APLIKASI DIAGNOSIS PENYAKIT HEPATITIS
MENGGUNAKAN J2ME
DENGAN METODE CERTAINTY FACTOR
Proyek Akhir
Oleh :
Heru Susanto 7406.030.004
Dosen Pembimbing :
YULIANA SETIOWATI, S.Kom
AFRIDA HELEN, ST, M.Kom
Pendahuluan
Suatu gejala penyakit dapat
merupakan indikasi dari suatu
penyakit yang akan diderita.
Selama ini suatu sistem diagnosis
penyakit bagi pasien pada
kenyataannya masih harus
melibatkan pakar (dokter) secara
langsung.
Kemajuan pengetahuan dan
teknologi komunikasi yang begitu
cepat saat ini, terutama teknologi
mobile communication sepertinya
tidak dapat terelakkan lagi.
2
Latar Belakang
• Hepatitis adalah kelainan hati
berupa peradangan (sel) hati
• Dibangun aplikasi sistem pakar
sebagai diagnosis penyakit
untuk mendeteksi Hepatitis.
• Proses diagnosa menggunakan
metode Certainty Factor yang
dibangun menggunakan J2ME
sebagai media implementasi dari
teknologi mobile communication.
3
Perumusan Masalah
• Mendiagnosa penyakit Hepatitis melalui penerapan sistem pakar berdasarkan input gejala maupun hasil tes darah.
• Mengimplementasikan metode Certainty Factor guna proses diagnosa penyakit Hepatitis.
• Menggunakan teknologi J2ME (Java 2 Micro Edition) sebagai media untuk mengimplementasikan aplikasi tersebut ke dalam mobile device yang ada guna penyajian informasi secara optimal.
4
Batasan Masalah Mendiagnosis suatu penyakit berdasarkan gejala-gejala fisik yang diderita
ditambah dengan uji tes darah.
Penyakit yang akan didiagnosis adalah penyakit Hepatitis A, Hepatitis B dan
Hepatitis C.
Input berupa gejala-gejala penyakit Hepatitis yang menyerang pasien dan hasil
tes darah guna akurasi diagnosa.
Output berupa identifikasi kemungkinan jenis penyakit Hepatitis yang
menyerang pasien serta nilai kepastian terhadap penyakit tersebut.
Ditambahkan pula langkah-langkah sehat berupa terapi dan pengobatan
sederhana.
Spesifikasi aplikasi yang dibuat adalah J2ME Profile ; MIDP 2.1 dan J2ME
Configuration ; CLDC 1.1
Perhitungan menggunakan metode faktor kepastian (certainty factor) yang
menunjukkan ukuran kepastian terhadap suatu fakta.
Representasi pengetahuan yang digunakan adalah sistem pakar berbasis rule
dan dalam penalaran menggunakan metode backward chaining.
Terbatas pada sumber pengetahuan yang didapat, baik dari pakar maupun dari
buku dan sumber lain mengenai penyakit Hepatitis.5
Tujuan
Proyek akhir ini bertujuan untuk
membangun sebuah sistem berbasis
pengetahuan kedokteran dalam
mendiagnosa penyakit Hepatitis yang
dapat ditampilkan dalam perangkat mobile,
sehingga alasan efisiensi waktu dan
kurangnya pengetahuan masyarakat akan
kesehatan dapat teratasi.
6
Hepatitis
Penyebab penyakit hepatitis A adalah virus hepatitis A (HAV),
picornavirus berukuran 27-nm (yaitu virus dengan positive strain
RNA). Virus tersebut dikelompokan kedalam Hepatovirus,
anggota famili Picornaviridae.
Penyebab penyakit hepatitis B adalah virus hepatitis B (HVB),
termasuk hepadnavirus, berukuran 42-nm double stranded DNA
virus dengan terdiri dari nucleocapsid core (HBc Ag) berukuran
27 mm, dikelilingi oleh lapisan lipoprotein di bagian luarnya yang
berisi antigen permukaan (HBsAg).
Penyebab penyakit hepatitis C adalah virus hepatitis C yang
merupakan virus RNA dengan amplop, diklasifikasikan kedalam
genus berbeda (Hepacavirus) dari familia Flaviviridae. Paling
sedikit ada 6 genotipe yang berbeda dan lebih dari 90 subtipe
HCV yang diketahui saat ini.
7
Certainty Factor (CF)
Faktor kepastian (certainty factor) menunjukkan
ukuran kepastian terhadap suatu fakta atau aturan.
