Metodologi Perancangan sispak balita

1.1 Metodologi Perancangan

Pada tahap metodologi perancangan ini akan dijelaskan secara umum

mengenai alur kerja sistem yang akan dibuat. Perancangan sistem yang digunakan

disini adalah dengan menggunakan pemodelan UML.

UML menggunakan notifikasi yang bersifat standar untuk menjelaskan

secara visual mengenai elemen-elemen pemodelan. UML sendiri terdiri atas

diagram-diagram yang memiliki banyak fungsi masing-masing dan didefinisikan

sebagai berikut: use case diagram, class diagram, activity diagram,.

Untuk menjelaskan perancangan aplikasi yang dibangun akan digunakan

model diagram UML tersebut.

3.2.1 Use Case Diagram

Use Case Diagram adalah diagram yang bekerja dengan cara

mendiskripsikan interaksi antara pengguna sebuah sistem dengan menjelaskan apa

yang dilakukan oleh aktor dan sistem, bukan bagaimana aktor dan sistem

melakukan kegiatan tersebut.

Pada diagram ini terdapat notasi use case yang menjelaskan tentang

hubungan aktor dengan sistem. Hubungan ini dapat berupa masukan dari aktor ke

sistem maupun keluaran dari sistem ke aktor.

Definisi Aktor

Berikut adalah deskripsi pendefinisian aktor pada sistem pakar manajemen

terpadu balita sakit:

Tabel 3.1 Definisi Aktor

No Aktor Deskripsi1 Pakar Orang yang betugas dan memiliki hak akses

untuk melakukan operasi manajemen basis datayaitu pembaharuan data gejala, data penyakit,data aturan.

2 User/Pasien orang yang menggunakan sistem untukberkonsultasi. User memberikan masukan padasistem berupa gejala-gejala dan sistem akanmelakukan proses inferensi kemudianmemberkan hasil diagnosis dan saran terapi.

Definisi Use Case

Berikut adalah deskripsi pendefinisian use case pada sistem pakar manajemen

terpadu balita sakit:

Tabel 3.2 Definisi Use Case

NoUse Case Deskripsi

1 Login proses untuk melakukan loginadmin/pakar/dokter

2 Logout proses untuk melakukan logoutadmin/pakar/dokter

3 Manajemen BasisPengetahuan

proses generalisasi yang meliputi 3 buahproses manajemen basis pengetahuan yaitumengelola data penyakit, data gejala, dandata aturan

4 Konsultasi proses yang dilakukan user yaitumemasukkan data gejala kemudian akandiolah sistem dan user akan mendapatkanhasil diagnosis

Skenario Use Case

Berikut adalah skenario jalnnya masing-masing use case yang telah

didefinisikan sebelumnya:

Nama Use Case : Login

Aktor : Pakar/Dokter

Tabel 3.3 Skenario login

Aksi Aktor Reaksi SistemSkenario Normal1. memasukkan username danpassword

2. validasi username dan password3. username dan password valid4. masuk ke menu manajemen basispengetahuan sistem pakar

Skenario Alternatif1. memasukkan username danpassword

2. validasi username dan password3. username dan password invalid,menampilkan pesan error

4. memasukkan username danpassword

5. validasi username dan password6. username dan password valid7. masuk ke menu manajemen basis datasistem

Nama Use Case : Logout


Tabel 3.4 Skenario logout

Aksi Aktor Reaksi SistemSkenario Normal1. memilih menu logout

2. sistem melakukan logout

Nama use case : Manajemen Basis Pengetahuan


Tabel 3.5 Skenario Manajemen Basis DataAksi Aktor Reaksi Sistem

Skenario Normal1. memilih data yang akan diolah

2. menampilkan form yang bersangkutan3. mengisi form

4. validasi kelengkapan data5. data valid, update database6. menampilkan konfirmasi proses berhasil

Skenario Alternatif1. memilih data yang akan diolah

2. menampilkan form yang bersangkutan3. mengisi form

4. validasi kelengkapan data5. data tidak valid,menampilkan pesaninvalid

6. mengisi ulang form7. validasi kelengkapan data8. data valid, update database9. menampilkan konfirmasi proses berhasil

Nama Use Case : KonsultasiAktor : User/pengguna/pasien

Tabel 3.6 Skenario Konsultasi

Aksi Aktor Reaksi SistemSkenario Normal1. Memilih menu konsultasi

2. Menampilkan form konsultasi3. memberikan pertanyaan dengan jawaban"YA" atau "TIDAK"

4. menjawab pertanyaan5. mengolah data berdasarkan jawaban user6. menampilkan form diagnosis

Use Case Diagram

Gambar 3.1 Use Case Diagram Sistem

Terdapat 2 aktor yang berhubungan dengan sistem ini, yaitu pakar yang

juga merupakan administrator sistem dan user (pengguna). Pakar mendapatkan

haknya untuk mengakses basis pengetahuan setelah melakukan proses login. Hak

pakar pada sistem yaitu dapat menambahkan, mengubah, maupun menghapus

data. Aktor kedua yaitu user dapat langsung memilih menu konsultasi dan

menggunakan sistem untuk konsultasi segera setelah aplikasi dijalankan.

