Perkembangan teknologi berkembang pesat dengan meningkatnya kebutuhan manusia khususnya dalam teknologi seluler dimana teknologi yang sering digunakan adalah android. Keberadaan android ini memudahkan pengguna dalam mengakses informasi. Android ini bisa digunakan untuk kebutuhan sehat, misalnya mendeteksi penyakit gigi. Salah satu cabang ilmu komputer yang dapat membantu masyarakat dalam mendeteksi penyakit gigi adalah sistem pakar. Dalam penelitian ini, membuat sistem pakar untuk diagnosis penyakit gigi dengan menggunakan metode Certainty Factor. Dental aplikasi diagnosis penyakit dapat mendiagnosis pasien berdasarkan cengkeraman pasien penyakit gigi sehingga bisa didapat penyakit kemungkinan dari pasien itu sendiri. Aplikasi ini aplikasi sistem pakar yang beroperasi pada platform android. Selanjutnya dalam akurasi pengukuran tes sistem yang dilakukan oleh 20 pasien, ada 19 kasus sesuai dan 1 kasing yang tidak pas. Jadi, dari pengujian sistem dilakukan oleh 20 pasien menghasilkan tingkat akurasi 95%.
1. Latar Belakang
Perkembangan waktu yang semakin maju seperti saat ini membuat kebutuhan manusia menjadi banyak dan semakin didukung dengan semakin banyak teknologi informasi terutama dalam teknologi mobile dimana teknologi itu yang sering digunakan adalah android. Hampir semua jenis smartphone android memiliki yang terjangkau harga yang memungkinkan masyarakat untuk memiliki smartphone ini. Sistem operasi ini bisadigunakan dalam proses implementasi aplikasi sistem pakar untuk android adalah platform terbuka bagi pengembang untuk membuat aplikasi mereka sendiri yang dapat digunakan oleh berbagai perangkat seluler.
Sebagai bagian penting dari sistem pencernaan, gigi digunakan untuk mengunyah makanan sebelum pergi turun ke sistem pencernaan jadi jika gigi mendapat kesulitan dalam mengunyah makanan, pencernaan proses akan mendapat masalah juga. Gigi sangat rentan terhadap kuman, meski giginya kecil Terkadang mendapat perhatian kurang berpengaruh terhadap kesehatan manusia karena masalah gigi dapat menyebabkan penyakit lain yang memiliki tingkat bahaya lebih tinggi.
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan alasan teknik dalam memecahkan masalah biasanya dapat diselesaikan oleh seorang ahli khususnya bidang. Ini adalah bagian dari perangkat lunak khusus tingkat tinggi atau pemrograman tingkat tinggi bahasa, yang sedang mencoba untuk menduplikasi fungsi dari seorang ahli pada khususnya bidang keahlian. Tujuan dari sistem pakar bukan untuk menggantikan peran manusia, tetapi untuk mempresentasikan pengetahuan manusia dalam bentuk suatu sistem, sehingga dapat digunakan oleh banyak orang. Sistem pakar dibuat dalam bidang pengetahuan untuk keahlian tertentu mendekati kemampuan manusia dalam satu bidang spesifik.
Masalah yang ditangani seorang ahli tidak hanya masalah yang mengandalkan algoritma saja namun terkadang juga masalah yang sulit untuk dipahami. Karena itu ahlinya algoritma berbasis sistem yang dibangun belum dibangun berdasarkan pengetahuan dan aturan. Metode statistik didasarkan pada asumsi bahwa ketidakpastian adalah probabilitas dari suatu insiden / fakta benar atau salah. Dalam kepastian teori, serta logika fuzzy, ketidakpastian diwakili dengan tingkat kepercayaan. Ada dua langkah dalam penggunaannya dari setiap metode non-probabilitas. Pertama, keharusan untuk dapat mengekspresikan derajat kepercayaan. Kedua, perlunya memanipulasi (menggabungkan) tingkat kepercayaan saat menggunakan sistem berbasis pengetahuan. Teori kepastian yang mendasari penggunaan Certainty Factor (CF). CF mengungkapkan kepercayaan diri pada insiden (atau fakta atau hipotesis) berdasarkan kejadian (atau berdasarkan penilaian ahli).
