaksi maupun aktivitas imajinasi yang diderita oleh anak. Seorang anak penderita autis memiliki masalah dalam hal berkomunikasi, berinteraksi sosial, gangguan sensoris, pola bermain, perilaku serta emosi, dan lain sebagainya (1).Di Amerika Serikat, ditemukan bahwa kelainan autisme pada anak empat kali lebih sering terjadi pada anak laki-laki dibandingkan perempuan, dimana sebagian besar penderita penyakit autisme merupakan warga keturunan Eropa-Amerika dibandingkan lainya (2). Di Indonesia sendiri, pada tahun 2013 terdapat lebih dari 112.000 anak penyandang penyakit autisme dalam rentang usia 5-19 tahun (3). Bahkan menurut UNESCO pada tahun 2011 di dunia terdapat lebih dari 35 juta penyandang autis, dmana rata-rata 6 dari 1000 anak di dunia secara positif mengidap penyakit autisme.Penyebab kenaikan angka dari anak-anak penderita autisme antara lain disebabkan oleh kurangnya pengetahuan masyarakat mengenai penyakit autisme. Masyarakat dinilai masih sangat menyepelekan dan menganggap merupakan sesuatu hal yang tabu terhadap penyakit yang telah menelan jutaan korban di dunia ini (4). Akibatnya kerap terjadi diskriminasi terhadap anak-anak penyandang autis, dan banyak keluarga penyandang autis yang merasa kebingungan dalam mencari pertolongan untuk melakukan terapi pada anak. Di kota-kota besar, autis merupakan penyakit yang sudah mulai diketahui oleh masyarakat. Namun lain halnya dengan masyarakat di daerah-daerah terpencil, dimana autis merupakan penyakit yang dianggap tabu dan banyak masyarakat darah terpencil masih memiliki pengetahuan yang minim tentang autisme, sehingga infrastruktur dalam menangani penyakit ini juga masih sangat rendah.Berdasarkan kondisi di atas, dibutuhkan suatu teknologi yang dapat membantu seluruh lapisan masyarakat dalam mendeteksi penyakit autisme sejak dini. Ada berbagai macam teknologi yang dapat digunakan, diantaranya seperti Artificial Intelegent (Kecerdasan Buatan) dan Expert System (Sistem Pakar). Artificial Intelegent merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia, sedangkan Expert System (Sistem Pakar) adalah program berbasis pengetahuan yang menyediakan solusi-solusi dengan kualitas ahli untuk permasalahan-permasalahan pada bidang tertentu. Dengan mengadopsi kedua teknologi tersebut, maka dapat dibentuk sebuah sistem pakar yang dapat mendeteksi penyakit autisme sejak dini.Tujuan dari penelitian ini adalah membangun sebuah sistem pakar untuk mendiagnosa penyakit autisme pada anak sejak dini berbasis kecerdasan buatan (Artificial Intelegent) menggunakan teori Rule Based System yang diharapkan dapat membantu masyarakat untuk mendeteksi adanya penyakit autisme berdasar gejala-gejala yang terlihat sehari-hari, sekaligus memberikan cara penanganan sejak dini yang nantinya dapat dijadikan alternatif terapi autis sederhana bagi anak. II. Kajian Pustaka2.1 Expert SystemExpert System (Sistem Pakar) merupakan sistem yang berusaha mengadopsi pengetahuan manusia ke dalam komputer agar komputer dapat menyelesaikan suatu permasalahan selayaknya seorang ahli dalam bidangnya. Dalam perancangannya, sistem pakar mengombinasikan beberapa kaidah-kaidah penarikan kesimpulan atau inference rules berdasarkan suatu pengetahuan khusus yang telah diberikan oleh satu atau lebih pakar dalam bidang tertentu. Pengombinasian keduanya akan menghasilkan suatu sistem yang dapat membantu dalam pengambilan suatu keputusan.Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer yang berperan sebagai penghubung antara suatu sistem pakar dengan pakarnya.2. Modul Konsultasi (Consultation Mode). Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.3. Modul Penjelasan (Explanation Mode). Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).Komponen utama pada sistem pakar meliputi Knowledge Base (Basis Pengetahuan), Inference Engine (Mesin Inferensi), Working Memory dan User Interface (Antarmuka Pengguna).

