BAB II DASAR TEORI

2.1 Sistem Pakar Sistem pakar adalah program komputer yang mampu merepresentasikan dan memberikan

penalaran atas pengetahuan pada bidang tertentu dengan tujuan untuk dapat memecahkan

masalah atau memberikan saran [JAC99].

Sebuah sistem pakar dikatakan berbeda dari program konvensional karena [JAC99]:

1. Sistem pakar mensimulasikan penalaran manusia pada ranah masalah tertentu, bukan

mensimulasikan ranah itu sendiri.

2. Sistem pakar melakukan penalaran atas representasi pengetahuan manusia, selain

melakukan kalkulasi numerik atau temu balik informasi.

3. Sistem pakar memecahkan masalah secara heuristic atau memakai metode perkiraan.

Dikatakan metode perkiraan karena tidak memerlukan data yang sempurna dan solusi

yang dihasilkan dapat bervariasi kepastiannya.

Pada umumnya, sistem pakar memiliki dua modul utama yang terpisah, yaitu basis

pengetahuan dan mesin inferensi [JAC99]. Basis pengetahuan adalah pengetahuan pada

program yang diekspresikan dalam bentuk bahasa tertentu, sedangkan mesin inferensi

merupakan kode program yang melakukan penalaran/pemecahan masalah.

Siklus hidup sistem pakar secara garis besar meliputi 4 tahap, yaitu [KHO98]:

1. Inisialisasi basis pengetahuan, meliputi pemilihan ranah masalah, pendefinisian

tujuan pembuatan sistem pakar, dan penentuan sumber pengetahuan.

2. Akuisisi pengetahuan, meliputi identifikasi masalah, penentuan faktor-faktor yang

dapat mempengaruhi struktur sistem secara keseluruhan, formalisasi, dan representasi

pengetahuan, serta pemasukan pengetahuan ke dalam basis pengetahuan.

3. Verifikasi basis pengetahuan yang dilakukan untuk menjamin bahwa sistem bebas

dari kesalahan internal dan memenuhi spesifikasi.

4. Validasi basis pengetahuan yang dilakukan untuk menjamin bahwa sistem memenuhi

keinginan pengguna.

II-1

II-2

Ada dua macam cara akuisisi pengetahuan, yaitu manual dan otomatis. Dalam tugas akhir ini,

metode yang akan dibahas hanya akuisisi pengetahuan otomatis.

2.2 Akuisisi Pengetahuan Otomatis

Akuisisi pengetahuan otomatis merupakan salah satu teknik akuisisi pengetahuan di mana

pengetahuan didapatkan dari hasil ekstraksi kasus-kasus yang terjadi dengan menggunakan

kakas bantu (program atau aplikasi). Munculnya akuisisi pengetahuan otomatis ini

dilatarbelakangi oleh adanya bottleneck pada proses akuisisi pengetahuan secara manual,

yaitu:

1. Proses akuisisi yang mahal dan lambat. Akuisisi dikatakan mahal karena keterbatasan

pakar dan dikatakan lambat karena dikarenakan adanya perbedaan pemahaman antara

perekayasa pengetahuan dan pakar.

2. Representasi dari sumber pengetahuan sulit dilakukan, pakar tidak dapat menuliskan

pengetahuan mereka dalam kata-kata.

Beberapa hal yang dilakukan dalam akuisisi pengetahuan otomatis:

1. Pengetahuan tidak didapatkan dari pakar secara langsung, melainkan dari kasus-kasus

yang sudah diselesaikan oleh pakar (data dari tiap kasus dan keputusannya).

2. Peran perekayasa pengetahuan dihilangkan dan diganti dengan program yang dapat

menganalisis kasus-kasus tersebut dan menghasilkan sekumpulan rule yang menghasilkan

keputusan yang sama seperti pada kasus.

Proses pembentukan sekumpulan rule dari sejumlah kasus pada proses akuisisi pengetahuan

otomatis disebut dengan pembelajaran induksi. Dalam induksi tersebut, dilakukan penalaran

dari khusus menjadi umum (dari kasus menjadi rule).

