SPK Diagnosa Penyakit Menggunakan Certainty Factor

Pendahuluan

Dalam bidang kesehatan, ketepatan dan kecepatan diagnosa penyakit sangat penting agar penanganan bisa dilakukan sejak dini. Namun, sering kali diagnosa awal dari pasien bertumpu pada gejala yang bersifat subjektif, tidak jelas, atau tumpang-tindih antar penyakit, sehingga memunculkan ketidakpastian. Untuk mendukung proses diagnosa awal yang lebih sistematis dan konsisten tanpa menggantikan peran dokter, dibutuhkan sistem berbasis kecerdasan buatan yang mampu meniru penalaran pakar dan menangani ketidakpastian. Salah satu pendekatan yang populer adalah melalui Certainty Factor (CF).

Dengan menggunakan metode CF dalam sebuah Sistem Pakar (Expert System), sebuah sistem dapat memproses input gejala dari pengguna, mengolah “keyakinan” pakar terhadap setiap gejala, lalu menghasilkan diagnosis penyakit berserta tingkat kepastian estimasi. Artikel ini membahas definisi CF, bagaimana penerapannya pada sistem pakar diagnosa penyakit, tinjauan literatur mutakhir, serta evaluasi terhadap kelebihan dan batasannya.

Definisi Certainty Factor

Definisi Secara Umum

Certainty Factor (CF) adalah metode untuk menangani ketidakpastian dalam sistem pakar, yaitu untuk mengukur seberapa besar tingkat keyakinan (certainty) bahwa sebuah hipotesis (misalnya: seseorang menderita penyakit X) benar, berdasarkan bukti (gejala) yang tersedia. Dalam CF, setiap gejala diberi bobot/keyakinan oleh pakar, dan ketika pengguna memilih gejala yang dialami, sistem menghitung nilai CF untuk tiap kemungkinan diagnosis, lalu memutuskan diagnosis dengan CF tertinggi.

CF dirancang khusus agar sistem pakar tidak harus memberikan kesimpulan hitam-putih (ya/tidak), melainkan bisa memberikan probabilitas keyakinan, sesuai sifat medis yang sering ambigu.

Definisi dalam KBBI

Dalam Kamus Besar Bahasa Indonesia (KBBI), istilah “certainty” bisa diterjemahkan sebagai “kepastian” atau “keyakinan”. Maka secara harfiah, “Certainty Factor” dapat diartikan sebagai “faktor keyakinan/pastian”, yaitu suatu ukuran atau faktor yang merepresentasikan tingkat keyakinan terhadap suatu pernyataan atau kondisi berdasarkan bukti.

Definisi Menurut Para Ahli

Berikut beberapa definisi menurut literatur:

• Menurut penelitian “Penerapan Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit Gigi dan Mulut” CF adalah metode yang memungkinkan evaluasi tingkat keyakinan pakar terhadap data yang dianalisis dalam situasi kompleks.[Lihat sumber Disini - journal.fkpt.org]
• Pada penelitian untuk diagnosa penyakit anak, CF digunakan sebagai metode ketidakpastian, di mana setiap gejala memiliki nilai antara 0 dan 1, dan sistem mengurutkan kemungkinan penyakit berdasarkan nilai tertinggi.[Lihat sumber Disini - jurnal.amikom.ac.id]
• Dalam penerapan untuk diagnosa penyakit mata berbasis web, CF memungkinkan menghitung bobot tiap gejala dan menghitung kepercayaan akhir pengguna terhadap diagnosis penyakit tertentu.[Lihat sumber Disini - ijiswiratama.org]
• Dalam konteks diagnosis penyakit dalam (internal medicine) pada sistem pakar web, CF digunakan untuk menghitung “nilai kepastian” atas diagnosis berdasarkan kombinasi gejala, membantu memberikan rekomendasi awal sebelum pemeriksaan lebih lanjut ke dokter.[Lihat sumber Disini - inotera.poltas.ac.id]

Dari pendapat-pendapat ini, dapat disimpulkan bahwa CF adalah mekanisme untuk memodelkan ketidakpastian penalaran pakar secara numerik, sehingga sistem pakar dapat memberikan estimasi kepercayaan terhadap tiap diagnosis.

