Expert System atau sistem pakar adalah cabang ilmu dari artificial intelligence yang dikembangkan [629775]

RINGKASAN
Expert System atau sistem pakar adalah cabang ilmu dari artificial intelligence yang dikembangkan
untuk dapat menirukan cara seorang pakar dalam memecahkan permasalahan. Expert System
sampai saat ini sudah dikembangkan secara luas oleh banyak peneliti diberbagai bidang termasuk
dalam bid ang kesehatan. Penelitian ini berangkat dari ide untuk mengembangkan sistem yang
mampu melakukan diagnosa awal penyakit mata secara lebih cepat dan lebih akurat mendekati
diagnosa pakar atau dokter spesialis. Mata merupakan organ vital manusia dimana saat
mendapatkan gangguan harus segera mendapatkan penanganan yang tepat, sehingga harus
diketahui dulu diagnosa awal dari penyakit mata yang diderita secara cepat dan akurat. Tujuan
penelitian ini adalah membuat model Expert System untuk melakukan diagnosa awa l penyakit
mata menggunakan bobot gejala. Expert System yang dikembangkan nantinya akan diuji dengan
data yang diakuisisi dari sumber buku dan dokter spesialis mata.
Penelitian ini menerapkan metode untuk menelusuri penyakit dengan memberikan bobot gejala.
Setiap gejala diberikan nilai bobot untuk masing -masing penyakit sesuai tingkat gejalanya. Expert
System ini menggunakan data penyakit mata beserta berbagai gejala yang disertainya. Pemberian
bobot dilakukan agar mendapatkan diagnosa secara cepat dan akurat. Nilai bobot setiap gejala
didapat dari melakukan wawancara dengan dokter spesialis mata. Penelusuran gejala
menggunakan metode backward chaining . Diagnosa awal yang didapat dengan cepat dan akurat
akan mendukung pengambilan keputusan dengan baik dan juga cepat. Output dari sistem ini adalah
seberapa besar persentase diagnosa awal penyakit mata yang dideri ta pasien berdasarkan gejala
yang dijawab. Luaran wajib yang ditargetkan adalah publikasi pada jurnal nasional . Tingkat
Kesiapterapan Teknologi (TKT) penelitian ini berada pada level 2, dimana penelitian ini akan
menghasilkan formulasi model untuk pengemba ngan Expert System sebagai asisten cerdas
pemeriksaan penyakit mata.

Artificial Intelligence , Expert System , Backward Chaining , Penyakit Mata, Diagnosa Awal

LATAR BELAKANG
1.1. Latar Belakang
Expert System merupakan cabang ilmu dari artificial intelligence yang menggunakan
pengetahuan pakar atau ahli dalam memecahkan masalah yang memerlukan pengetahuan khusus.
Expert System dapat diterapkan diberbagai bidang mulai bidang bisnis, pendidikan ataupun
kesehatan. Expert System akan bekerja dengan cara konsultasi, yaitu melakukan tanya jawab
kepada pasien tentang gejala -gejala dari suatu permasalahan, kemudian sistem akan memberikan

diagnosa awal mengenai permasalahan tersebut. Diagnosa awal yang diberikan Expert System
akan digunakan sebaga i pendukung keputusan untuk tindakan selanjutnya.
Penelitian ini berangkat dari ide untuk mengembangkan sistem yang mampu melakukan
diagnosa awal penyakit mata secara lebih cepat dan lebih akurat mendekati diagnosa pakar atau
dokter spesialis. Mata merupak an organ vital manusia dimana saat mendapatkan gangguan harus
segera mendapatkan penanganan yang tepat, sehingga harus diketahui dulu diagnosa awal dari
penyakit mata yang diderita secara cepat dan akurat.
Expert System harus dapat bekerja dengan cepat da n efisien serta menghasilkan diagnosa
awal yang akurat agar segera dapat dilakukan tindakan selanjutnya dengan tepat. Expert System
perlu dikembangkan menggunakan berbagai metode untuk mendapatkan hasil berupa diagnosa
awal yang lebih cepat dan akurat. Sal ah satu metode yang dapat dikembangkan adalah memberikan
bobot berupa nilai angka untuk setiap gejala pada suatu penyakit. Total bobot keseluruhan gejala
untuk setiap penyakit adalah 100 %, maka tiap -tiap gejala akan memiliki bobotnya masing -masing.
Bobot gejala untuk masing -masing penyakit diperoleh dengan melakukan wawancara langsung
kepada pakar atau dokter spesialis mata.
Berdasarkan permasalahan diatas maka dalam penelitian ini dikembangkan Expert System
untuk melakukan diagnosa awal penyakit mata berb asis aturan menggunakan bobot gejala. Bobot
gejala digunakan untuk metode penelusuran serta diakumulasi untuk mendapatkan persentase
penyakit yang diderita. Dengan begitu akan diketahui secara akurat seberapa besar penyakit yang
diderita oleh pasien dan pe nelusuran juga akan menjadi lebih cepat.