Notasi Faktor Kepastian :
CF[h,e] = MB[h,e] – MD[h,e]
Dengan:
CF[h,e] = faktor kepastian
MB[h,e] = ukuran kepercayaan terhadap hipotesis h,
MD[h,e] = ukuran ketidakpercayaan terhadap
hipotesis h,
8
Konsep Perhitungan
Nilai evidence dikombinasikan untuk menentukan CF dari suatu
hipotesis. Jika e1 dan e2 adalah observasi, maka :
0 MD[h, e ^ e ] = 1
MB[h,e ^ e ] =
MB[h, e ] + MB[h, e ].(1 - MB[h, e ]) lainnya
0 MB[h, e ^ e ] = 1
MD[h, e ^ e ] =
MD[h, e ] + MD[h, e ].(1 - MD[h, e ]) lainnya
9
Jika ada kaidah lain termasuk dalam hipotesis yang sama tetapi
berbeda dalam faktor kepastian maka perhitungan faktor kepastian
dari kaidah yang sama dihitung dari penggabungan fungsi untuk faktor
kepastian yang didefinisikan sebagai berikut :
CF1+CF2(1-CF1) kedua-duanya > 0
CFCOMBINE (CF1,CF2) = CF1+CF2 salah satu < 0
1-min(|CF1|,|CF2|)
CF1+CF2(1-CF1) kedua-duanya < 0
Konsep Perhitungan(2)
10
Interpretasi pakar
Nilai CF(Rule) didapat dari interpretasi „term‟ dari pakar
menjadi nilai MD/MB tertentu.
Certain Term MD/MB
Tidak Tahu/Tidak Ada
Mungkin
Kemungkinan Besar
Hampir Pasti
Pasti
0 - 0.2
0.4
0.6
0.8
1.0
11
Perancangan Sistem
RMS Database
(Data Gejala-
gejala penyakit,
nilai MD dan MB)
Telpon Genggam
dengan Fitur Java
MIDP
Sistem
Pakar
Aplikasi Diagnosis J2ME
Diagnosa (Input)
Hipotesa (Output)
USER
12
Perancangan Sistem (cont‟d)Input pada aplikasi adalah gejala-gejala yang diderita oleh pasien dalam
bentuk fisik. Dapat pula dilakukan uji hasil tes darah. Kemudian diolah oleh
handphone sebagai mobile device yang akan menghasilkan jenis penyakit
yang diderita.
Keluaran yang dihasilkan dari aplikasi ini adalah berupa informasi tentang
jenis penyakit yang kemungkinan diderita oleh user berdasarkan gejala yang
dimasukkan dan nilai CF (Certainty Factor) yang dihasilkan dari perhitungan
yang dilakukan oleh sistem. Selain itu terdapat juga penelusuran data-data
gejala yang dapat dipilih oleh user.
Dalam perangkat handphone berbasis Java, disediakan media
penyimpanan yang bersifat non-volatile. Media penyimpanan non-volatile ini
dalam MIDlet dikenal dengan nama RMS (Record Management System).
Data yang ada di dalam database RMS ini dikenal dengan RecordStore.
START
Data gejala
penyakit dan/atau
hasil tes darah serta
data MB dan MD
Input Gejala dan/
atau hasil Tes
Darah dari User
Ada Input
Perhitungan
nilai MB dan
MB baru
Perhitungan
nilai CF
Output tingkat CF,
hipotesa diagnosis
dan langkah terapi
pengobatan
STOP
N
Y
Gejala String()
Value MB float()
Value MD float()
DATA
13
Data PrimerData-data atau informasi yang diperoleh adalah secara langsung dari
seorang pakar dalam hal ini adalah dokter spesialis penyakit dalam. Teknik
pengumpulan data ini adalah sebagai berikut :
Metode wawancara (interview), wawancara atau tanya jawab langsung
dengan pihak-pihak terkait dalam hal ini seorang dokter spesialis penyakit
dalam, guna mendapatkan data yang tepat sehingga perancangan sesuai
dengan tujuan semula.
Metode Kepustakaan (Library Research), mengumpulkan data-data yang
diperoleh dengan cara mengumpulkan data melalui buku-buku dan
sumber-sumber lain (internet) yang relevan dengan permasalahan yang
dihadapi, dalam hal ini tentang jenis-jenis penyakit Hepatitis dan gejala-
gejalanya.
14
Perbandingan Perhitungan ManualInput user berupa gejala “Gejala mirip Flu” dan “Nyeri Perut”.
