-
1.1 Metodologi Perancangan
Pada tahap metodologi perancangan ini akan dijelaskan secara
umum
mengenai alur kerja sistem yang akan dibuat. Perancangan sistem
yang digunakan
disini adalah dengan menggunakan pemodelan UML.
UML menggunakan notifikasi yang bersifat standar untuk
menjelaskan
secara visual mengenai elemen-elemen pemodelan. UML sendiri
terdiri atas
diagram-diagram yang memiliki banyak fungsi masing-masing dan
didefinisikan
sebagai berikut: use case diagram, class diagram, activity
diagram,.
Untuk menjelaskan perancangan aplikasi yang dibangun akan
digunakan
model diagram UML tersebut.
3.2.1 Use Case Diagram
Use Case Diagram adalah diagram yang bekerja dengan cara
mendiskripsikan interaksi antara pengguna sebuah sistem dengan
menjelaskan apa
yang dilakukan oleh aktor dan sistem, bukan bagaimana aktor dan
sistem
melakukan kegiatan tersebut.
Pada diagram ini terdapat notasi use case yang menjelaskan
tentang
hubungan aktor dengan sistem. Hubungan ini dapat berupa masukan
dari aktor ke
sistem maupun keluaran dari sistem ke aktor.
Definisi Aktor
Berikut adalah deskripsi pendefinisian aktor pada sistem pakar
manajemen
terpadu balita sakit:
-
Tabel 3.1 Definisi Aktor
No Aktor Deskripsi1 Pakar Orang yang betugas dan memiliki hak
akses
untuk melakukan operasi manajemen basis datayaitu pembaharuan
data gejala, data penyakit,data aturan.
2 User/Pasien orang yang menggunakan sistem untukberkonsultasi.
User memberikan masukan padasistem berupa gejala-gejala dan sistem
akanmelakukan proses inferensi kemudianmemberkan hasil diagnosis
dan saran terapi.
Definisi Use Case
Berikut adalah deskripsi pendefinisian use case pada sistem
pakar manajemen
terpadu balita sakit:
Tabel 3.2 Definisi Use Case
NoUse Case Deskripsi
1 Login proses untuk melakukan loginadmin/pakar/dokter
2 Logout proses untuk melakukan logoutadmin/pakar/dokter
3 Manajemen BasisPengetahuan
proses generalisasi yang meliputi 3 buahproses manajemen basis
pengetahuan yaitumengelola data penyakit, data gejala, dandata
aturan
4 Konsultasi proses yang dilakukan user yaitumemasukkan data
gejala kemudian akandiolah sistem dan user akan mendapatkanhasil
diagnosis
Skenario Use Case
-
Berikut adalah skenario jalnnya masing-masing use case yang
telah
didefinisikan sebelumnya:
Nama Use Case : Login
Aktor : Pakar/Dokter
Tabel 3.3 Skenario login
Aksi Aktor Reaksi SistemSkenario Normal1. memasukkan username
danpassword
2. validasi username dan password3. username dan password
valid4. masuk ke menu manajemen basispengetahuan sistem pakar
Skenario Alternatif1. memasukkan username danpassword
2. validasi username dan password3. username dan password
invalid,menampilkan pesan error
4. memasukkan username danpassword
5. validasi username dan password6. username dan password
valid7. masuk ke menu manajemen basis datasistem
Nama Use Case : Logout
Aktor : Pakar/Dokter
Tabel 3.4 Skenario logout
Aksi Aktor Reaksi SistemSkenario Normal1. memilih menu
logout
2. sistem melakukan logout
-
Nama use case : Manajemen Basis Pengetahuan
Aktor : Pakar/Dokter
Tabel 3.5 Skenario Manajemen Basis DataAksi Aktor Reaksi
Sistem
Skenario Normal1. memilih data yang akan diolah
2. menampilkan form yang bersangkutan3. mengisi form
4. validasi kelengkapan data5. data valid, update database6.
menampilkan konfirmasi proses berhasil
Skenario Alternatif1. memilih data yang akan diolah
2. menampilkan form yang bersangkutan3. mengisi form
4. validasi kelengkapan data5. data tidak valid,menampilkan
pesaninvalid
6. mengisi ulang form7. validasi kelengkapan data8. data valid,
update database9. menampilkan konfirmasi proses berhasil
Nama Use Case : KonsultasiAktor : User/pengguna/pasien
Tabel 3.6 Skenario Konsultasi
Aksi Aktor Reaksi SistemSkenario Normal1. Memilih menu
konsultasi
2. Menampilkan form konsultasi3. memberikan pertanyaan dengan
jawaban"YA" atau "TIDAK"
4. menjawab pertanyaan5. mengolah data berdasarkan jawaban
user6. menampilkan form diagnosis
-
Use Case Diagram
Gambar 3.1 Use Case Diagram Sistem
Terdapat 2 aktor yang berhubungan dengan sistem ini, yaitu pakar
yang
juga merupakan administrator sistem dan user (pengguna). Pakar
mendapatkan
haknya untuk mengakses basis pengetahuan setelah melakukan
proses login. Hak
pakar pada sistem yaitu dapat menambahkan, mengubah, maupun
menghapus
data. Aktor kedua yaitu user dapat langsung memilih menu
konsultasi dan
menggunakan sistem untuk konsultasi segera setelah aplikasi
dijalankan.
