Sistem Pakar Diagnos A Penyakit Pada Ayam (spdppa) Oleh: Toto Haryanto G64101017 Departemen Ilmu Kom...

Oleh Anis Wine

668,7 KB 4 tayangan 0 unduhan
 
Bagikan artikel

Transkrip Sistem Pakar Diagnos A Penyakit Pada Ayam (spdppa) Oleh: Toto Haryanto G64101017 Departemen Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam Stikip Pgri Pacitan 2006

SISTEM PAKAR DIAGNOSA PENYAKIT PADA AYAM (SPDPPA) Oleh: TOTO HARYANTO G64101017 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006 RINGKASAN TOTO HARYANTO. Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA). Dibimbing oleh MARIMIN dan YENI HERDIYENI. Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA ) merupakan suatu sistem komputer yang dikembangkan untuk mendiagnosa penyakit pada ayam berdasar gejala-gejala klinis dan perubahan makroskopis yang terdapat pada ayam yang diidentifikasi terinfeksi penyakit. Salah satu metode inferensia yang digunakan pada penelitian ini adalah fuzzy inference system (FIS). Dengan fuzzy inference system ini gejala-gejala yang memiliki kemiripan pada saat pendiagnosaan dapat diatasi. Penyakit yang terdiagnosa pada SPD PPA dibatasi hanya pada tiga penyakit, yaitu: Avian Influenza (AI), Newcastle Disease (ND) dan Infectious Laryngotracheitis (ILT). Pada penelitian ini rancang bangun SPDPPA mengalami dua jenis alur pendiagnosaan. Pada pendiagnosaan pertama, data fuzzy berupa warna pial yang dibagi menjadi 10 kelompok warna, umur ayam, angka kematian dan suhu tubuh akan dijadikan sebagai masukan. Data tersebut akan proses oleh fuzzy inference sys tem. Keluaran proses akan berupa diagnosa sementara dengan kriteria mendukung ILT, sangat mendukung ILT, mendukung ND, sangat mendukung ND, mendukung AI dan sangat mendukung AI. Pengujian sistem untuk data fuzzy dilakukan dengan mengkombinasikan beberapa masukan. Berdasar verifikasi, hasil pengujian menunjukkan bahwa ayam yang terdiagnosa sementara mendukung ND, warna pialnya merah dengan suhu tubuh 430C –450C dan angka kematian 30 sampai 50 persen. Adapun untuk mendapatkan diagnosa sementara sangat mendukung ND, warna pialnya merah dengan suhu 430C –450C dan tingkat kematian 30–60 persen. Unt uk mendiagnosa AI dengan tingkat mendukung, kondisi warna pial sudah semakin membiru. Angka kematian mulai 30-60 persen dengan suhu tubuh 430C-450C. Nilai keanggotaan (a) mendukung AI mencapai rata-rata 1 pada saat warna pial berada pada kelompok warna 7. Demikian halnya dengan diagnosa untuk menghasilkan sangat mendukung AI. Warna pial sudah membiru dengan suhu tubuh dan angka kematian yang tinggi. Keluaran proses fuzzy inference system kemudian akan dikombinasikan dengan gejala nonfuzzy dalam suatu kaidah produksi atau if-then rule untuk mengidentifikasi jenis penyakit hasil SPDPPA. Gejala non-fuzzy tersebut adalah kondisi eksudat, kondisi trakea, gejala perdarahan bawah kulit, perubahan sistem saraf dan gejala pada tinja. Pemeriksaan terhadap gejala non -fuzzy dilakukan secara sekuensial berdasarkan nilai bobot gejala yang dihasilkan oleh proses hierarki analitik. Apabila pada gejala non-fuzzy terdapat gejala yang menunjang hasil diagnosa proses fuzzy inference system, maka pemeriksaan akan selesai. Akan tetapi jika tidak, pemeriksaan akan diteruskan pada gejala non-fuzzy berikutnya. Gejala non-fuzzy yang bersifat khas bagi penyakit ND adalah eksudat yang kental bening, kepala ayam yang berputar dan tinja yang berwarna hijau. Ayam yang terdiagnosa mendukung AI warna pialnya semakin memucat dengan suhu dan angka mati seperti pada penyakit ND. Eksudat yang encer bening, perdarahan bawah kulit merupakan gejala non-fuzzy yang khas terlihat ketika ayam terkena Avian Influenza (AI). Hasil akhir dari SPDPPA juga dapat memberikan saran atau rekomendasi yang bagi pengguna langkah yang seharusnya dilakukan apabila ayam menderita penyakit tertentu. Pada pemeriksaan di lapangan bai k gejala fuzzy maupun non-fuzzy dilakukan secara bersama-sama. Kata kunci : sistem pakar, Avian Influenza (AI), Newcastle Disease (ND), Infectious Laryngotracheitis (ILT), fuzzy inference system ,if-then rule. SISTEM PAKAR DIAGNOSA PENYAKIT PADA AYAM (SPDPPA) Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer Oleh : TOTO HARYANTO G64101017 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006 Judul Nama NRP : SISTEM PAKAR DIAGNOSA PENYAKIT PADA AYAM (SPDPPA) : Toto Haryanto : G64101017 Menyetujui: Pembimbing I, Prof. Dr.Ir. Marimin, M.Sc NIP.131645110 Pembimbing II, Yeni Herdiyeni, S.Si, M.Kom NIP.132282665 Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Ir. Yonny Koesmaryono, M.S NIP.131473999 Tanggal Lulus : RIWAYAT HIDUP Penulis lahir di Kota Mangga, Indramayu pada tanggal 17 November 1982, anak dari pasangan Caca Goembira dan Iyus Rusyati. Penulis merupakan anak kedua dari empat bersaudara. Tahun 2001 penulis lulus dari SMU Negeri 1 Cirebon dan pada tahun yang sama melanjutkan kuliah ke Institut Pertanian Bogor (IPB), Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama mengikuti perkuliahan, penulis pernah menjadi ketua divisi akademik bimbingan belajar Prestasipb yang didirikan oleh Badan Eksekutif Mahasiswa FMIPA (BEM FMIPA) pada tahun 2003. Di bidang organisasi penulis tecatat sebagai anggota Himpunan Masyarakat Ilmu Komputer (Himalkom) FMIPA IPB. Selama di IPB, penulis juga aktif di Forum Kajian Islam Ilmiyah Salafy (FKIIS). Pada akhir perkuliahan, penulis berkesempatan mengikuti Praktek Kerja Lapang (PKL) selama dua bulan ( 26 Januari – 26 Maret 2004) di International Herbal Center (IHC), Jakarta Timur. PRAKATA Alhamdulillah segala puji penulis panjatkan ke hadirat ALLAH Subhanahu wa ta‘ala atas segala rahmat, kasih sayang dan cinta-Nya sehingga skripsi ini berhasil diselesaikan. Shalawat dan salam semoga senantiasa tercurah pada teladan kita Nabi Muhammad Shallallahu alaihi wasallam, kerabat, sahabat dan umatnya sampai akhir zaman. Tema yang dipilih dalam penelitian ini ialah Sistem Pakar, dengan judul Sistem P akar Diagnosa Penyakit Pada Ayam ( SPDPPA). Penulis menyampaikan terima kasih kepada semua pihak yang telah membantu dalam penulisan karya ilmiah ini khususnya kepada Bapak Prof.Dr.Ir.Marimin, M.Sc dan Ibu Yeni Herdiyeni, S.Si, M.Kom yang telah membimbing dengan penuh ketekunan dan kesabaran hingga selesainya penulisan karya ilmiah ini. Penulis juga mengu capkan terima kasih kepada Ibu drh.Ekowati Handharyani, MS, Ph.D sebagai pakar atas segala pengetahuan tentang penyakit ayam yang telah diberikan. Selanjutnya, penulis juga ingin mengucapkan terima kasih kepada: 1. Bapak dan Ibu tercinta, terima kasih atas segala doa, cinta, kasih sayang, dan dukungan yang tiada batasnya baik materil maupun spirituil. 2. Kakak dan adiku Aa Opi, Doni dan Ade Indy, terima kasih atas segala canda dan keceriaan yang telah menambah semangat atas terselesainya penulisan ini. 3. Keluarga Ir. Asep Zaenal, MM atas segala perhatian yang diberikan selama penulis tinggal di kota Bogor. 4. Teman-teman Ilkomerz ’38. Terima kasih atas kebersamaan bersama kalian dan tali silaturahmi yang telah kalian tanamkan. Semoga ini menjadi kenangan yang tak terlupakan. 5. Drh.Nofri Sahmedi (Mas Ismet) atas pengetahuan teknis tentang penyakit ayam dan pinjaman buku-bukunya. 6. Pak Nanang, terima kasih atas segala sarana dan prasarana selama penulis tholabul ilmi. Semoga Allah membalas dengan kebaikan. 7. Ikhwan-ikhwan salafiyyin yang menjadikan hidup ini lebih bermakna. Jazakumullah khairan atas segala dorongan dan nasihatnya. Semoga tetap istiqomah. 8. Mas Opik, Adin, Ulum, Enjang, Fauzi, Kang Jamal, Taryu, Aul, Sugi, Zaky, Asep STK, Didik, Supri, Khamam, Memet, Mas Fajar, Agus, Nuris (semoga cepat menjadi bapak) serta teman-teman eks ‘Mobster’, ‘Wisma Bekam’ serta ‘Wisma Galih’. 9. Staf Departemen Ilmu Komputer, Pak Pendi, Pak Sholeh, Mas Irfan, Pak Fatur dan semua pihak atas segala fasilitas selama penulis menyelesaikan studi. 10. Keluarga Besar Bapak Aha dan Ibu Kadi. Terima kasih atas segala motivasi yang diberikan. Dan semua pihak yang tidak dapat disebutkan satu per satu. Jazakumullah khairan. Semoga karya ilmiah ini dapat bermanfaat dan menjadi amal sholih bagi semua pihak yang terlibat dalam penyusunan skripsi ini. Amin. Bogor, Januari 2006 Toto Haryanto DAFTAR ISI Halaman DAFTAR TABEL ..................................................................................................................................viii DAFTAR GAMBAR .............................................................................................................................viii DAFTAR LAMPIRAN.........................................................................................................................viii PENDAHULUAN..................................................................................................................................1 A. Latar Belakang ................................................................................................................1 B. Tujuan ...............................................................................................................................1 C. Ruang Lingkup ................................................................................................................1 D. Manfaat .............................................................................................................................1 TINJAUAN PUSTAKA........................................................................................................................2 A. Sistem Pakar ....................................................................................................................2 B. Basis Pengetahuan (Knowledge Base) ........................................................................2 C. Mesin Inferensia ............................................................................................................2 D. Fakta .................................................................................................................................2 