1.1.2 Class Diagram

Gambar 3.2 Class Diagram Sistem

Kelas-kelas yang akan dibuat untuk membangun sistem serta hubungan

antar tiap kelas digambarkan pada diagram kelas 3.2.

1.1.3 Activity Diagram

a. Activity Diagram Login Pakar

Gambar 3.3 Activity Diagram Login Pakar

Seperti yang terlihat pada gambar 3.3, aktivitas login pakar dimulai dari

pakar memasukkan username dan password, kemudian sistem akan melakukan

validasi. Jika username dan password valid/sesuai maka sistem akan menampilkan

antarmuka menu admin, jika tidak valid maka sistem akan meminta admin

mengulangi aktivitas login.

b. Activity Diagram Manajemen Data Gejala

Gambar 3.4 Activity Diagram Manajemen Data Gejala

Aktivitas manajemen data gejala dimuali dari admin memilih menu pakar.

Menu pakar tersebut terdiri dari menu penyakit, menu gejala, dan menu aturan.

Untuk aktivitas manajemen data gejala maka yang dipilih admin adalah menu

gejala. Kemudian sistem akan menampilkan data gejala, aktivitas admin

selanjutnya disesuaikan pada tujuan admin, apakah akan menambahkan data,

mengubah data atau menghapus data. Aktivitas selanjutnya tergambar pada

gambar 3.4.

c. Activity Diagram Manajemen Data Penyakit

Gambar 3.5 Activity Diagram Manajemen Data Penyakit

Aktivitas manajemen data penyakit memiliki alur yang sama dengan

manajemen data gejala.

d. Activity Diagram Manajemen Data Aturan

Gambar 3.6 Activity Diagram Manajemen Data Aturan.

Untuk manajemen data aturan saat admin melakukan aktivitas tambah data

maka sistem akan mengambil data nama penyakit dan data nama gejala dari tabel

penyakit dan tabel gejala yang sudah tersimpan di basis data. Aktivitas admin

selanjutnya adalah memasukkan nilai densitas aturan kemudian melakukan proses

simpan dan tabel aturan akan di update oleh sistem.

e. Activity Diagram Konsultasi

Gambar 3.7 Activity Diagram Konsultasi

Pada diagram aktivitas konsultasi user memulai dengan memilih menu

konsultasi, kemudian sistem akan menetapkan goal awal, setelah goal awal

ditetapkan aktivitas selanjutnya dilakukan oleh sistem yaitu memberikan

pertanyaan gejala yang dirasakan user. Urutan rangkaian pertanyaan yang muncul

di proses melalui mesin inferensi backward chaining. Setelah user menjawab

seluruh pertanyaan yang diberikan oleh sistem maka sistem akan merangkum

jawaban tersebut untuk dicari nilai kepastiannya dengan menggunakan metode

Dempster-Shafer. Setelah perhitungan selesai sistem akan memberikan hasil

diagnosis.

1.1.4 Struktur Tabel

Struktur tabel menjelaskan semua data yang terlibat dalam perancangan

suatu proses yang akan berjalan. Tabel-tabel yang digunakan dalam merancang

sistem pakar ini adalah sebagai berikut:

a. Tabel login

Tabel 3.7 Tabel Login

No. Field Tipe Kunci Keterangan1 Pakar Varchar Primary Nama Pakar2 Pass Varchar Password Login

b. Tabel gejala

Tabel 3.8 Tabel Gejala

No Field Tipe Kunci Keterangan1 id_gejala Varchar Primary id gejala2 Gejala Varchar nama gejala

c. Tabel penyakit

Tabel 3.9 Tabel Penyakit

No Field Tipe Kunci Keterangan1 id_penyakit Varchar Primary id penyakit2 Penyakit Varchar nama penyakit3 Deskripsi Varchar Definisi penyakit

4 Solusi Varchar solusi penanganan penyakit

d. Tabel aturanTabel 3.10 Tabel Aturan

No Field Tipe Kunci Keterangan1 id_aturan Varchar Primary id aturan2 id_gejala Varchar Foreign id gejala3 id_penyakit Varchar Foreign id penyakit