Salah satu metode yang menggunakan pembelajaran induksi ini adalah Induct/RDR dan

Induct/MCRDR Kedua metode ini tidak melibatkan pakar secara langsung dan hanya

menggunakan kumpulan kasus yang ada untuk membentuk rule.

2.3 Induct/Multiple Classification Ripple-Down Rules (Induct/MCRDR)

Induct/MCRDR merupakan metode akuisisi pengetahuan otomatis hasil pengembangan dari

MCRDR (Lampiran C) untuk mengatasi keterbatasan MCRDR yang masih membutuhkan

campur tangan pakar. Dengan Induct/MCRDR, basis pengetahuan dibangkitkan secara

II-3

otomatis menggunakan algoritma Induct sehingga tidak membutuhkan peran pakar. Metode

akuisisi ini juga tidak membutuhkan bantuan perekayasa pengetahuan untuk mengatasi

permasalahan klasifikasi majemuk. Proses akuisisi Induct/MCRDR dapat dilihat pada

Lampiran B.

Seperti telah dijelaskan pada [ARM07], Induct/MCRDR diperlukan sebagai solusi

permasalahan yang dihadapi oleh penggunaan MCRDR, yaitu:

1. Induct/MCRDR digunakan untuk membangkitkan basis pengetahuan awal yang

melibatkan data klasifikasi majemuk ukuran besar. Proses ini akan menghemat

banyak waktu dalam proses akuisisi pengetahuan awal. Perawatan basis pengetahuan,

termasuk manipulasi pengetahuan, dilakukan secara manual oleh pakar atau

perekayasa pengetahuan.

2. Induct/MCRDR digunakan untuk memperbaiki basis pengetahuan MCRDR dengan

melakukan pembangunan ulang pengetahuan dari awal menggunakan seluruh data

yang telah diperoleh untuk menjamin basis pengetahuan yang lebih ringkas dan

akurat. Hal ini dapat terjadi jika basis pengetahuan MCRDR telah mengalami banyak

manipulasi sehingga pengetahuan yang terbentuk menjadi tidak ringkas dan akurat

lagi.

2.3.1 Metode Induct

Pengertian dari Induct yaitu suatu metode pembelajaran yang menghasilkan ruang hipotesa H

dari sekumpulan instans X untuk mendefinisikan konsep target c. Setiap hipotesa h dalam H

menunjukkan sebuah fungsi boolean terhadap X, yaitu h: X _ {0,1}. Tujuan pembelajaran

inductive yaitu untuk memperoleh sebuah hipotesa h sedemikian sehingga h(x) = c(x) untuk

semua x dalam X [MIT97].

Metode induct yang digunakan dalam Induct/MCRDR sama dengan metode induct yang

digunakan pada Induct/RDR. Berikut adalah penjelasan mengenai metode Induct.

II-4

Gambar II-1 Induksi pada Induct/RDR [GAI92]

Gambar II-1 menggambarkan analisis kesalahan untuk statistical control dari algoritma yang

digunakan pada Induct. Suatu ruang kasus dibagi berdasarkan diagnosis, yaitu D0, D1, D2,

dan seterusnya, dengan D0 adalah diagnosis sasaran yang digunakan Induct untuk

membangkitkan sebuah kaidah. Kasus yang dicakup sebelum diubah ditunjukkan dengan

elips bagian luar, sedangkan elips bagian dalam menunjukkan kumpulan kasus yang telah

tereduksi saat klausa tambahan diberikan pada premis. Hal ini menunjukkan bahwa kaidah

yang semakin spesifik menyebabkan semakin spesifik pula jumlah kasus yang dapat dicakup

oleh kaidah tersebut.

Gambar II-2 Basis pengujian statistik pada Induct [GAI92]

Gambar II-2 menggambarkan basis dari pengujian statistik yang digunakan pada Induct.