E. Fasilitas Akuisisi Pengetahuan ....................................................................................2 F. Fasilitas Penjelasan ........................................................................................................2 G. Antarmuka Pengguna.....................................................................................................2 H. Logika Fuzzy ...................................................................................................................3 I. Proses Hierarki Analitik (Analytical Hierarchy Process) ....................................4 J. Penyakit Ayam................................................................................................................4 METODE PENELITIAN ......................................................................................................................5 A. Kerangka Pemikiran.......................................................................................................5 B. Tata Laksana .................................................................................................................5 C. Pengembangan Sistem ...................................................................................................6 D. Rancang Bangun Sistem ...............................................................................................7 HASIL DAN PEMBAHASAN ............................................................................................................7 A. Pemodelan Sistem .........................................................................................................7 B. Proses Inferensia Fuzzy .................................................................................................8 C. Verifikasi Sistem ...........................................................................................................11 D. Kompleksitas Sistem .....................................................................................................13 E. Keterbatasan Sistem .....................................................................................................13 KESIMPULAN DAN SARAN A. Kesimpulan .....................................................................................................................14 B. Saran ................................................................................................................................14 DAFTAR PUSTAKA ...........................................................................................................................14 LAMPIRAN ...........................................................................................................................................16 DAFTAR TABEL 1. 2. 3. 4. 5. 6. 7. 8. Halaman Parameter masukan SPDPPA .......................................................................................................6 Karakteristik parameter masukan SPDPPA..............................................................................8 Hasil pembobotan paremeter SPDPPA ...................................................................................8 Parameter data fuzzy verifikasi sistem. .......................................................................................12 Skor defuzzifikasi dan a mendukung Newcastle Disease (ND) pada SPDPPA. ..............12 Skor defuzzifikasi dan a sangat mendukung Newcastle Disease (ND) pada SPDPPA ...12 Skor defuzzifikasi dan a mendukung Avian Influenza (AI) pada SPDPPA ......................13 Skor defuzzifikasi dan a sangat mendukung Avian Influenza (AI) pada SPDPPA .........13 DAFTAR GAMBAR 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. Halaman Struktur Sistem Pakar ..................................................................................................................2 Proses Akuisisi Pengetahuan .......................................................................................................2 Diagram konsep penelitian .........................................................................................................5 Diagram Alir Sistem Fuzzy...........................................................................................................6 Alur Pengembangan Software Lifecycle.....................................................................................6 Proses pendiagnosaan penyakit ayam pada SPDPPA ..............................................................7 Representasi kurva gaussian untuk warna pial .......................................................................8 Representasi kurva trapesium untuk umur ayam .....................................................................9 Representasi kurva trapesium untuk angka kematian . ............................................................9 Representasi kurva trapesium untuk suhu tubuh......................................................................9 Representasi kurva gaussian untuk keluaran jenis penyakit . ..................................................10 Ilustrasi proses defuzzifikasi pada inferensia fuzzy ..................................................................10 Tampilan pengisian kesalahan data fuzzy................................................................................10 Pesan peringatan jika kesalahan terjadi pengisian ...................................................................11 Contoh tampilan untuk pengisian data non-fuzzy pada gejala eksudat. ...............................11 DAFTAR LAMPIRAN 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. Halaman Aturan-aturan fuzzy penentuam jenis penyakit pada SPDPPA..............................................17 Diagram pohon yang membentuk kaidah di dalam SPDPPA .................................................18 Deskripsi warna pial berdasar nomor .........................................................................................24 Tabel kombinasi pengujian pertama dengan warna pial = 1 ...................................................24 Tabel kombinasi pengujian kedua dengan warna pial = 2 .....................................................24 Tabel kombinasi pengujian ketiga dengan warna pial = 3 .....................................................24 Tabel kombinasi pengujian keempat dengan warna pial = 4 .................................................25 Tabel kombinasi pengujian kelima dengan warna pial = 5 ....................................................25 Tabel kombinasi pengujian keenam dengan warna pial = 6 ..................................................25 Tabel kombinasi pengujian ketujuh dengan warna pial = 7...................................................26 Tabel kombinasi pengujian kedelapan dengan warna pial = 8..............................................26 Tabel kombinasi pengujian kes embilan dengan warna pial = 9............................................26 Tabel kombinasi pengujian kesepuluh dengan warna pial = 10............................................27 Menu Utama Sistem Pakar Diagnosis Penyakit Pada Ayam (SPDPPA) ..............................27 Contoh tampilan pengisian data fuzzy.........................................................................................28 Contoh tampilan pengisian data non-fuzzy.................................................................................28 Tampilan laporan hasil pemeriksaan..........................................................................................29 Contoh hasil pemeriksaan Laboratorium Patologi ....................................................................30 1 PENDAHULUAN A. Latar Belakang Di dalam usaha peternakan ayam, penyakit merupakan salah satu resiko yang harus dihadapi. Oleh karena itu, mengenal sejak dini gejala masing-masing penyakit, mengetahui sumber penyebabnya serta melakukan upaya pencegahan merupakan hal yang sangat penting bagi suksesnya usaha peternakan (Retno et al 1998). Merebaknya penyakit pernapasan pada ayam di Indonesia banyak memberikan kerugian bagi para peternak terutama peternak kecil. Beberapa penyakit seperti Newcastle Disease (ND) memiliki angka kematian mencapai 100% (Copland,1987). Terlebih lagi Indonesia memiliki iklim tropis yang merupakan kondisi sesuai bagi perkembangbiakan bakteri dan virus (Nurjanah, 2003). Pada beberapa kasus terdapat penyakit yang dapat menular kepada manusia. Oleh karena itu, penanganan terhadap penyakit penyakit tersebut harus segera ditangani sehingga tidak menambah korban jiwa. Gejala penyakit pada ayam memperlihatkan kemiripan sehingga di dalam pendiagnosaan diperlukan kecermatan dan ketelitian dari pakar/ahli (dalam hal ini dokter hewan) terhadap setiap perubahan yang terjadi pada organ tertentu yang mengindikasikan suatu penyakit. Bahkan bukan tidak mungkin apabila kemiripan gejala tersebut menyebabkan perbedaan hasil diagnosa dengan penyakit yang diderita ayam sebenarnya. Untuk memastikan jenis penyakit, pengetahuan anamnese, gejala patognomonis dan gejala klinis dilakukan yang kemudian dilanjutkan dengan uji laboratorium dan pemeriksaan pascamati. Pemeriksaan laboratorium bertujuan untuk melihat perubahan makroskopis dan mikroskopis dari organ-organ yang diidentifikasi terinfeksi penyakit tertentu. Untuk melakukan pendiagnosaan secara seksama, tes darah dan uji laboratorium merupakan cara yang paling sering dilakukan. Bagi peternak kecil, hal ini adalah salah satu kendala yang dihadapi karena keterbatasan alat dan biaya. Oleh karena itu, perlu dikembangkan Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA) yang mampu mengidentifikasi lebih dini penyakit yang dialami ayam. Sistem Pakar menurut Giarratano dan Riley (1998) merupakan sistem komputer yang mengemulsikan kemampuan pakar dalam pengambilan keputusan. Banyak sekali bidang yang telah mengaplikasikan sistem pakar, diantaranya adalah bidang medis. Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA ) merupakan suatu sistem komputer yang dikembangkan untuk mendiagnosa penyakit pada ayam berdasar gejala-gejala klinis dan perubahan makroskopis yang terdapat pada ayam yang diidentifikasi terinfeksi penyakit. Sistem ini dikembangkan dengan berbasiskan pengetahuan (knowledge) yang didapatkan dari pakar/ahli melalui proses akuisisi pengetahuan ke dalam sistem. Pengetahuan (knowledge) yang didapatkan kemudian diolah oleh sistem untuk menghasikan output sebagai hasil diagnosanya. Proses pendiagnosaan pada SPDPPA ini akan memperhitungkan gejala khas suatu penyakit sehingga akan mempercepat proses pemeriksaan. Pengembangan Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA) ini melibatkan pakar dari Laboratorium Patologi Fakultas Kedokteran Hewan IPB sebagai sumber kepakarannya. Dengan demikian, proses evaluasi sistem dapat dilakukan. B. Tujuan Tujuan penelitian ini adalah: 1. Merumuskan fakta dan basis pengetahuan untuk mendiagnosa penyakit ayam. 2. Mengembangkan dan mengimplementasikan Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA ). C. Ruang Lingkup Di dalam pendiagnosaan penyakit pernapasan pada ayam ini, dibatasi pada penyakit yang disebabkan oleh virus. Penyakit tersebut adalah Infectious Laryngotracheitis (ILT), N ew castle Desease (ND) dan Avian Influenza (AI). Masukan dari sistem ini berupa gejalagejala klinis yang ditemukan selama proses diagnosa. Data tersebut kemudian akan dianalisis oleh sistem untuk kemudian dihasilkan keluaran berupa informasi penyakit yang diderita hasil diagnosa, penyebabnya, dan rekomendasi yang harus dilakukan terhadap ayam tersebut. D. Manfaat Sist em Pakar Diagnosa Penyakit Pada Ayam (SPDPPA) ini diharap kan dapat membantu memberikan informasi dalam mendiagnosa penyakit yang menginfeksi ayam. Adapun pengguna sistem ini adalah peternak ayam. Sistem ini juga dapat digunakan sebagai media pembelajaran bagi mahasiswa. 2 TINJAUAN PUSTAKA A. Sistem Pakar Menurut Marimin (2002), sistem pakar adalah sistem komputer berbasis pengetahuan yang terpadu di dalam suatu sistem informasi dasar yang ada, sehingga memiliki kemampuan untuk memecahkan berbagai masalah layaknya seorang pakar. Sistem Pakar merupakan bagian dari Computerized Decision Suport Sistem (CDSS) yang pertama kali dilakukan untuk mencoba meniru di dalam pengambilan keputusan pendekatan tenaga ahli berdasar aturan aturan heuristik dan pengalaman yang dimiliki ketika pembuatan keputusan medis (Weaver, 1991). Di dalam sistem pakar, masukan yang diberikan pengguna dan basis pengetahuan yang telah ada dimasukkan ke dalam komputer untuk kemudian diolah sehingga menghasilkan suatu keluaran suatu keputusan. Elemen–elemen sistem pakar menurut Giarattano (1998), digambarkan sebagai berikut: Basis Pengetahuan Fasilitas Penjelasan Mesin Inferensia Fakta Fasilitas Akuisisi Pengetahuan Antarmuka Pengguna Gambar 1. Struktur Sist em Pakar (Giarattano, 1998) Kaidah produksi ini banyak dikenal pada tahun 1940. Notasi dari kaidah produksi sederhana adalah IF X THEN Y, dengan X adalah antesenden dan Y adalah konsekuen. Berikut adalah contoh sederhana penggunaan kaidah produksi: If harga_ naik THEN permintaan_berkurang Antesenden → Konsekuen Karena sangat pentingnya sistem berbasis kaidah produksi ini, menyebabkan munculnya perkembangan konsep kaidah lainnya seperti Certainty Factor (CF) atau If-Then Fuzzy yang banyak digunakan pada sistem pakar. D. Fakta Fakta merupakan sekumpulan data yang akan digunakan oleh aturan. Dari fakta inilah suatu basis pengetahuan akan dibuat. Apabila terdapat fakta baru terhadap suatu permasalahan, maka akan dijadikan sebagai basis pengetahuan baru dan kaidah (rule) baru pada mesin inferensia dibuat. E. Fasilitas Akuisisi Pengetahuan Akuisisi Pengetahuan adalah proses transfer dan transformasi sumber pengetahuan dari pakar (domain expert) ke dalam program (Jackson, 1999). Proses akuisisi ini dilakukan dengan bantuan Knowledge Engineer yang berperan sebagai mediator antara sistem pakar dengan pakarnya. Proses akuisisi pengetahuan dapat dilihat pada Gambar 2 sebagai berikut: Sumber Pakar tanya jawab Knowledge Engineer hasil Sistem Pakar pengetahuan Gambar 2. Proses Akuisisi Pengetahuan B. Basis Pengetahuan (Knowledge Base) Basis pengetahuan merepresentasikan pengetahuan yang dimiliki oleh pakar. Menurut Marimin (2002), basis pengetahuan merupakan sumber kecerdasan sistem dan dimanfaatkan oleh mekanisme inferensia untuk penarikan suatu kesimpulan. C. Mesin Inferensia Mesin inferesi menyeleksi aturan yang ada berdasar fakta yang ada dan mengeksekusi aturan tersebut dengan prioritas tertinggi (Giarratano, 1998). Di dalam sistem pakar, mesin inferensia ini akan memandu, mengarahkan dan memanipulasi basis pengetahuan sehingga tercapai suatu kesimpulan. Di antara jenis inferensia yang paling populer adalah kaidah produksi. F. Fasilitas Penjelasan Bagian ini memberikan penjelasan kepada pengguna mengenai s istem tersebut. Bagian ini sangat bermanfaat bagi pengguna untuk mengetahui bagaimana sistem dapat memutuskan suatu kesimpulan. G. Antarmuka Pengguna (User interface) Antarmuka pengguna merupakan bagian yang berperan sebagai media komunikasi antara pengguna dengan sistem yang terbentuk. Pembuatan antarmuka yang baik akan menjamin pengguna untuk menggunakan sistem dengan mudah. 3 Fungsi Keanggotaan Himpunan crisp atau himpunan biasa adalah himpunan yang keanggotaannya dapat didefinisikan dengan jelas. Fungsi keanggotaan pada Himpunan crisp ini diformulasikan sebagai berikut: µ A( x) : x → {0,1} ; sehingga suatu objek bisa kita katakan masuk dalam himpuan tersebut atau tidak. Dengan kata lain derajat keangotaaan dari sebuah objek pada himpunan crisp adalah 0 atau 1. Logika Fuzzy merupakan salah satu cara penanganan ketidakpastian sebagai generalisasi himpunan biasa yang menjadikan suatu objek memiliki derajat keanggotaan (degree of membership function) antara 0 sampai 1. Fungsi keanggotaan dari Himpunan Fuzzy sebagai berikut: µ A( x ) : x → [0 ,1] . Pendekatan fungsi berikut ini (Kusumadewi, 2002) dapat digunakan untuk menentukan nilai dari suatu keanggotaan. 1. Representasi Kurva Segitiga (Triangle) derajat keanggotaan a b c domain Fungsi Keangotaan: x ≥ c atau x ≤ a 0;   µ[ x ] = ( x − a) /(b − a); a ≤ x ≤ b  (c − x) /(c − b); b ≤ x ≤ c  2. Representasi Kurva Trapesium Fungsi Keangotaan: 0;  (x − a) /(b − a);  µ[ x] =  1;   (c − x) /(c − b); x ≤ a atau x ≥ d a ≤ x ≤b b≤ x≤c c≤ x≤d 3. Representasi Kurva Gaussian Derajat keanggotaan H. Logika Fuzzy Logika Fuzzy (Fuzzy Logic) merupakan pegembangan dari teori himpunan Fuzzy yang pertama kali dikenalkan oleh Lotfi Zadeh pada tahun 1965 (Jackson, 1999). domain Fungsi Keanggotaan: − ( x− µ )2 G ( x; µ ; σ ) = e 2σ 2 Himpunan Fuzzy Himpunan fuzzy adalah teknik yang secara matematis mampu mengekspresikan keambiguan dalam bahasa (Marimin,2002). Sebagai co ntoh jika seseorang dikatakan tua, kita tak dapat mendefin isikan dengan tepat berapa tahunkah seseorang dikatakan tua. Dengan himpunan fuzzy ini, kasus keambiguan di atas dapat ditangani. Pengembangan sistem fuzzy dapat diterapkan dalam berbagai bidang, seperti pemodelan, teknologi aplikatif dan sistem pakar. Dalam sistem pakar , Marimin (2002) menyebutkan sistem fuzzy berguna untuk merepresentasikan pengetahuan pada lingkungan yang tidak pasti dan tidak lengkap. Sistem Inferensia Fuzzy (FIS -Fuzzy Inference System ) Sistem ini menerangkan tentang teknik penarikan kesimpulan berdasar pada aturan tertentu. Penyeleksian aturan if-then fuzzy adalah komponen utama dari fuzzy inference sistem yang mampu untuk memodelkan keahlian manusia lebih spesifik (Jang et al., 1997). Penalaran metode Mamdani Metode Mamdani diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Pada metode ini, baik masukan (antesenden) maupun keluaran (konsekuen) sistem berupa derajat keanggotaan a b c domain d 4 himpunan fuzzy. Dengan konsep tersebut, metode ini memiliki beberapa keuntungan antara lain: lebih intuitif, lebih diterima oleh banyak pihak dan lebih cocok apabila input diterima dari manusia (bukan mesin) (Kusumadewi, 2002). Defuzzifikasi metode Centroid Defuzzifikasi adalah pengubahan keluaran fuzzy ke dalam keluaran yang bernilai tunggal (crisp). Oleh karena itu, masukan dari poses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan keluarannya adalah suat u bilangan pada domain himpunan fuzzy tersebut (Kusumadewi, 2002). Defuzzifikasi metode Centroid adalah teknik yang solusi nilai tunggalnya didapatkan dengan mengambil tit ik pusat daerah fuzzy. Secara umum dapat diformulasikan sebagai berikut: z= ∫ zµ ( z )dz z ∫ µ ( z) dz z n atau z= ∑z j µ(z j ) j= 1 n ∑ µ(z j =1 j ) I. Proses Hierarki Analitik (AHPAnalytical Hierarchy Process) AHP ditemukan oleh Dr. Thomas L.Saaty pada tahun 1970. Prinsip kerja dari AHP dapat dijelakan sebagai berikut: pertama, proses penyederhanaan persoalan kompleks yang tidak terstruktur dan dinamis dalam suatu hierarki. Kedua, komparasi dan pemberian nilai numerik setiap variabel. Dengan melakukan komparasi berpasangan (pairwise comparisons) pengguna dapat memberikan bobot kriteria. Proses ini menghasilkan variabel yang berpengaruh dominan terhadap hasil. Sebagai sistem analisa, AHP memiliki beberapa keunggulan antara lain: a. Saling Ketergantungan: AHP menangani saling ketergantungan antara elemen-elemen dalam sistem sehingga tidak memaksakan pemikiran linier. b. Konsistensi: AHP melacak konsistensi logis dari pertimbangan-pertimbangan yang digunakan untuk menetapkan berbagai prioritas. c. Kompleksitas: AHP memadukan pendekatan deduktif dan pendekatan berdasar sistem dalam memecahkan persoalan kompleks. J. Penyakit ayam Penyakit pada ayam dapat ditimbulkan oleh berbagai sebab seperti: virus, bakteri, jamur, caplak . Terdapat jenis penyakit ayam yang dapat menular kepada manusia (zoonosis) seperti flu burung dari galur patogenik (Suharsono, 2002). Adapun penyakit ayam yang disebabkan oleh virus antara lain: a. Avian Influenza (AI) / Flu Burung Sebab: virus