Prinsip dan Cara Kerja Certainty Factor

Dalam implementasinya, penggunaan CF pada sistem pakar umumnya mengikuti langkah-langkah berikut:

1. Akuisisi pengetahuan, pakar (misalnya dokter, ahli medis) menentukan daftar penyakit, gejala yang relevan untuk tiap penyakit, serta memberikan bobot keyakinan (belief value) terhadap setiap gejala-penyakit (sering disebut MB = measure of belief dan/atau MD = measure of disbelief).Jurnal UNTAN+2inotera.poltas.ac.id+2
2. Representasi basis pengetahuan (knowledge base), basis data/gejala dan aturan (rule) diyakinkan dengan bobot CF sesuai penilaian pakar.
3. Input gejala dari pengguna, pengguna memilih gejala yang dialami. Sistem kemudian mengambil aturan relevant dari basis pengetahuan.
4. Inferensi dan kombinasi CF, jika beberapa gejala mendukung satu hipotesis penyakit, maka CF digabung (combine), misalnya dengan rumus tertentu (tergantung implementasi). Hasilnya adalah nilai CF akhir per hipotesis penyakit.
5. Keputusan / rekomendasi, sistem menampilkan penyakit dengan CF tertinggi sebagai diagnosis paling mungkin, beserta tingkat keyakinan (misalnya: 85%, 92%, dsb), dan mungkin disertai rekomendasi tindakan awal.

Dengan demikian, CF memungkinkan sistem memberikan diagnosis probabilistik berdasarkan kombinasi gejala, bukan sekadar deteksi 1–1 gejala–penyakit, sehingga lebih fleksibel terhadap variasi gejala dan ketidakpastian.

Penerapan CF dalam Sistem Pakar Diagnosa Penyakit, Tinjauan Literatur

Berikut beberapa hasil penelitian penerapan CF dalam domain diagnosa penyakit di Indonesia dan global, menggambarkan bagaimana metode ini diaplikasikan, jenis penyakit, dan hasil evaluasinya.

• Pada 2023, penelitian “Penerapan Metode Certainty Factor Pada Sistem Pakar Diagnosa Penyakit Gigi dan Mulut” mengusulkan sistem untuk membantu diagnosa kelainan gigi dan mulut, berdasarkan gejala dan keyakinan pakar dokter gigi. Sistem ini menggunakan CF dan memberikan rekomendasi solusi ketika gejala mendukung suatu diagnosis.[Lihat sumber Disini - journal.fkpt.org]
• Studi pada penyakit hepatitis (2024) menggunakan sistem pakar berbasis web dengan metode CF untuk diagnosa hepatitis, CF dipakai untuk menghasilkan nilai kepastian diagnosis, dengan tujuan mendeteksi penyakit lebih awal.[Lihat sumber Disini - jurnal.unw.ac.id]
• Penelitian pada diagnosa penyakit mata berbasis web (2022) menggunakan CF untuk menghitung bobot gejala dan menentukan jenis penyakit mata berdasarkan input pengguna.[Lihat sumber Disini - ijiswiratama.org]
• Penerapan CF juga dilakukan pada diagnosis penyakit internal (internal medicine) menggunakan sistem pakar web: sistem mampu memberikan diagnosis dan persentase keyakinan, sehingga pengguna bisa mendapat informasi awal sebear sebelum berkonsultasi dokter.[Lihat sumber Disini - inotera.poltas.ac.id]
• Untuk penyakit menular seperti COVID-19, telah dibuat sistem pakar dengan CF yang menghitung nilai keyakinan berdasarkan parameter/ gejala klinis, membantu deteksi awal di masa pandemi.[Lihat sumber Disini - jutif.if.unsoed.ac.id]
• Implementasi CF tidak hanya untuk manusia: beberapa penelitian menunjukkan penggunaan CF pada sistem pakar untuk diagnosa penyakit hewan (ayam, unggas) ataupun tanaman, menggambarkan fleksibilitas metode ini terhadap domain berbeda.[Lihat sumber Disini - journal.cattleyadf.org]

Dari berbagai penelitian ini, terlihat bahwa CF populer digunakan karena kemampuannya menangani ketidakpastian dalam diagnostik, memungkinkan sistem memberikan estimasi kepercayaan terhadap diagnosis, bukan sekadar “positif/negatif”.

