2015
SISTEM PAKAR SKRINING KEHAMILAN RESIKO TINGGI MENGGUNAKAN METODE CERTAINTY FACTOR
(STUDI KASUS: PUSKESMAS HANDIL BAKTI PALARAN) Wahyu Syahidah1), Indah Fitri Astuti2),Awang Harsa Kridalaksana3) 1,2,3)
Program Studi Ilmu Komputer, FMIPA, Universitas Mulawarman Email : wah
[email protected]),
[email protected]),
[email protected]) Abstrak Setiap kehamilan memiliki faktor resiko yang dapat membahayakan keselamatan ibu dan bayi jika penanganan yang dilakukan tidak tepat. Tiap tahun terjadi peningkatan angka kematian ibu yang terjadi disebabkan oleh keterlambatan dalam mendeteksi resiko kehamilan. Untuk membantu tenaga kesehatan khususnya bidan dalam mendeteksi kehamilan dengan resiko tinggi, dib*uat sistem pakar skrining kehamilan resiko tinggi. Ter dapat beberapa faktor resiko yang terdapat dalam Kartu Skor Poedji Rochjati (KSPR) yang menjadi pertimbangan dalam menentukan tingkat resiko pada ibu hamil. Metode Certainty Faktor merupakan metode dari sistem pakar yang dianggap sesuai untuk memberikan hasil yang tepat untuk mendeteksi resiko tinggi pada kehamilan. Penelitian ini menghasilkan sebuah sistem pakar berbasis web dengan tingkat akurasi sebesar 90%, yang dimanfaatkan untuk membantu tenaga kesehatan khususnya bidan dalam mendeteksi resiko tinggi yang dimiliki oleh ibu hamil. Kata Kunci : Kunci : Kehamilan Resiko Tinggi, Sistem Pakar, Certainty Factor PENDAHULUAN Latar Belakang Kehamilan merupakan saat yang ditunggutunggu oleh setiap wanita yang telah menikah. Kehamilan dan persalinan merupakan proses alami, tetapi kehamilan juga memiliki resiko yang dapat menjadi beban bagi seorang wanita. Pada persalinan tiap ibu hamil memiliki resiko baik rendah atau tinggi yang dapat membahayakan ibu dan bayi. Sebagian besar dari kehamilan mempunyai hasil menggembirakan dengan ibu dan bayi yang sehat. Hasil yang menggembirakan tersebut tidak selalu terjadi, ada persalinan yang berakhir dengan ibu dan atau bayi mat i atau sakit. Keadaan ini dapat terjadi pada kehamilan dengan resiko tinggi dengan penanganan persalinan 1. yang tidak tepat. Berdasarkan hasil survei Demogafi dan Kependudukan Indonesia (SDKI) 2012, terdapat kenaikan angka kematian ibu (AKI) yang cukup drastis dari 228 per 100 ribu kelahiran menjadi 359 per 100 ribu kelahiran. Pada saat ini masih banyak terjadi keterlambatan rujukan, dimana ibu hamil yang memiliki resiko sangat tinggi dikirim dan datang di rumah sakit dalam kondisi yang sangat buruk, sehingga kesempatan untuk menyelamatkan nyawa ibu dan bayinya sangat terbatas. Kartu Skor Poedji Poedji Rochjati atau yang biasanya disingkat dengan KSPR biasanya digunakan untuk menentukan tingkat resiko pada ibu 2. hamil. KSPR dibuat oleh Poedji Rochjati dan pertama kali digunakan pada tahun 1992-1993. KSPR telah disusun dengan format yang sederhana agar mempermudah kerja tenaga kesehatan untuk melakukan skrining terhadap ibu hamil dan mengelompokan ibu kedalam kategori sesuai ketetapan sehingga dapat menentukan intervensi yang tepat terhadap ibu hamil. Penulis menggunakan metode certainty factor karena metode ini dirasa sesuai dengan kasus yang sedang diteliti, dengan menggunakan nilai-nilai dari
