Penggunaan Certainty Factor dalam Sistem Pakar
untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit
Epilepsi dan Keluarganya
Kusrini, S.Kom
STMIK AMIKOM Yogyakarta, kusrini@amikom.ac.id
Abstract
Expert system abilities to solve problems which can’t be
solved with certain algorithm, enables to build an expert
system to diagnose diseases.
In order to complete the final task, an expert system
which can be used to diagnose and give treatment to
epilepsy and it’s family is being constructed in this
research. Once again, certainty factor method used in
MYCIN in the middle of 1970’s is used to anticipate
incomplete and uncertain knowledge.
The final result of this research is an expert system
prototype to diagnose and give treatment to epilepsy and
it’s family. This prototype has some main menu. They are
data input, acquisition, consultation, and explanation.
By giving the accurate knowledge in knowledge base and
followed by tests which is being done seriously, it is to be
hoped that this system can be used to help doing
diagnosis and give treatment to epilepsy and it’s family
correctly and accurately.
Keywords: Expert System Certainty Factor Epilepsy
1. Pendahuluan
Ilmu yang mempelajari cara membuat komputer
dapat bertindak dan memiliki kecerdasan seperti manusia
disebut kecerdasan buatan [6]. Salah satu bidang yang
termasuk dalam kecerdasan buatan yaitu Sistem Pakar
(Expert System).
Sistem pakar adalah program komputer yang
menirukan penalaran seorang pakar dengan keahlian pada
suatu wilayah pengetahuan tertentu [6]. Permasalahan
yang ditangani oleh seorang pakar bukan hanya
permasalahan yang mengandalkan algoritma, namun
kadang juga permasalahan yang sulit dipahami.
Permasalahan tersebut dapat diatasi oleh seorang pakar
dengan pengetahuan dan pengalamannya. Oleh karena itu
sistem pakar dibangun bukan berdasarkan algoritma
tertentu tetapi berdasarkan basis pengetahuan dan aturan.
Sistem pakar sudah banyak dikembangkan baik untuk
kepentingan penelitian maupun kepentingan bisnis dari
berbagai bidang ilmu seperti ekonomi, keuangan,
teknologi dan kedokteran. Sistem pakar dalam bidang
diagnosis kesehatan telah dikembangkan pada
pertengahan tahun 1970 di Stanford University. Sistem
tersebut diberi nama MYCIN dan digunakan untuk
melakukan diagnosis dan terapi terhadap penyakit
miningitis dan infeksi bacremia.
Penyakit yang tidak kalah penting adalah penyakit
epilepsi. Epilepsi dikenal sebagai salah satu penyakit
tertua di dunia (2000 tahun SM) dan menempati urutan
kedua dari penyakit saraf setelah gangguan peredaran
darah otak. Dengan terapi yang baik penderita dapat
dibebaskan dari penyakitnya, namun untuk ini ditemukan
banyak kendala, diantaranya kurangnya dokter spesialis
saraf, kurangnya ketrampilan dokter umum dan paramedis
dalam menanggulangi penyakit ini. Untuk itu diperlukan
suatu upaya menciptakan pakar-pakar dalam menangani
penyakit epilepsi [4].
Besarnya kemungkinan suatu gejala menentukan
keberadaan suatu penyakit perlu diketahui, mengingat
ada empat kemungkinan hasil pemeriksaan yaitu [2]:
a. positip sejati: suatu gejala ada dan pasien memang
menderita penyakit yang ditunjukkan oleh gejala itu
b. positip palsu: suatu gejala itu ada tetapi pasien tidak
menderita penyakit sebagaimana yang ditunjukkan
oleh gejala itu
c. negatip palsu: pasien menderita suatu penyakit tetapi
tidak terdapat gejala yang menunjukkan penyakit itu
d. negatip sejati: pasien tidak menunjukkan gejala
penyakit dan memang tidak menderita penyakit
tersebut
Dalam melakukan pemeriksaan, terkadang dokter
harus memutuskan suatu penyakit dengan menggunakan
data yang kurang lengkap. Untuk itu diperlukan suatu
sistem yang mampu menghitung besarnya kemungkinan
keberadaan suatu penyakit meskipun didasarkan pada
data yang kurang lengkap.
Epilepsi merupakan penyakit yang memerlukan
pengobatan yang cukup lama bahkan bisa seumur hidup.
Sementara obat anti epilepsi yang beredar sekarang ini
belum bisa membebaskan penderita dari efek samping
yang tidak ringan [3]. Oleh karena itu, kesalahan dalam
menentukan suatu penyakit epilepsi akan menjerumuskan
seseorang dalam kondisi yang semestinya tidak dialami.
Untuk mengurangi kemungkinan kesalahan diperlukan