-
1.1.2 Class Diagram
Gambar 3.2 Class Diagram Sistem
Kelas-kelas yang akan dibuat untuk membangun sistem serta
hubungan
antar tiap kelas digambarkan pada diagram kelas 3.2.
-
1.1.3 Activity Diagram
a. Activity Diagram Login Pakar
Gambar 3.3 Activity Diagram Login Pakar
Seperti yang terlihat pada gambar 3.3, aktivitas login pakar
dimulai dari
pakar memasukkan username dan password, kemudian sistem akan
melakukan
validasi. Jika username dan password valid/sesuai maka sistem
akan menampilkan
antarmuka menu admin, jika tidak valid maka sistem akan meminta
admin
mengulangi aktivitas login.
-
b. Activity Diagram Manajemen Data Gejala
Gambar 3.4 Activity Diagram Manajemen Data Gejala
-
Aktivitas manajemen data gejala dimuali dari admin memilih menu
pakar.
Menu pakar tersebut terdiri dari menu penyakit, menu gejala, dan
menu aturan.
Untuk aktivitas manajemen data gejala maka yang dipilih admin
adalah menu
gejala. Kemudian sistem akan menampilkan data gejala, aktivitas
admin
selanjutnya disesuaikan pada tujuan admin, apakah akan
menambahkan data,
mengubah data atau menghapus data. Aktivitas selanjutnya
tergambar pada
gambar 3.4.
c. Activity Diagram Manajemen Data Penyakit
Gambar 3.5 Activity Diagram Manajemen Data Penyakit
-
Aktivitas manajemen data penyakit memiliki alur yang sama
dengan
manajemen data gejala.
d. Activity Diagram Manajemen Data Aturan
Gambar 3.6 Activity Diagram Manajemen Data Aturan.
Untuk manajemen data aturan saat admin melakukan aktivitas
tambah data
maka sistem akan mengambil data nama penyakit dan data nama
gejala dari tabel
penyakit dan tabel gejala yang sudah tersimpan di basis data.
Aktivitas admin
-
selanjutnya adalah memasukkan nilai densitas aturan kemudian
melakukan proses
simpan dan tabel aturan akan di update oleh sistem.
e. Activity Diagram Konsultasi
Gambar 3.7 Activity Diagram Konsultasi
Pada diagram aktivitas konsultasi user memulai dengan memilih
menu
konsultasi, kemudian sistem akan menetapkan goal awal, setelah
goal awal
ditetapkan aktivitas selanjutnya dilakukan oleh sistem yaitu
memberikan
pertanyaan gejala yang dirasakan user. Urutan rangkaian
pertanyaan yang muncul
di proses melalui mesin inferensi backward chaining. Setelah
user menjawab
seluruh pertanyaan yang diberikan oleh sistem maka sistem akan
merangkum
jawaban tersebut untuk dicari nilai kepastiannya dengan
menggunakan metode
-
Dempster-Shafer. Setelah perhitungan selesai sistem akan
memberikan hasil
diagnosis.
1.1.4 Struktur Tabel
Struktur tabel menjelaskan semua data yang terlibat dalam
perancangan
suatu proses yang akan berjalan. Tabel-tabel yang digunakan
dalam merancang
sistem pakar ini adalah sebagai berikut:
a. Tabel login
Tabel 3.7 Tabel Login
No. Field Tipe Kunci Keterangan1 Pakar Varchar Primary Nama
Pakar2 Pass Varchar Password Login
b. Tabel gejala
Tabel 3.8 Tabel Gejala
No Field Tipe Kunci Keterangan1 id_gejala Varchar Primary id
gejala2 Gejala Varchar nama gejala
c. Tabel penyakit
Tabel 3.9 Tabel Penyakit
No Field Tipe Kunci Keterangan1 id_penyakit Varchar Primary id
penyakit2 Penyakit Varchar nama penyakit3 Deskripsi Varchar
Definisi penyakit
4 Solusi Varchar solusi penanganan penyakit
-
d. Tabel aturanTabel 3.10 Tabel Aturan
No Field Tipe Kunci Keterangan1 id_aturan Varchar Primary id
aturan2 id_gejala Varchar Foreign id gejala3 id_penyakit Varchar
Foreign id penyakit
4 Densitas floatnilai densitas yang ditetapkanpakar
e. Tabel konsultasiTabel 3.11 Tabel Konsultasi
No Field Tipe Kunci Keterangan
1 id_konsul Varchar Primary id konsultasi2 id_penyakit Varchar
Foreign id penyakit3 Tanggal date tanggal konsultasi
4 Persentase Varchar nilai keyakinan hasil diagnosis
1.2 Perancangan Sistem
Perancangan sistem pakar manajemen terpadu balita sakit ini
melalui
beberapa tahapan yang harus dijalankan untuk memperoleh hasil
sesuai tujuan.