Maka didapat data berupa :
Gejala mirip Flu
Hepatitis A Hepatitis B Hepatitis C
MB MD MB MD MB MD
0,21 0,015 0,17 0,015 0,17 0,015
Nyeri Perut
Hepatitis A Hepatitis B Hepatitis C
MB MD MB MD MB MD
0,46 0,03 0,31 0,02 - -
Didapat nilai untuk setiap penyakit hepatitis A, B dan C :
Perhitungan Hepatitis A
MB baru = 0,21 + 0,46 * (1 – 0,21) = 0,5734
MD baru = 0,015 + 0,03 * (1 – 0,015) = 0,04455
Perhitungan Hepatitis B
MB baru = 0,17 + 0,31 * (1 – 0,17) = 0,4273
MD baru = 0,015 + 0,02 * (1 – 0,015) = 0,0347
Perhitungan Hepatitis C
MB baru = 0,17 + 0 * (1 – 0,17) = 0,17
MD baru = 0,015 + 0 * (1 – 0,015) = 0,015
Menghitung nilai CF untuk masing-masing hipotesa penyakit :
Perhitungan Hepatitis A
CF Hepatitis A = 0,5734 – 0,04455 = 0,52885
Perhitungan Hepatitis B
CF Hepatitis B = 0,4237 – 0,0347 = 0,3926
Perhitungan Hepatitis C
CF Hepatitis C = 0,17 – 0,015 = 0,155
Berdasarkan hasil perhitungan diatas, maka hasilnya sama
dengan pengujian pada sistem. Bahwa nilai CF tertinggi dimiliki
oleh penyakit hepatitis A dengan kondisi derajat CF = MUNGKIN23
Perbandingan Perhitungan Manual (2)Selain mendiagnosa gejala fisik, sistem juga mampu mendiagnosa melalui hasil uji tes darah.
User telah mengisi untuk paremeter Hepatitis A dengan status antibodi IgM positif dan
antibodi IgG negatif. Berikut perhitungan nilai CF baru atas hasil tes darah tersebut :
Didapat nilai untuk setiap
penyakit hepatitis A, B dan C :
CF tes darah Hepatitis A =
0,99 – 0,01 = 0,98
CF tes darah Hepatitis B = 0
CF tes darah Hepatitis C = 0
Maka nilai akhir CF untuk masing-masing hipotesa penyakit :
CFCOMBINE Hepatitis A = 0,52885 + 0,98 * (1-0,52885) =
0,990577
CFCOMBINE Hepatitis B = 0,3926 + 0 * (1-0,3926) = 0,3926
CFCOMBINE Hepatitis C = 0,155 + 0 * (1-0,155) = 0,155
Berdasarkan hasil perhitungan diatas, maka hasilnya sama
dengan pengujian pada sistem. Bahwa nilai CF tertinggi dimiliki
oleh penyakit hepatitis A dengan kondisi derajat CF = HAMPIR
PASTI.
antibodi
IgM
antibodi
IgGMB MD Status hepatitis A
Positif Negatif 0.99 0.01
Tertular HAV dalam 6-7
minggu terakhir ini, dan
sistem kekebalan sedang
mengeluarkan virus atau
infeksi menjadi semakin
parah.
24
Prosedur Pengujian Tidak Normal
Masukan Gejala Penyakit
Masukan Tes Darah
Masukan Tambah,
Ubah dan Hapus
Gejala
29
AnalisaSistem ini dapat melakukan proses penalaran suatu data yang berupa gejala
untuk mencari suatu informasi terhadap suatu hipotesa penyakit.
Dari masukan gejala yang akan diberikan oleh user dalam sistem, terdapat
kemungkinan nilai untuk setiap hipotesa Hepatitis A, B maupun C hanya
memiliki nilai selisih yang kecil. Hal ini terjadi bila masing-masing gejala
masukan memiliki bobot yang hampir sama atas penyakit tersebut. Maka
untuk mendapatkan nilai yang signifikan atas hipotesa penyakit tersebut
disarankan untuk melakukan tes darah.
Hasil uji tes darah akan menjadi tolak ukur tertinggi pada proses diagnosa ini.
Jika terjadi diagnosa ganda pada saat deteksi gejala fisik dan uji tes darah,
maka yang lebih diutamakan adalah tes darah. Pada tes darah lebih
bersifat pasti karena pada proses yang sebenarnya, tes darah juga memiliki
pertimbangan yang sangat besar untuk diagnosa penyakit yang biasa
dilakukan oleh dokter-dokter di sekeliling kita.
30
Kesimpulan
1. Aplikasi ini dijalankan dengan J2ME Profile ; MIDP 2.1 dan J2ME
Configuration ; CLDC 1.1
2. Semakin akurat gejala yang dimasukkan dalam sistem (yang benar-benar
dirasakan), maka akan semakin tinggi pula nilai Certainty Factor atas
penyakit tersebut.
3. Penambahan data gejala penyakit dalam aplikasi ini harus dikonsultasikan
terlebih dahulu dengan pakar. Hal ini akan menjadikan aplikasi diagnosis
ini mampu bekerja secara baik.
31