Avian Influenza AI dapat digolongkan pada sedang dan bahaya secara patogenik. Virus AI dapat menyerang semua umur ayam. Gejala klinis dicirikan dengan kelesuan, pernapas an terganggu yang ditandai dengan keluarnya lendir encer bening, warna jengger pucat membiru serta terdapat perdarahan di bawah kulit berupa bercak merah pada dada, sayap atau kaki bahkan kematian mendadak. (Soejoedono dan E.Handharyani, 2005). Ciri lainnya yang mirip dengan penyakit ayam lainnya adalah suhu tubuh yang meningkat di atas 43 derajat celcius, kepala bergetar serta tinja yang encer berwarna putih. T ingkat kematian ayam karena penyakit AI bisa mencapai 100 persen. Bahkan sekarang ini virus Avian Influenza jenis (H5N1) dapat menyebabkan kematian pada manusia. Berdasar data dari Depkes (www.depkes.go.id.), di Indonesia terdapat 143 kasus flu burung, 17 orang yang positif mengidap, 12 orang meninggal dunia dan 5 cluster keluarga yang terinfeksi. Jumlah tersebut mungkin dapat bertambah apabila tidak dilakukan penanganan lebih dini. b. Newcastle Disease (ND) Sebab: virus Paramixovirus Terdapat tiga bentuk ND: 1). Mildly Pathogenic (lentogenic), 2). Moderately Pathogenic (mesogenic), 3).Higly Pathogenic (velogenic). ND ditandai dengan serangan mendadak pada gejala klinisnya seperti suara parau pada ayam, kepala ayam yang berputar, tinja ayam encer berwarna kehijauan. Pada ND tidak terjadi perdarahan di bawah kulit sehingga dapat dibedakan dengan AI. Virus ini juga dapat menyerang ayam semua umur. Tingkat kematian penyakit ini berkisar 10-80 persen ber gantung pada tingkat patogeniknya (Copland, 198 7). c. Laryngotracheitis Infectiosa (ILT) Sebab: Herpa virus Dalam masa akut terlihat konjungtivitis kataral (keruh), rinitis juga bersifat kataral. Yang paling menyolok adalah kesulitan pernapasan. Ayam yang terkena virus ini dapat mengeluarkan darah pada lendirnya disebabkan trakea yang terinfeksi (Butcher et al.,2005) Sewaktu bernapas kepala ditegakkan 5 setinggi mungkin dan paruhnya dibuka sedangkan saat menghembuskan napas kepala ditundukkan ke bawah dan mata ditutup (Resang,1983). Tingkat kematian ILT ini umumnya lebih rendah dibandingkan AI dan ND. Biasanya ILT menyerang ayam pada usia dara dan dewasa. Ayam mengalami cyanosis pada muka dan jengger. mulai Identifikasi gejala penyakit ayam Penentuan bobot gejala penyakit Dengan model AHP METODE PENELITIAN A. Kerangka Pemikiran Kemiripan gejala yang ditimbulkan oleh beberapa penyakit pada ayam terkadang menimbulkan kesulitan di dalam pembuatan kesimpulan tentang jenis penyakit yang diderita. Dengan menggunakan pendekatan fuzzy dalam basis data pengetahuan berbasis rule, SPDPPA (Sistem Pakar Diagnosa Penyakit Pada Ayam) proses pendiagnosaan jenis penyakit pada ayam dengan gejala yang mirip lebih mudah untuk dilakukan. Salah satu teknik di dalam penanganan ketidakpastian adalah dengan Fuzzy Inference System (FIS). Pada penelitian ini, FIS digunakan sebagai mesin inferensia untuk membangun fakta-fakta berupa gejala klinis dan patognomonis ayam yang terserang penyakit untuk dijadikan basis pengetahuan. Penentuan jenis penyakit dilihat dari hasil anamnese berupa umur ayam, gejala patognomonis berupa angka kematian serta gejala klinis, seperti: warna pial, kondisi tinja, kondisi eksudat, terjadinya perdarahan dan perubahan sistem saraf. Diagram konsep penelitian diperlihatkan pada Gambar 3. B. Tata Laksana Penelitian yang dilakukan terbagi menjadi beberapa tahapan, yaitu: 1. Analisis kebutuhan 2. Proses Akuisisi Pengetahuan 3. Penambahan Basis Pengetahuan 4. Pembuatan Program 5. Desain Antarmuka Pengguna 6. Verifikasi dan validasi sistem Analisis kebutuhan Untuk mendiagnosa penyakit pada ayam ini melibatkan pihak lain seperti pakar dari laboratorium patologi dan dokter hewan Fakultas Kedokteran Hewan IPB sebagai sumber pakar (domain expert). Dalam hal ini penulis berperan sebagai Knowledge Engineer. Pengelompokan data fuzzy & non-fuzzy Membuat kaidah fuzzy Dengan FIS Membuat kaidah produksi Implementasi Verifikasi & validasi selesai Gambar 3. Diagram konsep penelitian Proses Akuisisi Pengetahuan Penyerapan pengetahuan dari domain expert dilakukan dengan melakukan wawancara langsung maupun membuat quisioner. Untuk menambah pengetahuan juga kajian terhadap pustaka dilakukan. Penambahan Basis Pengetahuan Informasi yang telah diperoleh dari domain expert kemudian disimpan dalam basis data pengetahuan berbasis kaidah produksi (rule). Pembuatan Pro gram Pembuatan program mencakup pembuatan inferensia berdasar basis pengetahuan yang dikodekan ke dalam sistem. Untuk data fuzzy digunakan FIS sebagai mesin inferensianya. Adapun untuk data non-fuzzy, inferensia yang digunakan menggunakan kaidah produksi atau if-then rule. Dari Gambar 4 dapat dijelaskan sebagai berikut. Permasalahan nyata yang terjadi di lapangan direpresentasikan ke dalam bahasa natural. Setelah itu, dilakukan proses fuzzifikasi yaitu proses perubahan masukan tunggal menjadi beberapa nilai linguistik yang sesuai. Nilai linguistik tersebut kemudian dihitung dengan proses komputasi fuzzy. Hasil 6 komputasi fuzzy masih berupa gugus fuzzy yang sehingga perlu dilakukan proses defuzzifikasi agar menghasilkan nilai tunggal (crisp). Penyelesaian Sistem Pakar Fuzzy (Fuzzy Expert System) dijelaskan pada diagram alir Gambar 4. Analisis Kebutuhan Desain Sistem Implementasi Sistem Permasalahan Nyata Integrasi Sistem Pemeliharaan Sistem Representasi Bahasa Natural Fuzzifikasi Komputasi Secara Fuzzy Defuzzifikasi Solusi Gambar 4. Diagram Alir Sistem Fuzzy (Marimin, 2002) Desain Antarmuka Pengguna Parameter-parameter masukan akan disajikan dalam antarmuka Graphical User Interface (GUI) sehingga pengguna hanya mengklik dan mengisikan jawabannya. Antarmuka Pengguna dirancang secara interaktif sehingga mudah dip aham i oleh pengguna dalam menjalankan sistem. Verifikasi dan validasi Sistem pakar yang telah selesai akan diujikan kepada pakarnya yang dalam hal ini adalah ahli patologi ayam dari Fakultas Kedokteran Hewan IPB. Tujuan dari verifikasi ini adalah agar sistem pakar yang diperoleh mewakili ahli (human expert). C. Pengembangan Sistem Metode pengembangan perangkat lunak yang digunakan adalah software lifecycle. Metode ini merupakan model fundamental dari aktivitas pengembangan perangkat lunak (Soumerville, 2001), yang terdiri dari: analisis kebutuhan sistem, desain sistem, implementasi sistem, integrasi sistem dan pemeliharaan sistem. Gambar 5. Alur Pengembangan Software Lifecycle ( Soumerville , 2001). Analisis Kebutuhan Pada tahap ini dilakukan pendefinisian masalah penyakit ayam yang memiliki kesamaan apabila dilihat dari gejala klinis yang ada. Gejala klinis merupakan gejala yang dapat dilihat apabila terjadi perubahan makroskopis pada bagian tertentu dari ayam. Kemiripan gejala itulah yang menyebabkan kesulitan di dalam pendiagnosaan tahap awal sebelum dilakukan pembedahan atau uji laboratorium. SPDPPA yang dibangun akan melakukan proses diagnosa tahap awal untuk membantu di dalam pengambilan keputusan berikutnya baik melakukan tes darah (serologi), pengisolasian ayam yang diduga terinfeksi atau bahkan mungkin dilakukan pemutusan rantai penyakit dengan jalan kematian. Desain Sistem Desain sistem dibuat untuk memberikan gambaran tentang sistem yang dibangun. Desain sistem ini terbagi menjadi tiga bagian, yaitu : a. desain masukan. P engguna akan melakukan proses pemasukan data. Pada SPDPPA ini data mas ukan dapat dilihat pada Tabel 1. Data fuzzy dan non-fuzzy didapatkan melalui konsultasi bersama dengan pakar. Tabel 1. Parameter m asukan SPDPPA No 1 2 3 4 5 6 7 8 9 Gejala Satuan Warna Pial Warna Angka Kematian Persen (%) Suhu Tubuh Celcius (0 C) Umur Ayam Minggu Eksudat/ lendir Trakea Perdarahan bawah kulit Sistem Saraf Tinja - Ket data fuzzy data fuzzy data fuzzy data fuzzy non-fuzzy non-fuzzy non-fuzzy non-fuzzy non-fuzzy 7 b. desain proses. Desain ini dilakukan untuk mendeskripsikan urutan kejadian dari mulai proses masuknya data sampai dengan sistem memberikan hasil keluaran. Pada SPDPPA, terbagi menjadi dua, yaitu proses diagnosa fuzzy dan diagnosa non fuzzy. Pengguna terlebih dahulu akan melakukan diagnosa fuzzy dengan memasukkan data fuzzy di atas. Keluaran (output) dari diagnosa fuzzy ini kemudian akan digunakan sebagai masukan pada diagnosa berikutnya. c. desain keluaran. Desain keluaran dirancang untuk memudahkan pengguna mengetahui keluaran sistem. Pada SPDPPA ini keluaran berupa hasil diagnosa penyakit yang diderita oleh ayam setelah melewati proses diagnosa fuzzy dan non-fuzzy, beserta informasi tambahan atau saran yang diberikan sistem bagi pengguna. Implementasi Sistem Di bagian ini, kebutuhan perangkat lunak yang mendukung SPDPPA ditentukan, seperti Sistem Operasi, tools tertentu yang relevan dan bahasa pemrograman yang digunakan . Di samping itu perangkat keras yang digunakan dalam membangun sistem ini harus mendukung. Sistem Operasi yang digunakan dalam pengembangan SPDPPA adalah Windows XP Profesional Edition. Sedangkan Matlab 6.5 digunakan sebagai bahasa pemrograman. Inte grasi Sistem SPDPPA yang dibuat diintegrasikan dalam bentuk simulasi program setelah melalui tahap sebelumnya. Pemeliharaan Sistem Tahap ini merupakan tahap akhir di dalam pengembangan sistem. Dalam tah ap ini sistem yang telah dibuat akan dievaluasi. Proses evaluasi memungkinkan terjadinya perubahan jika terjadi penambahan informasi dan perbaikan sesuai dengan kebutuhan pengguna. D. Rancang Bangun Sistem Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA) dikembangkan dengan menggunakan perangkat lunak Matlab versi 6.5. Matlab Versi 6.5 telah menyediakan toolbox fuzzy logic yang menyediakan fasilitas Fuzzy Inference System (FIS). Diagram pendiagnosaan Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA ) diperlihatkan pada Gambar 6. Ayam yang sakit memiliki kondisi yang secara umum loyo, tampak lemah, depresi sehingga dapat dibedakan dengan ayam sehat. mulai tidak sakit ? ya - keluar data fuzzy warna