Upload
-k-g
View
149
Download
15
Embed Size (px)
DESCRIPTION
JURNAL Sistem Pakar Skrining Kehamilan Resiko Tinggi Menggunakan Metode Certainty Factor
Citation preview
2015
SISTEM PAKAR SKRINING KEHAMILAN RESIKO TINGGI MENGGUNAKAN METODE
CERTAINTY FACTOR
(STUDI KASUS: PUSKESMAS HANDIL BAKTI PALARAN)
Wahyu Syahidah1), Indah Fitri Astuti2),Awang Harsa Kridalaksana3)
1,2,3)Program Studi Ilmu Komputer, FMIPA, Universitas Mulawarman
Email : [email protected]), [email protected]), [email protected])
Abstrak
Setiap kehamilan memiliki faktor resiko yang dapat membahayakan keselamatan ibu dan bayi jika
penanganan yang dilakukan tidak tepat. Tiap tahun terjadi peningkatan angka kematian ibu yang terjadi disebabkan
oleh keterlambatan dalam mendeteksi resiko kehamilan. Untuk membantu tenaga kesehatan khususnya bidan
dalam mendeteksi kehamilan dengan resiko tinggi, dib*uat sistem pakar skrining kehamilan resiko tinggi. Terdapat
beberapa faktor resiko yang terdapat dalam Kartu Skor Poedji Rochjati (KSPR) yang menjadi pertimbangan dalam
menentukan tingkat resiko pada ibu hamil. Metode Certainty Faktor merupakan metode dari sistem pakar yang
dianggap sesuai untuk memberikan hasil yang tepat untuk mendeteksi resiko tinggi pada kehamilan. Penelitian ini
menghasilkan sebuah sistem pakar berbasis web dengan tingkat akurasi sebesar 90%, yang dimanfaatkan untuk
membantu tenaga kesehatan khususnya bidan dalam mendeteksi resiko tinggi yang dimiliki oleh ibu hamil.
Kata Kunci : Kehamilan Resiko Tinggi, Sistem Pakar, Certainty Factor
PENDAHULUAN
Latar Belakang Kehamilan merupakan saat yang ditunggu-
tunggu oleh setiap wanita yang telah menikah.
Kehamilan dan persalinan merupakan proses alami,
tetapi kehamilan juga memiliki resiko yang dapat
menjadi beban bagi seorang wanita. Pada persalinan
tiap ibu hamil memiliki resiko baik rendah atau tinggi
yang dapat membahayakan ibu dan bayi. Sebagian
besar dari kehamilan mempunyai hasil
menggembirakan dengan ibu dan bayi yang sehat. Hasil
yang menggembirakan tersebut tidak selalu terjadi, ada
persalinan yang berakhir dengan ibu dan atau bayi mati
atau sakit. Keadaan ini dapat terjadi pada kehamilan
dengan resiko tinggi dengan penanganan persalinan
yang tidak tepat. Berdasarkan hasil survei Demogafi
dan Kependudukan Indonesia (SDKI) 2012, terdapat
kenaikan angka kematian ibu (AKI) yang cukup drastis
dari 228 per 100 ribu kelahiran menjadi 359 per 100
ribu kelahiran. Pada saat ini masih banyak terjadi
keterlambatan rujukan, dimana ibu hamil yang
memiliki resiko sangat tinggi dikirim dan datang di
rumah sakit dalam kondisi yang sangat buruk, sehingga
kesempatan untuk menyelamatkan nyawa ibu dan
bayinya sangat terbatas.
Kartu Skor Poedji Rochjati atau yang
biasanya disingkat dengan KSPR biasanya digunakan
untuk menentukan tingkat resiko pada ibu
hamil. KSPR dibuat oleh Poedji Rochjati dan pertama
kali digunakan pada tahun 1992-1993. KSPR telah
disusun dengan format yang sederhana agar
mempermudah kerja tenaga kesehatan untuk
melakukan skrining terhadap ibu hamil dan
mengelompokan ibu kedalam kategori sesuai ketetapan
sehingga dapat menentukan intervensi yang tepat
terhadap ibu hamil.