resiko kehamilan sebagai faktor kepastian. Penulis bermaksud untuk membuat sebuah sistem pakar berbasis web yang dapat mengatasi nilai derajat kepercayaan atau faktor kepastian data yang diperoleh dari hasil konsultasi dengan pasien dengan menggunakan kriteria – kriteria yang terdapat pada Kartu Skor Poedji Rochyati melalui metode certainty factor. Harapan penulis dengan dibangunnya sistem ini adalah supaya dapat membantu dalam mendiagnosa resiko tinggi kehamilan. Batasan Masalah Batasan masalah pada pembuatan sistem : Menggunakan faktor – faktor resiko yang ada pada Kartu Skor Poedji Rochjati yaitu, skor awal ibu hamil, usia ibu hamil, terlalu lambat hamil setelah pernikahan, jarak kehamilan dari kehamilan sebelumnya, terlalu banyak anak, tinggi badan, pernah mengalami keguguran, pernah melahirkan dengan vakum/uri dirogoh/mendapat transfusi, pernah menjalani operasi sesar, penyakit yang dimiliki ibu hamil, terdapat bengkak pada muka/tungkai dan tekanan darah tinggi, hamil kembar, mengalami hydramnion, bayi mati dalam kandungan, kehamilan lebih bulan, letak bayi sungsang/lintang, terjadi pendarahan, dan terjadi eklampsia/kejang – kejang. Skrining dilakukan pada ibu dalam masa kehamilan dimulai dari hari pertama haid terakhir. Tujuan Penelitian Tujuan dari penelitian ini adalah untuk membangun sistem yang dapat mendiagnosa kehamilan resiko tinggi serta cara penanggulangannya berdasarkan pada aturan Kartu Skor Poedji Rochjati (KSPR) dengan menggunakan metode Certainty Factor.
2015
Manfaat Penelitian Manfaat dari penelitian ini adalah sebagai media yang dapat membantu seorang bidan dalam menentukan resiko pada kehamilan berdasarkan aturan yang terdapat pada Kartu Skor Poedji Rochjati (KSPR).
a. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. b. Secara otomatis mengerjakan tugas rutin yang membutuhkan seorang pakar. c. Seorang pakar akan pensiun atau pergi. d. Biaya seorang pakar adalah mahal. e. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat ( hostile environment ) [8].
TINJAUAN PUSTAKA Sistem Pakar Sistem Pakar adalah sistem yang menggunakan pengetahuan manusia yang terekam dalam komputer untuk memecahkan persoalan yang biasanya memerlukan keahlian manusia. Konsep dasar sistem pakar mencakup beberapa persoalan mendasar antara lain apa yang dimaksud dengan keahlian, siapa yang disebut pakar, bagaimana keahlian dapat ditransfer, dan bagaimana sistem bekerja [8]. Sistem Pakar menurut Siswanto [7] merupakan program komputer, yaitu : 1. Program komputer yang menangani masalah dunia nyata, masalah yang kompleks yang membutuhkan interpretasi pakar. 2. Program komputer untuk menyelesaikan masalah dengan menggunakan komputer dengan model penalaran manusia dan mencapai kesimpulan yang sama dengan yang dicapai oleh seorang jika berhadapan dengan masalah. Kepakaran atau expertise adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior. Sistem pakar yang baik harus memenuhi ciri-ciri : a. Memiliki informasi yang handal. b. Mudah dimodifikasi. c. Dapat digunakan dalam berbagai jenis komputer. d. Memiliki kemampuan untuk belajar beradaptasi. Tujuan dari sebuah sistem pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam komputer, dan kemudian kepada orang lain. Aktivitas yang dilakukan untuk memindahkan kepakaran adalah: a. Akuisi pengetahuan (knowledge acquisition) yaitu kegiatan mencari dan mengumpulkan pengetahuan dari para ahli atau sumber keahlian yang lain. b. Representasi pengetahuan (knowledge representation) adalah kegiatan menyimpan dan mengatur penyimpanan pengetahuan yang diperoleh dalam komputer. Pengetahuan berupa fakta dan aturan disimpan dalam komputer sebagai sebuah komponen yang disebut basis pengetahuan. c. Inferensi pengetahuan (knowledge inferencing) adalah kegiatan melakukan inferensi berdasarkan pengetahuan yang telah disimpan didalam komputer. d. Pemindahan pengetahuan (knowledge transfer) adalah kegiatan pemindahan pengetahuan dari komputer ke pemakai yang tidak ahli. Alasan mendasar mengapa sistem pakar dikembangkan untuk menggantikan seorang pakar:
Table 1. Perbandingan Seorang Pakar dengan Sistem Pakar Faktor Seorang Pakar Sistem Pakar Time Availability Hari Kerja Setiap saat Geografis Lokal/tertentu Dimana saja Keamanan Tidak Dapat tergantikan diganti Perishable/Dapat Ya Tidak habis Performansi Variabel Konsisten Kecepatan Variabel Konsisten dan lebih cepat Biaya Tinggi Terjangkau (Sumber : Turban, 2005) Faktor Kepastian (Certainty Factor) Faktor kepastian ( certainty factor certainty factor ) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN . Certainty Factor ( (CF ) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty Factor didefinisikan sebagai persamaan 1 [1]: CF (H, E) = MB (H, E) – MD (H, E)
…(1)
CF (H, E) : Certainty Factor dari dari hipotesis H yang dipengaruhi oleh gejala ( evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak. MB (H, E) : ukuran kenaikan kepercayaan (measure of increased of increased belief belief ) terhadap hipotesis H yang dipengaruhi oleh gejala E. MD (H, E) : ukuran kenaikan ketidakpercayaan (measure of increased disbelief ) terhadap hipotesis H yang dipengaruhi oleh gejala E. Bentuk dasar rumus certainty factor, adalah sebuah aturan JIKA E MAKA H seperti ditunjukkan oleh persamaan 2. CF (H, e) = CF (E, e) * CF (H, E) …(2) Dimana CF (H, e) : certainty factor hipotesis yang dipengaruhi oleh evidence e. CF (E, e) : certainty factor evidence E yang dipengaruhi oleh evidence e CF (H, E) : certainty dengan factor hipotesis asumsi evidence diketahui dengan pasti, yaitu ketika CF(E, e) = 1
2015
Jika semua evidence pada antecedent diketahui dengan pasti maka persamaannya akan menjadi: CF (E, e) = CF (H, E)
…(3)
Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. Sebagai contoh, berikut ini adalah sebuah aturan dengan CF yang diberikan oleh seorang pakar: JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influensa, CF: 0,7 Metode certainty factor ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. Untuk bobot yang lebih dari 2 banyaknya, untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang dihitung teracak, artinya tidak ada aturan untuk mengkombinasikan bobotnya, karena untuk kombinasi seperti apapun hasilnya akan tetap sama. Misalnya, untuk mengetahui apakah seorang pasien tersebut menderita penyakit jantung atau tidak, dilihat dari hasil perhitungan bobot setelah semua keluhan-keluhan diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factor. Pasien yang divonis mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan yang dimiliki mengarah kepada penyakit jantung. Sedangkan pasien yang mempunyai bobot mendekati 1 adalah pasien yang dianggap ti dak mengidap penyakit jantung, serta pasien pasien yang memiliki memiliki bobot sama dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral. Kelebihan metode Certainty Factor adalah: a. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit sebagai salah satu contohnya. b. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga. Kekurangan metode Certainty Factor adalah: a. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factor biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factor diatas memiliki sedikit kebenaran. b. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah.