4 Densitas floatnilai densitas yang ditetapkanpakar

e. Tabel konsultasiTabel 3.11 Tabel Konsultasi

No Field Tipe Kunci Keterangan

1 id_konsul Varchar Primary id konsultasi2 id_penyakit Varchar Foreign id penyakit3 Tanggal date tanggal konsultasi

4 Persentase Varchar nilai keyakinan hasil diagnosis

1.2 Perancangan Sistem

Perancangan sistem pakar manajemen terpadu balita sakit ini melalui

beberapa tahapan yang harus dijalankan untuk memperoleh hasil sesuai tujuan.

Tahapan tersebut yaitu berupa perancangan tabel keputusan, pohon keputusan dan

penentuan kaidah-kaidah produksi melalui perunutan balik (backward chaining)

dan perhitungan Dempster-Shafer.

3.3.1 Tabel Keputusan

Tabel keputusan merupakan suatu cara untuk mendokumentasikan

pengetahuan dalam hal ini adalah pengetahuan pakar. Tabel keputusan juga

merupakan matriks kondisi yang dipertimbangkan dalam pendeskripsian kaidah.

Berikut sampel tabel keputusan yang dibuat:

Tabel 3.12 Tabel Keputusan

No GejalaInfeksiBakteri

Berat (P1)

DBD denganSyok

Syndrom(P2)

diare akutdengan

dehidrasiberat (P3)

MalariaBerat(P4)

1 Demam (suhu ketiak > 37.5 C)

2 Bayi merintih

3 BAB lembek, > 3x sehari

4 Mencret selama 7 hari

5 Malas minum / tidak bisa minum

6 Mata cowong

7 Darah dalam tinja

8 Perut buncit

9 Kaku kuduk/Leher kaku

10 Kelopak mata bengkak

Pada tabel 3.12 digambarkan hubungan antar suatu gejala dengan suatu

penyakit. Tabel tersebut menunjukkan bahwa setiap penyakit memiliki beberapa

gejala dan sebuah gejala bisa terdapat pada beberapa penyakit. Setelah tabel

keputusan dibuat, selanjutnya dilakukan perancangan pohon keputusan tiap

penyakit berdasarkan gejala yang terdata pada tabel keputusan.

1.2.2 Pohon Keputusan

Untuk menghasilkan kaidah yang efisien terdapat satu langkah yang harus

ditempuh yaitu membuat pohon keputusan. Dari pohon keputusan dapat diketahui

atribut (kondisi) yang dapat direduksi sehingga menghasilkan kaidah yang efisien

dan optimal. Berikut contoh pohon keputusan yang dibuat berdasarkan tabel

keputusan 3.12.

Gambar 3.8 Pohon Keputusan

Keterangan:

= Goal / konklusi/ penyakit

= Node/ premis/ gejala

Gambar diatas merupakan pohon keputusan yang dibentuk dari tabel

keputusan 3.12. Dengan melihat pohon keputusan diatas dapat diketahui goal P1

dapat dicapai apabila node/gejala 1, gejala 2, gejala 5, dan gejala 9 terpenuhi.

Goal P2 dicapai apabila gejala 1, gejala 2, gejala 5, gejala 8, gejala 9, dan gejala

10 terpenuhi, begitupun goal-goal lainnya dapat tercapai apabila gejala yang

menjadi nodenya terpenuhi. Dalam hal ini suatu goal dapat pula tercapai

walaupun tidak semua node/gejala terpenuhi akan tetapi dengan nilai persentasi

keyakinan yang lebih kecil.

1.2.3 Konversi ke kaidah Produksi

Pohon keputusan yang sudah dibuat akan digunakan sebagai acuan dalam

menyusun kaidah produksi. Berikut kaidah produksi yang dikonversi dari pohon

keputusan 3.12:

1. Kaidah 1: P1 if 1 and 2 and 5 and 9

2. Kaidah 2: P2 if 1 and 2 and 5 and 8 and 9 and 10

3. Kaidah 3: P3 if 1 and 2 and 3 and 4 and 5 and 6 and 7

4. Kaidah 4: P4 if 1 and 2 and 5 and 6 and 8 and 9

1.2.4 Inferensi Backward chaining

Setelah kaidah produksi if-then ditetapkan proses akan dilanjutkan ke

proses backward chaining atau perunutan mundur. Pada algoritma backward

chaining jika salah satu gejala bernilai salah (false) maka akan membatalkan

konklusi pada kaidah tersebut. Untuk mengatasi masalah tersebut dilakukan

modifikasi terhadap algoritma ini dengan memberikan nilai densitas kemudian

membandingkan nilai densitas gejala-gejala yang bernilai false pada suatu kaidah.

