RAYI ANINDYA

Sistem Pakar Untuk Mendiagnosa Gangguan Autis Pada Anak Dengan Metode Forward Chaining

Forward chaining adalah pencocokkan fakta atau penyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

Jika dari ketiga kelompok itu didapatkan tanda tanda minimal dua gejala pada bagian gangguan kualitatif dalam interaksi sosial, satu gejala dari gangguan kualitatif dalam bidang komunikasi, dan satu gejala dari bentuk pola yang dipertahankan secara berulang-ulang dari perilaku, minat dan kegiatan maka dari hasil diagnosa anak tersebut mengalami gangguan autis.

Form Data Gangguan: Untuk memasukkan data gangguan yang baru ketikkan Id gangguan pada text field Id gangguan dan tuliskan jenis gangguannya pada text field jenis gangguan.

Form Gejala:

Form Diagnosa:

Referensi:

Gusman. (2015). Sistem pakar untuk mendiagnosa gangguan autis pada anak dengan metode forward chaning. Jurnal pendidikan dan teknologi informasi, 2(1), 25-42.

Artificial Intelligence merupakan representasi pengetahuan yang berhubungan erat dengan teknologi berbasis komputerisasi dan menjadikan teknologi komputer perangkat teknologi cerdas yang memiliki kemampuan menyelesaikan aktivitas atau kinerja persis dengan kemampuan manusia. Perangkat teknologi cerdas itu kemudian dikembangkan lagi dalam ragam bentuk dan jenis sesuai dengan kebutuhannya. Bidang-bidang yang telah mempergunakan perangkat teknologi cerdas dalam aktivitasnya biasanya produktivitasnya akan meningkat dan menjadikan semuanya efisien, efektif, dan biaya ekonomis (Jamaludin, dkk., 2020).

Menurut Awangga, Andarsyah, & Putro (2020), tujuan dari artificial intelligence di antaranya adalah sebagai berikut:

1. Membentuk teknologi atau mesin yang lebih pintar.
   Membuat suatu teknologi atau mesin menjadi lebih pintar sehingga akan memudahkan pekerjaan manusia. Selain untuk mengetik, komputer sekarang dikembangkan menjadi lebih pintar sehingga bisa untuk bermain game, mengedit video dan foto, dan lain-lain.
2. Memahami kecerdasan.
   Membuat suatu mesin yang mampu memahami kecerdasan seperti memecahkan masalah lebih cepat, teliti, efektif, dan efisien.
3. Membuat suatu teknologi yang lebih bermanfaat.
   Membuat suatu usaha mendapatkan hasil lebih maksimal karena teknologi dengan AI akan mempermudah pekerjaan. 

Sistem Pakar Untuk Mendiagnosa Gangguan Autis Pada Anak Dengan Metode Forward Chaining

Forward chaining adalah pencocokkan fakta atau penyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

Jika dari ketiga kelompok itu didapatkan tanda tanda minimal dua gejala pada bagian gangguan kualitatif dalam interaksi sosial, satu gejala dari gangguan kualitatif dalam bidang komunikasi, dan satu gejala dari bentuk pola yang dipertahankan secara berulang-ulang dari perilaku, minat dan kegiatan maka dari hasil diagnosa anak tersebut mengalami gangguan autis.

Form Data Gangguan: Untuk memasukkan data gangguan yang baru ketikkan Id gangguan pada text field Id gangguan dan tuliskan jenis gangguannya pada text field jenis gangguan.

Form Gejala:

Form Diagnosa:

Awangga, R., Andarsyah, R., & Putro, E. (2020). Tutorial object detection people with faster region-based convolutional neural network (faster r-cnn). Bandung: Kreatif Industri Nusantara.

Gusman. (2015). Sistem pakar untuk mendiagnosa gangguan autis pada anak dengan metode forward chaning. Jurnal pendidikan dan teknologi informasi, 2(1), 25-42.

Jamaludin, dkk. (2020). Tren teknologi masa depan. Medan: Yayasan Kita Menulis.

