untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit
Epilepsi dan Keluarganya
Kusrini, S.Kom STMIK AMIKOM Yogyakarta, kusrini@amikom.ac.id
Abstract Sistem pakar sudah banyak dikembangkan baik untuk
kepentingan penelitian maupun kepentingan bisnis dari Expert system abilities to solve problems which can’t be berbagai bidang ilmu seperti ekonomi, keuangan, solved with certain algorithm, enables to build an expert teknologi dan kedokteran. Sistem pakar dalam bidang system to diagnose diseases. diagnosis kesehatan telah dikembangkan pada In order to complete the final task, an expert system pertengahan tahun 1970 di Stanford University. Sistem which can be used to diagnose and give treatment to tersebut diberi nama MYCIN dan digunakan untuk epilepsy and it’s family is being constructed in this melakukan diagnosis dan terapi terhadap penyakit research. Once again, certainty factor method used in miningitis dan infeksi bacremia. MYCIN in the middle of 1970’s is used to anticipate Penyakit yang tidak kalah penting adalah penyakit incomplete and uncertain knowledge. epilepsi. Epilepsi dikenal sebagai salah satu penyakit The final result of this research is an expert system tertua di dunia (2000 tahun SM) dan menempati urutan prototype to diagnose and give treatment to epilepsy and kedua dari penyakit saraf setelah gangguan peredaran it’s family. This prototype has some main menu. They are darah otak. Dengan terapi yang baik penderita dapat data input, acquisition, consultation, and explanation. dibebaskan dari penyakitnya, namun untuk ini ditemukan By giving the accurate knowledge in knowledge base and banyak kendala, diantaranya kurangnya dokter spesialis followed by tests which is being done seriously, it is to be saraf, kurangnya ketrampilan dokter umum dan paramedis hoped that this system can be used to help doing dalam menanggulangi penyakit ini. Untuk itu diperlukan diagnosis and give treatment to epilepsy and it’s family suatu upaya menciptakan pakar-pakar dalam menangani correctly and accurately. penyakit epilepsi [4]. Besarnya kemungkinan suatu gejala menentukan Keywords: Expert System Certainty Factor Epilepsy keberadaan suatu penyakit perlu diketahui, mengingat ada empat kemungkinan hasil pemeriksaan yaitu [2]: a. positip sejati: suatu gejala ada dan pasien memang 1. Pendahuluan menderita penyakit yang ditunjukkan oleh gejala itu b. positip palsu: suatu gejala itu ada tetapi pasien tidak Ilmu yang mempelajari cara membuat komputer menderita penyakit sebagaimana yang ditunjukkan dapat bertindak dan memiliki kecerdasan seperti manusia oleh gejala itu disebut kecerdasan buatan [6]. Salah satu bidang yang c. negatip palsu: pasien menderita suatu penyakit tetapi termasuk dalam kecerdasan buatan yaitu Sistem Pakar tidak terdapat gejala yang menunjukkan penyakit itu (Expert System). d. negatip sejati: pasien tidak menunjukkan gejala Sistem pakar adalah program komputer yang penyakit dan memang tidak menderita penyakit menirukan penalaran seorang pakar dengan keahlian pada tersebut suatu wilayah pengetahuan tertentu [6]. Permasalahan yang ditangani oleh seorang pakar bukan hanya Dalam melakukan pemeriksaan, terkadang dokter permasalahan yang mengandalkan algoritma, namun harus memutuskan suatu penyakit dengan menggunakan kadang juga permasalahan yang sulit dipahami. data yang kurang lengkap. Untuk itu diperlukan suatu Permasalahan tersebut dapat diatasi oleh seorang pakar sistem yang mampu menghitung besarnya kemungkinan dengan pengetahuan dan pengalamannya. Oleh karena itu keberadaan suatu penyakit meskipun didasarkan pada sistem pakar dibangun bukan berdasarkan algoritma data yang kurang lengkap. tertentu tetapi berdasarkan basis pengetahuan dan aturan. Epilepsi merupakan penyakit yang memerlukan pengobatan yang cukup lama bahkan bisa seumur hidup. Sementara obat anti epilepsi yang beredar sekarang ini jika seseorang mengalami sakit kepala, demam dan belum bisa membebaskan penderita dari efek samping bersin-bersin ada kemungkinan orang tersebut terserang yang tidak ringan [3]. Oleh karena itu, kesalahan dalam penyakit flu, tetapi bukan berarti