Gambar 1. Komponen Utama Sistem PakarTerdapat beberapa keuntungan yang diperoleh dengan mengembangkan sistem pakar (Kusrini, 2006), antara lain :1. Membuat seorang yang awam dapat bekerja seperti layaknya seorang pakar.2. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti.3. Meningkatkan output dan produktivitas.4. Meningkatkan kualitas.5. Menyediakan nasihat atau solusi yang konsisten dan dapat mengurangi tingkat kesalahan.6. Membuat peralatan yang kompleks dan mudah dioperasionalkan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman.7. Sistem tidak dapat lelah atau bosan8. Memungkinkan pemindahan pengetahuan ke lokasi yang jauh serta memperluas jangkauan seorang pakar, dapat diperoleh atau dipakai dimana saja.Ada pula beberapa kelemahan yang diperoleh dengan mengembangkan sistem pakar, antara lain :1. Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya dilakukan secara otomatis oleh sistem.2. Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan dengan perangkat lunak konvensional.3. Biaya pembuatan mahal, karena seorang pakar membutuhkan pembuat aplikasi untuk membuat sistem pakar yang diinginkan.

2.1.1 Knowledge BaseKnowledge Base membahas mengenai berbagai ilmu pengetahuan yang relevan dengan data yang dibutuhkan untuk memahami, merumuskan dan memecahkan berbagai persoalan. Knowledge Base mencakup dua elemen dasar yaitu fakta dan suatu rule khusus yang digunakan dalam proses pemecahan suatu masalah tertentu. Knowledge Base juga dapat diartikan suatu sistem yang merepresentasikan dasar pikiran bagi seorang pakar di bidang tertentu. Knowedge Base dibutuhkan dalam menemukan objek-objek penting pada suatu masalah yang ingin dipecahkan serta memudahkan proses pemecahan masalah dalam mengakses informasi. Knowledge base terdiri dari dua bagian :a. FaktaFakta adalah suatu kenyataan atau kebenaran yang diketahui. Fakta menyatakan hubungan antara dua objek atau lebih.b. AturanDalam menerangkan masalah digunakan suatu aturan untuk menentukan hal apa yang harus dilakukan dalam situasi tertentu dan aturan tersebut terdiri dari dua bagian yaitu IF dan THEN, dimana IF merupakan kondisi yang mungkin benar atau yang mungkin salah, sedangkan THEN merupakan tindakan yang dilakukan jika kondisi benar.2.1.2 Inference EngineInference engine merupakan otak dari sistem pakar, bagian ini mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan kemudian mencari jawaban atau kesimpulan yang terbaik. Dari fakta-fakta yang diperoleh selama proses tanya-jawab dengan user, serta aturan-aturan yang tersimpan di knowledge base. Inference engine dapat menarik suatu kesimpulan dan memberikan rekomendasi atau saran yang diharapkan oleh user.Ada dua metode dasar yang bisa digunakan oleh Inference engine dalam mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi sistem pakar, yaitu forward chaining dan backward chaining. Berikut ini penjelasan mengenai kedua metode pencarian tersebut (Yunanto, 2003):Forward chaining merupakan metode pencarian yang memulai proses pencarian dari sekumpulan data atau fakta, dari fakta-fakta tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Inference engine mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan fakta-fakta tersebut, kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan. Forward chaining memulai proses pencarian dengan data sehingga strategi ini disebut juga data-driven.Backward chaining merupakan metode pencarian yang arahnya kebalikan dari Forward chaining. Proses pencarian dimulai dari tujuan, yaitu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Inference engine mencari aturan-aturan dalam basis pengetahuan yang kesimpulannya merupakan solusi yang ingin dicapai, kemudian dari aturan-aturan yang diperoleh, masing-masing kesimpulan dilakukan Backward chaining pada jalur yang mengarah kekesimpulan tersebut. Jika informasi-informasi atau nilai dari atribut-atribut yang mengarah kekesimpulan tersebut sesuai dengan data yang diberikan maka kesimpulan tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang dicari. Backward chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven.2.1.3 Working MemoryWorking Memory adalah bagian yang mengandung semua fakta-fakta baik fakta awal pada saat sistem beroperasi maupun fakta-fakta pada saat pengambilan kesimpulan sedang dilaksanakan selama sistem pakar beroperasi basis data berada di dalam memori kerja.