1.2. Rumusan Masalah Penelitian
Berdasarkan latar belakang masalah yang dipaparkan, maka dapat ditarik r umusan masalah
dari penelitian sebagai berikut :
Bagaimana model Expert System untuk melakukan diagnosa awal pe nyakit mata
menggunakan bobot gejala?

1.3. Tujuan Penelitian
Adapun tujuan d ari penelitian ini adalah u ntuk membuat model Expert System yang dapat
melakukan diagnosa awal penyakit mata menggunakan bobot gejala.

1.4 Manfaat Penelitian
1.4.1 Manfaat Teoritis
Hasil p enelitian dapat dipakai sebagai tambahan teori penunjang mata kuliah Expert System
pada Fakultas Teknik Prodi Teknologi Informasi Universitas Pendidikan Nasional.
1.4.2 Manfaat Praktis
Hasil p enelitian ini menghasilkan model untuk pengemban gan aplikasi Expert System yang
digunakan sebagai sebagai asisten cerdas dalam pemeriksaan penyakit mata.

1.5 Rencana Target Capaian
Adapun rencana capaian serta luaran yang ditargetkan pada penelitian ini adalah seperti
pada t abel 1 .1 berikut ini:
Tabel 1.1 Rencana Target Capaian
No Jenis Luaran Indikator Capaian
1 Publikasi ilmiah di jurnal nasional (ber ISSN) Akan dipublikasi pada jurnal
nasional ber ISSN:
Technomedia Journal (Sinta 5)
http://ijc.ilearning.co/index.php/TMJ/
atau setara
2 Pemakalah dalam temu
ilmiah Nasional Tidak ada
Lokal Tidak ada
3 Bahan ajar Tidak ada
4 Luaran lainnya jika ada (Teknologi Tepat
Guna, Model/Purwarupa/Desain /Karya seni/
Rekayasa Sosial) Tidak ada
5 Tingkat Kesiapan Teknologi (TKT) TKT 2: Formulasi konsep

TINJAUAN PUSTAK A
2.1 Expert System
Artificial Intelligence (AI) atau kecerdasan buatan berkaitan dengan dua ide dasar.
Pertama, ide yang melibatkan pembelajaran proses pemikiran manusia (untuk memahami apa yang
dimaksud dengan kecerdasan); kedua, berkaitan dengan representasi dan duplikasi proses tersebut
melalui mesin (misalnya, komputer dan robot) [1].
Expert System atau expert sys tem adalah salah satu cabang dari AI yang memuat
penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang
pakar. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, yaitu akar
yang mempunyai knowled ge atau kemampuan khusus yang orang lain tidak mengetahui atau
mampu dalam bidang yang dimilikinya. Knowledge dalam Expert System mungkin saja seorang
ahli, atau knowledge yang umumnya terdapat dalam buku, majalah dan orang yang mempunyai
pengetahuan tenta ng suatu bidang. Istilah Expert System , sistem knowledge -base, atau Expert
System knowledge -base, sering digunakan dengan arti yang sama. Kebanyakan orang
menggunakan istilah Expert System karena lebih singkat, bahkan walau belum benar -benar pakar,
hanya m enggunkan knowledge secara umum [2].
Penelitian sejenis tentang Expert System untuk melakukan diagnosa awal penyakit telah
banyak dilakukan. Penelitian dengan judul Expert System for Diagnosing Ankle Diseases
melakukan penelitian dengan mengambangkan Expert System untuk melakukan diagnosa penyakit
pada pergelangan kaki [3]. Penelitian berjudul Rickets Expert System Diagnoses and Treatment
mengembangkan Expert System untuk melakukan diagnosa dan terapi un tuk penyakit rakhitis [4].
Penelitian dengan judul Expert System for Hair Loss Diagnosis and Treatment mengembangkan
Expert System untuk melakukan diagnosa dan perawatan rambut rontok [5].