Langkah awal adalah melakukan inisialisasi tabel yaitu menyiapkan tabel

yang dibutuhkan untuk pemrosesan. Tabel tersebut adalah tabel kaidah yang berisi

data berdasarkan pengetahuan pakar.

Tabel 3.13 Inisialisasi Tabel Kaidah

INISIALISASIPenyakit Aturan Gejala Status Gejala Densitas

P1

1 1 Free 0.752 2 Free 0.753 5 Free 0.754 9 Free 0.25

P2

5 1 Free 0.756 2 Free 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510 10 Free 0.5

P3

11 1 Free 0.2512 2 Free 0.513 3 Free 114 4 Free 115 5 Free 0.7516 6 Free 0.7517 7 Free 0.25

P4

18 1 Free 0.7519 2 Free 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free 0.523 9 Free 0.75

Field status gejala akan diisi dengan Free karena gejala belum ada yang

di eksekusi atau belum ditanyakan. Selanjutnya dalam pemrosesan nanti field ini

akan di update sesuai dengan status gejala yaitu N untuk gejala yang sudah di

eksekusi dan di jawab TIDAK oleh user dan Y untuk gejala yang sudah di

eksekusi dan di jawab YA oleh user.

Selanjutnya yaitu inisialisasi tabel goal, tabel ini diisi dengan penyakit

yang memilki gejala umum terbanyak. Gejala umum yang dimaksud disini adalah

suatu gejala yang paling banyak kemunculannya dalam beberapa penyakit/,

berdasarkan syarat tersebut maka P3 ditetapkan sebagai goal awal.

Tabel 3.14 Inisialisasi Tabel Goal

INISIALISASIPenyakit Gejala Densitas

P3

1 0.252 0.53 14 15 0.756 0.757 0.25

Selanjutnya yaitu inisialisasi tabel working memory. Tabel ini adalah tabel

yang akan menampung segala aktivitas respon pengguna yang di tanyakan oleh

sistem. Field jawaban akan diisi sesuai respon pengguna yaitu YA atau

TIDAK.

Tabel 3.15 Inisialisasi Tabel Working Memory

INISIALISASIPenyakit Gejala Densitas Jawaban

Jika dalam suatu kasus seorang user memberikan input gejala yang

dirasakan yaitu:

1) Demam (suhu ketiak > 37.5 C) [gejala 1]

2) Bayi merintih [gejala 2]

3) Malas minum/ tidak bisa minum [gejala 5]

4) Kelopak mata bengkak [gejala 10]

5) Perut buncit [gejala 8]

Sistem akan mulai mengeksekusi gejala pada puncak tabel goal. Maka

sistem akan memulai dengan menanyakan gejala 1 pada user, yaitu Demam

(suhu ketiak 37.5 C)?, gejala tersebut memiliki densitas 0.25. Karena user

memberikan respon YA pada gejala tersebut maka status gejala untuk seluruh

penyakit yang memiliki gejala 1 akan di set menjadi Y. Berikut perubahan pada

inferensi backward chaining tahap 1:

Tabel 3.16 Inferensi Backward chaining Tabel Kaidah (1)

INFERENSI 1Penyakit Aturan Gejala Status Gejala Densitas

P1

1 1 Y 0.752 2 Free 0.753 5 Free 0.754 9 Free 0.25

P2

5 1 Y 0.756 2 Free 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510 10 Free 0.5

P3

11 1 Y 0.2512 2 Free 0.513 3 Free 114 4 Free 1

15 5 Free 0.7516 6 Free 0.7517 7 Free 0.25

P4

18 1 Y 0.7519 2 Free 0.2520 5 Free 0.2521 6 Free 0.2522 8 Free 0.523 9 Free 0.75

Seperti yang terlihat pada tabel 3.16, gejala 1 pada tiap penyakit akan di

set menjadi Y karena user menjawab YA untuk gejala demam (suhu ketiak >

37.5 C). Untuk status gejala Y tidak perlu dilakukan perbandingan densitas.

Tebel goal juga akan di update, gejala yang sudah di eksekusi akan

dihilangkan.

Tabel 3.17 Inferensi Backward chaining Tabel Goal (1)

INFERENSI 1Penyakit Gejala Densitas

P3

2 0.53 14 15 0.756 0.757 0.25

Kemudian pada tabel working memory akan diisi dengan catatan aktivitas yang

sudah dilakukan.