pial umur ayam angka kematian suhu tubuh fuzzy inference system (FIS) data non-fuzzy - gejala eksudat/lendir gejala trakea gejala perdarahan bawah kulit gejala sistem saraf gejala tinja identifikasi penyakit Gambar 6. Proses pendiagnosaan penyakit ayam pada SPDPPA . Pembobotan Parameter Pembobotan dilakukan melalui konsultasi dengan pakar. Bobot tersebut diperoleh dengan metode Analytical Hierarchy Proces (AHP). Setiap parameter tersebut dibandingkan secara relatif terhadap parameter lain dilihat dari tingkat kepentingannya. Tujuan pembobotan adalah untuk menetapkan gejala yang memiliki prioritas tertinggi dalam pemeriksaan. Perolehan nilai bobot parameter ini didapatkan dengan bantuan perangkat lunak Criterium DecisionPlus versi 3.0.4 Adanya pembobotan ini dapat memberikan pengaruh dalam proses penarikan kesimpulan saat mendiagnosa penyakit. Penjelasan dan Rekomendasi Sistem Setelah melakukan proses diagnosa dilakukan sistem akan merekomendasikan langkah yang harus dilakukan oleh pengguna sehingga membantu memberikan keputusan. Bagian ini terdapat pada fasilitas pelaporan. HASIL DAN PEM BAHASAN A. Pemodelan Sistem Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA) dikembangkan untuk mendeteksi secara dini penyakit yang terdapat pada ayam. Pendeteksian penyakit ini 8 menggunakan delapan parameter / kriteria yang masing–masing dilakukan pembobotan terlebih dahulu. Pembobotan dilakukan dengan perbandingan berpasangan. Menggunakan Analytical Hierarchy Proces s (AHP). Setiap parameter dibandingakan relatif terhadap parameter lainnnya. Kesembilan parameter yang digunakan tersebut dikelompokkan menjadi dua , yaitu data fuzzy dan data non fuzzy. Pengelompokan dapat dilihat pada Tabel 2 berikut: Tabel 2. Karakteristik p arameter masukan SPDPPA No Gejala 1 Warna Pial 2 Angka Kematian 3 Suhu Tubuh 4 Umur Ayam 5 Eksudat/ lendir 6 Trakea 7 Perdarahan bawah kulit 8 Sistem Saraf 9 Tinja Tabel No 1 2 3 4 5 6 7 8 9 3. Satuan Warna Persen (%) Ket data fuzzy data fuzzy Celcius (0C) Minggu - data fuzzy data fuzzy non-fuzzy non-fuzzy non-fuzzy - non-fuzzy non-fuzzy Hasil pembobotan SPDPPA Parameter Kondisi Eksudat Gejala Trakea Warna Pial / Jengger Perdarahan Bawah Kulit Kondisi Kepala (bergetar/berputar) Angka Kematian Suhu Tubuh Kondisi Tinja Umur Ayam dan merah-kebiruan. Fungsi keanggotaan warna pial dirumuskan sebagai berikut: 2 µ merah [ x ] = ( 0 ; 0 ,138 ) = e − ( x −0 ) 2 ( 0 ,138 ) 2 − ( x − 0 ,521 ) µ pucat [ x ] = ( 0 ,521 ;0 ,154 ) = e 2 ( 0,154 ) 2 2 − ( x − 0,970) 2 µ merah- kebiruan [ x] = (0,970 ;0, 217 ) = e 2( 0,217) 2 . Ayam yang terserang penyakit umumnya menunjukkan perubahan pada warna pialnya. Pial pada ayam yang sehat biasanya berwarna merah. Pial akan semakin membiru seiring dengan masuknya penyakit ke tubuh ayam. Ayam yang menderita virus Avian Influenza memiliki warna pial yang pucat bahkan sampai merah kebiruan. parameter Bobot 0,331 0,331 0,234 0,137 0,110 0,073 0,059 0,035 0,020 Berdasar hasil wawacancara pakar dan perhitungan AHP, dihasilkan nilai pembobotan parameter masukan yang dapat dilihat pada Tabel 3. B. Proses Inferensia Fuzzy Proses Fuzzifikasi a. Warna Pial / Jengger Warna dikelompokkan ke dalam data fuzzy karena untuk menentukan warna pial ini sangat subjektif bergantung pada kondisi orang yang melihatnya. Oleh karena itu, sistem memberikan pilihan warna secara fleksibel. Pada SPDPPA pengguna akan diberi pilihan gradasi warna sebanyak 10 jenis. Warna tersebut dimulai dari warna merah kemudian makin memucat hingga sampai pada warna merah kebiruan. Setiap warna pial tersebut memiliki derajat keanggotaan masing-masing. Representasi warna pial berupa kurva gaussian (Gambar 7) yang dikelompokkan menjadi merah, pucat Gambar 7. Representasi kurva gaussian untuk warna pial. b. Umur Ayam Pada sistem pengguna akan memasukkan umur ayam dalam satuan minggu. Umur ayam dapat dikelompokkan menjadi muda, dara dan dewasa. Ayam muda berumur 1 sampai 16 minggu, dara berumur 14 sampai 22 minggu dan dewasa berumur 21 sampai 30 minggu. Penyakit ILT misalnya, kebanyakan menyerang ayam berumur dara. Representasi umur ayam berupa kurva trapesium (Gambar 8). Fungsi keanggotaan umur ayam dirumuskan sebagai berikut: 0;   µmuda[x]=  1; (16− x) /(16−13); 0;  ( x −14) /(18−14); µdara[x] =  1;  (22− x) /(22−20) x ≤ 14 atau x ≥ 22 0;   µdewasa[x] = ( x− 21) /(22− 21); x ≤ 21 atau x ≥ 30 21 ≤ x ≤ 22  1; x ≤ 1 atau x ≥ 16 1 ≤ x ≤ 13 13 ≤ x ≤ 16 14 ≤ x ≤ 18 18 ≤ x ≤ 20 20 ≤ x ≤ 22 22 ≤ x ≤ 30 9 Gambar 8. Representasi kurva untuk umur ayam. trapesium c. Angka kematian Angka kematian merupakan salah satu faktor yang dapat dijadikan acuan untuk mendiagnosa penyakit. Angka kematian dikelompokkan menjadi rendah, sedang dan tinggi dalam proses fuzzifikasi. Pada SPDPPA, pengguna akan memberikan masukan angka kematian berupa presentase. Dari ayam yang tampak sakit ini, berapa presentase kematiannya. Bila terjadi kasus kematian mendadak, maka nilai angka kematian sudah tergolong tinggi mencapai sampai 100 persen. Penyakit Avian Influenza dan Newcastle Disease memiliki angka kematian yang tinggi. Terkadang ayam tidak menunjukkan gejala klinis terlebih dahulu. Representasi angka kematian berupa kurva trapesium yang terlihat pada Gambar 9 dengan fungsi keanggotaan sebagai berikut: 0;   µrendah[x]=  1; (30− x)/(30− 20); x ≤ 0 atau x ≥ 30 0;  ( x −22) /(33−22); µsedang[x]=  1;  (60− x) /(60−45) 0;   µtinggi[x]= ( x −50) /(60−50);  1; x ≤ 14 atau x ≥ 22 Gambar 9. 0 ≤ x ≤ 20 20 ≤ x ≤ 30 14 ≤ x ≤ 18 18 ≤ x ≤ 20 20 ≤ x ≤ 22 x ≤ 50 atau x ≥ 100 50 ≤ x ≤ 60 60 ≤ x ≤ 100 Representasi kurva trapesium untuk angka kematian. yaitu: normal dan tinggi. Pada ketiga penyakit, baik ILT, ND atau AI suhu tubuh ayam akan meningkat. Suhu tubuh ayam normal berkisar 41,2 0C sampai 42,8 0C. Di sisi lain ayam yang menderita sakit baik AI, ND dan ILT suhu tubuhnya dapat naik mencapai lebih dari 43 0 C. Suhu tubuh direpresentasikan dalam bentuk kurva trapesium (Gambar 10). Adapun fungsi keanggotaan dirumuskan sebagai berikut: x ≤ 39 atau x ≥ 43,5 0;   (x −39) /(41,2 − 39); 39 ≤ x ≤ 41, 2 µnormal[x] =  1; 41, 2 ≤ x ≤ 42,8  42,8 ≤ x ≤ 43,5 (43,5 − x) /(43,5 − 42,8) 0;  x ≤ 42, 7 atau x ≥ 50  µtinggi[x]= ( x −42,7) /(43,5 −42,7); 42, 7 ≤ x ≤ 43, 5  1; 43, 5 ≤ x ≤ 50 Gambar 10. Representasi kurva untuk suhu tubuh. trapesium Proses Defuzzifikasi Dari empat himpunan fuzzy di atas dibentuk suatu aturan (rule) untuk menghasilkan suatu keluaran. Sebagai contoh aturan fuzzy adalah sebagai berikut: If angka_kematian is tinggi and umur_ayam is muda and warna_pial is merah-kebiruan then sangat mendukung AI Aturan–aturan untuk himpunan fuzzy secara lengkap dapat dilihat pada Lampiran 1. Setelah dibuat aturan, nilai keluaran berupa data kuantitatif tersebut didefuzzifikasi. Keluaran dari dari proses fuzzy ini adalah diagnosa sementara dari penyakit Infectious Laryngotracheitis (ILT), Newcastle Disease (ND), Avian Influenza (AI). Tiap penyakit terbagi menjadi mendukung dan sangat mendukung dengan skor tertentu. D ari skor tersebut, derajat keanggotaan suatu penyakit dapat diketahui. Adapun fungsi keanggotaan untuk hasil keluaran data fuzzy dirumuskan dalam fungsi gaussian sebagai berikut: − ( x − ( − 0 ,1 ) d. Suhu Tubuh Pada SPDPPA suhu tubuh termasuk dalam himpunan data fuzzy dengan satuan derajat celcius (0C). Pada proses fuzzifikasi suhu tubuh dikelompokkan menjadi dua, µ M − ILT [x] = ( − 0 ,1; 0 ,1 ) = e 2 ( 0 ,1 ) 2 − ( x − 0 , 1) 2 µ SM − ILT [ x ] = ( 0 ,1 ; 0 ,1 ) = e 2 ( 0 ,1 ) 2 2 10 Pada ilustrasi Gambar 12 di atas, nilai crisp defuzzifikasi ada lah 0,796 yang berarti mendukung AI. Hasil dari proses inferensia fuzzy yang sudah bernilai tunggal (crisp) kemudian akan diteruskan dengan pendiagnosaan parameter-parameter nonfuzzy. Pengisiaan data fuzzy memberikan keleluasaan bagi pengguna selama tidak melebihi batasan selang nilai yang diperkenankan oleh sistem. Ini merupakan bentuk validasi sistem. Apabila pengguna salah dalam memasukkan data fuzzy (Gambar 13), maka sistem akan memberikan peringatan. Sebagai contoh apabila pengguna memasu kkan warna pial yang salah. Tampilan pengisian data fuzzy SPDPPA terlihat pada Lampiran 15. − ( x − 0,3) 2 µ M − ND [ x ] = ( 0 , 3; 0 ,1) = e µ SM 2 ( 0 ,1 ) 2 = ( 0 , 5 ; 0 ,1 ) = e − ND [ x ] − ( x − 0,5) 2 ( 0 ,1 ) 2 2 − ( x − 0,7 ) 2 µ M − AI [ x ] = ( 0 , 7 ;0 ,1 ) = e 2 ( 0 ,1 ) 2 − ( x −0 , 9 ) µ SM − AI [ x ] = ( 0 , 9 ;0 ,1 ) = e 2 ( 0 , 1) 2 2 Gambar 11. Representasi kurva gaussian unt uk keluaran jenis penyakit Proses defuzzifikasi dari masukan warna pial, angka kematian umur dan suhu dapat diilustrasikan pada Gambar 12. Proses defuzzifikasi pada SPDPPA akan menghasilkan suatu nilai tunggal (crisp) akan menghasilkan keluaran mendukung ILT, sangat mendukung ILT, mendukung ND, sangat mendukung ND, mendukung AI atau sangat mendukung AI yang akan bergantung pada nilai defuzzifikasinya. Setiap masukan dieksekuasi oleh rule fuzzy dengan implikasi and sehingga kita mengambil nilai fungsi keanggotaan yang minimal dari masukan untuk mendapatkan keluaran. Pada ilustrasi terdapat lima rule fuzzy. Keluaran tersebut kemudian diagregasikan sehingga terbentuklah suatu daerah fuzzy. Metode Centroid akan mengambil nilai tengah dari daerah fuzzy. B C D E Agregasi A Defuzzifikasi Keterangan: A : angka kematian = 80 persen B : umur ayam = 24 minggu C : warna pial = 0.80 D : suhu tubuh = 44 C E : Nilai hasil defuzzifikasi metode Centroid = 0,796 Gambar 12. Ilustrasi proses defuzzifikasi pada inferensia fuzzy Gambar 13. Tampilan pengisian kesalahan data fuzzy warna pial Setelah pengguna melakukan pengisian data fuzzy, sistem akan memberikan keluaran berupa diagnosa sementara sebagai informasi yang diterima oleh pengguna. Pengguna kemudian melakukan diagnosa lanjutan berupa pemeriksaan gejala-gejala non-fuzzy. Gejala tersebut adalah: 1. gejala eksudat/lendir 2. gejala trakea 3. gejala perdarahan bawah kulit 4. gejala perubahan sistem saraf 5. gejala pada tinja 11 Gambar 14. Pesan peringatan