Diberikan himpunan semesta predikat E, Q menunjukkan data benar yang seharusnya

tercakupi oleh rule yang diajukan, S menunjukkan data yang tercakupi oleh rule yang

diajukan, dan C menunjukkan data benar yang tercakupi oleh rule tersebut. Bila kardinalitas

E, Q, S, dan C dinyatakan dengan e, q, s, dan c, probabilitas pemilihan entitas dari E secara

acak yang memenuhi Q adalah:

eqp = ....................................................... (II-1)

II-5

Probabilitas suatu rule terpilih secara acak untuk memilih s dan memperoleh sejumlah c atau

lebih entitas bernilai benar dinyatakan dengan r. Nilai r merupakan penjumlahan distribusi

binomial standar untuk memperoleh fungsi berikut:

isr

ci

i p)(1pisr

=

= ....................................... (II-2)

Penggunaan r untuk mengukur kualitas suatu kaidah adalah dengan mengambil pasangan

atribut-nilai yang mempunyai nilai r terkecil, yaitu pasangan atribut-nilai yang mempunyai

kemungkinan paling kecil untuk terpilih secara acak. Asumsi yang digunakan dalam memilih

nilai probabilitas ini adalah bahwa kualitas suatu rule semakin baik jika kemungkinan rule

tersebut terpilih secara acak semakin kecil [LIT96]. Jadi, semakin kecil nilai r, maka akan

semakin baik pula kualitas rule yang dihasilkan.

2.3.2 Representasi Pengetahuan Induct/MCRDR

Struktur pengetahuan Induct/MCRDR berupa pohon n-ary, di mana setiap simpul

merepresentasikan sebuah kaidah. Struktur ini memungkinkan setiap simpul memiliki lebih

dari 1 cabang. Perkecualian hanya terjadi pada simpul daun yang tidak memiliki cabang sama

sekali. Seluruh cabang yang dimiliki oleh Induct/MCRDR adalah cabang except IF-TRUE

yang hanya ditelusuri bila kasus masukan memenuhi kondisi pada kaidah. Contoh

representasi pengetahuan dari Induct/MCRDR dapat dilihat pada Gambar II-3.

Gambar II-3 Contoh representasi pengetahuan Induct/MCRDR [ARM07]

2.3.3 Proses Inferensi Induct/MCRDR

Proses inferensi pada pohon Induct/MCRDR sama dengan proses inferensi pada pohon

MCRDR. Proses tersebut dimulai dari simpul akar. Kondisi pada simpul akar (kaidah 0)

II-6

selalu dipenuhi oleh seluruh kasus masukan. Solusi ini menjadi solusi sementara sekaligus

menjadi solusi paling umum. Setelah itu, seluruh kaidah pada tingkat pertama akan

dievaluasi. Evaluasi berikutnya hanya dilakukan pada kaidah-kaidah yang dipenuhi pada

tingkat sebelumnya, dan seterusnya. Proses inferensi berhenti ketika tidak ada kaidah yang

dapat dievaluasi lagi, atau ketika tidak ada kaidah yang dapat memenuhi kasus masukan.

Contoh inferensi Induct/MCRDR dapat dilihat pada Gambar II-4.

Gambar II-4 Contoh inferensi dari Induct/MCRDR untuk kasus masukan [tear-prod = normal,

astigmatism = no, age = young]

Jika terdapat basis pengetahuan Induct/MCRDR seperti pada gambar II-5 yang mendapat

kasus masukan [tear-prod = normal, astigmatism = no, age = young], maka solusi yang

dihasilkan adalah [lens = soft]. Rule 5 dan Rule 6 pada gambar II-5 merupakan stopping rule

yang menghasilkan solusi null. Penjelasan mengenai stopping rule dapat dilihat pada subbab

2.3.4.

2.3.4 Proses Pembelajaran Induct/MCRDR

Induct/MCRDR mengadopsi seluruh konsep MCRDR (Lampiran C), dengan perbedaan

terletak pada penentuan kaidah rule baru, Kaidah rule baru pada Induct/MCRDR ditentukan

dengan parameter r untuk mencari klausa terbaik yang memiliki probabilitas kemungkinan

terpilih secara acak paling kecil. Penghitungan nilai r dapat dilihat pada persamaan II-2.