2.1.4 User InterfaceUser Interface adalah bagian penghubung antara program sistem pakar dengan pemakai. Pada bagian ini, User Interface memungkinkan pengguna untuk memasukkan instruksi dan informasi ke dalam sistem pakar serta menerima penjelasan dan kesimpulan dari sistem pakar yang telah dijalankan. 2.2 Rule Based SystemSistem berbasis aturan (Rule Based System, RBS) adalah suatu program komputer yang memproses informasi yang terdapat di dalam working memory dengan sekumpulan aturan yang terdapat di dalam basis pengetahuan menggunakan mesin inferensi untuk menghasilkan informasi baru.Sebuah RBS dapat dibentuk dengan menggunakan sebuah assertions set, yang secara kolektif membentuk working memory, dan sebuah rule set yang menentukan aksi pada assertions set. RBS secara relatif adalah model sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak peraturan, pemeliharaan sistem akan rumit dan terdapat banyak kesalahan dalam kerjanya.Untuk membuat RBS, hal yang harus dimiliki antara lain:1. Sekumpulan fakta yang mewakili working memory. Ini dapat berupa suatu keadaan yang relevan dengan keadaan awal sistem bekerja.2. Sekumpulan aturan. Aturan ini mencakup setiap tindakan yang harus diambil dalam ruang lingkup permasalahan yang dibutuhkan.3. Kondisi yang menentukan bahwa solusi telah ditemukan atau tidak (none exist). Hal ini berguna untuk menghindari looping yang tidak akan pernah berakhir.Teori sistem berbasis aturan ini menggunakan teknik yang sederhana, yang dimulai dengan dasar aturan yang berisi semua pengetahuan dari permasalahan yang dihadapi yang kemudian dikodekan ke dalam aturan IF-THEN dan sebuah tempat penyimpanan (basis data) yang mengandung data, pernyataan dan informasi awal. Sistem akan memeriksa semua aturan kondisi (IF) yang menentukan subset, set konflik yang ada. Jika ditemukan, maka sistem akan melakukan kondisi THEN. Perulangan atau looping ini akan terus berlanjut hingga salah satu atau dua kondisi bertemu, jika aturan tidak diketemukan maka sistem tersebut harus keluar dari perulangan (terminate).Terdapat berbagai macam strategi pada RBS, antara lain :1. First Applicable : Strategi yang paling sederhana tetapi berpotensi menimbulkan masalah besar, yaitu akan terjadinya looping yang tak terbatas pada kondisi yang sama.2. Random : Meskipun tidak menggunakan prediksi atau first applicable control, metode ini cukup memberikan keuntungan, yaitu dapat diprediksi (seperi game yang membutuhkan strategi). Sebuah strategi acak akan memilih aturan acak tunggal dari sebuah set konflik. Kemungkinan lain untuk strategi acak adalah dengan sistem berbasis aturan fuzzy (fuzzy rule based system) dimana masing-masing aturan memiliki probabilitas sebuah kondisi akan lebih mungkin terjadi daripada yang lainnya.3. Most Spesific : Strategi ini berdasarkan pada jumlah kondisi aturan. Hal ini didasari pada asumsi jika ia memiliki sebagian besar kondisi maka memiliki relevansi ke data yang ada.4. Least Recently Used : Menyimpan data yang terakhir dipakai untuk selanjutnya dipakai kembali ke dalam permasalahan jika memang problem yang dihadapi sama.2.3 Forward ChainingForward Chaining merupakan metode penarikan kesimpulan berdasarkan pada data atau fakta yang menuju pada kesimpulan, penelusuran dilakukan mulai dari fakta yang telah ada kemudian bergerak maju melalui premis-premis untuk menuju kesimpulan akhir / bottom up reasoning. 2.4 AutismeAuistic Spectrum Disorder (ASD) atau Autisme merupakan suatu gangguan yang menyerang perkembangan fungsi otak. Autisme disebut juga sebagai kelainan perkembangan sistem saraf pada seseorang yang kebanyakan diakibatkan oleh faktor hereditas dan kadang-kadang telah dapat dideteksi sejak bayi berusia 6 bulan. Karakteristik yang menonjol pada seseorang yang mengidap kelainan ini adalah kesulitan membina hubungan sosial, berkomunikasi secara normal maupun memahami emosi serta perasaan orang lain.Gejala-gejala autisme dapat muncul pada anak mulai dari usia tiga puluh bulan sejak kelahiran hingga usia maksimal tiga tahun. Penderita autisme juga dapat mengalami masalah dalam belajar, komunikasi, dan bahasa. Seseorang dikatakan menderita autisme apabila mengalami satu atau lebih dari karakteristik berikut: kesulitan dalam berinteraksi sosial secara kualitatif, kesulitan dalam berkomunikasi secara kualitatif, menunjukkan perilaku yang repetitif, dan mengalami perkembangan yang terlambat atau tidak normal.Beberapa atau keseluruhan karakteristik yang disebutkan berikut ini dapat diamati pada para penyandang autisme beserta spektrumnya baik dengan kondisi yang teringan hingga terberat sekalipun.1. Hambatan dalam komunikasi, misal: berbicara dan memahami bahasa.2. Kesulitan dalam berhubungan dengan orang lain atau obyek di sekitarnya serta menghubungkan peristiwa-peristiwa yang terjadi.3. Bermain dengan mainan atau benda-benda lain secara tidak wajar.4. Sulit menerima perubahan pada rutinitas dan lingkungan yang dikenali.5. Gerakkan tubuh yang berulang-ulang atau adanya pola-pola perilaku yang tertentuHingga kini apa yang menyebabkan seseorang dapat menderita autisme belum diketahui secara pasti. Riset-riset yang dilakukan oleh para ahli medis menghasilkan beberapa hipotesa mengenai penyebab autisme. Dua hal yang diyakini sebagai pemicu autisme adalah faktor genetik atau keturunan dan faktor lingkungan seperti pengaruh zat kimiawi ataupun vaksin.Deteksi dan terapi sedini mungkin akan menjadikan si penderita lebih dapat menyesuaikan dirinya dengan yang normal. Kadang-kadang terapi harus dilakukan seumur hidup, walaupun demikian penderita Autisme yang cukup cerdas, setelah mendapat terapi Autisme sedini mungkin, seringkali dapat mengikuti Sekolah Umum, menjadi Sarjana dan dapat bekerja memenuhi standar yang dibutuhkan, tetapi pemahaman dari rekan selama bersekolah dan rekan sekerja seringkali dibutuhkan, misalnya tidak menyahut atau tidak memandang mata si pembicara, ketika diajak berbicara.III. MetodologiPembuatan penelitian pembuatan sistem pakar diagnosis penyakit autis pada anak menggunakan metode Rule Based System terbagi mnejadi beberapa tahap pengerjaan yaitu sebagi berikut:1. Pengumpulan data-data yang diperlukana. Studi LiteraturPada metode ini dilakukan proses pencarian, pembelajaran dari berbagai macam literatur dan dokumen yang menunjang pengerjaan khususnya yang berkaitan dengan sistem pakar untuk mendiagnosa penyakit autisme pada anak.b. ObservasiMelakukan pengamatan terhadap data yang diteliti, melakukan interview dengan pihak-pihak yang berkaitan dengan pembuatan sistem pakar diagnosa penyakit autisme pada anak yaitu psikolog dan orang tua.c. BrowsingMelakukan pengamatan ke berbagai macam website di internet penyedia informasi yang relevan dengan permasalahan dalam pembuatan sistem pakar diagnosa penyakit autis pada anak.2. Analisa data yang telah dikumpulkanMembuat analisa terhadap data yang sudah diperoleh dari hasil studi literatur, observasi dan browsing menjadi spesifikasi yang terrstruktur dengan menggunakan pemodelan.3. Analisa Kebutuhan SistemAnalisa kebutuhan sistem bertujuan untuk mengidentifikasi penjabaran kebutuhan masukan, proses dan keluaran. Analisis kebutuhan ini bertujuan untuk memvisualisasikan kebutuhan yang harus disediakan oleh sistem guna memenuhi kebutuhan.4. Perancangan sistem pakarMemahami rancangan sistem pakar sesuai data yang ada dan mengimplementasikan model yang diinginkan guna memenuhi kebutuhan fungsional dan kebutuhan sistem pakar menggunakan metode Rule Based System dengan pendekatan Forward Chaining.