Penulis menggunakan metode certainty factor
karena metode ini dirasa sesuai dengan kasus yang
sedang diteliti, dengan menggunakan nilai-nilai dari
resiko kehamilan sebagai faktor kepastian. Penulis
bermaksud untuk membuat sebuah sistem pakar
berbasis web yang dapat mengatasi nilai derajat
kepercayaan atau faktor kepastian data yang diperoleh
dari hasil konsultasi dengan pasien dengan
menggunakan kriteria – kriteria yang terdapat pada
Kartu Skor Poedji Rochyati melalui metode certainty
factor. Harapan penulis dengan dibangunnya sistem ini
adalah supaya dapat membantu dalam mendiagnosa
resiko tinggi kehamilan.
Batasan Masalah Batasan masalah pada pembuatan sistem :
1. Menggunakan faktor – faktor resiko yang ada pada
Kartu Skor Poedji Rochjati yaitu, skor awal ibu hamil,
usia ibu hamil, terlalu lambat hamil setelah pernikahan,
jarak kehamilan dari kehamilan sebelumnya, terlalu
banyak anak, tinggi badan, pernah mengalami
keguguran, pernah melahirkan dengan vakum/uri
dirogoh/mendapat transfusi, pernah menjalani operasi
sesar, penyakit yang dimiliki ibu hamil, terdapat
bengkak pada muka/tungkai dan tekanan darah tinggi,
hamil kembar, mengalami hydramnion, bayi mati
dalam kandungan, kehamilan lebih bulan, letak bayi
sungsang/lintang, terjadi pendarahan, dan terjadi
eklampsia/kejang – kejang.
2. Skrining dilakukan pada ibu dalam masa kehamilan
dimulai dari hari pertama haid terakhir.
Tujuan Penelitian Tujuan dari penelitian ini adalah untuk
membangun sistem yang dapat mendiagnosa
kehamilan resiko tinggi serta cara penanggulangannya
berdasarkan pada aturan Kartu Skor Poedji Rochjati
(KSPR) dengan menggunakan metode Certainty
Factor.
2015
Manfaat Penelitian Manfaat dari penelitian ini adalah sebagai media
yang dapat membantu seorang bidan dalam
menentukan resiko pada kehamilan berdasarkan aturan
yang terdapat pada Kartu Skor Poedji Rochjati (KSPR).
TINJAUAN PUSTAKA
Sistem Pakar Sistem Pakar adalah sistem yang menggunakan
pengetahuan manusia yang terekam dalam komputer
untuk memecahkan persoalan yang biasanya
memerlukan keahlian manusia. Konsep dasar sistem
pakar mencakup beberapa persoalan mendasar antara
lain apa yang dimaksud dengan keahlian, siapa yang
disebut pakar, bagaimana keahlian dapat ditransfer, dan
bagaimana sistem bekerja [8].
Sistem Pakar menurut Siswanto [7] merupakan
program komputer, yaitu :
1. Program komputer yang menangani masalah dunia
nyata, masalah yang kompleks yang membutuhkan
interpretasi pakar.
2. Program komputer untuk menyelesaikan masalah
dengan menggunakan komputer dengan model
penalaran manusia dan mencapai kesimpulan yang
sama dengan yang dicapai oleh seorang jika
berhadapan dengan masalah.
Kepakaran atau expertise adalah pengetahuan
yang ekstensif (meluas) dan spesifik yang diperoleh
melalui rangkaian pelatihan, membaca, dan
pengalaman. Pengetahuan membuat pakar dapat
mengambil keputusan secara lebih baik dan lebih cepat
daripada non-pakar dalam memecahkan problem yang
kompleks. Kepakaran mempunyai sifat berjenjang,
pakar top memiliki pengetahuan lebih banyak daripada
pakar yunior. Sistem pakar yang baik harus memenuhi
ciri-ciri :
a. Memiliki informasi yang handal.
b. Mudah dimodifikasi.
c. Dapat digunakan dalam berbagai jenis komputer.
d. Memiliki kemampuan untuk belajar beradaptasi.