Perbedaan kedua terdapat pada kemungkinan penambahan stopping rule untuk setiap

penambahan rule ke samping. Bila kondisi rule baru memiliki atribut yang berbeda dengan

kondisi rule pada sibling-nya, maka penambahan stopping rule diperlukan untuk menjamin

II-7

hanya data bersesuaian yang memenuhi kondisi untuk memperoleh solusi dari simpul

orangtua stopping rule tersebut.

Berikut adalah algoritma umum untuk pembangunan pengetahuan Induct/MCRDR. BuildMCRDR(Default_Class,Attrs,Training_Set) {Menghasilkan pohon pengetahuan MCRDR dengan simpul bernilai T} type T = {Class: nilai kelas

Clause: nilai klausa Cov: pohon perkecualian positif NotCov: pohon perkecualian negatif}

for Class = (set of class values)

if Class = Default_Class TempClause BestClause(Class,Attr,Training_Set) if r(TempClause) < r(T.Clause) T.Clause TempClause T.Class Class

Bentuk simpul dengan klausa T.Clause dan solusi Default_Class Covered himpunan semua entitas e dalam Training_Set dengan

T.Clause(e) bernilai benar NotCovered himpunan semua entitas e dalam Training_Set dengan

T.Clause(e) bernilai salah if e berada dalam Covered dan e.Class = Class

T.Cov BuildMCRDR(Class,Attrs,Covered) ;pada level selanjutnya if e berada dalam NotCovered dan e.Class = Class

T.NotCov BuildMCRDR(Class,Attrs,NotCovered) ;pada level sama if T.Class berbeda dengan T.Class simpul siblingnya for i = jumlah simpul dengan T.Class berbeda S.Clause Sib.Clause T.Clause Bentuk stopping rule dengan kondisi S.Clause dan solusi none ;pada level selanjutnya

end BuildMCRDR

Algoritma II-1 Algoritma BuildMCRDR untuk pembangkitan struktur MCRDR

Dalam proses pembelajaran Induct/MCRDR, terdapat tiga proses utama dalam penambahan

pengetahuan, yaitu : penentuan klasifikasi yang benar, penentuan lokasi, dan penentuan

kondisi.

2.3.4.1 Penentuan Klasifikasi yang Benar

Induct/MCRDR tidak memerlukan pakar dalam menentukan klasifikasi yang benar.

Klasifikasi ditentukan dari dataset masukan dan diasumsikan bahwa dataset mengandung

klasifikasi yang benar. Perbaikan klasifikasi dilakukan dengan mengubah dataset dan

mengulang pembangkitan basis pengetahuan dari awal.

II-8

Jika proses penentuan klasifikasi ini dilihat berdasarkan kasus covered dan not covered seperti

pada algoritma II-1, maka rule yang dibangkitkan dari data covered akan ditambahkan pada

tingkatan di bawah simpul yang mempartisi. Rule yang dibangkitkan dari data not covered

akan ditambahkan sebagai sibling (berada dalam satu tingkat) dari simpul yang mempartisi

data tersebut.

2.3.4.2 Penentuan Lokasi

Penentuan lokasi untuk simpul baru pada Induct/MCRDR mengacu pada aturan:

1. Seluruh rule yang menhasilkan solusi baru akan ditambahkan di bawah simpul akar.

2. Penambahan stopping rule dilakukan di bawah seluruh rule yang menghasilkan

kesimpulan yang salah. Stopping rule di sini hanya bertujuan mencegah pemberian

klasifikasi yang salah dengan menambahkan simpul solusi null atau none.

2.3.4.3 Penentuan Kondisi

Induct/MCRDR menggunakan parameter nilai r (Rumus II-2) dalam menentukan kondisi,

yaitu klausa terbaik untuk simpul baru yang akan ditambahkan. Kondisi penambahan simpul

baru ini harus tepat, sehingga tidak ada kasus lain yang dapat dipenuhi oleh rule tersebut.