ketelitian hasil pemeriksaan dan dalam hal ini diperlukan
adanya keterlibatan matematika modern.
2. Faktor Kepastian
2.1 Ketidakpastian (uncertainty)
Dalam menghadapi suatu masalah sering ditemukan
jawaban yang tidak memiliki kepastian penuh.
Ketidakpastian ini bisa berupa probabilitas atau
kebolehjadian yang tergantung dari hasil suatu kejadian.
Hasil yang tidak pasti disebabkan oleh dua faktor yaitu
aturan yang tidak pasti dan jawaban pengguna yang tidak
pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal
ini sangat mudah dilihat pada sistem diagnosis penyakit,
dimana pakar tidak dapat mendefinisikan tentang
hubungan antara gejala dengan penyebabnya secara pasti,
dan pasien tidak dapat merasakan suatu gejala dengan
pasti pula. Pada akhirnya ditemukan banyak kemungkinan
diagnosis.
Sistem pakar harus mampu bekerja dalam
ketidakpastian [1]. Sejumlah teori telah ditemukan untuk
menyelesaikan ketidakpastian, termasuk diantaranya
probabilitas klasik (classical probability), probabilitas
Bayes (Bayesian probability), teori Hartley berdasarkan
himpunan klasik (Hartley theory based on classical sets),
teori Shannon berdasarkan pada probabilitas (Shannon
theory based on probability), teori Dempster-Shafer
(Dempster-Shafer theory), teori fuzzy Zadeh (Zadeh’s
fuzzy theory) dan faktor kepastian (certainty factor).
Dalam penelitian ini yang digunakan adalah faktor
kepastian.
2.2 Ketidakpastian aturan
Ada tiga penyebab ketidakastian aturan yaitu aturan
tunggal, penyelesaian konflik dan ketidakcocokan
(incompatibility) antar konskuen dalam aturan.
Aturan tunggal yang dapat menyebabkan
ketidakpastian dipengaruhi oleh tiga hal, yaitu: kesalahan,
probabilitas dan kombinasi gejala (evidence). Kesalahan
dapat terjadi karena:
a. ambiguitas, sesuatu didefinisikan dengan lebih dari
satu cara
b. ketidaklengkapan data
c. kesalahan informasi
d. ketidakpercayaan terhadap suatu alat
e. adanya bias
Probabilitas disebabkan ketidakmampuan seorang
pakar merumuskan suatu aturan secara pasti. Misalnya,
jika seseorang mengalami sakit kepala, demam dan
bersin-bersin ada kemungkinan orang tersebut terserang
penyakit flu, tetapi bukan berarti apabila seseorang
mengalai gejala tersebut pasti terserang penyakit flu.
Hanya karena aturan tunggalnya benar, belum dapat
menjamin suatu jawaban bernilai benar. Hal ini masih
dipengaruhi oleh kompatibilitas antar aturan.
Inkompatibilitas suatu aturan disebabkan oleh beberapa
hal, yaitu:
a. kontradiksi aturan, misalnya:
aturan 1:
JIKA anak demam MAKA harus dikompres
aturan 2:
JIKA anak demam MAKA jangan dikompres
b. subsumpsi aturan, misalnya:
aturan 3 : JIKA E1 MAKA H
aturan 4 : JIKA E1 DAN E2 MAKA H
jika hanya E1 yang muncul, maka masalah tidak akan
timbul karena aturan yang akan digunakan adalah
aturan 3, tetapi apabila E1 dan E2 sama-sama muncul
maka kedua aturan (aturan 3 dan 4) sama-sama akan
dijalankan.
c. redundancy aturan, misalnya
aturan 5 : JIKA E1 DAN E2 MAKA H
aturan 6 : JIKA E2 DAN E1 MAKA H
dalam kasus ini ditemui aturan-aturan yang sepertinya
berbeda tetapi memiliki makna yang sama.
d. kehilangan aturan, misalnya:
aturan 7 : JIKA E4 MAKA H
ketika E4 diabaikan maka H tidak pernah
tersimpulkan
e. penggabungan data, misalnya pada diagnosis
kesehatan. Seorang dokter dapat menyimpulkan suatu
penyakit tidak hanya berdasarkan anamnesis, tetapi
juga hasil tes laboratorium, pemeriksaan kondisi
tubuh, sejarah penyakit, dan lain-lain. Untuk itu
diperlukan penggabungan semua data untuk dapat
menyimpulkan suatu penyakit.
Pemilihan metode penyelesaian konflik (conflict
resolution) dapat juga mempengaruhi hasil penyelesaian
akhir terhadap suatu masalah. Ada suatu sistem yang
mendahulukan suatu aturan yang lebih spesifik, misalnya
aturan 3 dan aturan 4, karena aturan 4 lebih spesifik maka
aturan 4 akan dieksekusi terlebih dahulu. Ada juga sistem
yang mengeksekusi aturan berdasarkan urutan pemasukan
aturan. Dan ada sistem yang memberi bobot pada
aturannya, sehingga eksekusi dilakukan terhadap suatu
aturan berdasarkan bobot yang dia miliki.
2.3 Pengertian faktor kepastian
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 E1
CF(H, E1)
didefinisikan sebagai berikut [1]:

CF(H,E) = MB(H,E) – MD(H,E) (1) H

CF(H,E) : certainty factor dari hipotesis H yang CF(H, E2)

dipengaruhi oleh gejala (evidence) E. Besarnya CF E2
berkisar antara –1 sampai dengan 1. Nilai –1
menunjukkan ketidakpercayaan mutlak sedangkan Gambar 1
nilai 1 menunjukkan kerpercayaan mutlak. Kombinasi Paralel Certainty Factor
MB(H,E) : ukuran kenaikan kepercayaan (measure of
increased belief) terhadap hipotesis H yang
CF
( → CF
( →
'
E ,E ) H ,E )
dipengaruhi oleh gejala E. E' E H
MD(H,E) : ukuran kenaikan ketidakpercayaan (measure Gambar 2
of increased disbelief) terhadap hipotesis H yang Kombinasi Sequensial Certainty Factor
dipengaruhi oleh gejala E
Pada kondisi ini evidence E1 dan E2 mempengaruhi
2.4 Kombinasi aturan hipotesis yang sama yaitu H. Kedua certainty factor
CF(H, E1) dan CF(H, E2) dikombinasikan, menghasilkan
Metode MYCIN untuk menggabungkan evidence certainty factor CF(H, E1, E2).
pada antecedent sebuah aturan ditunjukkan oleh tabel 1 Fungsi kombinasi paralel tersebut didefinisikan
dibawah ini [1]. sebagai berikut [1]:
 x + y − xy x, y ≥ 0
Tabel 1 
 x+ y (4)
Aturan MYCIN untuk mengkombinasikan evidence z= x, y berlawanantanda
antecedent 1 − min(| x |, | y |)
Evidence, E Antecedent Ketidakpastian  x + y + xy x, y < 0
E1 DAN E2 min[CF(H,E1), CF(H,E2)]
E1 OR E2 max[CF(H,E1), CF(H,E2)] dimana x = CF(H, E1), y = CF(H, E2)
TIDAK E - CF(H,E) dan z = CF(H, E1E2).
Certainty factor kedua aturan dikombinasikan
Bentuk dasar rumus certainty factor sebuah aturan menghasilkan certainty factor CF(H,E’). Untuk
JIKA E MAKA H adalah sebagai berikut: menghitung kombinasi sequensial tersebut digunakan
rumus berikut [4]:
CF(H,e) = CF(E,e) * CF(H,E) (2) CF(H,E’) = CF(E, E’) * CF(H, E)
dimana
CF(E,e) : certainty factor evidence E yang dipengaruhi 3. Komponen sistem pakar
oleh evidence e Sistem pakar memiliki beberapa komponen utama
CF(H,E) : certainty factor hipotesis dengan asumsi yaitu: antar muka pengguna (user interface), basis data
evidence diketahui dengan pasti, yaitu ketika CF(E, sistem pakar (expert system database), fasilitas akuisisi
e) = 1 pengetahuan (knowledge acquisition facility) dan
CF(H,e) : certainty factor hipotesis yang dipengaruhi oleh mekanisme inferensi (inference mechanism). Selain itu
evidence e ada satu komponen yang ada pada beberapa sistem pakar
yaitu fasilitas penjelasan (explanation facility) [5].
Jika semua evidence pada antecedent diketahui
dengan pasti maka rumusnya akan menjadi: 4. Epilepsi
CF(H,e) = CF(H,E) (3) Epilepsi merupakan bangkitan epileptik yaitu
Ada dua macam kombinasi certainty factor yaitu manifestasi gangguan otak dengan berbagai gejala klinis.
kombinasi paralel yang ditunjukkan oleh gambar 1, dan Epilepsi disebabkan oleh lepasnya neuron-neuron otak
kombinasi sequensial yang ditunjukkan oleh gambar 2. secara berlebihan dan berkala tetapi reversibel dengan
berbagai etiologi [4]
Secara klinis epilepsi sulit untuk didefinisikan. Hal
ini disebabkan oleh manifestasi klinis yang sangat
bervariasi, mulai dari kejang umum, kejang fokal,
penurunan kesadaran, gangguan tingkah laku, sampai
dengan manifestasi klinis yang aneh-aneh dengan latar
belakang yang sulit dimengerti. Prinsip yang harus
dipegang ialah serangan terjadi berulang kali dengan pola
yang sama, tanpa memperhatikan tempat, waktu dan