Tujuan dari sebuah sistem pakar adalah untuk
mentransfer kepakaran yang dimiliki seorang pakar ke
dalam komputer, dan kemudian kepada orang lain.
Aktivitas yang dilakukan untuk memindahkan
kepakaran adalah:
a. Akuisi pengetahuan (knowledge acquisition) yaitu
kegiatan mencari dan mengumpulkan pengetahuan
dari para ahli atau sumber keahlian yang lain.
b. Representasi pengetahuan (knowledge
representation) adalah kegiatan menyimpan dan
mengatur penyimpanan pengetahuan yang
diperoleh dalam komputer. Pengetahuan berupa
fakta dan aturan disimpan dalam komputer sebagai
sebuah komponen yang disebut basis pengetahuan.
c. Inferensi pengetahuan (knowledge inferencing)
adalah kegiatan melakukan inferensi berdasarkan
pengetahuan yang telah disimpan didalam
komputer.
d. Pemindahan pengetahuan (knowledge transfer)
adalah kegiatan pemindahan pengetahuan dari
komputer ke pemakai yang tidak ahli.
Alasan mendasar mengapa sistem pakar
dikembangkan untuk menggantikan seorang pakar:
a. Dapat menyediakan kepakaran setiap waktu dan di
berbagai lokasi.
b. Secara otomatis mengerjakan tugas rutin yang
membutuhkan seorang pakar.
c. Seorang pakar akan pensiun atau pergi.
d. Biaya seorang pakar adalah mahal.
e. Kepakaran dibutuhkan juga pada lingkungan
yang tidak bersahabat (hostile environment) [8].
Table 1. Perbandingan Seorang Pakar dengan Sistem
Pakar
Faktor Seorang Pakar Sistem
Pakar
Time Availability Hari Kerja Setiap saat
Geografis Lokal/tertentu Dimana saja
Keamanan Tidak
tergantikan
Dapat
diganti
Perishable/Dapat
habis
Ya Tidak
Performansi Variabel Konsisten
Kecepatan Variabel Konsisten
dan lebih
cepat
Biaya Tinggi Terjangkau
(Sumber : Turban, 2005)
Faktor Kepastian (Certainty Factor) Faktor kepastian (certainty factor) diperkenalkan
oleh Shortliffe Buchanan dalam
pembuatan MYCIN. Certainty Factor (CF) merupakan
nilai parameter klinis yang diberikan MYCIN untuk
menunjukkan besarnya kepercayaan. Certainty Factor
didefinisikan sebagai persamaan 1 [1]:
CF (H, E) = MB (H, E) – MD (H, E) …(1)
CF (H, E) : Certainty Factor dari hipotesis H yang
dipengaruhi oleh gejala (evidence) E. Besarnya CF
berkisar antara -1 sampai 1. Nilai -1 menunjukkan
ketidakpercayaan mutlak sedangkan nilai 1
menunjukkan kepercayaan 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 increased disbelief) terhadap hipotesis H
yang dipengaruhi oleh gejala E.
Bentuk dasar rumus certainty
factor, adalah sebuah aturan JIKA E MAKA H seperti
ditunjukkan oleh persamaan 2.
CF (H, e) = CF (E, e) * CF (H, E) …(2)
Dimana
CF (H, e) : certainty factor hipotesis yang
dipengaruhi oleh evidence e.