apabila seseorang menentukan suatu penyakit epilepsi akan menjerumuskan mengalai gejala tersebut pasti terserang penyakit flu. seseorang dalam kondisi yang semestinya tidak dialami. Hanya karena aturan tunggalnya benar, belum dapat Untuk mengurangi kemungkinan kesalahan diperlukan menjamin suatu jawaban bernilai benar. Hal ini masih ketelitian hasil pemeriksaan dan dalam hal ini diperlukan dipengaruhi oleh kompatibilitas antar aturan. adanya keterlibatan matematika modern. Inkompatibilitas suatu aturan disebabkan oleh beberapa hal, yaitu: 2. Faktor Kepastian a. kontradiksi aturan, misalnya: 2.1 Ketidakpastian (uncertainty) aturan 1: Dalam menghadapi suatu masalah sering ditemukan JIKA anak demam MAKA harus dikompres jawaban yang tidak memiliki kepastian penuh. aturan 2: Ketidakpastian ini bisa berupa probabilitas atau JIKA anak demam MAKA jangan dikompres kebolehjadian yang tergantung dari hasil suatu kejadian. b. subsumpsi aturan, misalnya: Hasil yang tidak pasti disebabkan oleh dua faktor yaitu aturan 3 : JIKA E1 MAKA H aturan yang tidak pasti dan jawaban pengguna yang tidak aturan 4 : JIKA E1 DAN E2 MAKA H pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal jika hanya E1 yang muncul, maka masalah tidak akan ini sangat mudah dilihat pada sistem diagnosis penyakit, timbul karena aturan yang akan digunakan adalah dimana pakar tidak dapat mendefinisikan tentang aturan 3, tetapi apabila E1 dan E2 sama-sama muncul hubungan antara gejala dengan penyebabnya secara pasti, maka kedua aturan (aturan 3 dan 4) sama-sama akan dan pasien tidak dapat merasakan suatu gejala dengan dijalankan. pasti pula. Pada akhirnya ditemukan banyak kemungkinan c. redundancy aturan, misalnya diagnosis. aturan 5 : JIKA E1 DAN E2 MAKA H Sistem pakar harus mampu bekerja dalam aturan 6 : JIKA E2 DAN E1 MAKA H ketidakpastian [1]. Sejumlah teori telah ditemukan untuk dalam kasus ini ditemui aturan-aturan yang sepertinya menyelesaikan ketidakpastian, termasuk diantaranya berbeda tetapi memiliki makna yang sama. probabilitas klasik (classical probability), probabilitas d. kehilangan aturan, misalnya: Bayes (Bayesian probability), teori Hartley berdasarkan aturan 7 : JIKA E4 MAKA H himpunan klasik (Hartley theory based on classical sets), ketika E4 diabaikan maka H tidak pernah teori Shannon berdasarkan pada probabilitas (Shannon tersimpulkan theory based on probability), teori Dempster-Shafer e. penggabungan data, misalnya pada diagnosis (Dempster-Shafer theory), teori fuzzy Zadeh (Zadeh’s kesehatan. Seorang dokter dapat menyimpulkan suatu fuzzy theory) dan faktor kepastian (certainty factor). penyakit tidak hanya berdasarkan anamnesis, tetapi Dalam penelitian ini yang digunakan adalah faktor juga hasil tes laboratorium, pemeriksaan kondisi kepastian. tubuh, sejarah penyakit, dan lain-lain. Untuk itu diperlukan penggabungan semua data untuk dapat 2.2 Ketidakpastian aturan menyimpulkan suatu penyakit. Pemilihan metode penyelesaian konflik (conflict Ada tiga penyebab ketidakastian aturan yaitu aturan resolution) dapat juga mempengaruhi hasil penyelesaian tunggal, penyelesaian konflik dan ketidakcocokan akhir terhadap suatu masalah. Ada suatu sistem yang (incompatibility) antar konskuen dalam aturan. mendahulukan suatu aturan yang lebih spesifik, misalnya Aturan tunggal yang dapat menyebabkan aturan 3 dan aturan 4, karena aturan 4 lebih spesifik maka ketidakpastian dipengaruhi oleh tiga hal, yaitu: kesalahan, aturan 4 akan dieksekusi terlebih dahulu. Ada juga sistem probabilitas dan kombinasi gejala (evidence). Kesalahan yang mengeksekusi aturan berdasarkan urutan pemasukan dapat terjadi karena: aturan. Dan ada sistem yang memberi bobot pada a. ambiguitas, sesuatu didefinisikan dengan lebih dari aturannya, sehingga eksekusi dilakukan terhadap suatu satu cara aturan berdasarkan bobot yang dia miliki. b. ketidaklengkapan data c. kesalahan informasi 2.3 Pengertian faktor kepastian d. ketidakpercayaan terhadap suatu alat e. adanya bias Faktor kepastian (certainty factor) diperkenalkan Probabilitas disebabkan ketidakmampuan seorang oleh Shortliffe Buchanan dalam pembuatan MYCIN pakar