jika kesalahan terjadi pengisian . Gejala non-fuzzy yang akan dilihat pertama kali adalah kondisi eksudat/lendir yang terdapat pada ayam yang terkena penyakit, lalu gejala perdarahan bawah kulit, gejala sistem saraf dan gejala pada tinja. Pemilihan gejala pada ekudat/lendir ini berdasar pada hasil pembobotan AHP. Ketika dengan gejala pada eksudat ini telah dianggap mencukupi oleh sistem untuk mengidentifikasi penyakit, sistem akan langsung memberikan peringatan bahwa pemeriksaan telah selesai. Akan tetapi jika belum selesai, akan diteruskan dengan pemeriksaan perdarahan bawah kulit dan seterusnya. Tampilan pengisian pada gejala non-fuzzy ini berupa pemilihan (Gambar 15) sehingga pengguna akan memilih satu dari beberapa pilihan yang diberikan oleh sistem. Penyakit Avian Influenza misalnya dapat diidentifikasi apabila hasil keluaran proses fuzzy M-AI dan terdapat eksudat/lendir yang dikeluarkan dari hidung atau mata. Gambar 15. Contoh tampilan untuk pengisian data non-fuzzy pada gejala eksudat. Akan tetapi, jika pada saat pemeriksaan eksudat tidak mengeluarkan menunjukkan gejala atau tidak mengeluarkan eksudat, sistem akan menampilkan tampilan berikutnya, yaitu m emeriksa gejala pada trakeanya. Kaidah yang berlaku adalah sebagai berikut: If M-AI and tidak_terdapat_eksudat, maka periksa gejala pada trakea. Sebetulnya pemeriksaan trakea termasuk pada pemeriksaan bedah bangkai. Akan tetapi, menurut pakar, pemeriksaan trakea relatif mudah dilakukan oleh orang awam. Dengan demikian sistem memberikan saran agar dilakukan pemeriksaan. Pada trakea ini kemungkinan hanya terdapat bintik darah atau terjadi perdarahan. Apabila pada trakea hanya terdapat bintik darah maka sistem akan mengidentifikasi bahwa ayam terkena penyakit AI dengan tingkat kepercayaan yang tinggi. Di lain pihak, bila pada trakea sampai terjadi perdarahan, sistem akan mengidentifikasi bahwa ayam terkena ILT dengan kepercayaan yang rendah. Dengan demikian kaidah yang berikutnya adalah: If M-AI and tidak_terdapat_eksudat, maka and terdapat bintik darah pada trakea maka ayam teridentifikasi AI dengan tingkat kepercayaan = 1 If M-AI and tidak_terdapat_eksudat, maka and perdarahan pada trakea maka ayam teridentifikasi ILT dengan tingkat keper cayaan = 0,65 Untuk penarikan kesimpulannya digunakan aturan if-then. Aturan-aturan tersebut jelaskan pada diagram pohon pada Lampiran 4. Apabila proses pendiagnosaan selesai, pengguna dapat melihat laporan hasil diagnosa yang telah dilakukan SPDPPA. Pada laporan hasil diagnosa, terdapat saran yang direkomendasikan oleh sistem bagi pengguna. Saran tersebut membantu pengguna di dalam menentukan keputusan berkaitan dengan keadaan ayam yang mereka periksa. C. Verifikasi Sistem Verifikasi sistem dilakukan dengan melakukan kombinasi masukan beberapa gejala penyakit. Verifikasi pertama yang dilakukan adalah pengujian untuk masukan data fuzzy. Verifikasi sistem ini dilakukan oleh pakar patologi penyakit ayam Fakultas Kedokteran Hewan IPB (FKH-IPB). Tujuan verifikasi data fuzzy ini untuk melihat sejauh mana hasil proses diagnosa yang dilakukan dengan dengan fuzzy inference system sehingga SPDPPA yang dibuat bisa mewakili pakar (human expert). Pada penelitian ini dilakukan pengujian masukan sebanyak 120 pengujian yang terbagi menjadi 10 kelompok berdasar warna pial. Pembagian ke dalam 10 kelompok ini melihat bahwa berdasar pembobotan hasil AHP, warna pial memiliki bobot lebih tinggi dibandingkan gejala data fuzzy lainnya sehingga perubahan warna pial ini lebih diperhitungkan. Adapun rincian kombinasi masukan dijelaskan Pada Tabel 4 berikut: 12 Tabel 4. Parameter data fuzzy verifikasi sistem. satuan warna pial warna 1 - 10 masukan umur angka ayam kematian minggu persen 20 30,40,50,60 suhu tubuh 0 C 43,44,45 Pemilihan beberapa parameter pengujian tersebut didasarkan pada: - warna pial merupakan ciri yang paling dapat membedakan di antara beberapa parameter fuzzy lainnya. - Umumnya penyakit AI dan ND dapat menyerang segala umur. Adapun ILT biasanya menyerang ayam berumur dara yang berkisar 20 minggu. - angka kematian yang tinggi biasanya akan cenderung mengarah ke hasil sangat mendukung ND atau sangat mendukung AI bergantung warna pialnya. Namun pada kenyataannya, saat pemeriksaan kita tidak harus menunggu sampai presentase ayam yang mati tinggi. - Ayam yang menderita AI, ND maupun ILT sama-sama memiliki suhu tubuh yang relatif tinggi ketika ayam terserang. Hasil Pengujian Sistem Deskripsi warna pial untuk pengujian sistem dapat dilihat pada Lampiran 3. Lampiran 4 sampai dengan 13 menunjukkan hasil pengujian berupa skor hasil defuzzifikasi berikut derajat keanggotaan untuk setiap penyakit yang terdiagnosa. Berdasar hasil pengujian, untuk mendiagnosa penyakit Newcastle Disease (ND) dengan tingkat mendukung, dapat dicirikan sebagai berikut: warna pial ayam berada pada kelompok 1, umur ayam tergolong dara 20 minggu, suhu tubuh yang tinggi antara 430C sampai 450C dengan tingkat kematian sedang 30 persen hingga mencapai 50 persen. Di sisi lain, angka kematian y ang mencapai 60 persen akan memberikan hasil sangat mendukung ND. Nilai skor hasil defuzzifikasi dan derajat keanggotaan (a ) mendukung ND diperlihatkan pada Tabel 5. Adapun hasil diagnosa fuzzy sangat mendukung ND, diperlihatkan pada T abel 6. Tabel 5. Skor defuzzifikasi dan a mendukung Newcastle Disease (ND) pada SPDPPA pial (1) umur/ minggu 20 angka mati/ % 30 40 50 suhu tubuh/ 0 C 43 44 45 skor ratarata a rata rata 0,32 0,969 Berdasar verifikasi, dengan hasil diagnosa sementara tersebut, pemeriks aan terhadap data non-fuzzy perlu dilakukan. Pada gejala-gejala non-fuzzy, penyakit Newcastle Disease (ND) ditandai dengan eksudat yang kental, terdapat bintik darah pada trakea, kepala berputar dan tinja yang berwarna hijau. Apabila pada eksudat tidak ditemukan gejala yang mengarah kepada penyakit Newcastle Disease, pemeriksaan akan diteruskan secara berurutan ke gejala berikutnya sesuai dengan hasil pembobotan AHP. Tabel 6. Skor defuzzifikasi dan a sangat mendukung Newcastle Disease (ND) pada SPDPPA pial (1) (2) (3) umur/ minggu angka mati/ % suhu tubuh/ 0 C 43 44 45 skor ratarata a rata rata 0,41 0,70 20 60 20 30 40 50 60 43 44 45 0,41 0,71 20 30 40 50 43 44 45 0,56 0,83 Untuk menentukan penyakit Avian Influenza (AI) dengan tingkat mendukung, SPDPPA memberikan masukan gejala data fuzzy berupa warna pial yang pucat hingga merah kebiruan dengan kelompok warna 3 sampai 8, umur ayam dara 20 minggu, suhu yang sama tinggi dengan Newcastle Disease (ND) 430C sampai 450C dan angka kematian 60 persen untuk kelompok warna pial 3 serta 30 persen hingga 60 persen untuk kelompok warna pial 4 sampai dengan 8 (Tabel 7). Pada Tabel 7 di bawah dapat dilihat bahwa nili skor defuzzifikasi akan meningkat seiring membirunya warna pial. Demikian halnya dengan derajat keanggotaannya (a). Nilai a untuk hasil mendukung AI mencapai tingkat kepercayaan tertinggi saat warna pial pada kelompok warna 7. Hasil verifikasi pakar menunjukkan bahwa untuk kelompok warna 3 sampai 5 pemeriksaan terhadap gejala non-fuzzy perlu dilakukan. Dengan demikian pemeriksaan terhadap gejala fuzzy saja oleh pakar dinilai belum cukup untuk mendiagnosa penyakit Avian Influenza (AI). 13 Tabel pial (3) (4) (5) (6) (7) (8) 7. Skor defuzzifikasi dan a mendukung Avian Influenza (AI) pada SPDPPA umur/ minggu 20 20 20 20 20 20 angka mati/ % 60 30 40 50 60 30 40 50 60 30 40 50 60 30 40 50 60 30 40 50 60 suhu tubuh/ 0 C 43 44 45 skor rata rata a ratarata 0,63 0,82 43 44 45 0,63 0,73 43 44 45 0,64 0,75 43 44 45 0,66 0,87 43 44 45 0,69 1 43 44 45 0,76 0,77 Gejala non-fuzzy yang mengindikasikan penyakit Avian Influenza (AI) adalah keluarnya eksudat/lendir yang encer dan bening. SPDPPA berhenti melakukan proses pemeriksaan ketika dijumpai eksudat yang merupakan salah satu gejala klinis utama dan berperan dalam pendiagnosaan penyakit Avian Influenza (AI). Hasil ini sesuai dengan diagnosa yang dilakukan pakar. Penyakit AI juga dapat diidentifikasi apabila terdapat bintik merah pada trakea, perdarahan bawah kulit dan kepala yang bergetar karena sistem saraf yang terserang. Hasil pemeriksaan berdasar pengujian SPDPPA berikutnya adalah sangat mendukung Avian Influenza (AI). Gejala fuzzy pendukung hasil ini adalah warna pial merah kebiruan dengan pada kelompok 9 dan 10, usia dara 20 minggu, suhu tubuh tinggi antara 430C sampai 450C dan angka kematian sedang hingga tinggi 30 sampai 60 persen. Tabel 8. Skor defuzzifikasi dan a sangat mendukung Avian Influenza (AI) pada SPDPPA pial (9) (10) umur/ minggu 20 20 angka mati/ % 30 40 50 30 40 50 suhu tubuh/ 0 C 43 44 45 43 44 45 skor ratarata a rata rata 0,83 0,82 0,86 0,94 Berdasar hasil verifikasi pakar, gejala seperti t erlihat pada Tabel 8 sangat kuat diduga terkena virus Avian Influenza. Akan tetapi tidak berarti bahwa pemeriksaan terhadap gejala non -fuzzy tidak dilakukan. Hal ini dikarenakan pada teknisnya di lapangan, pemeriksaan dapat dilakukan bersama-sama baik terhadap gejala fuzzy maupun gejala nonfuzzy. Dari hasil pengujian terhadap gejala fuzzy, belum ditemukan diagnosa yang mengarah kepada penyakit Infectious Laryngotracheitis (ILT). Gejala penyakit ini memang sangat mirip dengan Avian Influenza tapi angka kematiannya tidak setinggi AI. Ayam yang terkena ILT pada trakeanya terdapat perdarahan , sedangkan pada AI atau ND hanya sebatas bintik merah saja dan tidak sampai perdarahan. Pada pemeriksaan di lapangan, bukan tidak mungkin ketika ditemukan gejala khas pada diagnosa gejala non-fuzzy, identifikasi penyakit dapat berubah karena SPDPPA juga masih belum melakukan pemeriksaan laboratorium . D. Kompleksitas Sistem Kompleksitas sistem pada SPDPPA berasal dari proses inferensia fuzzy pada data fuzzy dan kaidah produks i (if-then rule) pada data non-fuzzy. Kompleksitas p ada proses fuzzy akan bergantung pada banyak variabel dari himpunan fuzzy. Pada SPDPPA terdapat 3 variabel sehingga kompleksitas proses fuzzy adalah O(3 n) dengan n adalah himpunan fuzzy. Kompleksitas pada kaidah produksi (i f-then rule) pada data non-fuzzy adalah O(m), dengan m adalah banyak gejala yang ditimbulkan. Jadi, k ompleksitas total SPDPPA adalah O(3n + m). E. Keterbatasan Sistem SPDPPA yang dikembangkan memiliki beberapa keterbatasan , di antaranya: - Penyakit yang didiagnosa hanya 3, yaitu Avian Influenza (AI), Newcastle Disease (ND) dan Infectious Laryngotracheitis (ILT). - Pendiagnosaan penyakit belum memperhitungkan periwayatan proses vaksinasi yang terdapat di lokasi tempat penyakit ditemukan. Selain itu, SPDPPA masih mendiagnosa gejala klinis dan belum melakukan pemeriksaan sampai pada uji laboratorium. - SPDPPA belum menggunakan basis data sehingga tidak terdapat fasilitas pengeditan untuk pembobotan parameter. - SPDPPA masih berbasis dekstop s ehingga belum bisa digunakan oleh banyak pengguna. 