Tahapan tersebut yaitu berupa perancangan tabel keputusan, pohon
keputusan dan
penentuan kaidah-kaidah produksi melalui perunutan balik
(backward chaining)
dan perhitungan Dempster-Shafer.
3.3.1 Tabel Keputusan
Tabel keputusan merupakan suatu cara untuk mendokumentasikan
pengetahuan dalam hal ini adalah pengetahuan pakar. Tabel
keputusan juga
merupakan matriks kondisi yang dipertimbangkan dalam
pendeskripsian kaidah.
Berikut sampel tabel keputusan yang dibuat:
-
Tabel 3.12 Tabel Keputusan
No GejalaInfeksiBakteri
Berat (P1)
DBD denganSyok
Syndrom(P2)
diare akutdengan
dehidrasiberat (P3)
MalariaBerat(P4)
1 Demam (suhu ketiak > 37.5 C)
2 Bayi merintih
3 BAB lembek, > 3x sehari
4 Mencret selama 7 hari
5 Malas minum / tidak bisa minum
6 Mata cowong
7 Darah dalam tinja
8 Perut buncit
9 Kaku kuduk/Leher kaku
10 Kelopak mata bengkak
Pada tabel 3.12 digambarkan hubungan antar suatu gejala dengan
suatu
penyakit. Tabel tersebut menunjukkan bahwa setiap penyakit
memiliki beberapa
gejala dan sebuah gejala bisa terdapat pada beberapa penyakit.
Setelah tabel
keputusan dibuat, selanjutnya dilakukan perancangan pohon
keputusan tiap
penyakit berdasarkan gejala yang terdata pada tabel
keputusan.
1.2.2 Pohon Keputusan
Untuk menghasilkan kaidah yang efisien terdapat satu langkah
yang harus
ditempuh yaitu membuat pohon keputusan. Dari pohon keputusan
dapat diketahui
atribut (kondisi) yang dapat direduksi sehingga menghasilkan
kaidah yang efisien
-
dan optimal. Berikut contoh pohon keputusan yang dibuat
berdasarkan tabel
keputusan 3.12.
Gambar 3.8 Pohon Keputusan
Keterangan:
= Goal / konklusi/ penyakit
= Node/ premis/ gejala
Gambar diatas merupakan pohon keputusan yang dibentuk dari
tabel
keputusan 3.12. Dengan melihat pohon keputusan diatas dapat
diketahui goal P1
dapat dicapai apabila node/gejala 1, gejala 2, gejala 5, dan
gejala 9 terpenuhi.
Goal P2 dicapai apabila gejala 1, gejala 2, gejala 5, gejala 8,
gejala 9, dan gejala
10 terpenuhi, begitupun goal-goal lainnya dapat tercapai apabila
gejala yang
menjadi nodenya terpenuhi. Dalam hal ini suatu goal dapat pula
tercapai
-
walaupun tidak semua node/gejala terpenuhi akan tetapi dengan
nilai persentasi
keyakinan yang lebih kecil.
1.2.3 Konversi ke kaidah Produksi
Pohon keputusan yang sudah dibuat akan digunakan sebagai acuan
dalam
menyusun kaidah produksi. Berikut kaidah produksi yang
dikonversi dari pohon
keputusan 3.12:
1. Kaidah 1: P1 if 1 and 2 and 5 and 9
2. Kaidah 2: P2 if 1 and 2 and 5 and 8 and 9 and 10
3. Kaidah 3: P3 if 1 and 2 and 3 and 4 and 5 and 6 and 7
4. Kaidah 4: P4 if 1 and 2 and 5 and 6 and 8 and 9
1.2.4 Inferensi Backward chaining
Setelah kaidah produksi if-then ditetapkan proses akan
dilanjutkan ke
proses backward chaining atau perunutan mundur. Pada algoritma
backward
chaining jika salah satu gejala bernilai salah (false) maka akan
membatalkan
konklusi pada kaidah tersebut. Untuk mengatasi masalah tersebut
dilakukan
modifikasi terhadap algoritma ini dengan memberikan nilai
densitas kemudian
membandingkan nilai densitas gejala-gejala yang bernilai false
pada suatu kaidah.
