SISTEM PENDUKUNG KEPUTUSAN PENANGANAN KESEHATAN

BALITA MENGGUNAKAN PENALARAN FUZZY MAMDANI

OLEH:

Ariyati (073214024)

Susi Ambarwati (073214028)

Diah Eka P (073214031)

1. PENDAHULUAN

1.1 Latar belakang

Dewasa ini teknologi informasi sudah menjadi alat yang penting dalam

mengatasi berbagai masalah laju arus informasi. Teknologi informasi sudah mulai

banyak dimanfaatkan untuk meningkatkan efisiensi kinerja lembaga-lembaga

Negara di Indonesia. Beberapa daerah sudah menerapkan sistem terintegrasi untuk

menjalankan fungsi-fungsi yang ada dalam pemerintahan, seperti pendataan

penduduk (KTP, Kartu Keluarga, Akta Kelahiran), pengurusan pajak, pengurusan

SIM, dan lain-lain.

Dalam dunia kesehatan saat ini yang menjadi sorotan publik diantaranya

banyaknya kasus gizi buruk balita, selain itu juga adanya kasus kematian bayi

yang disebabkan oleh factor klinis maupun non-klinis. Contoh penyebab non-

klinis antara lain: protocol klinis yang tidak dipatuhi, pelayanan yang sub standar,

dan rekam medic tidak lengkap. Contoh lain di lapangan nyata yang menjadi

fokus penulis adalah Kartu Menuju Sehat (KMS) sebagai acuan dasar pemantauan

tumbuh kembang balita, ternyata penggunaanya tidak optimal sehingga keadaan

kesehatan balita tidak terpantau dan banyak timbul kasus gizi buruk. Instansi-

instansi terkait lainnya juga akan mengalami keterlambatan dalam penanganan

kasus yang terjadi, karena informasi yang didistribusikan tdak akurat. Efek lebih

jauhnya dikhawatirkan dapat mengancam kualitas SDM generasi penerus sebagai

penentu arah bamgsa Indonesia.

Berdasarkan penjelasan tersebut maka dirancanglah sistem pendukung

keputusan penanganan kesehatan balita ini. Dengan perancangan sistem yang

berbasis website diharapkan pihak-pihak yang terkait seperti rumah sakit atau

puskesmas, pemerintah juga orang tua dapat lebih mudah dalam memantau

pertumbuhan balita, dan berdasarkan fungsi masing-masing pihak dapat sesegera

mungkin mengambi keputusan yang tepat untuk penanganan balita

1.2 Rumusan Masalah

Sesuai dengan latar belakang yang telah diuraikan sebelumnya, maka

rumusan masalahnya adalah bagaimana membuat sistem pendukung keputusan

untuk penanganan kesehatan balita agar diperoleh informasi yang akurat untuk

distribusi bantuan dan keputusan tindakan.

1.3 Tujuan

Penelitian bertujuan untuk mempermudah dalam pemantauan tumbuh

kembang balita, mempercepat distribusi informasi antar pihak terkait, distribusi

bantuan yang cepat dan tepat guna dan memaksimalkan fungsi KMS sebagai

alat untuk memantau pertumbuhan balita.

2. DASAR TEORI

2.1 Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) atau Decission Support System

merupakan salah satu jenis sistem informasi yang bertujuan untuk menyediakan

informasi, membimbing, memberikan prediksi serta mengarahkan kepada

pengguna informasi agar dapat melakukan pengambilan keputusan dengan lebih

baik dan berbasis evidence.

Secara hierarkis, SPK biasanya dikembangkan untuk pengguna pada

tingkatan manajemen menengah dan tertinggi. Dalam pengembangan sistem

informasi, SPK baru dapat dikembangkan jika sistem pengolahan transaksi

(level pertama) dan sistem informasi manajemen (level kedua) sudah berjalan

dengan baik. SPK yang baik harus mampu menggali informasi dari database

melakukan analisis, serta memberikan interprestasi dalam bentuk yang mudah

dipahami dengan format yang mudah untuk digunakan (user friendly)[1].

Beberapa karakteristik yang membedakan system pendukung keputusan

dengan system informasi lain yaitu:

a. Dirancang untuk membantu pengambilan keputusan dalam

memecahkan permasalahan yang sifatnya semi terstruktur ataupun tidak

terstruktur dengan menambahkan kebijaksanaan manusia dan informasi

komputerisasi.

b. Proses pengolahannya, mengkombinasikan pengguanaan model-model

analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari

atau pemeriksa informasi.

c. Dapat digunakan atau dioperasikan dengan mudah oleh orang-orang

yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi.

