Kematian akibat penyakit demam berdarah dengue (DBD) di Jakarta masih tinggi. Dari laporan surveilans aktif rumah sakit Dinas Kesehatan Provinsi DKI Jakarta tahun 2004 terjadi 20.643 kasus DBD dengan kematian 91 jiwa atau case fatality rate (CFR) sebesar 0,44%. Kematian disebabkan banyak faktor antara lain akibat keterlambatan diagnosis. Mendiagnosa penderita DBD sedini mungkin serta memberi pertolongan dengan segera diharapkan dapat mencegah kematian.

Sistem pakar dapat digunakan untuk diagnosa penyakit seperti pada sistem Mycin. Sistem ini dikembangkan tahun 1970-an oleh Edward Shortliffe Ph.D dari Universitas Standford. Mycin menyertakan dasar pengetahuan yang menyimpan informasi tentang penyakit. Seorang dokter dapat menggunakan dasar pengetahuan tersebut lewat sebuah program inference machine.

Pada tahun 1992, J.S.R. Jang mengembangkan sistem Neuro-fuzzy yang disebut adaptive neuro fuzzy inference system (ANFIS).  ANFIS adalah jaringan adaptif yang berbasis pada  fuzzy inference system (sistem inferensi fuzzy). Pada tahun 2003 Castelano dan kawan kawan menggunakan sistem Neuro-fuzzy yang disebut Kernel untuk mendiagnosa penyakit kulit.

 Mendiagnosa penyakit DBD secara klinis tergantung kepada keahlian dokternya. Bila keahlian tersebut dapat dialihkan dengan pelatihan ke suatu sistem pakar maka sistem yang telah dilatih mempunyai kemampuan menyerupai keahlian pakar.

Konsep dasar sistem pakar adalah keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Pengalihan keahlian dilakukan dengan wawancara dengan pakar penyakit DBD (dokter spesialis).

ANFIS akan digunakan untuk pengembangan  model. Sampel data diperoleh dari catatan medis penderita DBD dan bukan DBD yang dirawat di rumah sakit. Data yang diperoleh terdiri dari data training dan data testing.

Adaptive Neuro Fuzzy Inference System (ANFIS)

ANFIS dikembangkan oleh J.S.R Jang pada tahun 1992. Menurut Jang kelas adaptive network secara fungsional ekuivalen dengan fuzzy inference system. ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno orde satu. Jika diasumsikan  fuzzy inference system mempunyai dua input x dan y serta mempunyai satu output z, maka menurut model Sugeno orde satu, ada dua aturan sebagai berikut :

Rule 1 : If x is A1 and y is B1, then f1 = p1x + q1y + r

Rule 2 : If x is A2 and y is B2, then f2 = p2x + q2y + r

Algoritma Pembelajaran Hybrid

ANFIS dilatih dengan algoritma pelatihan hybrid Ada dua langkah dalam pelatihan hybrid yaitu langkah maju (forward) dan langkah mundur (backward). Pada langkah maju, parameter premis tetap, input jaringan akan merambat maju sampai pada lapisan ke empat, dimana parameter konsekuen (p, q , r) akan diidentifikasi dengan menggunakan metode least-square estimator (LSE). Sedangkan pada langkah mundur error sinyal antara keluaran yang diinginkan dengan keluaran aktual, akan merambat mundur dan premis parameters (a, b, c) akan diperbaiki dengan metode gradient-descent (penurunan Gradien).

Basis Aturan (Rule Base) :          

   Pada penghitungan data fuzzy dengan ANFIS digunakan kaidah aturan IF THEN. Aturan dibuat berdasar pendapat pakar. Jumlah aturan sesuai dengan jumlah kriteria dan parameternya. Pada penelitian ini ada 4 kriteria yaitu demam, bercak, pendarahan spontan dan uji tornikuet. Masing-masing kriteria mempunyai 3 parameter (membership function) sehingga jumlah aturan  sebanyak 34 = 81 aturan. Pada arsitektur ANFIS, aturan dibentuk secara adaptiv sesuai karakteristik data training. Dibawah ini contoh aturan.