2. Metode Penyelesaian
Konsep faktor kepastian diusulkan untuk mengakomodasi ketidakpastian suatu ahli yang sering berpikir untuk menganalisis informasi dengan frasa seperti "Mungkin", "Sepertinya", "hampir pasti" dan seterusnya. Metode faktor kepastian seleksi adalah cocok untuk sistem pakar dalam penelitian ini, karena pada dasarnya metode CF diasumsikan sebagai tingkat kepercayaan ahli untuk data yang digunakan. Certainty Factor memperkenalkan konsep kepercayaan dan ketidakpercayaan. Metode ini cocok untuk mendiagnosis sesuatu tidak pasti. Metode certainty factor hanya dapat memproses dua bobot dalam satu perhitungan. Untuk bobot lebih dari 2 banyak, untuk melakukan perhitungan agar terhindar dari masalah saat bobot dihitung secara acak berarti bahwa tidak ada aturan untuk menggabungkan berat karena kombinasi dari hasil seperti itu akan tetap sama. Penelitian sebelumnya menjelaskan hasil pencarian sistem pakar menunjukkan bahwa gejala apa pun yang dipilih oleh pengguna akan menjadi mencari semua jenis penyakit yang memenuhi gejala. Jika ditemukan kongruensi, antara gejala-gejala penyakit, maka sistem akan menghitung nilai CF kombinasi sesuai dengan aturan yang ada dengan basis pengetahuan dan nilai CF dimasukkan oleh pengguna.
Certainty Factor (CF) menunjukkan ukuran kepastian terhadap fakta atau aturan. Umum rumus metode faktor kepastian sebagai berikut:
CF[h,e] = MB[h,e] – MD[h,e]CF [h, e] = faktor kepastian
MB [h, e] = ukuran tingkat keyakinan / kepastian hipotesis h, jika diberikan / sedang
bukti yang dipengaruhi e (antara 0 dan 1)
MD [h, e] = ukuran tingkat ketidakpercayaan / ketidakpastian hipotesis h, jika diberikan
bukti yang dipengaruhi e (antara 0 dan 1)
Ada tiga hal yang mungkin terjadi:
1) Beberapa bukti digabungkan untuk menentukan CF dari suatu hipotesis Jika e1 dan e2 adalah observasi, maka:
2) CF dihitung dari kombinasi beberapa hipotesis
Jika h1 dan h2 adalah hipotesis, maka:
MB [h1 ∧ h2, e] = min (MB [h1, e], MB [h2, e]) MB [h1 ˅ h2, e] = maks (MB [h1, e], MB [h2, e]) MD [h1 ∧ h2, e] = min (MD [h1, e], MD [h2, e]) MD [h1 ˅ h2, e] = maks (MD [h1, e], MD [h2, e])
3) Beberapa aturan saling terkait, ketidakpastian aturan menjadi masukan bagi aturan lain, lalu:
MB [h, s] = MB ’[h, s] * maks (0, CF [s, e])
MB '[h, s] = ukuran kepercayaan h berdasarkan kepercayaan penuh pada validitas s
3. Hasil dan Diskusi
Berdasarkan wawancara dengan seorang ahli tentang gejala yang mengarah pada munculnya penyakit gigi dan diperoleh 28 gejala penyakit gigi dan 10 penyakit gigi. Basis pengetahuan dimasukkan ke dalam program komputer sehingga komputer bertindak sebagai ahli mampu mengidentifikasi gejala penyakit gigi. Berikut adalah tabel data gejala yang dapat dilihat pada Tabel 1 dan tabel data penyakit ditunjukkan pada Tabel 2.