Pendekatan yang digunakan biasanya model interaktif.

d. Dirancang dengan menekankan pada aspek fleksibilitas serta

kemampuan adaptasi yang tinggi sehingga mudah disesuaikan dengan berbagai

perubahan lingkungan yang terjadi dan kebutuhan pengguna.

2.2 Kartu Menuju Sehat

Kartu Menuju Sehat untuk Balita (KMS-Balita) adalah alat yang

sederhana dan murah, yang dapat digunakan untuk memantau kesehatan dan

pertumbuhan anak. Oleh karenanya KMS harus disimpan oleh ibu balita di

rumah, dan harus selalu dibawa setiap kali mengunjungi posyandu atau fasilitas

pelayanan kesehatan, termasuk bidan dan dokter.

KMS-Balita menjadi alat yang sangat bermanfaat bagi ibu dan keluarga

untuk memantau tumbuh kembang anak, agar tidak terjadi kesalahan atau

ketidakseimbangan pemberian makan pada anak. KMS-Balita juga dapat dipakai

sebagai bahan penunjang bagi petugas kesehatan untuk menentukan jenis

tindakan yang tepat sesuai dengan kondisi kesehatan dan gizi anak untuk

mempertahankan, meningkatkan atau memulihkan kesehatannya.

KMS balita berisi catatan penting tentang pertumbuhan, perkembangan

anak, imunisasi, penanggulangan diare, pemberian kapsul vitamin A, kondisi

kesehatan anak, pemberian ASI eksklusif dan Makanan Pendamping ASI,

pemberian makanan anak dan rujukan ke Puskesmas/RS. KMS balita juga berisi

pesan-pesan penyuluhan kesehatan dan gizi bagi orang tua balita tentang kesehatan

anaknya.

Gambar 2.1 Contoh Kartu Menuju Sehat (KMS)

2.3 Logika Fuzzy

A. Himpunan Fuzzy

Himpunan crisp adalah Himpunan yang membedakan anggota dan non

anggotanya dengan batasan yang jelas. Nilai keanggotan suatu item x dalam suatu

himpunan A ditulis dengan μA[x]. Memiliki 2 kemungkinan, yaitu: satu (1) berarti

suatu item menjadi anggota dari himpunan dan nol (0) berarti suatu item tidak

menjadi anggota dari himpunan.

Sedangkan Himpunan Fuzzy merupakan dasar dari logika fuzzy. Suatu

himpunan fuzzy di dalam semesta S dinyatakan oleh fungsi keanggotaan yang

memetakan setiap objek di S menjadi suatu nilai real dalam interval [0,1].

Himpunan fuzzy memiliki 2 atribut:

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau

kondisi tertentu dengan menggunakan bahasaalami, seperti: MUDA,

PAROBAYA, TUA.

b. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel

seperti: 40, 25, 35.

Istilah yang digunakan dalam fuzzy adalah sebagai berikut:

a. Degree of membership/Derajat Keanggotaan

Fungsi dari derajat keanggotaan adalah untuk memberikan bobot pada suatu

input yang telah diberikan, sehingga input tadi dapat dinyatakan dengan nilai.

b. Variabel Fuzzy

Merupakan variabel yang hendak dibahas dalam suatu system fuzzy.

c. Scope/Domain

Merupakan batas dari kumpulan input tertentu.

d. Label

Adalah kata-kata untuk memberikan suatu keterangan pada scope.

e. Fungsi Keanggotaan

Suatu bentuk bangun yang merepresentasikan suatu batas dari scope.

Beberapa fungsi untuk menyatakan fungsi keanggotaan:

1. Representasi Linear: pemetaan input ke derajat keanggotannya

digambarkan sebagai suatu garis lurus. Dibedakan menjadi:

a. Representasi Linear Naik

Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang

memiliki derajat keanggotaan yang lebih tinggi.

Grafik 2.1 Representasi Linear Naik

b. Representasi Linear Turun

Representasi linear turun merupakan kebalikan dari linear naik.

Grafik 2.2 Representasi Linear Turun

2. Representasi Kurva Segitiga: merupakan gabungan antara 2 garis (linear).

Grafik 2.3 Representasi Kurva Segitiga

3. Representasi Kurva Trapesium: seperti bentuk segitiga, hanya saja ada

beberapa titik yang memiliki nilai keanggotaan 1.