14 KESIMPULAN DAN SARAN Kesimpulan SPDPPA merupakan sistem pakar yang digunakan dalam mendiagnosa penyakit pada ayam khususnya penyakit pernapasan. Penyakit yang dapat diidentifikasi oleh SPDPPA adalah Avian Influenza (AI), Newcastle Disease (ND) dan Infectious Laryngotracheitis (ILT). Ketiga penyakit ini memiliki kemiripan dalam gejala klinis sehingga dengan SPDPPA dapat membantu pengguna dalam pendiagnosaan dini. Proses diagnosa yang dilakukan oleh SPDPPA tidak sampai pada pengujian dan tes laboratorium. Keunggulan penggunaan fuzzy inference system (FIS) adalah kemampuannya untuk mengatasi kemiripan gejala-gejala yang tampak pada saat pemeriksaan. Kemiripan seperti pada gejala warna pial, umur ayam, angka kematian dan suhu tubuh dapat diatasi dengan FIS ini. Untuk mendiagnosa penyakit penyakit Newcastle Disease, Avian Influenza dan Infectious Laryngotracheitis berdasar gejala fuzzy, warna pial merupakan gejala yang paling mudah diamati. Berdasar verifikasi, hasil pengujian menunjukkan bahwa ayam yang terdiagnosa sementara sangat mendukung ND, warna pialnya merah dengan suhu 430C – 450C dan tingkat kematian 30–60 persen. Gejala non-fuzzy yang bersifat khas bagi penyakit ND adalah eksudat yang kental bening, kepala ayam yang berputar dan tinja yang berwarna hijau. Ayam yang terdiagnosa mendukung AI warna pialnya semakin memucat dengan suhu dan angka mati sep erti pada penyakit ND. Di sisi lain, untuk mendiagnosa sangat mendukung AI warna pial sudah membiru. Eksudat yang encer bening, perdarahan bawah kulit merupakan gejala non-fuzzy yang khas terlihat ketika ayam terkena Avian Influenza (AI). Pada pemeriksaan di lapangan baik gejala fuzzy maupun non-fuzzy dilakukan secara bersamasama Saran Pada penelitian berikutnya, diharapkan jumlah penyakit yang didiagnosa ditambah karena terdapat penyakit pernapasan lainnya yang terdapat di lapangan, seperti Cronic Respiratory Disease (CRD) atau Infectious Bronchitis (IB). Pengetahuan tentang proses vaksinasi yang pern ah dilakukan di lokasi tempat penyakit ditemukan perlu dijadikan sebagai basis pengetahuan sis tem. Pengembangan berikutnya dapat menyertakan data hasil uji laboratorium sehingga proses pendiagnosaan lebih akurat. Penelitian berikutnya diharapkan dapat memanfaat basis data sehingga memudahkan di dalam pengeditan parameter disamping perlu dikembangkan SPDPPA yang berbasis web (internet) sehingga dapat digunakan oleh banyak pengguna dan dapat diakses di mana saja. DAFTAR PUSTAKA Anonim. 2004. Penanganan Flu Burung Harus Lebih Serius. www.depkes.go.id [10 Desember 2004] Bucther GD, J.P. Jacob, and F.B. Mather. Common Poultry Diseases. www.edis.ifas.ufl.edu/PS04400.pdf [18 Mei 2005] Copland, JW. 1987. New Castle Disease in Poultry: Anew Food Pellet Vaccine. Australian Centre for International Agricultural Research (ACIAR), Canbera Giarratano, J. 1998. Expert System Principles and Programming Third Edition. PWS Publishing Company. Boston. USA. Jang, J.S.R., C.T. Sun dan E. Mizutani. 1997. Neuro Fuzzy and Soft Computing. Prentice-Hall Inc. New Jersey. USA. Jackson, P. 1999. Introduction to Expert System Ed. Ke-3. Addison Wessley Longman Limited. England. Kusumadewi, S. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Graha Ilmu. Yogyakarta. Marimin, 2002. Teori dan Aplikasi Sistem Pakar Dalam Teknik Manajerial.IPB Press. Bogor. Indonesia. Matthew, C. 2003. A Formal specification for a fuzzy expert system www.cyut.edu.tw.pdf [10 Desember 2004]. Murtidjo, BA. 2004. Pengendalian Hama dan Penyakit Ayam. Penerbit Kanisius. Yogyakarta. Nurjanah, A. 2003. Pengembangan Sistem Pakar Diagnosa Penyakit Ternak Sapi (SPDPTS) Berbasis Web dan Multimedia [skripsi]. FMIPA IPB, Bogor. Rahardjo, Y. 2004. Avian Influenz a, Pencegahan, Pengendalian dan Pencegahannya Hasil Investigasi Kasus Lapangan. PT Gallus Indonesia Utama. Jakarta. 15 Rich, E & K Knight.1991. Artificial Intelligent. Mc Grawll–Hill Inc. Ressang, AA. 1983. Patologi Khusus Veteriner.Denpasar. Indonesia Retno, FD, J Jahya, Tatik Suryati 1998. Petunjuk Mendiagnosa Penyakit Ayam. PT. Medion. Soeharsono. 2002. Zoonosis Penyakit Menular dari Hewan ke Manusia. Penerbit Kanisius. Yogyakarta. Soejoedono, D R dan E. Handharyani. 2005 Flu Burung. Penebar Swadaya. Jakarta. Soumerville, I. 2001. Software Engineering. Ed. Ke-2. Addison Wesley Publisher Ltd. Weaver R R. 1991. Computer & Medical Knowledge: The Diffusion of Decision Support Technology. Westview Press, Inc. Colorado. USA LAMPIRAN 17 Lampiran 1. Aturan-aturan fuzzy penentuam jenis penyakit pada SPDPPA NO. MASUKAN GEJALA Warna Pial Umur Ayam KELUARAN JENIS PENYAKIT Angka Kematian Tubuh Suhu bobot Muda Tinggi Tinggi Mendukung AI 1 1 Pucat 2 Pucat Dara Tinggi Tinggi Mendukung AI 1 3 Pucat Dewasa Tinggi Tinggi Mendukung AI 1 4 Pucat Muda Sedang Tinggi Mendukung AI 1 5 Pucat Dara Sedang Tinggi Mendukung AI 1 6 Pucat Dewasa Sedang Tinggi Mendukung AI 1 7 Pucat Muda - Tinggi Mendukung AI 1 8 Pucat Dara - Tinggi Mendukung AI 0,5 9 Pucat Dewasa - Tinggi Mendukung AI 0,5 10 Merah Kebiruan Muda Sedang Tinggi Sangat Mendukung AI 1 11 Merah Kebiruan Dara Sedang Tinggi Sangat Mendukung AI 1 12 Merah Kebiruan Dewasa Sedang Tinggi Sangat Mendukung AI 1 13 Merah Kebiruan Muda Tinggi Tinggi Sangat Mendukung AI 1 14 Merah Kebiruan Dara Tinggi Tinggi Sangat Mendukung AI 1 15 Merah Kebiruan Dewasa Tinggi Tinggi Sangat Mendukung AI 1 16 Merah Kebiruan Muda Tinggi - Sangat Mendukung AI 1 17 Merah Kebiruan Dara Tinggi - Sangat Mendukung AI 1 18 Merah Kebiruan Dewasa Tinggi - Sangat Mendukung AI 1 19 Merah Kebiruan Muda - Tinggi Sangat Mendukung AI 1 20 Merah Kebiruan Dara - Tinggi Sangat Mendukung AI 1 21 Merah Kebiruan Dewasa - Tinggi Sangat Mendukung AI 1 22 Pucat Muda Tinggi - Sangat Mendukung AI 1 23 Pucat Dara Tinggi - Sangat Mendukung AI 1 24 Pucat Dewasa Tinggi - Sangat Mendukung AI 1 25 Merah Muda Tinggi Tinggi Sangat Mendukung ND 1 26 Merah Dara Tinggi Tinggi Sangat Mendukung ND 1 27 Merah Dewasa Tinggi Tinggi Sangat Mendukung ND 1 28 Merah Muda Tinggi - Sangat Mendukung ND 1 29 Merah Dara Tinggi - Sangat Mendukung ND 1 30 Merah Dewasa Tinggi - Sangat Mendukung ND 1 31 Merah Muda Sedang Tinggi Mendukung ND 1 32 Merah Dara Sedang Tinggi Mendukung ND 1 33 Merah Dewasa Sedang Tinggi Mendukung ND 1 34 Merah Muda - Tinggi Mendukung ND 1 35 Merah Dara - Tinggi Mendukung ND 1 36 Merah Dewasa - Tinggi Mendukung ND 1 37 Pucat Dara Rendah Tinggi Sangat Mendukung ILT 1 38 Pucat Dewasa Rendah Tinggi Sangat Mendukung ILT 1 39 Pucat Dara - Tinggi Mendukung ILT 0,4 40 Pucat Dewasa - Tinggi Mendukung ILT 0,4 18 Lampiran 2. Diagram pohon yang membentuk kaidah di dalam SPDPPA Gejala pada Eksudat Gejala pada Trakea eksudat encer bening Identifikasi AI tingkat kepercayaan = 1 eksudat kental bening Identifikasi AI tingkat kepercayaan = 0,8 eksudat bercampur darah Cek Gejala pada trakea tidak terdapat eksudat Cek Gejala pada trakea terdapat bercak darah Identifikasi AI tingkat kepercayaan = 1 terdapat perdarahan pada trakea Identifikasi ILT tingkat kepercayaan = 0,65 tidak terdapat bercak / perdarahan terjadi perdarahan M-AI Cek Gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 1 Gejala perdarahan bawah kulit tidak terjadi perdarahan Gejala sistem saraf Cek Gejala sistem saraf kepala begetar Identifikasi AI tingkat kepercayaan =0,7 kepala berputar Identifikasi ND tingkat kepercayaan = 0,7 tidak menunjukkan gejala tinja encer putih Cek Gejala pada tinja Identifikasi AI tingkat kepercayaan = 0,7 gejala pada tinja tinja encer putih kehijauan Identifikasi AI tingkat kepercayaan = 0,7 19 Lampiran 2 (lanjutan ) Gejala pada Eksudat eksudat encer bening Identifikasi AI tingkat kepercayaan = 1 eksudat kental bening Identifikasi AI tingkat kepercayaan = 0,9 eksudat bercampur darah tidak terdapat eksudat terdapat bercak-bercak darah pada trakea Gejala pada Trakea terdapat perdarahan pada trakea tidak terdapat bercak / perdarahan terjadi perdarahan Cek Gejala pada trakea Cek Gejala pada trakea Identifikasi AI tingkat kepercayaan = 1 Identifikasi ILT tingkat kepercayaan = 0,65 Cek Gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 1 Gejala perdarahan bawah kulit SM-AI tidak terjadi perdarahan Gejala sistem saraf Cek gejala sistem saraf kepala begetar Identifikasi AI tingkat kepercayaan = 0,85 kepala berputar Identifikasi ND tingkat kepercayaan = 0,65 tidak menunjukkan gejala tinja encer putih cek gejala pada tinja Identifikasi AI tingkat kepercayaan = 0,8 gejala pada tinja tinja encer putih kehijauan Identifikasi AI tingkat kepercayaan = 0,6 20 Lampiran 2 (lanjutan ) Gejala pada Eksudat eksudat encer bening Identifikasi AI tingkat kepercayaan = 0,8 eksudat kental bening Identifikasi ND tingkat kepercayaan = 1 eksudat bercampur darah Cek gejala pada trakea tidak terdapat eksudat Cek gejala pada trakea terdapat bercak-bercak darah pada trakea Gejala pada Trakea terdapat perdarahan pada trakea tidak terdapat bercak / perdarahan di trakea terjadi perdarahan Gejala perdarahan bawah kulit Identifikasi ND tingkat kepercayaan = 0,8 Identifikasi ILT tingkat kepercayaan = 0,7 Cek gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 