Langkah awal adalah melakukan inisialisasi tabel yaitu
menyiapkan tabel
yang dibutuhkan untuk pemrosesan. Tabel tersebut adalah tabel
kaidah yang berisi
data berdasarkan pengetahuan pakar.
-
Tabel 3.13 Inisialisasi Tabel Kaidah
INISIALISASIPenyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Free 0.752 2 Free 0.753 5 Free 0.754 9 Free 0.25
P2
5 1 Free 0.756 2 Free 0.257 5 Free 0.258 8 Free 0.59 9 Free
0.2510 10 Free 0.5
P3
11 1 Free 0.2512 2 Free 0.513 3 Free 114 4 Free 115 5 Free
0.7516 6 Free 0.7517 7 Free 0.25
P4
18 1 Free 0.7519 2 Free 0.2520 5 Free 0.2521 6 Free 0.2522 8
Free 0.523 9 Free 0.75
Field status gejala akan diisi dengan Free karena gejala belum
ada yang
di eksekusi atau belum ditanyakan. Selanjutnya dalam pemrosesan
nanti field ini
akan di update sesuai dengan status gejala yaitu N untuk gejala
yang sudah di
eksekusi dan di jawab TIDAK oleh user dan Y untuk gejala yang
sudah di
eksekusi dan di jawab YA oleh user.
Selanjutnya yaitu inisialisasi tabel goal, tabel ini diisi
dengan penyakit
yang memilki gejala umum terbanyak. Gejala umum yang dimaksud
disini adalah
-
suatu gejala yang paling banyak kemunculannya dalam beberapa
penyakit/,
berdasarkan syarat tersebut maka P3 ditetapkan sebagai goal
awal.
Tabel 3.14 Inisialisasi Tabel Goal
INISIALISASIPenyakit Gejala Densitas
P3
1 0.252 0.53 14 15 0.756 0.757 0.25
Selanjutnya yaitu inisialisasi tabel working memory. Tabel ini
adalah tabel
yang akan menampung segala aktivitas respon pengguna yang di
tanyakan oleh
sistem. Field jawaban akan diisi sesuai respon pengguna yaitu YA
atau
TIDAK.
Tabel 3.15 Inisialisasi Tabel Working Memory
INISIALISASIPenyakit Gejala Densitas Jawaban
-
Jika dalam suatu kasus seorang user memberikan input gejala
yang
dirasakan yaitu:
1) Demam (suhu ketiak > 37.5 C) [gejala 1]
2) Bayi merintih [gejala 2]
3) Malas minum/ tidak bisa minum [gejala 5]
4) Kelopak mata bengkak [gejala 10]
5) Perut buncit [gejala 8]
Sistem akan mulai mengeksekusi gejala pada puncak tabel goal.
Maka
sistem akan memulai dengan menanyakan gejala 1 pada user, yaitu
Demam
(suhu ketiak 37.5 C)?, gejala tersebut memiliki densitas 0.25.
Karena user
memberikan respon YA pada gejala tersebut maka status gejala
untuk seluruh
penyakit yang memiliki gejala 1 akan di set menjadi Y. Berikut
perubahan pada
inferensi backward chaining tahap 1:
Tabel 3.16 Inferensi Backward chaining Tabel Kaidah (1)
INFERENSI 1Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Free 0.753 5 Free 0.754 9 Free 0.25
P2
5 1 Y 0.756 2 Free 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510
10 Free 0.5
P3
11 1 Y 0.2512 2 Free 0.513 3 Free 114 4 Free 1
-
15 5 Free 0.7516 6 Free 0.7517 7 Free 0.25
P4
18 1 Y 0.7519 2 Free 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free
0.523 9 Free 0.75
Seperti yang terlihat pada tabel 3.16, gejala 1 pada tiap
penyakit akan di
set menjadi Y karena user menjawab YA untuk gejala demam (suhu
ketiak >
37.5 C). Untuk status gejala Y tidak perlu dilakukan
perbandingan densitas.
Tebel goal juga akan di update, gejala yang sudah di eksekusi
akan
dihilangkan.
Tabel 3.17 Inferensi Backward chaining Tabel Goal (1)
INFERENSI 1Penyakit Gejala Densitas
P3
2 0.53 14 15 0.756 0.757 0.25
Kemudian pada tabel working memory akan diisi dengan catatan
aktivitas yang
sudah dilakukan.