Table 1. Data Symptoms
Table 2. Data Disease
Selanjutnya akan dilakukan aturan dasar. Basis aturan adalah aturan yang dibuat untuk menghubungkan gejala dengan penyakit. Aturan dasar dapat ditulis ke struktur IF (id_symacteria) LALU (id_disease) CF (x). Berikut tabel dasar aturan yang diperoleh dari wawancara dengan dokter gigi dengan nilai faktor kepastian pada Tabel 3.
Table 3. Tabel Aturan Dasar
Tahap pengujian aplikasi dilakukan untuk menguji aplikasi diagnosa dengan hasil yang telah dihitung secara manual menggunakan faktor kepastian. Jika seorang pasien memilih sulit untuk mengunyah gejala, demam, pembengkakan rahang, Pembengkakan Biji Lymph dan sakit gigi atau berdenyut dalam Tabel 4.
Tabel 4. Input pengguna berdasarkan gejala yang dialami dan nilai CF
a. Nilai CF untuk Abses Periodontal
b. Nilai CF untuk Abses Periapical
c. CF vslue of Bruxism
d. Nilai CF Gula Purulent
Dari perhitungan manual di atas hasil diperoleh nilai Faktor Kepastian untuk masing-masing penyakit: Abses Periodontal (0,363), Abses Periapical (1), Bruxism (0,239), Gusi Purulent (0,272). Dapat disimpulkan bahwa pasien menderita penyakit abses periapical dengan persentase 1 x 100% = 100%. Saat dihitung menggunakan aplikasi itu akan menghasilkan seperti yang ditunjukkan pada Gambar 1.
Gambar 1. Aplikasi Hasil Perhitungan
Diagnosis sistem pakar uji penyakit gigi dilakukan dengan membandingkan keakuratan hasil akhir dari kemungkinan jenis penyakit gigi yang ditimbulkan oleh sistem kepada mereka diproduksi oleh para ahli. Eksperimen sistem pakar mendiagnosis penyakit gigi dilakukan dengan membandingkan Hasilnya akurat jenis penyakit gigi yang diproduksi oleh sistem dan pakar. Berikut ini adalah tabel hasil pengujian keakuratan sistem yang ditunjukkan pada Tabel 5.
Tabel 5. Hasil Pengujian Sistem Akurasi
Pengujian dilakukan terhadap 20 responden. Dalam semua kasus ada 19 kasus sesuai dan 1 kasing yang tidak pas. Untuk menentukan tingkat akurasi sistem, maka perhitungannya adalah sebagai berikut:
Jadi, dapat disimpulkan bahwa tingkat akurasi sistem dengan seorang pakar sebesar 95%.
4. Kesimpulan
Pengembangan sistem pakar diagnosis penyakit gigi dilakukan melalui beberapa tahapan perancangan sistem dengan tujuan untuk memberikan gambaran umum tentang gigi penyakit. Setiap gejala dinilai bobot untuk menghitung nilai CF dari suatu penyakit. Aplikasi diagnosa sistem pakar penyakit gigi dibangun menggunakan JAVA bahasa pemrograman dengan bantuan perangkat lunak Eclipse Mars. Untuk mengadopsi keahlian seorang dokter, bobot setiap data input gejala menggunakan sistem berbasis web menggunakan bahasa pemrograman PHP dengan framework Code Igniter dan MySQL sebagai database. Selanjutnya, dalam pengukuran akurasi uji sistem dilakukan oleh 20 pasien, ada 19 kasus yang sesuai dan 1 kasus yang tidak sesuai. Jadi, dari pengujian sistem yang dilakukan oleh 20 pasien menghasilkan tingkat akurasi 95%. Untuk saran tentang penelitian lebih lanjut untuk mengadopsi keahlian yang dimasukkan dokter melalui Android yang memungkinkan dokter memantau aplikasi ini.