Untuk memastikan kondisi tersebut, maka ditambahkan stopping rule sehingga rule yang baru

hanya dipenuhi oleh kasus yang bersesuaian dan tidak oleh kasus lainnya, kecuali bila

dipenuhi oleh kasus yang memberikan solusi yang sama.

Stopping rule ditempatkan sebagai anak dari rule baru yang memenuhi kriteria tersebut.

Kondisi stopping rule ini ditentukan dari simpul pada tingkat parent-nya, yaitu dengan cara

mengurangi antara klausa simpul orangtua dengan klausa simpul-simpul pada level yang

sama (simpul-simpul sibiling dari simpul orangtua), kecuali bila simpul tersebut memberikan

solusi yang sama dengan simpul orangtua dari stopping rule. Sibling yang memiliki jenis

atribut yang sama tetapi berbeda nilainya dapat diabaikan, karena nilai dari atribut yang

berbeda tidak akan dipenuhi oleh kasus lainnya. Oleh karena itu, kondisi rule tersebut tidak

perlu diperhitungkan sebagai stopping rule.

Contoh dari penentuan kondisi dari stopping rule [ARM07]: kondisi_rule_1 = (atr1 = nilai1a, atr2 = nilai2a) kondisi_rule_2 = (atr1 = nilai1b, atr3 = nilai3a)

II-9

Penentuan kondisi stopping rule dilakukan dengan membandingkan kondisi rule 1 dan rule 2.

Kondisi dari rule tersebut dapat diabaikan karena kedua rule tersebut memiliki atribut yang

sama (atr1) tetapi berbeda nilainya (nilai1a dan nilai1b).

2.4 Shell Induct/MCRDR

Pada [ARM07], telah dikembangkan sebuah shell Induct/MCRDR dalam bahasa

pemrograman Java.

2.4.1 Format Dataset

Shell Induct/MCRDR ini menerima masukan file dataset dari pengguna. Dataset ini berisi

daftar atribut dan kelas yang muncul dalam suatu pengetahuan beserta dataset yang berupa

daftar nilai atribut dan nilai kelas majemuknya. Berikut ini adalah format dataset masukan

yang dapat diterima oleh sistem:

#induct/MCRDR #names attribute att1 {nilai_att_1a, ..., nilai_att_1z} ... attribute att100 {nilai_att_100a, ..., nilai_att_100z} class class_name {class_value_1, ..., class_value_100} #data nilai_att_1a, ..., nilai_att100a, class_value_1, ..., class_value_50 ... nilai_att_1z, ..., nilai_att100z, class_value_51, ..., class_value_100

Gambar II-5 Format file dataset masukan

Identitas file dataset masukan ditandai dengan #Induct/MCRDR. Dari identitas, dilanjutkan dengan penulisan #names yang menandai awal penulisan daftar atribut berikut jenis kelas dalam suatu dataset. Urutan penulisan harus diawali dengan daftar atribut dan diakhiri dengan

satu buah daftar kelas. Format daftar atribut ditandai dengan penulisan attribute, dilanjutkan dengan nama atribut, dan diakhiri dengan nilai-nilai atribut yang dipisahkan koma

dan dibatasi dengan kurung kurawal. Aturan yang sama berlaku untuk penulisan nama kelas

dan nilai-nilai kelas. Perbedaan hanya terdapat pada penanda yang diawali dengan penulisan

class.

II-10

Pendaftaran atas dataset diawali dengan tanda #data. Setiap penulisan sebuah dataset harus mengikuti urutan kemunculan atribut dan kelas seperti yang telah dituliskan sebelumnya.

Untuk memisahkan antara nilai yang satu dengan yang lainnya digunakan separator koma.

2.4.2 Struktur Data

2.4.2.1 Struktur Data ListAtribut dan ListData

Struktur data untuk ListAtribut dan ListData adalah two dimensional array list. Bentuk array

list dipilih karena kebutuhan ukuran list yang dinamis. Dibutuhkan list dua dimensi untuk

dapat menyimpan dalam ruang baris dan kolom. Library two dimensional array list diperoleh

dari [FOR07]. Berikut adalah sketsa struktur data dari ListAtribut dan ListData.