Kehamilan Kehamilan adalah pertumbuhan dan perkembangan janin intra uteri mulai sejak konsepsi dan berakhir sampai permulaan persalinan. (Manuaba, 2008). Kehamilan terjadi jika ada pertemuan dan persenyawaan antara sel telur (ovum) dan sel mani (spermatozoa) [6]. Kehamilan dibagi menjadi 3 trimester: 1. Trimester pertama : hari pertama haid terakhir sampai minggu ke -12 2. Trimester kedua : minggu ke- 13 sampai ke- 27 3. Trimester ketiga: minggu ke- 28 sampai ke- 40 (13 minggu) [3]. Kehamilan Risiko Tinggi adalah salah satu kehamilan yang di dalamnya kehidupan atau kesehatan ibu atau janin dalam bahaya akibat gangguan kehamilan yang kebetulan atau unik[6]. HASIL PENELITIAN DAN PEMBAHASAN Deskripsi Sistem Sistem Pakar Skrining Resiko Tinggi Kehamilan ini merupakan sistem yang digunakan untuk memudahkan tenaga kesehatan terutama bidan dalam melakukan skrining terhadap ibu hamil. Pada sistem ini user yang merupakan bidan atau tenaga kesehatan harus login terlebih dahulu untuk masuk ke dalam sistem pakar. Setelah berhasil masuk, kemudian user dapat mengolah data ibu hamil dan melakukan skrining. Untuk melakukan perhitungan KPSR user harus memasukkan data kehamilan terlebih dahulu kemudian user dapat memilih resiko kehamilan yang dialami oleh ibu hamil. Setiap resiko kehamilan memiliki nilai yang akan diproses nantinya. Setelah selesai tahap memilih resiko berdasarkan kondisi ibu hamil maka sistem akan memproses sehingga mendapatkan hasil skor yang menyatakan kondisi ibu hamil serta rujukan yang diberikan sesuai kondisi yang dialami ibu hamil. Disertakan pula detail perhitungan yang telah dilakukan sistem. Arsitektur Sistem
Gambar 1. Arsitektur Sistem Pakar Skrining Kehamilan Resiko Tinggi Dari Gambar 1 terlihat bahwa sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan ( development environment ) dan
2015
ingkungan konsultasi ( consultation environment ). ). Komponen – komponen yang terdapat dalam sistem pakar yaitu User Interface yang dalam sistem ini adalah halaman skrining, basis pengetahuan yang didapat dari pakar yang berupa nilai CF dan aturan, akuisisi pengetahuan, mesin inferensi yang menggunakan metode forward chaining, workplace, fasilitas penjelasan dan perbaikan pengetahuan. Perancangan Sistem Perancangan sistem pakar skrining kehamilan resiko tinggi yang akan dibangun menggunakan diagram unified modeling language (UML) dan flowchart , diagram yang digunakan yaitu use case diagram dan activity diagram . Flowchart merupakan suatu langkah penting yang harus dilakukan dalam menyelesaikan suatu masalah. Berisi grafik-grafik untuk membantu bagaimana suatu sistem dapat dibuat. Gambar 2 merupakan flowchart sistem skrining kehamilan resiko tinggi.
tabel faktor resiko. Masing-masing faktor direpresentasikan dengan kode seperti digambarkan pada tabel 2. Tabel 2. Faktor Resiko Kehamilan Faktor Resiko F01 F02 F03
F04
F05
F06
F07 F08 F09 F10 F11 F12 F13 F14 F15 F16 F17 F18 F19 F20 F21
Gambar.2 Flowchart Perhitungan Perhitungan CF Skrining Kehamilan Resiko Tinggi Perancangan Basis Data Pengetahuan Dalam pembuatan sistem pakar, fakta dan pengetahuan yang berhubungan dengan faktor – fa ktor resiko kehamilan akan digunakan dalam mengambil suatu kesimpulan. Fakta dan pengetahuan tersebut didapatkan dari hasil studi literatur. Fakta dan pengetahuan yang telah didapatkan akan diterjemahkan akan diterjemahkan knowledge engineer menjadi basis pengetahuan yang tersimpan dalam sistem pakar yang telah dibuat. Fakta tersebut ditampilkan dalam bentuk
F22 F23 F24 F25 F26 F27 F28 F29
Deskripsi Faktor
CF
Skor Awal Ibu Hamil Hamil terlalu muda pada usia kurang dari 16 tahun Kehamilan pertama terlalu lambat setelah lebih dari sama dengan 4 tahun pernikahan Terlalu tua, kehamilan pertama pada usia lebih dari sama dengan 35 tahun Terlalu cepat hamil lagi, jarak kurang dari 2 tahun setelah kehamilan sebelumnya Terlalu lama hamil lagi, jarak lebih dari sama dengan 10 tahun dengan kehamilan sebelumnya. Terlalu banyak anak (4 anak atau lebih). Usia terlalu tua lebih dari sama dengan 35 tahun. Terlalu pendek, tinggi badan kurang dari sama dengan 145 cm. Pernah gagal kehamilan. Pernah melahirkan dengan tarikan tang / vakum. Pernah melahirkan dengan uri dirogoh. Pernah melahirkan dengan diberi infus / transfusi. Pernah operasi sesar. Memiliki penyakit kurang darah. Memiliki penyakit malaria. Memiliki penyakit TBC paru. Memiliki penyakit payah jantung. Memiliki penyakit kencing manis (diabetes). Memiliki penyakit menular seksual. Terdapat bengkak pada muka / tungkai dan tekanan darah tinggi. Hamil kembar 2 atau lebih. Hamil kembar air ( hydramnion ). Bayi mati dalam kandungan. Kehamilan lebih bulan. Letak bayi sungsang. Letak bayi lintang. Terjadi pendarahan pada kehamilan ini. Preeklampsia berat / kejang kejang.