CF (E, e) : certainty factor evidence E yang
dipengaruhi oleh evidence e
CF (H, E) : certainty factor hipotesis dengan
asumsi evidence diketahui dengan pasti, yaitu
ketika CF(E, e) = 1
2015
Jika semua evidence pada antecedent
diketahui dengan pasti maka persamaannya akan
menjadi:
CF (E, e) = CF (H, E) …(3)
Dalam aplikasinya, CF(H,E) merupakan nilai
kepastian yang diberikan oleh pakar terhadap suatu
aturan, sedangkan CF(E,e) merupakan nilai
kerpercayaan yang diberikan oleh pengguna terhadap
gejala yang dialaminya. Sebagai contoh, berikut ini
adalah sebuah aturan dengan CF yang diberikan oleh
seorang pakar:
JIKA batuk
DAN demam
DAN sakit kepala
DAN bersin-bersin
MAKA influensa, CF: 0,7
Metode certainty factor 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. Misalnya,
untuk mengetahui apakah seorang pasien tersebut
menderita penyakit jantung atau tidak, dilihat dari hasil
perhitungan bobot setelah semua keluhan-keluhan
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.
Kelebihan metode Certainty Factor adalah:
a. Metode ini cocok dipakai dalam sistem pakar untuk
mengukur sesuatu apakah pasti atau tidak pasti
dalam mendiagnosis penyakit sebagai salah satu
contohnya.
b. Perhitungan dengan menggunakan metode ini
dalam sekali hitung hanya dapat mengolah 2 data
saja sehingga keakuratan data dapat terjaga.
Kekurangan metode Certainty Factor adalah:
a. Ide umum dari pemodelan ketidakpastian manusia
dengan menggunakan numerik metodecertainty
factor biasanya diperdebatkan. Sebagian orang
akan membantah pendapat bahwa formula untuk
metode certainty factor diatas memiliki sedikit
kebenaran.
b. Metode ini hanya dapat mengolah
ketidakpastian/kepastian hanya 2 data saja. Perlu
dilakukan beberapa kali pengolahan data untuk data
yang lebih dari 2 buah.
Kehamilan Kehamilan adalah pertumbuhan dan
perkembangan janin intra uteri mulai sejak konsepsi
dan berakhir sampai permulaan persalinan. (Manuaba,
2008).
Kehamilan terjadi jika ada pertemuan dan
persenyawaan antara sel telur (ovum) dan sel mani
(spermatozoa) [6].
Kehamilan dibagi menjadi 3 trimester:
1. Trimester pertama : hari pertama haid terakhir
sampai minggu ke -12
2. Trimester kedua : minggu ke- 13 sampai ke- 27
3. Trimester ketiga: minggu ke- 28 sampai ke- 40 (13
minggu) [3].
Kehamilan Risiko Tinggi adalah salah satu
kehamilan yang di dalamnya kehidupan atau kesehatan
ibu atau janin dalam bahaya akibat gangguan
kehamilan yang kebetulan atau unik[6].
HASIL PENELITIAN DAN PEMBAHASAN
Deskripsi Sistem Sistem Pakar Skrining Resiko Tinggi Kehamilan
ini merupakan sistem yang digunakan untuk
memudahkan tenaga kesehatan terutama bidan dalam
melakukan skrining terhadap ibu hamil. Pada sistem ini
user yang merupakan bidan atau tenaga kesehatan
harus login terlebih dahulu untuk masuk ke dalam
sistem pakar. Setelah berhasil masuk, kemudian user
dapat mengolah data ibu hamil dan melakukan
skrining. Untuk melakukan perhitungan KPSR user
harus memasukkan data kehamilan terlebih dahulu
kemudian user dapat memilih resiko kehamilan yang
dialami oleh ibu hamil. Setiap resiko kehamilan
memiliki nilai yang akan diproses nantinya. Setelah
selesai tahap memilih resiko berdasarkan kondisi ibu
hamil maka sistem akan memproses sehingga
mendapatkan hasil skor yang menyatakan kondisi ibu
hamil serta rujukan yang diberikan sesuai kondisi yang
dialami ibu hamil. Disertakan pula detail perhitungan
yang telah dilakukan sistem.