-
Tabel 3.18 Inferensi Backward chaining Tabel Working Memory
(1)
INFERENSI 1Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAInferensi tahap 1 selesai dan akan dilanjutkan ke
eksekusi gejala
selanjutnya yaitu gejala 2 Apakah bayi merintih?, user
memberikan respon
YA, maka status gejala semua penyakit yang memiliki gejala 2
akan di set
menjadi Y.
Tabel 3.19 Inferensi Backward chaining Tabel Kaidah (2)
INFERENSI 2Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510 10
Free 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 Free 114 4 Free 115 5 Free 0.7516 6
Free 0.7517 7 Free 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free
0.523 9 Free 0.75
-
Tabel 3.20 Inferensi Backward chaining Tabel Goal (2)
INFERENSI 2Penyakit Gejala Densitas
P3
3 14 15 0.756 0.757 0.25
.
Tabel 3.21 Inferensi Backward chaining Tabel Working Memory
(2)
INFERENSI 2Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YA
Inferensi tahap 2 selesai, dilanjutkan ke eksekusi gejala
selanjutnya yaitu
gejala 3 BAB lembek, >3x sehari?. Pada gejala ini user
memberikan respon
TIDAK, maka setiap penyakit yang memiliki gejala 3 akan di
update status
gejalanya menjadi N. Kemudian akan dilakukan perbandingan
densitas, nilai
densitas tiap aturan dengan gejala 3 akan dibandingkan dengan
setiap gejala pada
penyakit tersebut. Jika aturan yang dibandingkan memiliki nilai
densitas lebih
kecil maka aturan tersebut juga akan di set N.
Tabel 3.22 Penalaran Mundur Tabel Kaidah (3)
INFERENSI 3Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.25
-
10 10 Free 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 Free 115 5 N 0.7516 6 N 0.7517
7 N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free
0.523 9 Free 0.75
Tabel 3.23 Penalaran Mundur Tabel Goal (3)
INFERENSI 3Penyakit Gejala DensitasP3 4 1
Pada tahap ini setelah dilakukan proses update status gejala
melalui
perbandingan densitas maka gejala yang tersisa pada tabel goal
adalah gejala 4.
Tabel 3.24 Penalaran Mundur Tabel Working Memory (3)
INFERENSI 3Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAK
Inferensi selanjutnya akan mengeksekusi gejala 4 Mencret selama
7
hari?, user menjawab TIDAK., maka semua penyakit yang memiliki
gejala 4
akan di update status gejalanya menjadi N.
-
Tabel 3.25 Inferensi Mundur Tabel Kaidah (4)
INFERENSI 4Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510 10
Free 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 N 0.7516 6 N 0.7517 7
N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free
0.523 9 Free 0.75
Pada tahap ini terjadi pergantian goal karena semua gejala pada
goal awal
sudah di eksekusi. Goal baru yang akan dipilih sistem adalah
goal yang memiliki
status gejala Y terbanyak dengan status gejala Free terbanyak.
Dalam sampel
kasus ini terdapat dua goal yang memiliki jumlah Y dan Free yang
sama,
maka sistem akan mengambil goal yang paling atas, sehingga P2
akan ditetapkan
sebagai goal baru.
-
Tabel 3.26 Inferensi Mundur tabel Goal (4)
INFERENSI 4Penyakit Gejala Densitas
P2
5 0.258 0.59 0.2510 0.5
Tabel 3.27 Inferensi Mundur Tabel Working Memory (4)
INFERENSI 4Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAK
Inferensi dilanjutkan dengan mengeksekusi gejala 5, Apakah anak
malas
minum /tidak bisa minum?, user menjawab YA maka setiap gejala 5
pada
setiap penyakit akan di set Y.
Tabel 3.28 Inferensi Mundur Tabel Kaidah (5)
INFERENSI 5Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 Free 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Free 0.59 9 Free 0.2510 10
Free 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.75
-
16 6 N 0.7517 7 N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 Free 0.2522 8 Free 0.523 9
Free 0.75
Tabel 3.29 Inferensi Mundur Tabel Goal (5)
INFERENSI 5Penyakit Gejala Densitas
P28 0.59 0.2510 0.5
Tabel 3.30 Inferensi Mundur Tabel Working Memory (5)
INFERENSI 5Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YA
Inferensi dilanjutkan dengan mengeksekusi gejala 8, apakah
perut
buncit?. User menjawab YA, maka semua aturan dengan gejala 8
akan di set
Y.
