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 : [email protected] :
wanda_suryanata
Demikianlah daftar riwayat hidup ini dibuat dengan sebenarnya.
Banjarmasin, 17 Maret 2012 Mahasiswa Ybs.,
Wanda Suryanata.
58