Arsitektur Sistem
Gambar 1. Arsitektur Sistem Pakar Skrining
Kehamilan Resiko Tinggi
Dari Gambar 1 terlihat bahwa sistem pakar
disusun oleh dua bagian utama, yaitu lingkungan
pengembangan (development environment) dan
2015
ingkungan konsultasi (consultation environment).
Komponen – komponen yang terdapat dalam sistem
pakar yaitu User Interface yang dalam sistem ini adalah
halaman skrining, basis pengetahuan yang didapat dari
pakar yang berupa nilai CF dan aturan, akuisisi
pengetahuan, mesin inferensi yang menggunakan
metode forward chaining, workplace, fasilitas
penjelasan dan perbaikan pengetahuan.
Perancangan Sistem
Perancangan sistem pakar skrining kehamilan
resiko tinggi yang akan dibangun menggunakan
diagram unified modeling language (UML) dan
flowchart, diagram yang digunakan yaitu use case
diagram dan activity diagram. Flowchart merupakan
suatu langkah penting yang harus dilakukan dalam
menyelesaikan suatu masalah. Berisi grafik-grafik
untuk membantu bagaimana suatu sistem dapat dibuat.
Gambar 2 merupakan flowchart sistem skrining
kehamilan resiko tinggi.
Gambar.2 Flowchart Perhitungan CF Skrining
Kehamilan Resiko Tinggi
Perancangan Basis Data Pengetahuan Dalam pembuatan sistem pakar, fakta dan
pengetahuan yang berhubungan dengan faktor – faktor
resiko kehamilan akan digunakan dalam mengambil
suatu kesimpulan. Fakta dan pengetahuan tersebut
didapatkan dari hasil studi literatur. Fakta dan
pengetahuan yang telah didapatkan akan diterjemahkan
akan diterjemahkan knowledge engineer menjadi basis
pengetahuan yang tersimpan dalam sistem pakar yang
telah dibuat. Fakta tersebut ditampilkan dalam bentuk
tabel faktor resiko. Masing-masing faktor
direpresentasikan dengan kode seperti digambarkan
pada tabel 2.
Tabel 2. Faktor Resiko Kehamilan
Faktor
Resiko Deskripsi Faktor CF
F01 Skor Awal Ibu Hamil 0.2
F02 Hamil terlalu muda pada usia
kurang dari 16 tahun
0.4
F03 Kehamilan pertama terlalu lambat
setelah lebih dari sama dengan 4
tahun pernikahan
0.4
F04 Terlalu tua, kehamilan pertama
pada usia lebih dari sama dengan
35 tahun
0.4
F05 Terlalu cepat hamil lagi, jarak
kurang dari 2 tahun setelah
kehamilan sebelumnya
0.4
F06 Terlalu lama hamil lagi, jarak lebih
dari sama dengan 10 tahun dengan
kehamilan sebelumnya.
0.4
F07 Terlalu banyak anak (4 anak atau
lebih).
0.4
F08 Usia terlalu tua lebih dari sama
dengan 35 tahun.
0.4
F09 Terlalu pendek, tinggi badan
kurang dari sama dengan 145 cm.
0.4
F10 Pernah gagal kehamilan. 0.4
F11 Pernah melahirkan dengan tarikan
tang / vakum.
0.4
F12 Pernah melahirkan dengan uri
dirogoh.
0.4
F13 Pernah melahirkan dengan diberi
infus / transfusi.
0.4
F14 Pernah operasi sesar. 0.8
F15 Memiliki penyakit kurang darah. 0.4
F16 Memiliki penyakit malaria. 0.4
F17 Memiliki penyakit TBC paru. 0.4
F18 Memiliki penyakit payah jantung. 0.4
F19 Memiliki penyakit kencing manis
(diabetes).
0.4
F20 Memiliki penyakit menular
seksual.
0.4
F21 Terdapat bengkak pada muka /
tungkai dan tekanan darah tinggi.