1.      Sejarah Artificial Intelligence:

·         Era Komputer Elektronik (1941)

Ditemukannya pertama kali alat penyimpanan dan pemrosesan informasi yang disebut komputer elektronik. Penemuan ini menjadi dasar pengembangan program yang mengarah ke AI.

·         Masa Persiapan AI (1943-1956)

Tahun 1943, Warren McCulloch dan Walter Pitts berhasil membuat suatu model saraf tiruan di mana setiap neruon digambarkan sebagai on dan off. Mereka menunjukkan bahwa setiap fungsi dapat dihitung dengan suatu jaringan sel saraf dan bahwa semua hubungan logis dapat diimplementasikan dengan struktur jaringan yang sederhana.

Pada tahun 1950, Norbert Wiener membuat penelitian mengenai prinsip-prinsip teori feedback. Contoh terkenal adalah termostat.

Pada tahun 1956, John McCarthy meyakinkan Minsky, Claude Shannon, dan Nathaniel Rochester untuk membantunya melakukan penelitian dalam bidang automata, jaringan saraf, dan pembelajaran intelejensia. Mereka mengerjakan proyek ini selama dua bulan di Universitas Dartmouth. Hasilnya adalah program yang mampu berpikir non-numerik dan menyelesaikan masalah pemikiran, dinamakan Principia Mathematica. Hal ini menjadi McCarthy disebut sebagai father of Artificial Intelligence.

·         Awal Perkembangan (1952-1969)

Pada tahun 1958, McCarthy di MIT AI Lab mendefinisikan bahasa pemrograman tingkat tinggi yaitu LISP, yang sekarang mendominasi pembuatan program-program AI. Kemudian, McCarthy membuat program yang dinamakan programs with common sense.

Pada tahun 1959, program komputer general problem solver berhasil dibuat oleh Herbert Simon, J. C. Shaw, dan Allen Newell. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.

Tahun 1963, program yang dibuat James Slagle mampu menyelesaikan masalah integral tertutup untuk mata kuliah Kalkulus.

Tahun 1968, program analogi buatan Tom Evan menyelesaikan masalah analogi geometri yang ada pada tes IQ.

·         Perkembangan AI Melambat (1955-1974)

Perkembangan AI melambat disebabkan adanya beberapa kesulitan seperti program-program AI yang bermunculan hanya mengandung sedikit atau bahkan tidak mengandung sama sekali pengetahuan pada subjeknya, banyak terjadi kegagalan pada pembuatan program AI, terdapat beberapa batasan pada struktur dasar yang digunakan untuk menghasilkan perilaku intelejensia.

·         Sistem Berbasis Pengetahuan (1969-1979)

Pada tahun 1960-an, Ed Feigenbaum, Bruce Buchanan, dan Josua Lederberg merintis proyek DENDRAL, yaitu program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectometer massa.

·         AI Menjadi Sebuah Industri (1980-1988)

Industralisasi AI diawali dengan ditemukannya sistem pakar yang dinamakan R1 yang mampu mengkonfigurasi sistem-sistem komputer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermott, pada tahun 1982. Lalu pada tahun 1986, program ini telah berhasil menghemat US$ 40 juta per tahun.

Pada tahun 1988, kelompok AI di DEC menjalankan 40 sistem pakar. Hampir semua perusahaan besar di AS mempunyai divisi AI sendiri yang menggunakan ataupun mempelajari sistem pakar. Booming industry AI juga melibatkan perusahaan-perusahaan besar Carneige Group, Inference, IntelliCorp, dan Technoledge yang menawarkan software tools untuk membangun sistem pakar.

·         Kembalinya Jaringan Saraf Tiruan (1986 –Sekarang)

Meski bidang ilmu komputer menolak jaringan saraf tiruan setelah diterbitkannya buku ‘Perceptrons’ karangan Minsky dan Papert, tetapi para ilmuwan masih mempelajari bidang ilmu tersebut dari sudut pandang yang lain, yaitu fisika. Ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat penyimpanan dan optimasi pada jaringan saraf. Para ahli psikolog, David Rumhelhart dan Geoff Hinton melanjutkan penelitian mengenai model jaringan saraf pada memori. Pada tahun 1985-an, sedikitnya empat kelompok riset menemukan algoritma Back-Propagation. Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi.