Gambar 2. Skema Alur Metode Rule Based System5. Implementasi dan analisis sistemMengimplementasikan hasil perancangan sistem pakar dengan data-data yng telah dikumpulkan berdasarkan kebutuhan sistem.6. Uji coba dan evaluasiMenguji coba seluruh spesifikasi terstruktur dari sistem secar akeseluruhan. Proses uji coba ini diperlukan untuk memastikan bahwa sistem yang telah dibuat sudah benar dan sesuai dengan karakteristik yanng ditetapkan. Dalam proses uji coba, validasi dilakukan oleh para ahli yang terkait dengan penyakit autisme.

IV. Hasil dan Pembahasan4.1 Analisa Kebutuhan MasukanData yang diperlukan dalam penyelesaian permasalahan didapat sebagai berikut:a. Data spektrum autis pada anak.b. Data gejala-gejala autis pada anak.c. Kelompok usia anak balita.d. Data jenis-jenis penanganan atau terapi sederhana yang dapat diberikan4.2 Analisa Kebutuhan ProsesProses inti dari pembuatan sistem pakar ini adalah melakukan proses penalaran. Sistem akan melakukan penalaran guna menentukan spektrum autis pada anak berdasarkan gejala-gejala yang dialami oleh anak dalam kesehariannya dan usia anak balita.4.3 Analisa Kebutuhan KeluaranData keluaran dari sistem pakar ini adalah hasil proses diagnosa menggunakan metode Rule Based System. Hasil diagnosa tersebut berdasarkan gejala-gejala autisme yang dialami pada anak dan usia anak tersebut, seperti yang telah dijelaskan pada data masukkan. Hasil outout sistem terdiri atas: t ingkat autisme, spektrum autisme, serta pengananan atau terapi yang dapat diberikan pada penderita autisme.4.4 Perancangan Sistem Pakar4.4.1 Knowledge BaseKnowledge Base yang digunakan pada paper ini adalah aturan produksi yang dituliskan dalam bentuk jika-maka (IF-THEN). Struktur aturan produksi yang menghubungkan premis dengan konklusi dapat dijelaskan sebagai berikut:IF [Premis] THEN [Konklusi]Konklusi pada bagian THEN dapat bernilai benar jika dan hanya jika premis pada bagian IF juga bernilai benar. Penerapan struktur aturan produksi dalam menentukan penyakit autis pada anak dapat dilihat pada salah satu contoh sebagai berikut:IF Anak berusia 0-1 tahunAND Anak tampak tenang dan jarang menangis.AND Sulit bila digendongAND Tidak mengocehAND Tidak senang diayun dilututAND Tidak mau menatap mataAND Perkembangan agak terlambat misal dalam berjalanAND Menolak untuk dipelukAND Suka tiba-tiba menangis dan tertawa tanpa sebabAND Bermain dengan benda yang bukan mainan misal ujung selimutAND Tidak ada senyum sosial saat bertemu orang lainTHEN Spektrum Autis InfasilIF Spektrum Autis InfasilTHEN Autisme RinganIF Spektrum Autis InfantilAND Anak usia 0-1 tahunTHEN Terapi ciluk ba, memberikan contoh suara untuk ditiru, mengenal nama.