0.2 0.4 0.4
0.4
0.4
0.4
0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.8 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.8 0.8 0.8 0.8
Masing-masing resiko kehamilan direpresentasikan dengan kode seperti digambarkan pada tabel 3. Tabel 3. Resiko Kehamilan
2015
Kode Resiko R01
R02
R03
Keterangan Kehamilan Resiko Rendah Kehamilan Resiko Tinggi
Kehamilan Resiko Sangat Tinggi
Rujukan Persalinan boleh ditangani oleh bidan praktek. Persalinan tidak boleh ditangani oleh bidan praktek dan dianjurkan untuk melakukan persalinan ke puskesmas atau rumah sakit. Persalinan harus ditangani oleh dokter ahli di rumah sakit.
pakar. Jika username dan password yang yang diisi user benar, maka setelah mengklik “Login”, user akan masuk ke halaman utama sistem pakar. Terdapat tiga halaman yang dapat diakses oleh user , antara lain Halaman Utama, Halaman Data Ibu Hamil, dan Halaman Pencarian. 2. Halaman Utama Setelah user berhasil berhasil login, yang muncul di awal adalah halaman utama sistem pakar skrining kehamilan resiko tinggi. Halaman utama bisa dilihat pada Gambar 4.
Representasi pengetahuan digunakan untuk menggabungkan fakta dari tabel penyakit dan gejala untuk bisa memberikan informasi agar dapat diakses oleh prosedur pemecahan masalah. Nilai – nilai yang ada ditentukan dan disetujui oleh narasumber/pakar.
No. 1.
2.
3.
Tabel 4. Representasi pengetahuan Fakta Kode Jenis Resiko Resiko Jika R01 Kehamilan persentase ≤ Resiko Rendah 50% Jika R02 Kehamilan persentase > Resiko Tinggi 50% dan < 80% Jika R03 Kehamilan persentase ≥ Resiko Sangat 80% Tinggi
Gambar 4. Tampilan Halaman Utama Sistem Pakar Skrining Kehamilan Resiko Tinggi 3. Halaman Dara Ibu Hamil Pada halaman ini, user dapat dapat mengelola data ibu hamil, mengisi data pemeriksaan dan skrining. Lebih jelasnya tentang halaman Data Ibu Hamil dapat dilihat pada gambar 5.
Implementasi Sistem User 1. Halaman Login Menu halaman Login dibuat untuk user dan dan administrator untuk dapat mengakses sistem. Tampilan halaman login user dapat dilihat pada gambar 3. Gambar 5. Halaman Data Ibu Hamil Dalam Halaman Data Ibu Hamil ini user dapat menambahkan data ibu hamil. Form tambah data ibu hamil dapat dilihat pada gambar 6.
Gambar 3. Form Login Pada form login terdapat kolom username dan password yang harus diisi oleh user serta tombol “Login” untuk masuk ke halaman utama sistem
2015
Gambar 6. Halaman Tambah Data Ibu Hamil Setelah memasukkan data ibu hamil user dapat menambahkan data kehamilan. Untuk lebih jelasnya dapat dilihat pada gambar 7 dan gambar 8.