2.1.1 Konsep rancang -bangun pengetahuan
Konsep rancang bangun pengetahua n mencakup lima aktivitas utama yaitu akuisisi
pengetahuan, representasi pengetahuan, validasi pengetahuan, penyimpulan serta penjelasan dan
justifikasi [1].

2.1.2 Cara kerja Expert System : mekanisme inferensi
Diantara komponen -komponen yang mendukung Expert System , basis pengetahuan dan
mesin inferensi adalah modul paling kritis agar Expert System dapat berfungsi dengan baik.
Pengetahuan harus direpresentasikan dan diatur secara tepat dalam basis pengetahuan. Mesin
inferensi kemudian dapat menggunakan pengetahuan tersebut untuk menarik kesimpulan baru dari
fakta dan aturan yang ada [1].
a) Representasi dan organisasi pengetahuan
Pengetahuan pakar harus direpresentasika n dalam format yang dapat dipahami komputer
dan diatur dengan tepat dalam basis pengetahuan sistem berbasis pengetahuan. Terdapat banyak
cara yang berbeda untuk merepresentasikan pengetahuan manusia, antara lain aturan produksi,
jaringan semantik, dan pern yataan logika. Dalam sistem berbasis -aturan, pengetahuan dalam basis
pengetahuan direpresentasikan dalam aturan JIKA -MAKA yang menggabungkan kondisi dan
kesimpulan untuk menangani situasi tertentu. Bagian JIKA mengindikasikan kondisi aturan
tersebut diakti fkan, dan bagian MAKA menunjukkan tindakan atau kesimpulan jika semua kondisi
JIKA dipenuhi. Contoh aturan dalam dilihat dalam situasi pemilihan laptop berikut:
Aturan 1:
JIKA tugas utama = pengolahan kata
DAN penggunaan utama = bepergian
MAKA persyaratan berat = ringan
Aturan 2:
JIKA tugas utama = pengolahan kata
DAN penggunaan utama = kantor
MAKA persyaratan berat = don’t care
Keuntungan menggunakan aturan produksi adalah aturan tersebut mudah dipahami dan
aturan baru dapat ditambahkan dengan mudah ke dal am basis pengetahuan tanpa mempengaruhi
aturan yang telah ada. Ketidakpastian yang dihubungkan dengan tiap aturan dapat ditambahkan
untuk meningkatkan keakuratannya.
Tugas utama pengembangan Expert System adalah memperoleh pengetahuan dari manusia
dan mengubahnya menjadi aturan produksi yang dapat ditangani mesin inferensi. Mesin inferensi
memilih aturan yang dapat diterapkan dari basis pengetahuan, mengintegrasikannya, dan
mempertimbangkann ya untuk mendap atkan kesimpulan [1].

b). Mesin inferensi
Dalam keputusan kompleks, peng etahuan pakar sering tidak dapat direpresentasikan dalam
aturan tunggal. Sebaliknya, aturan dapat digabungkan secara dinamis untuk mencakup berbagai
kondisi. Proses penggabungan banyak aturan berdasarkan data yang tersedia, disebut inferensi.
Komponen yang melakukan inferensi dalam Expert System disebut mesin inferensi. Dua
pendekatan populer untuk menarik kesimpulan adalah forward chaining dan backward
chaining [1].
1) Forward chaining
Forward chaining adalah pendekatan data-driven . Pendekatan dimulai dari informasi yang
tersedia atau dari ide dasar, dan kemudian mencoba menarik kesimpulan. Forward chaining
mencari bagian JIKA terlebih dahulu. Setelah semua kondisi JIKA dipenuhi, aturan dipilih untuk
mendapatkan kesimpulan. Jika kes impulan yang diambil dari keadaan pertama, bukan dari yang
terakhir, maka ia akan digunakan sebagai fakta untuk disesuaikan dengan kondisi JIKA aturan
yang lain untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut hingga dicapai
kesimpulan ak hir[1].