0,75 M-ND tidak terjadi perdarahan Gejala sistem saraf Cek Gejala sistem saraf kepala begetar Identifikasi ND tingkat kepercayaan = 0,7 kepala berputar Identifikasi ND tingkat kepercayaan = 1 tidak menunjukkan gejala tinja encer putih Cek gejala pada tinja Identifikasi ND tingkat kepercayaan = 0,65 gejala pada tinja tinja encer putih kehijauan Identifikasi ND tingkat kepercayaan = 0,7 21 Lampiran 2 (lanjutan ) eksudat encer bening Gejala pada Eksudat eksudat kental bening Identifikasi ND tingkat kepercayaan = 1 eksudat bercampur darah Cek gejala pada trakea tidak terdapat eksudat Cek gejala pada trakea terdapat bercak-bercak darah pada trakea Gejala pada Trakea Identifikasi AI tingkat kepercayaan = 0,7 terdapat perdarahan pada trakea tidak terdapat bercak / perdarahan di trakea terjadi perdarahan Identifikasi ND tingkat kepercayaan = 0,9 Identifikasi ILT tingkat kepercayaan = 0,65 Cek gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 0,8 Gejala perdarahan bawah kulit SM-ND tidak terjadi perdarahan Gejala sistem saraf Cek Gejala sistem saraf kepala begetar Identifikasi ND tingkat kepercayaan = 0,9 kepala berputar Identifikasi ND tingkat kepercayaan = 1 tidak menunjukkan gejala tinja encer putih Cek gejala pada tinja Identifikasi ND tingkat kepercayaan = 0,75 gejala pada tinja tinja encer putih kehijauan Identifikasi ND tingkat kepercayaan = 0,8 22 Lampiran 2 (lanjutan ) eksudat encer bening Gejala pada Eksudat eksudat kental bening eksudat bercampur darah tidak terdapat eksudat terdapat bercak-bercak darah pada trakea Gejala pada Trakea terdapat perdarahan pada trakea tidak terdapat bercak / perdarahan di trakea terjadi perdarahan M-ILT Identifikasi AI tingkat kepercayaan = 0,9 Gejala perdarahan bawah kulit Identifikasi ILT tingkat kepercayaan = 0,9 Cek gejala pada trakea Cek gejala perdarahan bawah kulit Identifikasi ILT tingkat kepercayaan = 1 Cek gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 0,9 Gejala perdarahan bawah kulit tidak terjadi perdarahan Gejala sistem saraf Cek Gejala sistem saraf kepala begetar Identifikasi AI tingkat kepercayaan = 0,75 kepala berputar Identifikasi ND tingkat kepercayaan = 0,8 tidak menunjukkan gejala tinja encer putih Cek gejala pada tinja Identifikasi ILT tingkat kepercayaan = 0,8 gejala pada tinja tinja encer putih kehijauan Identifikasi ND tingkat kepercayaan = 0,7 23 Lampiran 2 (lanjutan ) eksudat encer bening Gejala pada Eksudat eksudat kental bening Gejala perdarahan bawah kulit eksudat bercampur darah Identifikasi ILT tingkat kepercayaan = 1 tidak terdapat eksudat Cek gejala pada trakea terdapat bercak-bercak darah pada trakea Gejala pada Trakea Identifikasi AI tingkat kepercayaan = 0,8 terdapat perdarahan pada trakea tidak terdapat bercak / perdarahan di trakea terjadi perdarahan Gejala perdarahan bawah kulit Cek gejala perdarahan bawah kulit Identifikasi ILT tingkat kepercayaan = 1 Cek gejala perdarahan bawah kulit Identifikasi AI tingkat kepercayaan = 0,85 SM-ILT tidak terjadi perdarahan Gejala sistem saraf Cek Gejala sistem saraf kepala begetar Identifikasi AI tingkat kepercayaan = 0,7 kepala berputar Identifikasi ND tingkat kepercayaan = 0,7 tidak menunjukkan gejala tinja encer putih Identifikasi ILT tingkat kepercayaan = 1 Identifikasi ILT tingkat kepercayaan = 0,85 gejala pada tinja tinja encer putih kehijauan Identifikasi ND tingkat kepercayaan = 0,7 24 Lampiran 3. Deskripsi warna pial berdasar nomor 1 2 3 Deskripsi Nomor 5 6 4 7 8 9 10 Lampiran 4. Tabel kombinasi pengujian pertama dengan warna pial = 1 No Warna Pial Masukan Umur Angka Ayam Kematian (persen) Suhu Tubuh M-ILT SM-ILT Keluaran Jenis Penyakit M-ND SM-ND M-AI SM-AI (0 C) (warna) (minggu) 1 2 3 1 1 1 20 20 20 30 30 30 43 44 45 0 0 0 0,067 0,087 0,087 0,950 0,978 0,978 0,243 0,200 0,200 0,001 0 0 0.001 0 0 4 5 1 1 20 20 40 40 43 44 0 0 0,067 0,087 0,950 0,978 0,243 0,200 0,001 0 0 0 6 7 1 1 20 20 40 50 45 43 0 0 0,087 0,067 0,978 0,950 0,200 0,243 0 0,001 0 0 8 9 1 1 20 20 50 50 44 45 0 0 0,087 0,087 0,978 0,978 0,200 0,200 0 0 0 0 10 11 1 1 20 20 60 60 43 44 0 0 0,003 0,008 0,398 0,561 0,812 0,651 0,030 0,013 0 0 12 1 20 60 45 0 0,008 0,561 0,651 0,013 0 Derajat Keanggotaan Tiap Penyakit Lampiran 5. Tabel kombinasi pengujian kedua dengan warna pial = 2 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 2 2 2 2 2 2 2 2 2 2 2 2 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 Keluaran Jenis Penyakit SM-ILT M-ND SM-ND M-AI Derajat Keanggotaan Tiap Penyakit 0,008 0,561 0,651 0,013 0,008 0,561 0,651 0,013 0,008 0,561 0,651 0,013 0,008 0,561 0,651 0,013 0,008 0,561 0,651 0,013 0,008 0,561 0,651 0,013 0,000 0,561 0,651 0,013 0,000 0,561 0,651 0,013 0,000 0,561 0,651 0,013 0,001 0,275 0,925 0,056 0,00 0,275 0,925 0,056 0,001 0,275 0,925 0,056 SM-AI 0 0 0 0 0 0 0 0 0 0 0 0 Lampiran 6. Tabel kombinasi pengujian ketiga dengan warna pial = 3 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 3 3 3 3 3 3 3 3 3 3 3 3 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh (0 C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 SM-ILT Output Jenis Penyakit M-ND SM-ND M-AI SM-AI Derajat Keanggotaan Tiap Penyakit 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,833 0,377 0 0,033 0,391 0,820 0 0,033 0,391 0,820 0 0,033 0,391 0,820 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,031 0,031 0,031 25 Lampiran 7. Tabel kombinasi pengujian keempat dengan warna pial = 4 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 4 4 4 4 4 4 4 4 4 4 4 4 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 Keluaran Jenis Penyakit SM-ILT M-ND SM-ND M-AI SM-AI Derajat Keanggotaan Tiap Penyakit 0 0,008 0,554 0,658 0 0,008 0,558 0,654 0 0,008 0,558 0,654 0 0,008 0,554 0,658 0 0,008 0,556 0,656 0 0,008 0,556 0,656 0 0,008 0,554 0,658 0 0,009 0,581 0,631 0 0,009 0,581 0,631 0 0 0,058 0,929 0 0 0,117 0,997 0 0 0,117 0,997 0,014 0,014 0,014 0,014 0,014 0,014 0,014 0,001 0,001 0,270 0,155 0,155 lampiran 8. Tabel kombinasi pengujian kelima dengan warna pial = 5 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 5 5 5 5 5 5 5 5 5 5 5 5 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 SM-ILT Output Jenis Penyakit M-ND SM-ND M-AI Derajat Keanggotaan Tiap Penyakit 0 0,004 0,447 0,765 0 0,008 0,562 0,650 0 0,008 0,562 0,650 0 0,004 0,447 0,765 0 0,006 0,511 0,701 0 0,006 0,511 0,701 0 0,004 0,447 0,765 0 0,009 0,584 0,628 0 0,009 0,584 0,628 0 0 0,037 0,856 0 0 0,105 0,992 0 0 0,105 0,992 SM-AI 0,024 0,013 0,013 0,024 0,017 0,017 0,024 0,012 0,012 0,353 0,171 0,171 lampiran 9. Tabel kombinasi pengujian keenam dengan warna pial = 6 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 6 6 6 6 6 6 6 6 6 6 6 6 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh (0 C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 Keluaran Jenis Penyakit SM-ILT M-ND SM-ND M-AI SM-AI Derajat Keanggotaan Tiap Penyakit 0 0,001 0,282 0,919 0 0,003 0,401 0,809 0 0,003 0,401 0,809 0 0,001 0,282 0,919 0 0,003 0,379 0,831 0 0,003 0,379 0,831 0 0,001 0,282 0,919 0 0,003 0,414 0,797 0 0,003 0,414 0,797 0 0 0,0415 0,872 0 0 0,104 0,992 0 0 0,104 0,992 0,054 0,039 0,039 0,054 0,033 0,033 0,054 0,028 0,028 0,335 0,172 0,172 26 Lampiran 10. Tabel kombinasi pengujian ketujuh dengan warna pial = 7 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 7 7 7 7 7 7 7 7 7 7 7 7 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 SM-ILT Output Jenis Penyakit M-ND SM-ND M-AI SM-AI Derajat Keanggotaan Tiap Penyakit 0 0 0,154 0.994 0 0 0,157 0,996 0 0 0,157 0,996 0 0 0,154 0,994 0 0 0,157 0,996 0 0 0,157 0,996 0 0 0,154 0,994 0 0 0,157 0,996 0 0 0,157 0,996 0 0 0.096 0,987 0 0 0,134 0,999 0 0 0,134 0,999 0,110 0,115 0,115 0,110 0,115 0,115 0,110 0,115 0,115 0.184 0,136 0,136 Lampiran 11. Tabel kombinasi pengujian kedelapan dengan warna pial = 8 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 8 8 8 8 8 8 8 8 8 8 8 8 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 SM-ILT Output Jenis Penyakit M-ND SM-ND M-AI SM-AI Derajat Keanggotaan Tiap Penyakit 0 0 0,069 0,952 0 0 0,018 0,713 0 0 0,018 0,713 0 0 0,069 0,952 0 0 0,018 0,713 0 0 0,018 0,713 0 0 0,069 0,952 0 0 0,018 0,713 0 0 0,018 0,713 0 0 0,018 0,713 0 0 0,018 0,713 0 0 0,018 0,713 0,240 0,499 0,499 0,240 0,499 0,499 0,240 0,499 0,499 0,499 0,499 0,499 Lampiran 12. Tabel kombinasi pengujian kesembilan dengan warna pial = 9 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 9 9 9 9 9 9 9 9 9 9 9 9 Masukan Umur Angka Ayam Kematian (minggu) (persen) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 SM-ILT Output Jenis Penyakit M-ND SM-ND M-AI Derajat Keanggotaan Tiap Penyakit 0 0 0,008 0,548 0 0 0,002 0,333 0 0 0,002 0,333 0 0 0,008 0,548 0 0 0,002 0,333 0 0 0,002 0,333 0 0 0,008 0,548 0 0 0,002 0,333 0 0 0,002 0,333 0 0 0,002 0,333 0 0 0,002 0,333 0 0 0,002 0,333 SM-AI 0,664 0,874 0,874 0,664 0,874 0,874 0,664 0,874 0,874 0,874 0,874 0,874 27 Lampiran 13. Tabel kombinasi pengujian kesepuluh dengan warna pial = 10 No Warna Pial (warna) 1 2 3 4 5 6 7 8 9 10 11 12 10 10 10 10 10 10 10 10 10 10 10 10 Masukan Umur Angka Ayam Kematian (minggu) (pers en) 20 20 20 20 20 20 20 20 20 20 20 20 30 30 30 40 40 40 50 50 50 60 60 60 Suhu Tubuh 0 ( C) M-ILT SM-ILT 43 44 45 43 44 45 43 44 45 43 44 45 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Output Jenis Penyakit M-ND SM-ND Skor Fuzzy 0 0,002 0 0 0 0 0 0,002 0 0 0 0 0 0,002 0 0 0 0 0 0 0 0 0 0 Lampiran 14. Menu Utama Sistem Pakar Diagnosis Penyakit Pada Ayam (SPDPPA) M-AI SM-AI 0,319 0,223 0,223 0,319 0,223 0,223 0,319 0,223 0,223 0,223 0,223 0,223 0,886 0,964 0,964 0,886 0,964 0,964 0,886 0,964 0,964 0,964 0,964 0,964 28 Lampiran 15. Tampilan pengisian data fuzzy Lampiran 16. Contoh Tampilan Pengisian data non-fuzzy 29 Lampiran 1 7 Tampilan laporan hasil pemeriksaan 30

Judul: Sistem Pakar Diagnos A Penyakit Pada Ayam (spdppa) Oleh: Toto Haryanto G64101017 Departemen Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam Stikip Pgri Pacitan 2006

Oleh: Anis Wine

Ikuti kami