keadaan [3].
4.1 Diagnosis
Untuk melakukan diagnosis penyakit epilepsi atau
sindrom epileptik diperlukan data tipe sawan, data
elektroensefalografi (EEG), dan data lainnya. Sering
penderita datang tidak dalam keadaan sawan, sehingga
sebagian besar gambaran sawan diperoleh berdasarkan
pada anamnesis. Diagnosis ini tergantung pada
pengetahuan pemeriksa tentang pola sawan dan
kepandaian saksi mata dalam melukiskannya [4].
Diagnosis epilepsi perlu ditegakkan karena pemilihan
terapi tergantung pada jenis epilepsinya. Serangan yang
bersifat tunggal tidak dapat dipakai sebagai alasan untuk
menegakkan diagnosis, karena banyak orang yang hanya
memperoleh serangan sekali saja dan seterusnya tidak
mendapat serangan lagi. Disamping itu, sehubungan
dengan upaya menegakkan diagnosis epilepsi, masih ada
beberapa hal yang harus diperhatikan, antara lain
keterbatasan informasi baik dari penderita maupun dari
saksi mata, jenis epilepsi, epilepsi yang bersifat idiopatik
atau simtomatik. Sementara itu ada beberapa jenis
serangan epelepsi yang seringkali tak dikenali sebagai
serangan epilepsi [3].
4.2 Diagnosis banding
Sindrom epileptik harus dibedakan dari keadaan
episodik lain. Ada beberapa keadaan atau penyakit yang
perwujudannya sangat mirip dengan epilepsi. Dengan
demikian harus hati-hati agar tidak keliru melakukan
suatu diagnosis. Beberapa penyakit yang menyerupai
epilepsi antara lain: narkolepsy, migren, breathholding
spells, sinkope kardiovaskuler, dan histeri. Gambaran
EEG pada peristiwa-peristiwa tersebut tidak menunjukkan
kelainan [3].
4.3 Pengobatan
Tujuan pengobatan adalah menyembuhkan atau bila
tidak mampu menyembuhkan, bisa membatasi gejala-
gejala dan mengurangi efek samping pengobatan. Pada
penyakit epilepsi, bila tidak diketahui kelainan struktural,
metabolik atau endokrin yang dapat disembuhkan, maka
tujuan pengobatan adalah memperbaiki kualitas hidup
penderita dengan menghilangkan atau mengurangi
frekuensi sawan tanpa menimbulkan efek samping yang
tidak dikehendaki [4].
5. Rancang Bangun Sistem Pakar
Untuk melakukan diagnosis sindrom epilepsi
diperlukan data tipe sawan, data electroencephalogram
(EEG) dan data-data lainnya. Tipe sawan ditentukan oleh
beberapa gejala yang dialami penderita.
5.1 Representasi Pengetahuan
Pengetahuan untuk melakukan diagnosis dan
memberikan terapi terhadap penderita penyakit epilepsi
dan keluarganya direpresentasikan dalam bentuk kaidah
produksi.
Pengetahuan direpresentasikan dalam empat jenis
aturan, yaitu:
a. Aturan yang menentukan sawan berdasarkan gejala
yang diketahui. Secara umum aturan berbentuk:
Sawan , CF : x
JIKA Kumpulan Gejala
b. Aturan yang menentukan jenis penyakit epilepsi
berdasarkan sawan dan syarat-syarat klinis lain yang
diketahui. Secara umum aturan ini berbentuk:
Jenis Penyakit Epilepsi, CF : x
JIKA Kumpulan Sawan OPERATOR LOGIKA
Kumpulan Syarat
c. Aturan yang menentukan jenis penyakit selain
epilepsi berdasarkan gejala dan syarat-syarat klinis
lain yang diketahui. Secara umum aturan ini
berbentuk:
Jenis Penyakit Non Epilepsi, CF : x
JIKA Kumpulan Gejala OPERATOR LOGIKA
Kumpulan Syarat
d. Aturan yang menentukan obat berdasarkan jenis
penyakit yang diketahui. Secara umum aturan ini
berbentuk:
Kumpulan Obat
JIKA jenis penyakit epilepsi CF: antara
x s/d y
5.2 Metode Inferensi