Dalam pembuatan knowledge base, fakta dan pengetahuan yang berhubungan dengan gejala-gejala yang muncul pada seorang anak penderita autis dapat digunakan sebagai data masukan proses pengambilan keputusan. Fakta dan pengetahuan tersebut ditampilkan dalam Spektrum Autis, Tingkatan Autis, Usia, Gejala, dan Terapi.

Table 1. Kode Spektrum AutisKode SpektrumNama Spektrum

S01Autis Infantil

S02Sindrom Asperger

S03ADHD (Attention Deficit Hyperactivity Disorder)

Table 2. Kode Tingkatan AutisKode TingkatanNama Tingkatan

R01Autis Ringan

R02Autis Sedang

R03Autis Berat

Table 3. Kode Kelompok UsiaKode UsiaKelompok Usia

A010-1 tahun

A021-2 tahun

A03Diatas 2 tahun

Table 4. Kode Gejala AutisKode GejalaNama Gejala

D01Bayi tampak tenang dan jarang menangis

D02Sulit bila digendong

D03Tidak mengoceh

D04Menolak untuk dipeluk

D05Tidak senang diayun dilutut

D06Tidak suka memanjat benda seperti tangga

D07Tidak senang bermain petak umpet atau cilukba

D08Tidak suka bermain dengan menggunakan imajinatif

D09Tidak pernah meminta sesuatu dengan menunjuk jari

D10Tidak pernah menggunakan jari untuk menunjuk ke sesuatu

D11Tidak dapat bermain dengan mainan yang berbentuk kecil

D12Tidak pernah membawa dan memperlihatkan barang miliknya ke orang lain

D13Tidak mau menatap mata

D14Tidak bisa menjaga kontak mata min 10 detik

D15Tidak merespon jika dipanggil namanya

D16Tidak merespon jika ditunjukkan sesuatu

D17Tidak peduli dengan orang lain disekitarnya

D18Sangat menyukai suatu benda dengan cara yang aneh

D19Perkembangan agak terlambat misalkan dalam berjalan

D20Tidak berminat terhadap mainan

D21Suka memperhatikan dan memainkan jari-jarinya di depan mata

D22Terpesona pada benda bergerak

D23Suka melompat-lompat atau mengepak-ngepakkan tangan tanpa tujuan min 30 menit

D24Panik hingga menutup telinga jika mendengar suara keras maupun lirih

D25Menolak untuk dipeluk

D26Suka tiba-tiba menangis atau tertawa tanpa sebab

D27Sering kali berjalan mondar-mandir tanpa tujuan

D28Bermain dengan benda yang bukan mainan misal ujung selimut

D29Kurang imajinatif dalam permainan

D30Suka bermain dengan cahaya atau pantulan

D31Tidak berminat terhadap pembicaraan atau aktivitas di sekitarnya

D32Tidak bisa menunjukkan ekspresi wajah marah, sedih ataupun senang

D33Tidak bisa memulai dalam komunikasi dengan orang

D34Tidak bisa memahami atas perintah yang diberikan

D35Senang jika dibiarkan sendiri

D36Tidak ada senyum sosial saat bertemu orang lain

D37Tidak bisa melakukan permainan bergiliran dengan teman

D38Suka menarik-narik tangan orang lain jika menginginkan sesuatu

D39Sangat marah jika terjadi perubahan pada suatu hal

D40Terbentuk suatu rutinitas yang kaku

D41Belum dapat berbicara atau mengucapkan kata sesuai dengan usianya

D42Seperti mengalamu gangguan pendengaran

D43Tidak memiliki minat dalam belajar berbicara

D44Suka menyakiti diri sendiri dengan cara menggigit atau mencakar

D45Tidak dapat menyatakan keinginannya dengan kata-kata

D46Suka menirukan kata-kata yang diucapkan orang lain

D47Suka mengucapkan kata aneh yang tidak memilik arti secara berulang

D48Mengucapkan sesuatu dengan sangat spontan

D49Sering bernyanyi tanpa mengetahui makna dari yang dinyanyikan

D50Tidak memiliki rasa takut terhadap benda atau binatang berbahaya

D51Sering mengulang kata-kata yang sama dengan artikulasi yang tidak baik dan tanpa intonasi