Tabel 3.18 Inferensi Backward chaining Tabel Working Memory (1)

INFERENSI 1Penyakit Gejala Densitas Jawaban

P3 1 0.25 YAInferensi tahap 1 selesai dan akan dilanjutkan ke eksekusi gejala

selanjutnya yaitu gejala 2 Apakah bayi merintih?, user memberikan respon

YA, maka status gejala semua penyakit yang memiliki gejala 2 akan di set

menjadi Y.

Tabel 3.19 Inferensi Backward chaining Tabel Kaidah (2)


P1

1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25

P2

5 1 Y 0.756 2 Y 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.2510 10 Free 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 Free 114 4 Free 115 5 Free 0.7516 6 Free 0.7517 7 Free 0.25

P4


Tabel 3.20 Inferensi Backward chaining Tabel Goal (2)


P3

3 14 15 0.756 0.757 0.25

.

Tabel 3.21 Inferensi Backward chaining Tabel Working Memory (2)


P3 1 0.25 YAP3 2 0.5 YA

Inferensi tahap 2 selesai, dilanjutkan ke eksekusi gejala selanjutnya yaitu

gejala 3 BAB lembek, >3x sehari?. Pada gejala ini user memberikan respon

TIDAK, maka setiap penyakit yang memiliki gejala 3 akan di update status

gejalanya menjadi N. Kemudian akan dilakukan perbandingan densitas, nilai

densitas tiap aturan dengan gejala 3 akan dibandingkan dengan setiap gejala pada

penyakit tersebut. Jika aturan yang dibandingkan memiliki nilai densitas lebih

kecil maka aturan tersebut juga akan di set N.

Tabel 3.22 Penalaran Mundur Tabel Kaidah (3)


P1

1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25

P2

5 1 Y 0.756 2 Y 0.257 5 Free 0.258 8 Free 0.59 9 Free 0.25

10 10 Free 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 Free 115 5 N 0.7516 6 N 0.7517 7 N 0.25

P4


Tabel 3.23 Penalaran Mundur Tabel Goal (3)

INFERENSI 3Penyakit Gejala DensitasP3 4 1

Pada tahap ini setelah dilakukan proses update status gejala melalui

perbandingan densitas maka gejala yang tersisa pada tabel goal adalah gejala 4.

Tabel 3.24 Penalaran Mundur Tabel Working Memory (3)


P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAK

Inferensi selanjutnya akan mengeksekusi gejala 4 Mencret selama 7

hari?, user menjawab TIDAK., maka semua penyakit yang memiliki gejala 4

akan di update status gejalanya menjadi N.

Tabel 3.25 Inferensi Mundur Tabel Kaidah (4)


P1

1 1 Y 0.752 2 Y 0.753 5 Free 0.754 9 Free 0.25

P2


P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 N 0.7516 6 N 0.7517 7 N 0.25

P4


Pada tahap ini terjadi pergantian goal karena semua gejala pada goal awal

sudah di eksekusi. Goal baru yang akan dipilih sistem adalah goal yang memiliki

status gejala Y terbanyak dengan status gejala Free terbanyak. Dalam sampel

kasus ini terdapat dua goal yang memiliki jumlah Y dan Free yang sama,

maka sistem akan mengambil goal yang paling atas, sehingga P2 akan ditetapkan

sebagai goal baru.

Tabel 3.26 Inferensi Mundur tabel Goal (4)


P2

5 0.258 0.59 0.2510 0.5

Tabel 3.27 Inferensi Mundur Tabel Working Memory (4)


P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAK

Inferensi dilanjutkan dengan mengeksekusi gejala 5, Apakah anak malas

minum /tidak bisa minum?, user menjawab YA maka setiap gejala 5 pada

setiap penyakit akan di set Y.



P1

1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 Free 0.25

P2

5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Free 0.59 9 Free 0.2510 10 Free 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.75

16 6 N 0.7517 7 N 0.25

P4

18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 Free 0.2522 8 Free 0.523 9 Free 0.75

Tabel 3.29 Inferensi Mundur Tabel Goal (5)


P28 0.59 0.2510 0.5



P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YA

Inferensi dilanjutkan dengan mengeksekusi gejala 8, apakah perut

buncit?. User menjawab YA, maka semua aturan dengan gejala 8 akan di set

Y.