0.4
F22 Hamil kembar 2 atau lebih. 0.4
F23 Hamil kembar air ( hydramnion ). 0.4
F24 Bayi mati dalam kandungan. 0.4
F25 Kehamilan lebih bulan. 0.4
F26 Letak bayi sungsang. 0.8
F27 Letak bayi lintang. 0.8
F28 Terjadi pendarahan pada
kehamilan ini.
0.8
F29 Preeklampsia berat / kejang -
kejang.
0.8
Masing-masing resiko kehamilan
direpresentasikan dengan kode seperti digambarkan
pada tabel 3.
Tabel 3. Resiko Kehamilan
2015
Kode
Resiko Keterangan Rujukan
R01 Kehamilan
Resiko Rendah
Persalinan boleh
ditangani oleh bidan
praktek.
R02 Kehamilan
Resiko Tinggi
Persalinan tidak
boleh ditangani oleh
bidan praktek dan
dianjurkan untuk
melakukan
persalinan ke
puskesmas atau
rumah sakit.
R03 Kehamilan
Resiko Sangat
Tinggi
Persalinan harus
ditangani oleh
dokter ahli di rumah
sakit.
Representasi pengetahuan digunakan untuk
menggabungkan fakta dari tabel penyakit dan gejala
untuk bisa memberikan informasi agar dapat diakses
oleh prosedur pemecahan masalah. Nilai – nilai yang
ada ditentukan dan disetujui oleh narasumber/pakar.
Tabel 4. Representasi pengetahuan
No. Fakta Kode
Resiko
Jenis Resiko
1. Jika
persentase ≤
50%
R01 Kehamilan
Resiko Rendah
2. Jika
persentase >
50% dan <
80%
R02 Kehamilan
Resiko Tinggi
3. Jika
persentase ≥
80%
R03 Kehamilan
Resiko Sangat
Tinggi
Implementasi Sistem User
1. Halaman Login
Menu halaman Login dibuat untuk user dan
administrator untuk dapat mengakses sistem.
Tampilan halaman login user dapat dilihat pada
gambar 3.
Gambar 3. Form Login
Pada form login terdapat kolom username dan
password yang harus diisi oleh user serta tombol
“Login” untuk masuk ke halaman utama sistem
pakar. Jika username dan password yang diisi user
benar, maka setelah mengklik “Login”, user akan
masuk ke halaman utama sistem pakar.
Terdapat tiga halaman yang dapat diakses oleh
user, antara lain Halaman Utama, Halaman Data
Ibu Hamil, dan Halaman Pencarian.
2. Halaman Utama
Setelah user berhasil login, yang muncul di awal
adalah halaman utama sistem pakar skrining
kehamilan resiko tinggi. Halaman utama bisa dilihat
pada Gambar 4.
Gambar 4. Tampilan Halaman Utama Sistem
Pakar Skrining Kehamilan Resiko Tinggi
3. Halaman Dara Ibu Hamil
Pada halaman ini, user dapat mengelola data ibu
hamil, mengisi data pemeriksaan dan skrining.
Lebih jelasnya tentang halaman Data Ibu Hamil
dapat dilihat pada gambar 5.
Gambar 5. Halaman Data Ibu Hamil
Dalam Halaman Data Ibu Hamil ini user dapat
menambahkan data ibu hamil. Form tambah data
ibu hamil dapat dilihat pada gambar 6.
2015
Gambar 6. Halaman Tambah Data Ibu Hamil
Setelah memasukkan data ibu hamil user dapat
menambahkan data kehamilan. Untuk lebih jelasnya
dapat dilihat pada gambar 7 dan gambar 8.
Gambar 7. Halaman Data Data Kehamilan
Gambar 8. Halaman Tambah Data Kehamilan
Setelah memasukkan data kehamilan kemudian
user dapat mengisi data pemeriksaan dan melakukan
skrining.
Gambar 9. Halaman Pemeriksaan
Gambar 10. Form Pemeriksaan Baru
Pada halaman skrining ini user dapat melakukan
skrining pada ibu hamil dengan memilih faktor –
faktor resiko yang dimiliki oleh ibu hamil.