Tabel 3.31 Inferensi Mundur Tabel Kaidah (6)
INFERENSI 6Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 Free 0.25
P2 5 1 Y 0.75
-
6 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 Free 0.2510 10 Free 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7
N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 Free 0.2522 8 Y 0.523 9
Free 0.75
Tabel 3.32 Inferensi Mundur Tabel Goal (6)
INFERENSI 6Penyakit Gejala Densitas
P29 0.2510 0.5
Tabel 3.33 Inferensi Mundur Tabel Working memory (6)
INFERENSI 6Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8
0.5 YA
-
Gejala yang selanjutnya di eksekusi adalah gejala 9, Kaku
kuduk/leher
kaku?. User memberi respon TIDAK, maka semua gejala 9 di set
N.
kemudian dilakukan perbandingan densitas seperti pada inferensi
sebelumnya.
Tabel 3.34 Inferensi Mundur Tabel Kaidah (7)
INFERENSI 7Penyakit Aturan Gejala Status Gejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 N 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 N 0.2510 10 Free
0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7
N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 N 0.2522 8 Y 0.523 9 N
0.75
Tabel 3.35 Inferensi Mundur Tabel Goal (7)
INFERENSI 7Penyakit Gejala DensitasP2 10 0.5
-
Tabel 3.36 Inferensi Mundur Tabel Working Memory (7)
INFERENSI 7Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8
0.5 YAP2 9 0,25 TIDAK
Selanjutnya akan di eksekusi gejala 10, Apakah kelopak mata
bengkak?.
User memberi respon YA maka gejala 10 di set Y
Tabel 3.37 Inferensi Mundur Tabel Kaidah (8)INFERENSI 8
Penyakit Aturan Gejala StatusGejala Densitas
P1
1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 N 0.25
P2
5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 N 0.2510 10 Y 0.5
P3
11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7
N 0.25
P4
18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 N 0.2522 8 Y 0.523 9 N
0.75
-
Tabel 3.38 Inferensi Mundur Tabel Goal (8)
INFERENSI 8Penyakit Gejala Densitas
Tabel 3.39 Inferensi Mundur Tabel Working Memory (8)
INFERENSI 8Penyakit Gejala Densitas Jawaban
P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8
0.5 YAP2 9 0,25 TIDAKP2 10 0.5 YA
Pada tahap ini inferensi dihentikan karena seluruh gejala pada
tabel goal
sudah selesai di eksekusi dan pada tabel kaidah sudah tidak ada
lagi aturan dengan
status Free. Kemudian hasil inferensi ini akan dioalah untuk
mendapatkan besar
nilai keyakinan sistem untuk tiap penyakit yang terdiagnosis
pada proses inferensi
mundur. Berikut data setiap penyakit yang mendapatkan status
gejala Y:
Tabel 3.40 Hasil Inferensi Backward chaining
HASIL INFERENSIAturan Penyakit Gejala Densitas Jawaban
5
P2
1 0.75 YA6 2 0.25 YA7 5 0.25 YA8 8 0.5 YA10 10 0.5 YA11
P31 0.25 YA
12 2 0.25 YA15 5 0.75 YA
-
1.2.5 Perhitungan Dempster-Shafer
Setelah proses inferensi memutuskan penyakit yang terdiagnosis
sistem
akan melanjutkan dengan menghitung nilai kemungkinan terhadap
setiap penyakit
yang terdiagnosis. Studi kasus sistem pakar manajemen terpadu
balita sakit ini
menggunakan metode perhitungan Dempster-Shafer. Setelah
melakukan inferensi
sistem mendiagnosis 2 penyakit yang mungkin di derita user
berdasarkan gejala
yang dikeluhkan, yaitu P2 dan P3. Perhitungan dempster-shafer
akan dikerjakan
pada masing-masing penyakit.
Untuk P2
Berdasarkan hasil inferensi, gejala yang dirasakan user yang
merupakan gejala
dari P2 adalah gejala 1, gejala 2, gejala 5, gejala 8, dan
gejala 10. Berikut
perhitungannya:
1. Gejala 1
- m1(G1) = 0.75
m1 {} = 1 0.75 = 0.25
2. Gejala 1 dan gejala 2
- m1 (G1) = 0.75
m1 {} = 1- 0.75 = 0.25
- m2 (G2) = 0.25
m2 {} = 1 0.25 = 0.75
-
Tabel 3.41 Aturan Kombinasi G1,G2 (P2)m2 (G2) = m2 {} =
0.25 0.75
m1 (G1) ={} = 0.1875 {G1} = 0.5625
0.75
m1 {} = {G2}
=
0.0625 {} = 0.18750.25
Kemudian dengan menggunakan persamaan 2.3 yang dijelaskan pada
BAB 2,
Maka:
- m3(G2) = . .. = 0.0769- m3(G1) = . .. = 0.6923- m3 () = . .. =
0.2308
Sehingga:
Bel{(G2,G1)}= m3(G2) + m3 (G1)
= 0.0769 + 0.6923
= 0.7692
3. Gejala 1 dan gejala 2 dan gejala 5
- m1(G2,G1) = 0.7692
m1() = 1 0.7692 = 0.2308
-
- m2(G5) = 0.25
m2() = 1 0.25 = 0.75
Tabel 3.42 Aturan Kombinasi G1,G2,G5 (P2)
m2 (G5) = M2 () =0.25 0.75
m1 (G1,G2) =() = 0.1923 (G1,G2) = 0.5769
0.7692
m1 () = (G5)
=
0.0577 () = 0.17310.2308
Maka:
- m3(G5) = . .. = 0.0714- m3(G1,G2) = . .. = 0.7143- m3() = . ..