Tabel 1. Contoh Basis Aturan

Rule-1 IF demam rendah AND bercak sedikit AND pendarahan_spontan tidak_jelas AND uji_tornikuet negatif THEN bukan DBD
Rule-2 IF demam tinggi AND bercak banyak AND pendarahan_spontan sangat_jelas AND uji_tornikuet positif THEN DBD

 

Desain Arsitektur

Desain arsitektur menggunakan ANFIS.Sistem inferensial fuzzy yang digunakan adalah tipe Takagi-Sugeno orde satu, sedangkan untuk fungsi keanggotaan menggunakan Gaussian. Proses pembelajaran yang dilakukan menggunakan algoritma Hybrid dan proses defuzzifikasi menggunakan metode Weighted Average

     Hasil Percobaan

Hasil pengujian Model terhadap berbagai jenis jumlah membership function mempengaruhi nilai kesimpulan yang dibuat Model. Dari 15 data sampel yang diuji, pengujian Model menggunakan 3 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 0,20. Pengujian Model menggunakan 4 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 0,83. Pengujian Model menggunakan 5 membership function menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 3,55.

Pengujian Model dengan 3 membership function menggunakan 91 rule, pengujian model dengan 4 membership function menggunakan 108 rule, pengujian model dengan 5 membership function menggunakan 135 rule.

Dari pengujian ini terlihat bahwa Model menggunakan 3 membership function lebih baik dari pada menggunakan 4 mf dan 5 mf.

Hasil pengujian model terhadap berbagai tipe membership function dengan tipe gaussian,  trapezoid, bells dan triangular.mempengaruhi nilai kesimpulan yang dibuat Model. Dari 15 data sampel yang diuji, pengujian Model menggunakan gaussian menghasilkan akurasi 86.67% dengan rata-rata kesalahan sebesar 0,20 , pengujian model menggunakan trapezoid menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar 5.26 , pengujian model menggunakan bells menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar 5.01 dan pengujian model menggunakan triangular menghasilkan akurasi 40% dengan rata-rata kesalahan sebesar 5.31.

Dari pengujian ini terlihat bahwa Model menggunakan membership function tipe gaussian lebih baik digunakan dari pada tipe  trapezoid, bells dan triangular. Dengan hasil ini dapat dikatakan bahwa ANFIS dapat digunakan secara selektif untuk mendiagnosa penyakit DBD dan dapat digunakan dengan baik apabila terpenuhi kondisi minimal sesuai aturan yang sudah diketahui. Dalam penelitian ini kondisi minimal tersebut ditemukannya salah satu manifestasi pendarahan dan ditemukannya demam.

REFERENSI

  • Castelano,G.Castiello,A.M Finelli, and C.Leone,2003; “Diagnosis of Dermatological Diseases by a Neuro-Fuzzy System”, EUSFLAT, Zittau, Germany.
  • Connolly,T.M and Carolyn,E.B,2002, “Database System a Practical Approach to Design, Implementation and Management ,Edisi ke 3,University of Paisley.
  • R. 1985., “Penuntun Laboratorium Klinik. Bagian Patologi Klinik Fakultas Kedokteran Universitas Indonesia,Jakarta.
  • Hanselman,D dan B.Littlefield,1997, “The Student of matlab. The Math Works, Prentice-Hall, Inc.New Jersey.
  • Hasan,R, 1985, “Buku Ajar Ilmu Kesehatan Anak”. Bagian Ilmu Kesehatan Anak Fakultas Kedokteran Universitas Indonesia, Jakarta.
  • Hendarwanto, 1987, “Buku Ajar Ilmu Penyakit Dalam”, Balai Penerbit Kedokteran Universitas Indonesia, Jakarta.
  • M.W, 1979, “Terapi Standar”. Bagian Ilmu Penyakit Dalam Fakultas Kedokteran Universitas Padjajaran, Bandung.
  • Jang J.S.R, C.T. Sun, E.Mizutami, 1997, “Neuro-Fuzzy and Soft Computing”, Printice-Hall, London.
  • S dan H.Purnomo,2004, “Aplikasi Logika Fuzzy Untuk Mendukung Keputusan”, Graha Ilmu, Yogyakarta.
  • Kusumadewi,S,2003, Artificial Intellegence (Teknik dan Aplikasinya), Garha Ilmu, Yogyakarta.
  • Kristanto,A.2004, “Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasinya)”, Gava Media, Yogyakarta..
  • Marimin, 2005, “Teori dan aplikasi sistem pakar dalam teknologi menejerial”, IPB-Press Bogor.
  • Pressman, R.S, 1997, “Software Engineering:A Practitioner’s Approach”, The McGraw-Hill Companis,Inc.
  • Sutaryo, 2004, “Dengue”, Medika Fakultas Kedokteran Universitas Gajah Mada, Yogyakarta.
  • Turban,E, 1988, “Decision Support and Expert”, MacMillan Publishing Company,New York.
  • Widodo, T.S, 2005, “Sistem Neuro Fuzzy”, Graha Ilmu, Yogyakarta.

Author :

Afan Galih Salman & M.Syafii