Gambar II-6 Struktur data ListAtribut

Nilai atribut

Nilai kelas

Data 1

Data n

Gambar II-7 Struktur data ListData

Pada struktur data ListData jumlah kolom nilai kelas berukuran sama dengan jumlah nilai

kelas pada ListAtribut. Bila suatu data mengandung nilai_kelas_1, maka ListData akan

mengisi kolom kelas pertama dengan nilai yes, sebaliknya akan diisi dengan nilai no.

2.4.2.2 Struktur Data Condition

Condition merupakan struktur data untuk meyimpan kondisi dari suatu rule. Struktur data

Condition merupakan array list yang bersifat dinamis karena jumlah kondisi rule yang tidak

tetap. Setiap elemen array list akan mengandung array of string dengan elemen pertama

berisi nama atribut, dan elemen kedua berisi nilai atribut.

II-11

Gambar II-8 Struktur data Condition

2.4.2.3 Struktur Data Rules

Rules merupakan struktur data yang mengandung kondisi dan sebuah solusi. Sama seperti

Condition, Rules juga menggunakan array list yang bersifat dinamis karena jumlah rule yang

tidak tetap. Elemen pada Rules terdiri dari Condition dan array of string yang menyimpan

sebuah solusi. Array of string solusi memiliki dua elemen, dengan elemen pertama bernilai

nama kelas, dan elemen kedua berisi nilai kelas.

Condition

Rule 1

Nama kelas Nilai kelas

Rule n

Gambar II-9 Struktur data Rules

2.4.2.4 Struktur Data Node

Node merupakan struktur data berupa simpul dari pohon, di mana setiap simpul mengandung

sebuah Rules. Pohon Induct/MCRDR yang akan dibangun dalam Tugas Akhir ini bersifat

dinamis karena jumlahnya yang tidak tetap. Pembangunan pohon dinamis ini menggunakan

library JDOTS (Java Dynamic Object Tree System) 1.5 dari [SQU07]. Untuk membuat objek

JDOTS, sebuah kelas harus didefinisikan sebagai turunan dari kelas JD_Object. Setiap simpul

pada JDOTS dianggap sebagai objek pohon, dan pembangunannya dapat dilihat pada contoh

berikut ini: test1_JDots t1 = new test1_JDots( "t1" ); test1_JDots t2 = new test1_JDots( "t2"); test1_JDots t3 = new test1_JDots( "t3"); test1_JDots t4 = new test1_JDots( "t4"); test1_JDots t = new test1_JDots( "t5"); t1.JD_addObject(t2); t1.JD_addObject(t3); t1.JD_addObject(t4); t4.JD_addObject(t5);

II-12

Maka pohon yang akan terbentuk adalah sebagai berikut:

Gambar II-10 Contoh pohon dinamik JDOTS

Isi tiap Node adalah sebuah Rules sebagai berikut:

Node 1

Node n

Rule

Gambar II-11 Struktur data Node

2.4.3 Kelas Pada Shell Induct/MCRDR

Berikut adalah diagram package yang digunakan dalam pengembangan sistem

Induct/MCRDR.

gui

lib

jdotsJSci

statistics

util

Gambar II-12 Diagram package sistem Induct/MCRDR

Package lib.JSci adalah kumpulan kelas yang menyimpan library dari JSci. JSci adalah Java

Objects for Science [JSC07] yang berguna dalam pembangunan sistem Induct/MCRDR ini

terutama untuk keperluan operasi distribusi binomial yang tidak disediakan oleh library

standar Java. Operasi distribusi binomial digunakan dalam sistem Induct/MCRDR untuk

II-13

menghitung nilai r yang menjadi parameter pemilihan kondisi terbaik dari suatu rule. Rumus

lengkap dari nilai r dapat dilihat pada Subbab 2.3.1.