P1

1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 Free 0.25

P2 5 1 Y 0.75

6 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 Free 0.2510 10 Free 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7 N 0.25

P4

18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 Free 0.2522 8 Y 0.523 9 Free 0.75



P29 0.2510 0.5

Tabel 3.33 Inferensi Mundur Tabel Working memory (6)


P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8 0.5 YA

Gejala yang selanjutnya di eksekusi adalah gejala 9, Kaku kuduk/leher

kaku?. User memberi respon TIDAK, maka semua gejala 9 di set N.

kemudian dilakukan perbandingan densitas seperti pada inferensi sebelumnya.



P1

1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 N 0.25

P2

5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 N 0.2510 10 Free 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7 N 0.25

P4

18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 N 0.2522 8 Y 0.523 9 N 0.75


INFERENSI 7Penyakit Gejala DensitasP2 10 0.5



P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8 0.5 YAP2 9 0,25 TIDAK

Selanjutnya akan di eksekusi gejala 10, Apakah kelopak mata bengkak?.

User memberi respon YA maka gejala 10 di set Y

Tabel 3.37 Inferensi Mundur Tabel Kaidah (8)INFERENSI 8

Penyakit Aturan Gejala StatusGejala Densitas

P1

1 1 Y 0.752 2 Y 0.753 5 Y 0.754 9 N 0.25

P2

5 1 Y 0.756 2 Y 0.257 5 Y 0.258 8 Y 0.59 9 N 0.2510 10 Y 0.5

P3

11 1 Y 0.2512 2 Y 0.513 3 N 114 4 N 115 5 Y 0.7516 6 N 0.7517 7 N 0.25

P4

18 1 Y 0.7519 2 Y 0.2520 5 Y 0.2521 6 N 0.2522 8 Y 0.523 9 N 0.75





P3 1 0.25 YAP3 2 0.5 YAP3 3 1 TIDAKP3 4 1 TIDAKP2 5 0.25 YAP2 8 0.5 YAP2 9 0,25 TIDAKP2 10 0.5 YA

Pada tahap ini inferensi dihentikan karena seluruh gejala pada tabel goal

sudah selesai di eksekusi dan pada tabel kaidah sudah tidak ada lagi aturan dengan

status Free. Kemudian hasil inferensi ini akan dioalah untuk mendapatkan besar

nilai keyakinan sistem untuk tiap penyakit yang terdiagnosis pada proses inferensi

mundur. Berikut data setiap penyakit yang mendapatkan status gejala Y:

Tabel 3.40 Hasil Inferensi Backward chaining

HASIL INFERENSIAturan Penyakit Gejala Densitas Jawaban

5

P2

1 0.75 YA6 2 0.25 YA7 5 0.25 YA8 8 0.5 YA10 10 0.5 YA11

P31 0.25 YA

12 2 0.25 YA15 5 0.75 YA

1.2.5 Perhitungan Dempster-Shafer

Setelah proses inferensi memutuskan penyakit yang terdiagnosis sistem

akan melanjutkan dengan menghitung nilai kemungkinan terhadap setiap penyakit

yang terdiagnosis. Studi kasus sistem pakar manajemen terpadu balita sakit ini

menggunakan metode perhitungan Dempster-Shafer. Setelah melakukan inferensi

sistem mendiagnosis 2 penyakit yang mungkin di derita user berdasarkan gejala

yang dikeluhkan, yaitu P2 dan P3. Perhitungan dempster-shafer akan dikerjakan

pada masing-masing penyakit.

Untuk P2

Berdasarkan hasil inferensi, gejala yang dirasakan user yang merupakan gejala

dari P2 adalah gejala 1, gejala 2, gejala 5, gejala 8, dan gejala 10. Berikut

perhitungannya:

1. Gejala 1

- m1(G1) = 0.75

m1 {} = 1 0.75 = 0.25

2. Gejala 1 dan gejala 2

- m1 (G1) = 0.75

m1 {} = 1- 0.75 = 0.25

- m2 (G2) = 0.25

m2 {} = 1 0.25 = 0.75

Tabel 3.41 Aturan Kombinasi G1,G2 (P2)m2 (G2) = m2 {} =

0.25 0.75

m1 (G1) ={} = 0.1875 {G1} = 0.5625

0.75

m1 {} = {G2}

=

0.0625 {} = 0.18750.25

Kemudian dengan menggunakan persamaan 2.3 yang dijelaskan pada BAB 2,

Maka:

- m3(G2) = . .. = 0.0769- m3(G1) = . .. = 0.6923- m3 () = . .. = 0.2308

Sehingga:

Bel{(G2,G1)}= m3(G2) + m3 (G1)