2.      Hubungan Artificial Intelligence dengan Kognisi Manusia:

          Hal pertama yang biasanya orang pikirkan ketika mendengar istilah AI adalah robot. Karena film dan novel populer yang menceritakan mesin mirip manusia yang mendatangkan malapetaka di bumi. Sedangkan kecerdasan buatan didasarkan pada prinsip bahwa kecerdasan manusia dapat didefinisikan sedemikian rupa sehingga mesin dapat dengan mudah menirunya dan menjalankan tugas, dari yang paling sederhana hingga yang lebih kompleks. Contohnya adalah mobil dengan pengemudi otomatis. Ini menggunakan kombinasi visi komputer, pengenalan gambar dan pembelajaran mendalam untuk membangun keterampilan otomatis dalam mengemudikan kendaraan sambil tetap berada di jalur tertentu dan menghindari penghalang yang tak terduga, seperti pejalan kaki.

3.      Kelebihan Artificial Intelligence

·         Bersifat permanen: AI adalah kecerdasan buatan yang bersifat tetap karena dapat digunakan berulang-ulang, di mana saja, dan kapan saja. AI selalu dikaitkan dengan penggunaan tenaga manusia. Contohnya, suatu perusahaan tidak akan membutuhkan banyak karyawan. Karyawan dapat keluar kapan saja, sedangkan AI tidak.

·         Menawarkan kemudahan: Kecerdasan manusia yang dibuat telah disimpan AI sehingga AI akan memudahkan pekerjaan manusia. Suatu pekerjaan yang dilakukan AI juga lebih cepat dibandingkan kerja manusia.

·         Bersifat konsisten dan teliti: Kecerdasan artificial intelligence ini tak akan berkurang dan peluang terjadi kesalahan sangatlah kecil.

·         Dapat disimpan: Mampu mengolah big data sehingga menyimpan data sebesar dan sebanyak apapun tidak akan menjadi masalah.

4.      Kelemahan Artificial Intelligence

        AI tidak memiliki common sense dan kecerdasannya juga terbatas. Maksud dari tidak memiliki common sense yaitu AI hanya mengolah data dan memutuskan sesuatu sesuai data yang dikumpulkan, berbeda dengan manusia yang masih mempertimbangkan naluri dalam mengambil suatu keputusan. Selain itu ada informasi yang memang hanya bisa diproses dan dimengerti oleh manusia. AI yang akan digunakan pada suatu alat teknologi hanya mampu mengerjakan pekerjaan yang sesuai dengan sistem AI yang dimasukkan ke dalamnya. Misal, sistem dirancang khusus untuk mengenali suara dalam bahasa Indonesia tidak akan bisa mengenali suara dalam bahasa Korea.

Source:

Awangga, R., Andarsyah, R., dan Putro, E. (2020). Tutorial object detection people with faster region-based convolutional neural network (faster r-cnn). Bandung: Kreatif Industri Nusantara.

Farras, B. (2019). Mengenal artificial intelligence dan cara kerjanya di https://www.cnbcindonesia.com/tech/20190513130056-37-72069/mengenal-artificial-intelligence-dan-cara-kerjanya (diakses 12 November 2020).

Harani, N., dan Hasanah, M. (2020). Deteksi objek dan pengenalan karakter plat nomor kendaraan Indonesia berbasis phyton. Bandung: Kreatif Industri Nusantara.

Sistem Pakar Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukamoto

·         Berfokus pada data (SIA/EDP):

Austime dipergunakan untuk menunjukkan suatu gejala psikosis pada anak-anak yang unik dan menonjol yang sering disebut Sindrom Kanner. Ciri yang menonjol pada sindrom ini antara lain ekspresi wajah yang kosong seolah sedang melamun, kehilangan pikiran, dan sulit sekali bagi orang lain untuk menarik perhatian mereka atau berkomunikasi. Ciri-ciri autisme diantara lain adanya gangguan pada kognitif, bidang interaksi sosial, komunikasi, persepsi sensoris, perilaku, dan bidang perasaan.