2) Backward chaining
Backward chaining adalah pendekatan goal-driven dimana pendekatan ini dimulai dari
harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau
berlawanan) dengan harapan. Sering hal ini memerlukan perumusan dan pengujian hipotesis
sementara (subhipotesis). Backward chaining adalah kebalikan dari forward chaining . Pendekatan
ini mulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin inferensi kemudian
mengidentifikasi kondisi JIKA yang diperlukan untuk membuat kesimpulan benar dan mencari
fakta untu k menguji apakah kondisi JIKA adalah benar. Jika semua kondisi JIKA adalah benar,
maka aturan dipilih dan kesimpulan dicapai. Jika beberapa kondisi salah, maka aturan dibuang dan
aturan berikutnya digunakan sebagai hipotesis kedua. Jika tidak ada fakta yan g membuktikan
bahwa semua kondisi JIKA adalah benar atau salah, maka mesin inferensi terus mencari aturan
yang kesimpulannya sesuai dengan kondisi JIKA yang tidak diputuskan untuk bergerak satu
langkah kedepan memeriksa kondisi tersebut. Serupa pula, prose s chaining ini berlanjut hingga
suatu set aturan didapat untuk mencapai kesimpulan atau untuk membuktikan tidak dapat
mencapai kesimpulan [1].

c) Proses pengembangan sistem berbasis pengetahuan
Pengembangan Expert System adalah proses memperoleh pengetahuan dari pakar dan
menyimpannya dalam basis pengetahuan. Karena pakar manusia mungkin tidak mau atau tidak
mampu mengartikulasi pengetahuannya, maka akuisisi pengetahuan adalah tugas yang kritis.
Proses umum untuk mengemba ngkan sistem antara lain akuisis pengetahuan, representasi
pengetahuan, pemilihan alat pengembangan, prototiping, evaluasi dan peningkatan sistem. Karena
mesin inferensi adalah umum bagi sistem yang berbeda, maka shell Expert System adalah alat yang
bergun a untuk mengimplementasikan sistem berbasis -aturan dalam waktu yang sangat singkat.
Shell Expert System adalah Expert System tanpa pengetahuan dalam basis pengetahuan. Sistem
berjalan setelah pengetahuan disimpan dalam basis pengetahuan [1].

2.1.2 Struktur Expert System
Tiga komponen utama yang tampak secara visual disetiap Expert System adalah basis
pengetahuan, mesin inferensi, dan antarmuka pengguna. Expert System yang berinteraksi dengan
pengguna dapat pula b erisi komponen tambahan berikut [1]:
– Subsistem akuisisi pengetahuan
– Blackboard (tempat kerja)
– Subsistem penjelasan ( justifier )
– Sistem perbaikan pengetahuan

USER
Mesin InferensiKnowledge – Base
Fakta
Keahlian
Sistem Pakar

Gambar 2 .1 Struktur Sistem pakar
Sumber: Arhami, 2006

METODE

3.1 Lokasi dan Waktu Penelitian
Pelaksanaan kegiatan penelitian dilakukan di Laboratorium Komputer Program Studi
Teknologi Informasi Universitas Pendidikan Nasional Denpasar. Durasi penelitian dari
perencanaan, pembuatan model , dan ujicoba sistem dengan data dilaksanakan pada tahun 2019
selama 1 (satu) tahun.