Gambar 10. Form Pemeriksaan Baru Pada halaman skrining ini user dapat melakukan skrining pada ibu hamil dengan memilih faktor – faktor resiko yang dimiliki oleh ibu hamil.
Gambar 7. Halaman Data Data Kehamilan Gambar 11. 11. Halaman Skrining Skrining
Gambar 8. Halaman Tambah Data Kehamilan Setelah memasukkan data kehamilan kemudian user dapat mengisi data pemeriksaan dan melakukan skrining.
Gambar 12. Form Skrining Setelah menekan tombol “Proses” maka akan menuju ke halaman hasil skor seperti pada gambar 13.
Gambar 9. Halaman Pemeriksaan
2015
Gambar 13. Halaman Hasil Skor Dan berikut adalah detail dari perhitungan yang telah dilakukan dapat dilihat pada gambar 14.
Gambar 14. Halaman Detail Perhitungan
2. Halaman Faktor Resiko Pada halaman faktor resiko ini admin dapat mengelola faktor – faktor resiko dalam database. Pada data faktor resiko terdapat nilai – nilai CF yang nanti akan dihitung untuk mendapatkan hasil rujukan yang sesuai dengan kondisi ibu hamil. Halaman faktor resiko dapat dilihat pada gambar 18.
Gambar 18. Halaman Admin Faktor Resiko
4. Halaman Pencarian Pada halaman ini, user dapat mencari data ibu hamil. Tampilan halaman pencarian dapat dilihat pada gambar 15.
Untuk menambahkan data fakor admin dapat menekan tombol “Tambah Data Faktor”. Berikut adalah form untuk mengisi data faktor baru.
Gambar 15. Halaman Pencarian Implementasi Sistem Admin Gambar 19. Form Data Faktor Baru 1. Halaman Data Bidan Pada halaman Data Bidan ini admin dapat 3.5 Pengujian Sistem mengelola data user yaitu bidan. Tampilan halaman Berikut akan dicontohkan uji coba perhitungan Data Bidan dapat dilihat pada gambar 16. manual untuk perhitungan nilai CF . Untuk melakukan perhitungan, dibutuhkan masukan data faktor resiko yang dimiliki oleh ibu hamil. Misalkan diketahui seorang ibu hamil memiliki faktor resiko sebagai berikut : 1. Memiliki terlalu banyak anak yaitu 5 orang anak. 2. Usia 39 tahun. Gambar 16. Halaman Admin Data Bidan a. Dan untuk menambah data bidan akan ditampilkan for seperti pada gambar 17 berikut. b.
1. 2. 3.
a. Gambar 17. Form Biodata Bidan b.
Hasil diagnosa sistem : Ibu memiliki Kehamilan Resiko Tinggi dengan persentase sebesar 71,2% Dengan perhitungan manual. Diketahui nilai CF dari masing – masing faktor resiko adalah sebagai berikut: Skor awal ibu hamil (skor yang dimiliki semua ibu hamil) = 0,2 Terlalu banyak anak = 0,4 Usia lebih dari 35 tahun = 0,4 Dari nilai CF yang ada dihitung nilai CF kombinasinya : Kombinasikan nilai CF1 dan CF2 : CF1.2 = CF1 + CF2 ( 1 – CF1 ) CF1.2 = 0,2 + 0,4 ( 1 – 0,2 ) CF1.2 = 0,52 Kombinasikan nilai CF1.2 dan CF3 : CF1.2.3 = CF1.2 + CF3 ( 1 – CF1.2 )
2015