Gambar 11. Halaman Skrining
Gambar 12. Form Skrining
Setelah menekan tombol “Proses” maka akan
menuju ke halaman hasil skor seperti pada gambar
13.
2015
Gambar 13. Halaman Hasil Skor
Dan berikut adalah detail dari perhitungan
yang telah dilakukan dapat dilihat pada gambar 14.
Gambar 14. Halaman Detail Perhitungan
4. Halaman Pencarian
Pada halaman ini, user dapat mencari data ibu
hamil. Tampilan halaman pencarian dapat dilihat
pada gambar 15.
Gambar 15. Halaman Pencarian
Implementasi Sistem Admin
1. Halaman Data Bidan
Pada halaman Data Bidan ini admin dapat
mengelola data user yaitu bidan. Tampilan halaman
Data Bidan dapat dilihat pada gambar 16.
Gambar 16. Halaman Admin Data Bidan
Dan untuk menambah data bidan akan
ditampilkan for seperti pada gambar 17 berikut.
Gambar 17. Form Biodata Bidan
2. Halaman Faktor Resiko
Pada halaman faktor resiko ini admin dapat
mengelola faktor – faktor resiko dalam database.
Pada data faktor resiko terdapat nilai – nilai CF
yang nanti akan dihitung untuk mendapatkan hasil
rujukan yang sesuai dengan kondisi ibu hamil.
Halaman faktor resiko dapat dilihat pada gambar
18.
Gambar 18. Halaman Admin Faktor Resiko
Untuk menambahkan data fakor admin dapat
menekan tombol “Tambah Data Faktor”. Berikut
adalah form untuk mengisi data faktor baru.
Gambar 19. Form Data Faktor Baru
3.5 Pengujian Sistem
Berikut akan dicontohkan uji coba perhitungan
manual untuk perhitungan nilai CF. Untuk melakukan
perhitungan, dibutuhkan masukan data faktor resiko
yang dimiliki oleh ibu hamil.
Misalkan diketahui seorang ibu hamil memiliki faktor
resiko sebagai berikut :
1. Memiliki terlalu banyak anak yaitu 5 orang anak.
2. Usia 39 tahun.
a. Hasil diagnosa sistem :
Ibu memiliki Kehamilan Resiko Tinggi dengan
persentase sebesar 71,2%
b. Dengan perhitungan manual.
Diketahui nilai CF dari masing – masing faktor
resiko adalah sebagai berikut:
1. Skor awal ibu hamil (skor yang dimiliki semua ibu
hamil) = 0,2
2. Terlalu banyak anak = 0,4
3. Usia lebih dari 35 tahun = 0,4
Dari nilai CF yang ada dihitung nilai CF kombinasinya
:
a. Kombinasikan nilai CF1 dan CF2 :
CF1.2 = CF1 + CF2 ( 1 – CF1 )
CF1.2 = 0,2 + 0,4 ( 1 – 0,2 )
CF1.2 = 0,52
b. Kombinasikan nilai CF1.2 dan CF3 :
CF1.2.3 = CF1.2 + CF3 ( 1 – CF1.2 )
2015
CF1.2.3 = 0,52 + 0,4 ( 1 – 0,52 )
CF1.2.3 = 0,712
c. Hitung persentase : 0,712 * 100% = 71,2%
Dengan persentase sebesar 71,2% ibu hamil
memiliki Kehamilan Resiko Tinggi.
Pengujian Akurasi Sistem Uji coba ini dilakukan untuk mengetahui apakah
aplikasi yang dibuat sesuai dengan tujuan. Dilakukan
uji coba terhadap 30 data ibu hamil. Berdasarkan uji
coba yang telah dilakukan serta melakukan
perbandingan terhadap data sebenarnya, tentunya akan
terdapat perbedaan. Dari perbedaan tersebut, akan
dihitung nilai akurasinya. Nilai akurasi inilah yang
akan menentukan kualitas dari aplikasi yang telah
dibuat.