= 0.0769 + 0.6923

= 0.7692

3. Gejala 1 dan gejala 2 dan gejala 5

- m1(G2,G1) = 0.7692

m1() = 1 0.7692 = 0.2308

- m2(G5) = 0.25

m2() = 1 0.25 = 0.75

Tabel 3.42 Aturan Kombinasi G1,G2,G5 (P2)

m2 (G5) = M2 () =0.25 0.75

m1 (G1,G2) =() = 0.1923 (G1,G2) = 0.5769

0.7692

m1 () = (G5)

=

0.0577 () = 0.17310.2308

Maka:

- m3(G5) = . .. = 0.0714- m3(G1,G2) = . .. = 0.7143- m3() = . .. = 0.2143

Sehingga:

Bel{(G1,G2,G5)} = m3(G5) + m3(G1,G2)

= 0.0714 + 0.7143

= 0.7857

4. Gejala 1 dan gejala 2 dan gejala 5 dan gejala 8

- m1(G1,G2.G5) = 0.7857

m1() = 1 0.7857 = 0.2143

- m2(G8) = 0.5

m2() = 1 0.5 = 0.5

Tabel 3.43 Aturan Kombinasi G1,G2,G5,G8 (P2)

m2 (G8) = m2 () =0.5 0.5

m1(G1,G2,G5.G8)

=()=

0.3929 (G1,G2,G5,G8)=

0.39290.7857

m1 () = (G8)

=

0.1072 () = 0.10720.2143

Maka:

- m3(G8) = . .. = 0.1766- m3(G1,G2,G5) = . .. = 0.6472- m3() = . .. = 0.1766

Sehingga:

Bel{(G1,G2,G5,G8)} = m3(G8) + m3(G1.G2.G5)

= 0.1766 + 0.6472

= 0.8238

5. Gejala 1 dan gejala 2 dan gejala 5 dan gejala 8 dan gejala 10

- m1(G1,G2,G5,G8) = 0.8238

m1() = 1 0.8238 = 0.1762

- m2(G10) = 0.5

m2() = 1 0.5 = 0.5

Tabel 3.44 Aturan Kombinasi G1,G2,G5,G8,G10 (P2)m2 (G10) = m2 () =

0.5 0.5m1

(G1,G2,G5.G8,G10)

=

() = 0.4119(G1,G2,G5,G8,G10)

=

0.4119

0.8238

m1 () =0.1762 (G10) = 0.0881 () = 0.0881

Maka:

- m3(G10) = . .. = 0.1498- m3(G1.G2,G5,G8) = . .. = 0.7004- m3() = . .. = 0.1498

Sehingga:

Bel{(G1,G2,G5,G8,g10)} = m3(G10) + m3 (G1,G2,G5,G8,G10)

= 0.1498 + 0.7004

= 0.8502

Proses perhitungan nilai kepastian dengan menggunakan metode

Dempster-Shafer telas selesai. Sistem menarik kesimpulan bahwa untuk P2

dengan evidence 1, 2, 5, 8 dan 10 nilai kepastian adalah 0.8502 atau 85.02 %.

Untuk P3

Berdasarkan hasil inferensi P3 juga mungkin merupakan hasil diagnose sistem,

maka perhitungan Dempster-Shafer juga akan dilakukan pada P3. Gejala yang

dijawab YA yang merupakan gejala dari P3 adalah gejala 1, gejala 2, dan gejala

5. Berikut perhitungannya:

1. Gejala 1

- m1(G1) = 0.25

m1() = 1 0.25 = 0.7

2. Gejala 1 dan gejala 2

- m1(G1) = 0.25

m1() = 1 0.25 = 0.75

- m2(G2 ) = 0.25

m2() = 1 0.25 = 0.75

Tabel 3.45 Aturan Kombinasi G1, G2 (P3)

m2 (G2) = m2 () =0.25 0.75

m1 (G1) = ()

=

0.0625 (G1) = 0.18750.25

m1 () = (G2)

=

0.1875 () = 0.56250.75

Maka:

- m3(G2) = . .. = 0.2- m3(G1) = . .. = 0.2- m3() = . .. = 0.6

Sehingga:

Bel{(G1,G2)} = m3(G2) + m3(G1)

= 0.2 + 0.2

= 0.4

3. Gejala 1, dan gejala 2, dan gejala 5

- m1(G1,G2) = 0.4

m1() = 1 0.4 = 0.6

- m2(G5) = 0.75

m2() = 1 0.75 = 0.25

Tabel 3.46 Aturan Kombinasi G1, G2, G5 (P3)m2 (G5) = m2 () =

0.75 0.25

m1 (G1,G2)

=

()

=

0.3 (G1,G2) = 0.1

0.4

m1 () = (G5)

=

0.45 () = 0.150.6

Maka:

- m3(G5) = . .. = 0.6429- m3(G1,G2) = . .. = 0.1429- m3() = . .. = 0.2143

Sehingga:

Bel{(G1,G2G5)} = m3(G5) + m3 (G1,G2)

= 0.6429 + 0.1429

= 0.7858

Proses perhitungan Dempster-Shafer untuk P3 dengan evidence 1 dan 2

dan 5 selesai. Sistem mendiagnosis P3 dengan nilai kepastian 0.7858 atau

78.58%.