4. Representasi Kurva-S: hampir sama dengan kurva linear akan tetapi nilai

yang tidak pasti berurut naik atau turun melainkan fleksibel.dibedakan

menjadi:

a. Representasi Kurva-S Pertumbuhan

Akan bergerak dari sisi paling kiri dengan nilai keanggotaan nol (0) ke

sisi paling kanan dengan nilai keanggotaan satu (1). Fungsi

keanggotaannya akan bertumpu pada 50% nilai keanggotaannya yang

sering disebut titik infleksi.

Grafik 2.5 Representasi Kurva-S Pertumbuhan

Grafik 2.4 Representasi Kurva Trapesium.

b. Representasi Kurva-S Penyusutan

Merupakan kebalikan dari kurva-S pertumbuhan.nilai keanggotaannya

akan bergerak dari sisi paling kiri dengan nilai keanggotaan satu (1)

ke sisi paling kanan dengan nilai keanggotaan nol (0).

Grafik 2.6 Representasi Kurva-S Penyusutan

f. Crisp Input

Nilai input analog yang diberikan untuk mencari degree of membership.

g. Universe of Discourse

Batas input yang telah diberikan dalam merancang suatu sistem fuzzy.

B. Operator Dasar Operasi Himpunan

1. Operator AND

Operator ini berhubungan dengan operasi interseksi pada himpunan. α-

predikat sebagai hasil operasi dengan operator AND diperoleh mengambil

nilai keanggotaan terkecil antarelemen pada himpunan-himpunan yang

bersangkutan.

2. Operator OR

Operator ini berhubungandenganperasiunion padahimpunan. α-predikat

sebagai hasil operasi dengan operator AND diperoleh mengambil nilai

keanggotaan terkecil antar elemen pada himpunan-himpunan yang

bersangkutan.

3. Operator NOT

Operator ini berhubungan dengan operasi komplemen himpunan. α-predikat

sebagai hasil operasi dengan operator AND diperoleh mengambil nilai

keanggotaan terkecil antar elemen pada himpunan-himpunan yang

bersangkutan.

C. Penalaran Monoton

Metode ini digunakan sebagai dasar untuk teknik implikasi fuzzy.Jika dua

daerah fuzzy direalisasikan dengan implikasi sederhana sebagai berikut:

Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan

dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai

keanggotaan yang berhubungan dengan antesedennya.

D. Fungsi Implikasi

Bentuk umum aturan yang digunakan dalam fungsi implikasi adalah :

Dengan :

• x dan y adalah skalar

• A dan B adalah himpunan fuzzy

• Proposisi yang mengikuti IF disebut anteseden

• Proposisi yang mengikuti THEN disebut konsekuen

Secara umum, ada dua fungsi implikasi, yaitu:

1.Min (minimum), fungsi ini akan memotong output himpunan fuzzy.

2.Dot (product), fungsi ini akan menskala output himpunan fuzzy.

E. Metode Penalaran Mamdani

Dalam membangun sebuah system Fuzzy dikenal beberapa metode

penalaran, antara lain: metode Tsukamoto, metode Mamdani dan metode

Sugeno. Untuk perancangan sistem pendukung keputusan penanganan

kesehatan balita ini, digunakan metode Mamdani.

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Untuk

mendapatkan output, diperlukan empat tahapan:

1. Pembentukan Himpunan Fuzzy

Pada Metode Mamdani, baik variabel input maupun variabel output

dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi Fungsi Implikasi

Pada Metode Mamdani, fungsi implikasi yang digunakan adalah MIN.

3. Komposisi Aturan

Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy,

yaitu: max, additive dan probabilistik OR (probor). Pada metode Mamdani

untuk komposisi antar fungsi implikasi menggunakan fungsi MAX.

3. Penegasan (defuzzy)

Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh

dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan

merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga

jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus

dapat diambil suatu nilai crisp tertentu sebagai output. Beberapa metode

defuzzy pada komposisi aturan metode Mamdani:

a. Metode Centroid

Solusi crisp diperoleh dengan cara mengambil titik pusat (z) daerah

fuzzy C.

Untuk variabel diskrit:

Untuk variabel kontinu:

b. Metode Bisektor

Solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang

memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan

pada daerah fuzzy.

c. Metode Min of Maximum (MOM)

Solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang

memiliki nilai keanggotaan maksimum.

d. Metode Smallest of Maximum (SOM)

Solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain

yang memiliki nilai keanggotaan maksimum.

e. Metode Largest of Maximum (LOM)

Solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain

yang memiliki nilai keanggotaan maksimum.