Kelebihan & Kekurangan Metode Certainty Factor

Kelebihan

• Menangani ketidakpastian, CF memungkinkan sistem memodelkan ambiguitas dan ketidakpastian yang inheren dalam diagnosis berdasarkan gejala subjektif, sebagaimana manusia berpikir “kemungkinan besar”, “mungkin”, atau “kurang yakin”.
• Fleksibilitas aturan dan gejala, Dengan bobot dan basis pengetahuan yang tepat, CF dapat menangani banyak penyakit dengan gejala tumpang-tindih, serta memadukan gejala-gejala kompleks untuk diagnosis.
• Diagnosis probabilistik, Sistem memberikan nilai kepastian/kemungkinan, bukan sekadar ya/tidak, membantu pengguna memahami bahwa hasil diagnosis bukan final / absolut, melainkan estimasi awal.
• Implementasi sederhana, Dibanding metode non-probabilistik atau fuzzy/teori keabsolutan kompleks, CF relatif lebih sederhana dalam representasi dan komputasi, sehingga cocok untuk sistem pakar berbasis web atau mobile.

Kekurangan / Batasan

• Bergantung pada penilaian subjektif pakar, Bobot CF diberikan berdasarkan penilaian pakar; jika pakar berbeda, bobot bisa berbeda. Hal ini menyebabkan hasil sistem sangat bergantung kualitas dan konsistensi pengetahuan pakar.
• Kesulitan dalam kombinasi gejala kompleks, Ketika banyak gejala dan banyak penyakit menyerupai, kombinasi aturan bisa membingungkan, dan perhitungan CF bisa jadi tidak mencerminkan kompleksitas klinis sesungguhnya.
• Tidak menggantikan diagnosis profesional, CF hanya memberikan estimasi berdasarkan gejala, tanpa laboratorium atau pemeriksaan fisik, hasil harus dianggap sebagai “referensi awal” bukan kesimpulan medis final.
• Potensial bias dan overfitting pengetahuan, Jika basis pengetahuan terlalu sempit atau tidak mewakili variasi pasien, sistem bisa memberikan diagnosis yang salah atau melewatkan kondisi langka.

Rekomendasi dan Faktor Penting dalam Implementasi

Jika lo atau pihak lain ingin membuat sistem pakar diagnosa penyakit dengan CF, berikut sejumlah hal yang penting diperhatikan agar sistem lebih andal dan kredibel:

• Libatkan pakar domain (misalnya dokter, spesialis) yang kompeten dan berpengalaman untuk akuisi pengetahuan serta penentuan bobot gejala.
• Sediakan basis data gejala & penyakit yang luas dan representatif, termasuk variasi gejala ringan, sedang, dan berat, serta kondisi tumpang-tindih.
• Uji sistem secara berulang dengan data nyata (kasus nyata) untuk mengukur akurasi, sensitivitas, keandalan, jangan hanya uji pada data hipotetik / ideal.
• Sediakan mekanisme penjelasan (explanation), sistem tidak cuma menunjukkan diagnosis, tetapi juga menampilkan gejala pendukung dan tingkat keyakinan; agar pengguna memahami bahwa hasil hanyalah estimasi.
• Tegaskan bahwa sistem adalah alat bantu awal, bukan pengganti konsultasi profesional, saran untuk konsultasi dokter bila hasil menunjukkan kemungkinan penyakit serius.

Kesimpulan

Metode Certainty Factor telah terbukti menjadi pendekatan praktis dan efektif dalam membangun sistem pakar untuk diagnosa penyakit, terutama karena kemampuannya menangani ketidakpastian dan memberikan estimasi probabilistik berdasarkan gejala subjektif. Banyak penelitian di Indonesia dan internasional telah mengimplementasikan CF dalam domain kesehatan (penyakit gigi, penyakit mata, hepatitis, COVID-19, dsb), dan menghasilkan hasil yang menjanjikan sebagai alat bantu diagnosa awal.

Meskipun demikian, CF memiliki keterbatasan, hasil sangat tergantung pada pengetahuan pakar, bobot subyektif, dan basis data gejala/penyakit. Oleh karena itu, sistem dengan CF sebaiknya dijadikan sebagai pendamping awal (screening/deteksi dini), bukan pengganti diagnosis profesional.

Dengan perancangan dan validasi yang tepat, melibatkan pakar domain, basis data gejala lengkap, dan pengujian data nyata, sistem pakar berbasis CF dapat menjadi alat bantu yang bermanfaat, efisien, dan lebih mudah diakses oleh masyarakat luas.