= 0.2143
Sehingga:
Bel{(G1,G2,G5)} = m3(G5) + m3(G1,G2)
= 0.0714 + 0.7143
= 0.7857
4. Gejala 1 dan gejala 2 dan gejala 5 dan gejala 8
- m1(G1,G2.G5) = 0.7857
m1() = 1 0.7857 = 0.2143
- m2(G8) = 0.5
m2() = 1 0.5 = 0.5
-
Tabel 3.43 Aturan Kombinasi G1,G2,G5,G8 (P2)
m2 (G8) = m2 () =0.5 0.5
m1(G1,G2,G5.G8)
=()=
0.3929 (G1,G2,G5,G8)=
0.39290.7857
m1 () = (G8)
=
0.1072 () = 0.10720.2143
Maka:
- m3(G8) = . .. = 0.1766- m3(G1,G2,G5) = . .. = 0.6472- m3() = .
.. = 0.1766
Sehingga:
Bel{(G1,G2,G5,G8)} = m3(G8) + m3(G1.G2.G5)
= 0.1766 + 0.6472
= 0.8238
5. Gejala 1 dan gejala 2 dan gejala 5 dan gejala 8 dan gejala
10
- m1(G1,G2,G5,G8) = 0.8238
m1() = 1 0.8238 = 0.1762
- m2(G10) = 0.5
m2() = 1 0.5 = 0.5
-
Tabel 3.44 Aturan Kombinasi G1,G2,G5,G8,G10 (P2)m2 (G10) = m2 ()
=
0.5 0.5m1
(G1,G2,G5.G8,G10)
=
() = 0.4119(G1,G2,G5,G8,G10)
=
0.4119
0.8238
m1 () =0.1762 (G10) = 0.0881 () = 0.0881
Maka:
- m3(G10) = . .. = 0.1498- m3(G1.G2,G5,G8) = . .. = 0.7004- m3()
= . .. = 0.1498
Sehingga:
Bel{(G1,G2,G5,G8,g10)} = m3(G10) + m3 (G1,G2,G5,G8,G10)
= 0.1498 + 0.7004
= 0.8502
Proses perhitungan nilai kepastian dengan menggunakan metode
Dempster-Shafer telas selesai. Sistem menarik kesimpulan bahwa
untuk P2
dengan evidence 1, 2, 5, 8 dan 10 nilai kepastian adalah 0.8502
atau 85.02 %.
Untuk P3
Berdasarkan hasil inferensi P3 juga mungkin merupakan hasil
diagnose sistem,
maka perhitungan Dempster-Shafer juga akan dilakukan pada P3.
Gejala yang
-
dijawab YA yang merupakan gejala dari P3 adalah gejala 1, gejala
2, dan gejala
5. Berikut perhitungannya:
1. Gejala 1
- m1(G1) = 0.25
m1() = 1 0.25 = 0.7
2. Gejala 1 dan gejala 2
- m1(G1) = 0.25
m1() = 1 0.25 = 0.75
- m2(G2 ) = 0.25
m2() = 1 0.25 = 0.75
Tabel 3.45 Aturan Kombinasi G1, G2 (P3)
m2 (G2) = m2 () =0.25 0.75
m1 (G1) = ()
=
0.0625 (G1) = 0.18750.25
m1 () = (G2)
=
0.1875 () = 0.56250.75
Maka:
- m3(G2) = . .. = 0.2- m3(G1) = . .. = 0.2- m3() = . .. =
0.6
-
Sehingga:
Bel{(G1,G2)} = m3(G2) + m3(G1)
= 0.2 + 0.2
= 0.4
3. Gejala 1, dan gejala 2, dan gejala 5
- m1(G1,G2) = 0.4
m1() = 1 0.4 = 0.6
- m2(G5) = 0.75
m2() = 1 0.75 = 0.25
Tabel 3.46 Aturan Kombinasi G1, G2, G5 (P3)m2 (G5) = m2 () =
0.75 0.25
m1 (G1,G2)
=
()
=
0.3 (G1,G2) = 0.1
0.4
m1 () = (G5)
=
0.45 () = 0.150.6
Maka:
- m3(G5) = . .. = 0.6429- m3(G1,G2) = . .. = 0.1429- m3() = . ..