D52Sering mencari perhatian dengan berbicara keras tanpa peduli dengan orang lain

D53Sering mengalihkan pembicaraan ke topik lain

D54Tidak memiliki rasa humor

D55Gaya bicara yang monoton, kaku dan sangat cepat

D56Tidak dapat menyimak suatu yang detail

D57Sulit bertahan pada satu aktivitas

D58Cepat teralihkan perhatiannya

D59Menghindari tugas yang memerlukan perhatian lama

D60Sering menjawab sebelum pertanyaan selesai ditanyakan

D61Sering memotong atau menyela pembicaraan orang

D62Tidak sabar menunggu giliran

D63Sering tidak berhati-hati dalam melakukan sesuatu

D64Permintaan harus segera dipenuhi

D65Suka mengganggu anak lainnya

D66Mudah putus asa

D67Tidak bisa diam, selalu menggerakkan kaki atau tangan

D68Kesulitan dalam melakukan kegiatan yang tenang

D69Sering berbicara berlebihan dan Sering bergerak seolah diatur oleh motor penggerak

Table 5. Kode Terapi AutisKode TerapiNama Terapi

T1< 1 tahunAutis InfantilCiluk baMemberikan contoh suara untuk ditiruMengenal nama

T21-2 tahunAutis InfantilKata-kata pertamaMenirukan menyentuh bagian tubuhMenirukan menyisir dan menyikat gigiMinum dari cangkirMelempar dan menangkap

T3< 2 tahunAutis InfantilKontak mata saat diberi intruksiMenirukan gerakan pada motorik kasarInteraksi bermain dengan mainanMelepas kaos kaki

T4> 2 tahunSindrom AspergerKontak mata 5 detik saat dipanggil namanyaMenirukan 2 gerakan motorik bersamaanMempelajari kata kerja dan kata bendaIdentifikasi emosiMemberikan batasan waktu dalam melakukan suatu pekerjaan

T5> 2 tahunADHDKontak mata 5 detik saat dipanggil namanyaMenirukan secara beruntun pada suatu objekMelaksanakan intruksi 2 tahapMenyampaikan informasi secara bergantianMemberikan batasan waktu dalam melakukan suatu pekerjaan

Berdasarkan fakta dan pengetahuan yang telah ditampilkan dalam Spektrum Autis, Tingkatan Autis, Usia, Gejala, dan Terapi, dapat dibuat aturan spektrum autis yang terdapat pada tabel berikut:

Table 6. Rule Based SystemSpektrumTingkatanUsiaGejalaTerapi

S01R01A01D01, D02, D03, D04, D13, D19, D25, D28, D36T01

S01R01A02D04, D05, D06, D07, D08, D09, D10, D11, D12, D14, D15, D16, D17, D18, D20, D21, D22, D23, D24, D25, D26, D27, D28, D30, D32 D35, D36, D38, D39, D41, D42, D43, D44, D45, D46, D47T02

S01R01A03D05, D07, D08, D09, D10, D11, D12, D14, D15, D16, D17, D18, D19, D20, D21, D22, D23, D24, D26, D27, D29, D30, D31, D32, D33, D34, D35, D36, D37, D38, D39, D40, D41, D42, D43, D44, D45, D46, D47T03

S02R02A03D05, D07, D08, D09, D10, D12, D14, D15, D16, D17, D18, D21, D22, D23, D27, D29, D31, D32, D33, D34, D35, D36, D37, D38, D39, D48, D49, D50, D51, D52, D53, D54T04

S03R03A03D14, D27, D55, D56, D58, D59, D60, D61, D62, D63, D64, D65, D66, D67, D68, D69T05

Sesuai dengan tabel aturan spectrum, maka dapat diketahui pohon keputusan dengan metode penulusuran forward chaining. Pada pohon keputusan Gambar 3 menunjukkan bahwa penulusuran dilakukan dari bawah ke atas/bottom up pada penentuan spectrum autis. Kemudian dari Spektrum autis dengan mempertimbangkan usia dapat diketahui terapi autis yang sesuai. Pohon keputusan ini akan digunakan untuk membantu proses pembuatan dasar aturan pada sistem pakar.