·         Berfokus pada pendukung keputusan (SPK):

Sistem inferensi fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy yang berbentuk IF-THEN, dan penalaran fuzzy. Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “sebab-akibat” di mana antara anteseden dan konsekuen harus ada hubungannya. Tahap-tahap dalam metode Fuzzy Tsukamoto adalah fuzzifikasi, pembentukan aturan, mesin inferensi, dan defuzzifikasi.

·         Berfokus pada konsultasi (sistem pakar):

Aplikasi yang dibangun berfungsi sebagai media informasi mengenai autisme dan perkembangan anak, serta sebagai alat bantu dalam mendeteksi indikasi autisme anak. Sistem yang dibangun ditujukan untuk penggunaan pada sisi end-user, yakni orang tua maupun pakar atau terapis yang berkaitan dengan autisme anak. Oleh karena itu, aplikasi dibangun berbasis Android dan antarmuka dirancang sederhana dan terstruktur alur operasionalnya. Sistem pakar yang dibangun dapat memberikan hasil deteksi autisme berdasarkan kondisi anak yang sesuai dengan aturan ASD Assessment Scale yang direpresentasikan dari pakar dan perhitungan dengan metode Fuzzy Tsukamoto.

Sistem Pakar Untuk Mendiagnosa Gangguan Autis Pada Anak Dengan Metode Forward Chaining

·         Berfokus pada data (SIA/EDP):

Autis berasal dari kata ‘auto’ yang berarti sendiri. Penyandang autis seakan-akan hidup di dunianya sendiri. Autis merupakan gangguan pervasif yang mencakup gangguan-gangguan dalam komunikasi verbal dan non-verbal, interaksi sosial, perilaku, emosi, dan pengulangan perilaku yang terjadi dalam kontinum ringan sampai parah. Autisme adalah suatu kondisi mengenai seseorang sejak lahir atau saat masa balita yang membuat dirinya tidak dapat membentuk hubungan sosial atau komunikasi dengan cara normal. Gejala autis mulai terlihat sejak anak tersebut lahir atau masih kecil. Biasanya sebelum anak berusia tiga tahun. Diagnosa autis sesuai DSM-IV, harus ada sedikitnya enam gejala dari (1), (2), dan (3) dengan minimal dua gejala dari (1) dan masing-masing satu gejala dari (2) dan (3).

1.    Gangguan kualitatif dalam interaksi sosial yang timbal balik. Minimal harus ada dua gejala dari gejala-gejala di bawah ini:

a)    Tak mampu menjalin interaksi sosial yang cukup memadai: kontak mata sangat kurang, ekspresi muka kurang hidup, gerak-gerik yang kurang tertuju

b)    Tidak dapat bermain dengan teman sebaya

c)    Tidak dapat merasakan apa yang dirasakan oleh orang lain

d)    Kurangnya hubungan sosial dan emosional yang timbal balik.

2.    Gangguan kualitatif dalam bidang komunikasi seperti ditunjukkan oleh minimal satu dari gejala-gejala di bawah ini:

a)  Bicara terlambat atau bahkan sama sekali tak berkembang (dan tidak ada usaha untuk mengimbangi komunikasi dengan cara lain tanpa bicara)

b)    Bila bisa bicara, bicaranya tidak dapat untuk komunikasi

c)    Sering menggunakan bahasa yang aneh dan diulang-ulang

d)    Cara bermain kurang variatif, kurang imajinatif dan kurang bisa meniru.

3.  Suatu pola yang dipertahankan dan diulang-ulang dariperilaku, minat dan kegiatan. Sedikitnya harus ada satu dari gejala di bawah ini:

a) Mempertahankan satu minat atau lebih, dengan cara yang sangat khas dan berlebihlebihan

b)    Terpaku pada suatu kegiatan yang ritualistik atau rutinitas yang tidak ada gunanya

c)    Ada gerakan-gerakan yang aneh yang khas dan diulang-ulang

d)    Seringkali sangat terpukau pada bagian-bagian benda

·         Berfokus pada pendukung keputusan (SPK):

Forward chaining adalah pencocokkan fakta atau penyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

·         Berfokus pada konsultasi (sistem pakar):

Jika dari ketiga kelompok itu didapatkan tanda tanda minimal dua gejala pada bagian gangguan kualitatif dalam interaksi sosial, satu gejala dari gangguan kualitatif dalam bidang komunikasi, dan satu gejala dari bentuk pola yang dipertahankan secara berulang-ulang dari perilaku, minat dan kegiatan maka dari hasil diagnosa anak tersebut mengalami gangguan autis.