= 0.2143
-
Sehingga:
Bel{(G1,G2G5)} = m3(G5) + m3 (G1,G2)
= 0.6429 + 0.1429
= 0.7858
Proses perhitungan Dempster-Shafer untuk P3 dengan evidence 1
dan 2
dan 5 selesai. Sistem mendiagnosis P3 dengan nilai kepastian
0.7858 atau
78.58%.
Perhitungan ini akan dilakukan pada setiap penyakit yang
didiagnosis oleh
sistem melalui proses inferensi. Hasil perhitungan dari tiap
penyakit akan
dibandingkan untuk mendapatkan penyakit dengan nilai kepastian
tertinggi.
Dalam contoh kasus ini maka sistem akan memberikan diagnosis
yaitu user
mengalami P3 dengan tingkat kepastian sebesar 85.02 %. Nilai ini
akan terus
bertambah jiak evidence yang mendukung penyakit tersebut juga
bertambah.
-
3.4 Perancangan Antarmuka
Antarmuka pengguna atau user interface dirancang sedimikian
hingga
sistem terlihat rapi dan tidak menyulitkan pengguna saat
berinteraksi dengan
sistem. Sistem pakar ini berjalan pada perangkat mobile berbasis
android. Berikut
perancangan antarmuka pengguna:
a) Menu Utama
Gambar 3.9 Rancangan Menu Utama
Form utama merupakan tampilan awal aplikasi dijalankan. Pada
form
utama ini terdapat beberapa menu yaitu menu konsultasi untuk
user yang ingin
melakukan konsultasi, menu login administrator untuk mendapatkan
hak akses
penuh terhadap basis data aplikasi, menu info MTBS yaitu menu
yang berisi info-
info yang berkaitan dengan kesehatan balita, dan menu about
yaitu menu yang
berisi informasi aplikasi berupa data diri developer, tanggal
sistem dibangun,
informasi versi aplikasi, informasi versi basis data, dan
lain-lain.
-
b) Form Login Pakar
Gambar 3.10 Rancangan Form Login Pakar
Form login pakar merupakan form yang berfungsi sebagai pintu
masuk
admin ke dalam sistem. Setelah masuk kedalam sistem admin
mendapatkan hak
akses atas basis data sistem. Admin berhak melakukan aktivitas
manajemen basis
pengetahuan. Seperti menambah data aturan, mengubah data aturan,
ataupun
menghapus data.
c) Menu Admin /Pakar (Basis Pengetahuan)
Gambar 3.11 Rancangan Menu Admin/Pakar
-
Setelah login kedalam sistem admin akan mendapatkan tampilan
menu
khusus admin. Menu ini berisi sub-menu penyakit, gejala, dan
aturan. Masing-
masing sub-menu akan membawa admin pada aktivitas selanjutnya.
Dalam
perancangan ini jika button sub-menu di sentuh maka akan muncul
opsi untuk
melakukan aktivitas selanjutnya, yaitu lihat data atau
menambahkan data.
Gambar 3.12 Rancangan Menu Opsi
Gambar 3.13 Rancangan Form Data Penyakit
Form data penyakit akan muncul jika pada sub-menu penyakit
admin
memilih opsi untuk melihat data. Form ini menampilkan data
penyakit yang
tersimpan dalam basis data. Dalam perancangan ini, sistem akan
memberikan opsi
untuk mengubah data atau menghapus data jika data terpilih
dikenakan aksi
-
sentuh-tahan. Pada form ini juga terdapat button yang membawa
admin menuju
form untuk menambahkan data.
Gambar 3.14 Rancangan Form Tambah Data
Gambar 3.14 merupakan form untuk menambahkan data,
berturut-turut
dari kiri ke kanan adalah form untuk menambah data penyakit,
kemudian form
untuk menambahkan data gejala, dan selanjutnya adalah form
untuk
menambahkan data aturan.
d) Form Konsultasi
Form konsultasi ini berisi pertanyaan dengan 2 opsi jawaban, YA
atau
TIDAK. Melalui form ini sistem mengumpulkan evidence-evidence
untuk
penarikan kesimpulan.
-
Gambar 3.15 Rancangan Form Konsultasi
e) Form Diagnosis
Gambar 3.16 Rancangan Form Diagnosis
Form diagnosis adalah antarmuka yang akan menampilkan hasil
diagnosis
sistem berdasarkan proses inferensi beserta persentase nilai
kepastiannya. Form
ini juga akan menampilakan solusi untuk penyakit yang sudah di
diagnosis sistem.