Untuk menghitung tingkat akurasi sistem:
a. Jumlah data = 30
b. Jumlah hasil diagnosa benar = 27
c. Jumlah hasil diagnosa salah = 3
Terdapat data diagnosa salah pada hasil
rujukan karena terjadi perbedaan hasil skrining
menggunakan Kartu Skor Poedji Rochjati dengan
perhitungan sistem pakar menggunakan metode
Certainty Factor.
Akurasi = �������������� �� �
������������ x 100%
Sehingga didapat perhitungan sebagai berikut :
= ��
�� x 100%
= 90%
Dari hasil pengujian yang dilakukan, Sistem
Pakar Skrining Kehamilan Resiko Tinggi mempunyai
tingkat akurasi sebesar 90%.
KESIMPULAN Dari perancangan dan implementasi yang telah
dilakukan, ada beberapa kesimpulan yang dapat
dikemukakan sebagai hasil dari penelitian, antara lain:
1. Metode Certainty Factor dapat diimplementasikan
pada aplikasi sistem pakar untuk skrining
kehamilan resiko tinggi dengan tingkat akurasi
sebesar 90%.
2. Menghasilkan output tingkat resiko beserta rujukan
pada saat persalinan.
3.
4. Penggunaan aplikasi berbasis website lebih
memudahkan user dalam segi fleksibilitas yang
dapat digunakan dimana pun pengguna berada,
serta aplikasi ini menggunakan sistem yang cukup
mudah untuk di akses.
SARAN Penelitian yang dilakukan tentunya tidak terlepas
dari kekurangan dan kelemahan. Oleh karena itu, untuk
pengembangan sistem lebih lanjut, maka perlu
diperhatikan beberapa hal berikut ini:
1. Pengembangan sistem pakar selanjutnya agar
menggunakan metode lain yang lebih tepat
sehingga dapat meningkatkan tingkat akurasi.
2. Website dapat dikembangkan dalam bentuk lebih
dinamis sehingga pengguna bisa lebih nyaman
menggunakannya
3. Tampilan yang lebih menarik baik dalam segi
menu-menu ataupun desain website dapat
memberikan kemudahan ataupun ketertarikan
pengguna dalam memakai aplikasi ini.
DAFTAR PUSTAKA [1] Arhami, M. 2005. Konsep Dasar Sistem Pakar.
Jilid 1. Yogyakarta: Penerbit Andi
[2] Bobak, I.M., Lowdermilk, D.L., Jensen, M.D., &
Perry, S.E. (2004). Buku Ajar Keperawatan
Maternitas (Maternity Nursing). Edisi 4. Alih
bahasa Anugerah, P.I., & Wijayarini, M.A.
Jakarta : EGC.
[3] Helen, V. 2007. Buku Ajar Asuhan Kebidanan.
Edisi 4, Volume 2. Jakarta : EGC
[4] Manuaba IBG. 2008. Ilmu Kebidanan, Penyakit
Kandungan & Keluarga Berencana Untuk
Pendidikan Bidan. Jakarta: EGC.
[5] Rochjati, P. 2003. Skrining Antenatal Pada Ibu
Hamil. Surabaya: Pusat Safe Mother Hood-
Lab/SMF Obgyn RSU Dr. Sutomo/Fakultas
Kedokteran UNAIR
[6] Saminem. 2009. Kehamilan Normal Seri Asuhan
Kebidanan. Jakarta: Penerbit Buku Kedokteran
EGC. Cetakan I
[7] Siswanto. 2010. Kecerdasan Tiruan Edisi 2.
Yogyakarta : Graha Ilmu
[8] Turban, E., Aronso, J.E., dan Liang, T.P. 2005.
Sistem pendukung Keputusan dan Sistem Cerdas.
Terjemahan Dwi Prabantini. Yogyakarta : Andi.