Perhitungan ini akan dilakukan pada setiap penyakit yang didiagnosis oleh

sistem melalui proses inferensi. Hasil perhitungan dari tiap penyakit akan

dibandingkan untuk mendapatkan penyakit dengan nilai kepastian tertinggi.

Dalam contoh kasus ini maka sistem akan memberikan diagnosis yaitu user

mengalami P3 dengan tingkat kepastian sebesar 85.02 %. Nilai ini akan terus

bertambah jiak evidence yang mendukung penyakit tersebut juga bertambah.

3.4 Perancangan Antarmuka

Antarmuka pengguna atau user interface dirancang sedimikian hingga

sistem terlihat rapi dan tidak menyulitkan pengguna saat berinteraksi dengan

sistem. Sistem pakar ini berjalan pada perangkat mobile berbasis android. Berikut

perancangan antarmuka pengguna:

a) Menu Utama

Gambar 3.9 Rancangan Menu Utama

Form utama merupakan tampilan awal aplikasi dijalankan. Pada form

utama ini terdapat beberapa menu yaitu menu konsultasi untuk user yang ingin

melakukan konsultasi, menu login administrator untuk mendapatkan hak akses

penuh terhadap basis data aplikasi, menu info MTBS yaitu menu yang berisi info-

info yang berkaitan dengan kesehatan balita, dan menu about yaitu menu yang

berisi informasi aplikasi berupa data diri developer, tanggal sistem dibangun,

informasi versi aplikasi, informasi versi basis data, dan lain-lain.

b) Form Login Pakar

Gambar 3.10 Rancangan Form Login Pakar

Form login pakar merupakan form yang berfungsi sebagai pintu masuk

admin ke dalam sistem. Setelah masuk kedalam sistem admin mendapatkan hak

akses atas basis data sistem. Admin berhak melakukan aktivitas manajemen basis

pengetahuan. Seperti menambah data aturan, mengubah data aturan, ataupun

menghapus data.

c) Menu Admin /Pakar (Basis Pengetahuan)

Gambar 3.11 Rancangan Menu Admin/Pakar

Setelah login kedalam sistem admin akan mendapatkan tampilan menu

khusus admin. Menu ini berisi sub-menu penyakit, gejala, dan aturan. Masing-

masing sub-menu akan membawa admin pada aktivitas selanjutnya. Dalam

perancangan ini jika button sub-menu di sentuh maka akan muncul opsi untuk

melakukan aktivitas selanjutnya, yaitu lihat data atau menambahkan data.

Gambar 3.12 Rancangan Menu Opsi

Gambar 3.13 Rancangan Form Data Penyakit

Form data penyakit akan muncul jika pada sub-menu penyakit admin

memilih opsi untuk melihat data. Form ini menampilkan data penyakit yang

tersimpan dalam basis data. Dalam perancangan ini, sistem akan memberikan opsi

untuk mengubah data atau menghapus data jika data terpilih dikenakan aksi

sentuh-tahan. Pada form ini juga terdapat button yang membawa admin menuju

form untuk menambahkan data.

Gambar 3.14 Rancangan Form Tambah Data

Gambar 3.14 merupakan form untuk menambahkan data, berturut-turut

dari kiri ke kanan adalah form untuk menambah data penyakit, kemudian form

untuk menambahkan data gejala, dan selanjutnya adalah form untuk

menambahkan data aturan.

d) Form Konsultasi

Form konsultasi ini berisi pertanyaan dengan 2 opsi jawaban, YA atau

TIDAK. Melalui form ini sistem mengumpulkan evidence-evidence untuk

penarikan kesimpulan.

Gambar 3.15 Rancangan Form Konsultasi

e) Form Diagnosis

Gambar 3.16 Rancangan Form Diagnosis

Form diagnosis adalah antarmuka yang akan menampilkan hasil diagnosis

sistem berdasarkan proses inferensi beserta persentase nilai kepastiannya. Form

ini juga akan menampilakan solusi untuk penyakit yang sudah di diagnosis sistem.

Documents

Metodologi Perancangan sispak balita