Gambar 3. Pohon Keputusan Spectrum Autis4.4.2 Inference EngineMetode penelusuran jawaban menggunakan metode inferensi forward chaining, dimana sistem menampilkan keseluruhan data gejala yang kemudian dari berbagai kemungkinan itu dipersempit berdasarkan inputan user.Untuk proses perhitungan mesin inferensi sistem sebagai penarikan kesimpulan dapat dilihat pada yang merupakan gambaran pencarian solusi sistem pakar dengan menggunakan flowchart atau diagram alir.

4.4.3 BlackboardBlackboard merupakan area memori yang berfungsi sebagai basis data untuk merekam hasil sementara. Pada aplikasi diagnosa autisme ini, data yang disimpan pada area ini adalah data gejala masukan dari pengguna, nilai perhitungan tiap gejala, hasil perhitungan dan hasil akhirnya, serta hasil diagnosa jenis gangguan autisme beserta terapinya.4.4.4 Fasilitas PenjelasFasilitas penjelas yang akan diberikan dalam aplikasi sistem pakar diagnosa autisme ini yaitu penjelasan tentang informasi kegunaan aplikasi sistem pakar diagnosa autisme pada anak (help).V.IMPLEMENTASI SISTEM5.1 Entity Relationship DiagramPada ERD aplikasi sistem pakar diagnosa autisme buruk pada anak ini terdapat 5 entitas, yaitu entitas pengguna, jenis gangguan, gejala, aturan, dan hasil diagnosa. Untuk entitas pengguna dibuat sistem kategori level pengguna, yaitu pengguna dan admin. Rancangan ERD sistem pakar ditunjukkan pada5.2 Batasan ImplementasiBeberapa batasan dalam mengimplementasikan Sistem Pakar Diagnosa autisme Pada Anak adalah sebagai berikut :1. Masukan yang diterima oleh sistem adalah berupa gejala-gejala autisme yang diisikan oleh pengguna.2. Keluaran yang diterima oleh pengguna berupa hasil perhitungan dan kesimpulan gangguan autisme pada anak serta solusi dan terapi berdasarkan jenis gangguan autisme.3. Aplikasi yang digunakan berbasis web dengan basis data penyimpanan menggunakan MySQL.4. Metode yang digunakan yaitu Forward Chaining Rule Based System.5. Sistem ini digunakan oleh orangtua, terapis autisme, psikolog dan pakar autisme, tenaga medis puskesmas serta masyarakat umum yang ingin melakukan diagnosa autisme pada anak.6. Sistem ini bersifat dinamis, yaitu dapat melakukan penambahan dan perubahan data aturan, jenis gangguan autisme maupun gejalanya.

5.3 User InterfaceTampilan yang ditunjukkan berupa halaman utama berupa diagnosa autisme pada anak dan hasil diagnosa. Halaman diagnosa merupakan halaman utama bagi pegguna untuk melakukan konsultasi pada anak seperti Gambar 3.

Gambar 4. Halaman Diagnosa Penyakit Autis pada AnakHalaman hasil diagnosa merupakan halaman untuk melihat hasil atau kesimpulan diagnosa autisme pada Gambar 4.

Gambar 5. Halaman Hasil Diagnosa Penyakit Autis pada Anak5.4 Pengujian Sistem5.4.1 Pengujian ValidasiPengujian validasi digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan. Pengujian menggunakan metode pengujian Black Box, karena tidak difokuskan terhadap alur jalannya algoritma program namun lebih ditekankan untuk menemukan kesesuaian antara kinerja sistem dengan daftar kebutuhan.Table 7. Pengujian ValidasiNoCaseHasil yang DiharapkanStatus Validasi

1Input Data Fakta GejalaSistem mampu menerima input data gejala untuk deteksi/ diagnosa.Valid

2Input Data Umur Sistem mampu menerima input data umur anak untuk deteksi/ diagnosa.Valid

3Proses DiagnosaSistem mampu menampilkan hasil diagnosa autisme berdasarkan gejala yang dimasukkan pengguna.Valid

4Data GejalaSistem mampu melakukan perubahan pada data gejala autisme pada anak.Valid

5Data Jenis GangguanSistem mampu melakukan perubahan informasi jenis gangguan autisme.Valid

6Data Jenis TerapiSistem mampu melakukan perubahan informasi penanganna gangguan autisme.Valid