Form Data Gangguan: Untuk memasukkan data gangguan yang baru ketikkan Id gangguan pada text-field Id gangguan dan tuliskan jenis gangguannya pada text-field jenis gangguan.

Form Gejala:

Form Diagnosa:

Sistem Pakar Untuk Mendiagnosa Gangguan Autis Pada Anak Menggunakan Metode Certainity Factor

·         Berfokus pada data (SIA/EDP):

Autisme merupakan salah satu bentuk gangguan tumbuh kembang, berupa sekumpulan gejala akibat adanya kelainan syaraf-syaraf tertentu yang menyebabkan fungsi otak tidak bekerja secar normal sehingga mempengaruhi tumbuh kembang, kemampuan komunikasi, dan kemampuan interaksi social seseorang. Gejala-gejala autisme dapat terlihat dari adanya penyimpangan dari ciri-ciri tumbuh kembang anak secara normal, yaitu adanya gangguan komunikasi, interaksi sosial, dalam bermain, perilaku, perasaan dan emosi.

·         Berfokus pada pendukung keputusan (SPK):

Faktor kepastian (Certanity Factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Kusumadewi, 2003). Certanity Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. CF menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Certanity Factor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data.

CF[H,E]=MB[H,E]-MD[H,E]……………………(1)

dengan:

CF[H,E] = Certainty Factor 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 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. Certainty factor untuk kaidah premis tunggal.

CF[H,E]1= CF[H] * CF[E] ]……………………(2)

Nilai certainty factor ada 2, yaitu:

1. Nilai certainty factor kaidah yang nilainya melekat pada suatu kaidah/rule tertentu dan besarnya nilai diberikan oleh pakar.

2. Nilai certainty factor yang diberikan oleh pengguna untuk mewakili derajat kepastian/keyakinan atas premis (misalnya gejala, kondisi, ciri) yang dialami pengguna.

Pada sistem pakar diagnosa gangguan autis ini, ukuran ketidakpercayaan diabaikan atau dianggap nol. Nilai CF diberikan pada tiap gejala yang menyertai suatu penyakit, sehingga didapat banyak nilai CF untuk tiap gejala. Untuk menentukan nilai CF akhir pada suatu diagnosa maka menggunakan rumus CF paralel sebagai berikut:

CF[h,e1^e2] = CF[h,e1] + CF[h,e2] . (1 – CF[h,e1])....(3)

Keterangan :

CF[h,e1^e2] = faktor kepastian paralel

CF[h,e1] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e pertama (antara 0 dan 1)

CF[h,e2] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e kedua (antara 0 dan 1)

Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kepercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. Dalam diagnosa suatu penyakit, sangat dimungkinkan beberapa aturan yang menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain. Dengan demikian perhitungan diperlukan sebanyak CF gejala yang dipilih sesuai dengan masukan pengguna program ini.

·         Berfokus pada konsultasi (sistem pakar):

Menu login berfungsi untuk validasi user dan menentukan hak akses. Cara pertama, memilih menu login kemudian memasukkan username, password dan level untuk masuk kedalam aplikasi.

By: Rayi A.

Source:

Chaq, A., dan Nudin, S. (2016). Sistem pakar untuk mendiagnosa gangguan autis pada anak menggunakan metode certainty factor. Jurnal manajemen informatika, 5(1), 18-26.

Gardenia, M., Tursina, Pratiwi, H. (2016). Sistem pakar deteksi autisme pada anak menggunakan metode fuzzy tsukamoto. Jurnal sistem dan teknologi informasi, 4(1).

Gusman. (2015). Sistem pakar untuk mendiagnosa gangguan autis pada anak dengan metode forward chaning. Jurnal pendidikan dan teknologi informasi, 2(1), 25-42.