merumuskan suatu aturan secara pasti. Misalnya, (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, 5. Rancang Bangun Sistem Pakar penurunan kesadaran, gangguan tingkah laku, sampai Untuk melakukan diagnosis sindrom epilepsi dengan manifestasi klinis yang aneh-aneh dengan latar diperlukan data tipe sawan, data electroencephalogram belakang yang sulit dimengerti. Prinsip yang harus (EEG) dan data-data lainnya. Tipe sawan ditentukan oleh dipegang ialah serangan terjadi berulang kali dengan pola beberapa gejala yang dialami penderita. yang sama, tanpa memperhatikan tempat, waktu dan 5.1 Representasi Pengetahuan keadaan [3]. Pengetahuan untuk melakukan diagnosis dan memberikan terapi terhadap penderita penyakit epilepsi 4.1 Diagnosis dan keluarganya direpresentasikan dalam bentuk kaidah Untuk melakukan diagnosis penyakit epilepsi atau produksi. sindrom epileptik diperlukan data tipe sawan, data elektroensefalografi (EEG), dan data lainnya. Sering Pengetahuan direpresentasikan dalam empat jenis penderita datang tidak dalam keadaan sawan, sehingga aturan, yaitu: sebagian besar gambaran sawan diperoleh berdasarkan a. Aturan yang menentukan sawan berdasarkan gejala pada anamnesis. Diagnosis ini tergantung pada yang diketahui. Secara umum aturan berbentuk: pengetahuan pemeriksa tentang pola sawan dan Sawan , CF : x kepandaian saksi mata dalam melukiskannya [4]. JIKA Kumpulan Gejala Diagnosis epilepsi perlu ditegakkan karena pemilihan terapi tergantung pada jenis epilepsinya. Serangan yang b. Aturan yang menentukan jenis penyakit epilepsi bersifat tunggal tidak dapat dipakai sebagai alasan untuk berdasarkan sawan dan syarat-syarat klinis lain yang menegakkan diagnosis, karena banyak orang yang hanya diketahui. Secara umum aturan ini berbentuk: memperoleh serangan sekali saja dan seterusnya tidak Jenis Penyakit Epilepsi, CF : x mendapat serangan lagi. Disamping itu, sehubungan dengan upaya menegakkan diagnosis epilepsi, masih ada JIKA Kumpulan Sawan OPERATOR LOGIKA Kumpulan Syarat beberapa hal yang harus diperhatikan, antara lain keterbatasan informasi baik dari penderita maupun dari c. Aturan yang menentukan jenis penyakit selain saksi mata, jenis epilepsi, epilepsi yang bersifat idiopatik epilepsi berdasarkan gejala dan syarat-syarat klinis atau simtomatik. Sementara itu ada beberapa jenis lain yang diketahui. Secara umum aturan ini serangan epelepsi yang seringkali tak dikenali sebagai berbentuk: serangan epilepsi [3]. Jenis Penyakit Non Epilepsi, CF : x 4.2 Diagnosis banding JIKA Kumpulan Gejala OPERATOR LOGIKA Sindrom epileptik harus dibedakan dari keadaan Kumpulan Syarat episodik lain. Ada beberapa keadaan atau penyakit yang perwujudannya sangat mirip dengan epilepsi. Dengan d. Aturan yang menentukan obat berdasarkan jenis demikian harus hati-hati agar tidak keliru melakukan penyakit yang diketahui. Secara umum aturan ini suatu diagnosis. Beberapa penyakit yang menyerupai berbentuk: Kumpulan Obat epilepsi antara lain: narkolepsy, migren, breathholding spells, sinkope kardiovaskuler, dan histeri. Gambaran JIKA jenis penyakit epilepsi CF: antara x s/d y EEG pada peristiwa-peristiwa tersebut tidak menunjukkan kelainan [3]. 5.2 Metode Inferensi
4.3 Pengobatan Sistem pakar untuk melakukan diagnosis dan
Tujuan pengobatan adalah menyembuhkan atau bila memberikan terapi penyakit epilepsi dan keluarganya tidak mampu menyembuhkan, bisa membatasi gejala- menggunakan dua metode inferensi, yaitu runut balik dan gejala dan mengurangi efek samping pengobatan. Pada runut maju. Runut balik digunakan pada saat melakukan penyakit epilepsi, bila tidak diketahui kelainan struktural, diagnosis dan runut maju digunakan pada saat mencari metabolik atau endokrin yang dapat disembuhkan, maka terapi yang tepat untuk penyakit yang telah terdiagnosis. tujuan pengobatan adalah memperbaiki kualitas hidup penderita dengan menghilangkan atau mengurangi Data yang digunakan dalam inferensi diperoleh dari frekuensi sawan tanpa menimbulkan efek samping yang jawaban yang diberikan pengguna atas pertanyaan tidak dikehendaki [4]. 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