Berikut adalah pembagian kelas untuk tiap package yang digunakan: Tabel II-1 Daftar kelas untuk tiap package yang digunakan dalam shell Induct/MCRDR No Nama Package Deskripsi Daftar Kelas

1. gui Berisi kelas-kelas antarmuka MainFrame.java

2. lib.jdots Berisi kelas-kelas pada library JDOTS Kelas-kelas dalam library JDOTS

3. lib.JSci Berisi kelas-kelas pada library JSci

(Java Objects for Science)

Kelas-kelas dalam library JSci

4. util Berisi kelas-kelas utama sistem

Induct/MCRDR

TwoDimArrList.java

ListAttrb.java

ListData.java

Condition.java

Rules.java

Node.java

MainMCRDR.java

2.5 Diagnosis Penyakit dan Pemberian Terapi oleh Pakar

Secara umum, tahapan diagnosis dan pemberian terapi oleh pakar adalah sebagai berikut:

1. Anamnesis

Anamnesis atau wawancara medis merupakan tahap awal dari rangkaian pemeriksaan

pasien, baik secara langsung pada pasien yang bersangkutan atau secara tidak

langsung melalui keluarga maupun relasi terdekatnya.

Ada dua tujuan utama dalam anamnesis, yaitu mendapatkan informasi menyeluruh

dari pasien yang bersangkutan (data medis organobiologis, psikososial, serta

lingkungan pasien). Dari informasi ini, diharapkan dapat disimpulkan dugaan

organ/sistem yang terganggu, bahkan rumusan masalah klinik. Tujuan kedua dari

anamnesis adalah membina hubungan dokter pasien yang profesional dan optimal.

Hubungan ini diharapkan dapat menimbulkan kepercayaan pasien terhadap dokternya

dan sebaliknya.

Dari anamnesis ini, biasanya didapatkan informasi berupa riwayat penyakit pasien

dan keluhan pasien saat ini Adapun riwayat penyakit pasien meliputi alergi, penyakit

II-14

berat yang pernah diderita, operasi, diabetes, darah tinggi, darah rendah, dan lain

sebagainya.

2. Pemeriksaan umum

Setelah melakukan anamnesis, pakar melihat keadaan fisik pasien secara umum,

gemuk atau kurus, pucat, merasa kesakitan, kesadaran turun, batuk-batuk, dan lain

sebagainya. Setelah itu, dokter melakukan pengukuran tekanan darah, suhu tubuh,

berat badan, dan frekuensi pernapasan jika diperlukan.

3. Pemeriksaan fisik

Pemeriksaan fisik merupakan pemeriksaan mendetil sehubungan dengan keluhan

pasien. Sebagai contoh, seorang pasien mengeluhkan sakit pada lengan kanan, maka

pakar memeriksa lengan kanan pasien dengan menekan-nekan dengan jari

tangannya. Dari aktivitas tersebut, pakar menyimpulkan terdapat nyeri tekan pada

lengan kanan pasien. Hal seperti ini juga disebut inspeksi.

4. Diagnosis kerja (working diagnosis) / diagnosis sementara

Dari riwayat penyakit, keluhan, dan inspeksi pasien, pakar menyimpulkan penyakit

yang diderita pasien, disertai dengan pemberian terapi yang sesuai. Untuk kasus-

kasus yang memerlukan pemeriksaan penunjang untuk mengetahui kepastian

penyakit yang diderita, tahap ini disebut sebagai diagnosis sementara.

5. Follow up / pemberian anjuran / saran untuk melakukan pemeriksaan penunjang

Setelah pakar memberikan diagnosis dan terapi, biasanya pasien juga diberi anjuran

sehubungan dengan terapi tersebut. Anjuran tersebut dapat berupa aktivitas yang

menunjang terapi, ataupun berupa follow up (pasien diminta datang kembali pada

waktu yang ditentukan). Jika hasil diagnosis merupakan diagnosis sementara,

biasanya pasien diminta untuk melakukan pemeriksaan penunjang, misalnya tes kadar

gula darah di laboratorium.

6. Diagnosis pasti

Diagnosis pasti dilakukan berdasarkan hasil pemeriksaan laboratorium, dilanjutkan

dengan pemberian terapi yang sesuai.

zlJJO\RWNiZ`B`=U