5.4.2 Pengujian AkurasiPengujian akurasi dilakukan untuk mengetahui performansi dari sistem pakar untuk memberikan hasil identifikasi kesimpulan dari diagnosa jenis gangguan autisme.Pengujian dilakukan langsung pada pengguna yaitu orang tua dari anak yang memiliki kelainan penyakit autis yang telah dideteksi sebelumnya oleh pakar dan mahasiswa jurusan psikologi anak.Dari 5 orang yang mencoba sistem ini, 3 diantaranya memperoleh hasil yang akurat dan 2 tidak memperoleh hasil yang akurat.Kasus pertama yang dinyatakan tidak akurat disebabkan karena tidak ditemukannya gejala-gejala yang dialami oleh penderita, sehingg asistem mengeluarkan default output. Hal ini disebabkan batasan sistem yang hanya dapat menangani 3 jenis spektrum autis yang paling umum dan mudah dideteksi. Sedangkan kasus pertma yang dinyatakan tidak akurat karena bukanmerupakan salah satu dari tiga spektrum autis yang didefinisikan pada sistem.Kasus kedua disebabkan oleh kesalahan dalam pembuatan program dan pengelompokkan gejala, dimana penulis memberikan patokan akurasi jika 70% dari gejala telah dipenuhi maka anak baru dapat terdeteksi pada sistem. Pada kenyataannya setiap anak memiliki variasi gejala yang berbeda dan beberapa anak dapat dinyatakan spektrum autis dengan hanya memenuhi 60% dari gejala yang ada pada sistem, karena anak memiliki gejala lain yang tidak didefinisikan pada sistem.Nilai keakuratan sistem memiliki dua level yaitu level 0 jika diagnosa akhir sistem tidak sama dengan diagnosa pakar, dan level 1 jika diagnosa akhir sistem sama dnegan diagnose pakar. Hasil pengujian atas keakuratan sistem disajikan dalam Table.

KasusDiagnosa PakarDiagnosa SistemNilai Kekuratan

1Hiperaktif (ADHD)Hiperaktif (ADHD)1

2Sisdrom AspergerHiperaktif (ADHD)0

3Autis InfantilAutis Infantil1

4Tuna GrahitaDefault0

5Sisndrom AspergerSindrom Asperger1

Dapat disimpulkan bahwa akurasi sistem pakar menggunakan metode rule based system berdasarkan 5 data pengujian diagnosa gejala penyakit autis pada anak memiliki tingkat akurasi cukup baik yaitu sebesar 60%. Nilai akurasi didapatkan dari (Jumlah data akurat)/(Jumlah seluruh data) x 100%.Nilai akurasi = 3/5 x 100% = 60% V.PENUTUP5.1 KesimpulanBerdasarkan hasil penelitian, perancangan dan pengujian yang dilakukan terhadpa sistem pakar diagnosa penyakit auitisme pada anak menggunakan metode rule based system forward chaining, maka dapat diambil kesimpulan sebagai berikut:1. Sistem pakar diagnosa penyakit austis pada anak. Pengambilan keputusan identifikasi penyakit autis pada anak didapatkan dengan perhitungan metode rule based system forward chaining.2. Hasil pengujian validasi fungsionalitas yang menunjukkan bahwa sistem memiliki fungsionalitas sebesar 100% dan keakurasian hasil sistem 60%.3. Dalam implementasinya, masih terdapat kekurangan pada sistem yang disebabkan oleh beberapa faktor yaitu kesalahan dalam memahami gejala-gejala yang tampak pada anak penderita autisme.5.2 SaranSistem pakar diagnosa penyakit autisme pada anak menggunakan metode rule based system forward chaining masih memiliki beberapa kekurangan. Saran yang dapat diberikan untuk pengembangan penelitian selanjutnya adalah:1. Untuk pengembangan lebih lanjut, sistem ini dapat dikembangkan dengan menggunakan metode lain yang berbeda atau mengombinasikan antara metode rule based system forward chaining dengan metode lain.2. Sistem dapat dikembangkan untuk studi kasus lain pada domainlain, yang memiliki kasus penyakit tertentu menjadi gejala penyakit lain, dengan adanya kombinasi logika antar gejala yang lebih bervariasi.

Reference1.Klin A, Jones W, Schultz R, Fred V, Cohen D. Defining and Quantifying the Social Phenotype ini Autism. American Journal of Psychiatry. 2002;159:895-908.2.al Ke. Prevalence of Parent-Reported Riagnosis of Autism Spectrum Disorder Among Children in the US, 2007. Pediatrics Journal. 2009;124(1522-1542).3.Melisa F, Hazliansyah. 112.000 Anak Indonesia Diperkirakan Menyandang Autisme: http://www.republika.co.id/; 2013. Available from: http://www.republika.co.id/.4.News M. Pemahaman Publik pada Autisme masih Rendah: http://www.metrotvnews.com/; 2013. Available from: http://www.metrotvnews.com/.http://www.autis.info/index.php/tentang-autisme/apa-itu-autismehttp://informatika.web.id/mesin-inferensi-inference-engine.htm