Sistem pakar untuk melakukan diagnosis dan
memberikan terapi penyakit epilepsi dan keluarganya
menggunakan dua metode inferensi, yaitu runut balik dan
runut maju. Runut balik digunakan pada saat melakukan
diagnosis dan runut maju digunakan pada saat mencari
terapi yang tepat untuk penyakit yang telah terdiagnosis.
Data yang digunakan dalam inferensi diperoleh dari
jawaban yang diberikan pengguna atas pertanyaan
mengenai gejala atau hasil-hasil tes yang diajukan oleh
sistem. Sistem tidak akan menanyakan pertanyaan yang
sudah pernah diberikan. Oleh karena itu diperlukan permasalahan adanya pengetahuan yang tidak komplit
penyimpan data pertanyaan yang pernah diajukan. Selain dan tidak pasti.
itu sistem juga akan menyimpan hasil kesimpulan
sementara sehingga dia tidak perlu memproses ulang Referensi
apabila memerlukannya. [1] Giarattano, J. & Riley, G., Expert System Principles
and Programming, PWS Publishing Company,
Boston. 1994.
5.3 Akuisisi Pengetahuan
[2] Gutter, P., M.D, Pemecahan Masalah dalam Praktek
Fasilitas akuisisi pengetahuan disediakan untuk
Kedokteran dari Data menuju Diagnosis, Gadjah
membantu menjembatani antara pakar dengan sistem.
Mada University Press, Yogyakarta. 1991.
Melalui bagian inilah pakar epilepsi akan memasukkan
[3] Harsono, dr., Buku Ajar Neurologi Klinis, Gadjah
pengetahuan yang akan dipakai dalam inferensi.
Mada University Press, Yogyakarta. 1996.
Akuisisi dibagi dalam 5 kelompok sesuai dengan [4] Heckerman, D., Probabilistic Interpretations for
jenis pengetahuan yang ada dalam sistem, yaitu: Mycin’s Certainty Factors, Elsevier science
Publishers B.V., North-Holland. 1986.
a. Akuisisi pengetahuan sawan. Proses ini memasukkan
[5] Martin, J. & Oxman, S., Building Expert Systems a tutorial,
aturan mengenai gejala yang mempengaruhi sawan ke
Prentice Hall, New Jersey. 1988.
tabel gejalasawan.
[6] Turban, E., Decicion Support System and Expert
b. Akuisisi pengetahuan penyakit epilepsi. Proses ini
Systems, Prentice Hall International Inc., USA. 1995.
memasukkan aturan mengenai sawan yang
mempengaruhi penyakit epilepsi ke tabel penyakit
dan aturan mengenai syarat yang mempengaruhi
penyakit epilepsi ke tabel final.
c. Akuisisi pengetahuan penyakit non epilepsi. Proses
ini memasukkan aturan mengenai gejala yang
mempengaruhi penyakit non epilepsi ke tabel
penyakit_non_epilepsi dan aturan mengenai syarat
yang mempengaruhi penyakit nonepilepsi ke tabel
finalnonepilepsi.
d. Akuisisi terapi bagi penyakit epilepsi. Proses ini
memasukkan aturan mengenai obat yang dapat
digunakan oleh penyakit epilepsi dengan certainty
factor tertentu.
e. Akuisisi terapi bagi penyakit non epilepsi. Proses ini
memasukkan aturan mengenai obat yang dapat
digunakan oleh penyakit non epilepsi dengan
certainty factor tertentu.

5.4 Penjelasan

Ada dua macam penjelasan dalam sistem ini yaitu:

a. Penjelasan pertanyaan mengapa, pertanyaan ini
diberikan pengguna pada saat sistem menanyakan
gejala atau syarat kepada pengguna.
b. Penjelasan pertanyaan bagaimana, pertanyaan ini
diberikan pengguna pada saat sistem menentukan
penyakit baik penyakit epilepsi maupun penyakit non
epilepsi.

6. Kesimpulan

Kompleksnya permasalahan yang timbul dalam

diagnosis penyakit epilepsi, bisa ditangani dengan sistem
pakar. Metode certainty factor telah mampu menjawab