3.2 Pelaksanaan Penelitian
Alur kegiatan penelitian ini dapat digambarkan seperti bagan alir berikut :

Pengumpulan Data
– Referensi Buku
– Dokter spesialis mata
– Sumber lainnya
Pembuatan Formulasi
Bobot :
– Perhitungan matematika
– Dokter spesialis mata
Start
– Analisis masalah
– Penyusunan proposal
Pemodelan Sistem
Pemodelan Database
Programming
Ujicoba
End
Dokumentasi dan
PublikasiKetua Pengusul dan Anggota 1
Telah selesai menyusun proposal
Ketua Pengusul dan Anggota 1
Memesan buku referensi
Penjadwalan dengan Dokter spesialis mata
Anggota 1
Menyusun perhitungan persentase diagnosa
berdasarkan bobot gejala yang didapat dari
Dokter spesialis mata
Ketua Pengusul
Membuat detail rancangan sistem dan
database
Programmer
Menerjemahkan rancangan sistem dengan
kode -kode program
Ketua Pengusul , Anggota 1, Programmer
Melakukan ujicoba sistem dengan data yang
diakuisisi dan melakukan revisi terhadap
kesalahan sistem
Ketua Pengusul , Anggota 1
Pembuatan laporan , pembuatan artikel .
Luaran yang ditargetkan publikasi ke jurnal
nasional Technomedia Journal (Sinta 5)
atau setara
Revisi ?Y
N
Gambar 3.1: Bagan Alir Penelitian
Sumber: Hasil Olahan Peneliti

Bagan alir penelitian diatas menjelaskan bahwa penelitian dimulai dengan melakukan
analisis masalah yang diikuti penyusunan proposal. Pengumpulan data dilakukan dengan
mengambil data dari sumber buku referensi dikuatkan oleh tambahan informasi dari Dokter
spesialis mata yang didapat dari wawancara. Perhitungan bobot dibuatkan formulasi u ntuk dapat
disisipkan sebagai fungsi dalam pemrograman. Pemodelan sistem dan database dilakukan agar

memudahkan diterjemahkan kedalam bahasa pemrograman. Sistem pakar yang telah selesai
kemudian diujicoba dengan data yang telah diakuisisi sebelumnya dan di revisi jika terjadi
kesalahan . Sistem pakar yang sudah selesai direvisi kemudian dibuatkan dokumentasi. Hasil
penelitian kemudian disarikan dalam bentuk artikel untuk dipublikasi ke jurnal nasional .

3.3 Formulasi Model
Start
Cari gejala berdasarkan :
– Gejala bobot tertinggi dengan penyakit score terbesar
– Gejala bobot tertinggi dengan penyakit score tebesar yang
memiliki gejala yang dijawab “ya”
– Bukan gejala dari penyakit yang memiliki gejala yang dijawab “tidak”
– Bukan gejala yang sudah dijawab
Gejala
Ditemukan ?TOutput
Hasil
Diagnosa
Y
Output
Gejala
Input
Jawaban
Simpan Gejala
dan JawabanEnd

Gambar 3.2: Formulasi Model Pembobotan Gejala dan Metode Penelusuran Backward Chaining
Sumber: Hasil Olahan Peneliti

Metode backward chaining bekerja dengan cara memilih secara acak salah satu dari
penyakit sebagai pilihan pertama untuk ditelusuri aturannya. Set elah penyakit ditentukan, maka
gejala pendukung dengan bobot tertinggi dari penyakit ini akan ditampilkan oleh sistem untuk
dijawab oleh pengguna. Jawaban dan gejala yang sudah dijawab kemudian disimpan pada
database. Penelusuran selanjutnya adalah dengan mencari gejala dari penyakit dengan bobot
tertinggi selanjutnya dengan ketentuan:
1. Gejala bobot tertinggi dari penyakit yang memiliki gejala yang dijawab “Ya”,
2. Bukan gejala dari penyakit yang memiliki gejala yang dijawab “Tidak”, serta
3. Bukan gejala yang tel ah dijawab.
Penelusuran dilakukan secara berulang pada database sampai tidak ada lagi gejala yang
dapat ditampilkan. Gejala yang dijawab “Ya” kemudian diakumulasikan bobotnya sehingga
memperoleh hasil persentase dari penyakit yang mempunyai gejala -gejala t ersebut untuk menjadi
diagnosa awal penyakit mata.

3.4 Rancangan Basis Data
tb_user
PK id_user
nama
alamat
jenis _kel
tgl_lahir
username
password
hak_akses
tb_gejala
PK id_gejala
nama _gejala
pertanyaantb_penyakit
PK id_penyakit
nama _penyakit
penyebab
detail
phototb_rule
FK2id_gejala
FK3id_penyakittb_konsultasi
FK2id_user
FK3id_gejala
Jawabantb_diagnosa
FK2id_user
FK3id_penyakittb_antri
PK id_antri
FK1id_user
tgl_antri
no_antri

Gambar 3.3 : Rancangan Basis Data
Sumber : Hasil Olahan Peneliti