CF1.2.3 = 0,52 + 0,4 ( 1 – 0,52 ) CF1.2.3 = 0,712 c. Hitung persentase : 0,712 * 100% = 71,2% Dengan persentase sebesar 71,2% ibu hamil memiliki Kehamilan Resiko Tinggi. Pengujian Akurasi Sistem Uji coba ini dilakukan untuk mengetahui apakah aplikasi yang dibuat sesuai dengan tujuan. Dilakukan uji coba terhadap 30 data ibu hamil. Berdasarkan uji coba yang telah dilakukan serta melakukan perbandingan terhadap data sebenarnya, tentunya akan terdapat perbedaan. Dari perbedaan tersebut, akan dihitung nilai akurasinya. Nilai akurasi inilah yang akan menentukan kualitas dari aplikasi yang telah dibuat. Untuk menghitung tingkat akurasi sistem: a. Jumlah data = 30 b. Jumlah hasil diagnosa benar = 27 c. Jumlah hasil diagnosa salah =3 Terdapat data diagnosa salah pada hasil rujukan karena terjadi perbedaan hasil skrining menggunakan Kartu Skor Poedji Rochjati dengan perhitungan sistem pakar menggunakan metode Certainty Factor. Akurasi =
x 100%
Sehingga didapat perhitungan sebagai berikut : =
x 100%
= 90% Dari hasil pengujian yang dilakukan, Sistem Pakar Skrining Kehamilan Resiko Tinggi mempunyai tingkat akurasi sebesar 90%. KESIMPULAN Dari perancangan dan implementasi yang telah dilakukan, ada beberapa kesimpulan yang dapat dikemukakan sebagai hasil dari penelitian, antara lain: 1. Metode Certainty Factor dapat dapat diimplementasikan pada aplikasi sistem pakar untuk skrining kehamilan resiko tinggi dengan tingkat akurasi sebesar 90%. 2. Menghasilkan output tingkat resiko beserta rujukan pada saat persalinan. 3. 4. Penggunaan aplikasi berbasis website lebih memudahkan user dalam segi fleksibilitas yang dapat digunakan dimana pun pengguna berada, serta aplikasi ini menggunakan sistem yang cukup mudah untuk di akses. SARAN Penelitian yang dilakukan tentunya tidak terlepas dari kekurangan dan kelemahan. Oleh karena itu, untuk pengembangan sistem lebih lanjut, maka perlu diperhatikan beberapa hal berikut ini: 1. Pengembangan sistem pakar selanjutnya agar menggunakan metode lain yang lebih tepat sehingga dapat meningkatkan tingkat akurasi.
2. Website dapat dikembangkan dalam bentuk lebih dinamis sehingga pengguna bisa lebih nyaman menggunakannya 3. Tampilan yang lebih menarik baik dalam segi menu-menu ataupun desain website dapat memberikan kemudahan ataupun ketertarikan pengguna dalam memakai aplikasi ini.
DAFTAR PUSTAKA [1] Arhami, M. 2005. Konsep Dasar Sistem Pakar. Jilid 1. Yogyakarta: Penerbit Andi [2] Bobak, I.M., Lowdermilk, D.L., Jensen, M.D., & Perry, S.E. (2004). Buku Ajar Keperawatan Maternitas (Maternity Nursing). Edisi 4. Alih bahasa Anugerah, P.I., & Wijayarini, M.A. Jakarta : EGC. [3] Helen, V. 2007. Buku Ajar Asuhan Kebidanan. Edisi 4, Volume 2. Jakarta : EGC [4] Manuaba IBG. 2008. Ilmu Kebidanan, Penyakit Kandungan & Keluarga Berencana Untuk Pendidikan Bidan. Jakarta: EGC. [5] Rochjati, P. 2003. Skrining Antenatal Pada Ibu Hamil. Surabaya: Pusat Safe Mother HoodLab/SMF Obgyn RSU Dr. Sutomo/Fakultas Kedokteran UNAIR [6] Saminem. 2009. Kehamilan Normal Seri Asuhan Kebidanan. Jakarta: Penerbit Buku Kedokteran EGC. Cetakan I [7] Siswanto. 2010. Kecerdasan Tiruan Edisi 2 . Yogyakarta : Graha Ilmu [8] Turban, E., Aronso, J.E., dan Liang, T.P. 2005. Sistem pendukung Keputusan dan Sistem Ce rdas. Terjemahan Dwi Prabantini. Yogyakarta : Andi.
