PENGANTAR TEKNOLOGI SISTEM CERDAS tugas 2

Penerapan Kecerdasan Buatan pada Bidang Kedokteran

Pada saat ini sistem informasi kecerdasan buatan (Artifical Intellegance) sangat banyak dibutuhkan dalam berbagai bidang ilmu. Teknologi softcomputingmerupakan adalah sebuah bidang kajian penelitian interdisipliner dalam ilmu komputasi dan kecerdasan buatan. Sebagai contohnya dimana beberapa teknik dalam softcomputing diantaranya sistem pakar (expert system), jaringan saraf tiruan (neural Networks), logika fuzzy (fuzzy logic), dan algoritma genetik(genetic algorithms) mulai banyak diterapkan dalam aplikasi-aplikasi yang sangat membantu manusia dalam menjalan kan tugas dan mencapai tujuan tertentu yang ingin dicapai.

Salah satu sub bidang yang menggunakan sistem kecerdasan buatan untuk mengatasi dan menganalisis permasalah yang ada adalah bidang kedokteran. Pengembangan aplikasi kecerdasan buatan pada bidang kedokteran sangat membantu sekali beberapa user yang terlibat dalam kedokteran.

Penelitian yang dilakukan Ting-Sheng Weng dan Chien-Hung Kuo pada tahun 2009 dengan judul “Development and Research on the Intelligent Emergency Medical Information System: A Case Study of Yunlin and Chiayi Counties in Taiwan ”, merupakan salah satu aplikasi yang sangat membantu pasien untuk mempercepat dan mempermudah dalam mendapatkan pelayanan serta membantu tenaga medis untuk melaksanakan tugasnya dengan cepat dalam menangani pasien. Dalam penetian tersebut di ciptakan sebuah aplikasi sistem infomasi darurat dalam menangani pasien secara cerdas di suatu daerah. Dimana jika terjadi kecelakaan ataupun pasien yang ingin ke sebuah rumah sakit di daerah tersebut dengan mudah dan cepat dapat ditunjukkan oleh sistem ini atau  akan meningkatkan kecepatan dan pelayanan ambulan dalam membantu pelayanan darurat medis serta efisien waktu tempuh untuk menemukan posisi rumah sakit terdekat dengan pasien yang membutuhkan pelayanan.

Sistem Kerja: sistem dirancang untuk membantu memecahkan masalah antara pasien dengan tenaga medis/rumah sakit. Dalam sistem ini, diciptakan sebuah tugas fungsi darurat penyelamatan medis. Sistem ini menggunakan peta satelit Formosa 2(FORMOSAT-2) dan teknologi Ajax untuk mengakses informasi terhadap peta dan memungkinkan operator pusat untuk menentukan lokasi yang benar dari pasien secara tepat waktu. 

Berdasarkan lokasi pasien, kemudian ambulans akan mengetahui posisi pasien dari layanan. Kemudian, teknisi medis darurat sejalan penyelamatan pertama yang menggunakan perangkat mobile pasien atau smart phone dapat terhubung ke sistem melalui GPRS (General Packet Radio Service ) atau 3G (Third Generation Wireless Format) untuk mencari pasien. Akhirnya, teknisi medis darurat bisa memasukkan kondisi pasien ke dalam sistem, dan kemudian sistem akan menentukan rujukan rumah sakit mana yang paling tepat.

Gambar 1. sistem Proses penyelamatan darurat medis

Hasil yang diperoleh: Penelitian yang telah dilakukan tersebut bertujuan untuk meningkatkan kemungkinan bahwa pasien menerima pengobatan yang tepat, dan disesuaikan untuk mengurangi pemborosan waktu yang disebabkan oleh transportasi yang tidak perlu antara rumah sakit. Sistem ini merupakan pengintegrasian sistem informasi rumah sakitdengan menggunakan ASP berbasis Web. Aplikasi mobile, dan bahasa teknologi Ajax, JavaScript dan SQL untuk membuat suatu sistem cerdas untuk informasi medis darurat yang menggabungkan aplikasi web, peta satelit dan fungsi keputusan darurat medis mobile. Diharapkan dengan menggunakan sistem ini, akan dapat meningkatkan efisiensi transportasi pasien di rumah sakit.

Penelitian yang dilakukan Rifat Shahriyar dkk (2009), dengan judul “Intelligent Mobile Health Monitoring System (IMHMS)”,dimana penelitian ini membahas tentang Handphone Health Care  merupakan sistem  integrasi antara komputasi mobiledengan pemantauan kesehatan manusia. Aplikasi teknologi komputasi mobile ini untuk meningkatkan komunikasi antara pasien, dokter dan petugas kesehatan. Perangkat mobile telah menjadi bagian tak terpisahkan dari kehidupan kita ternyata dapat diintegrasikan dengan kesehatan manusia. Hal ini memungkinkan penyampaian informasi medis yang akurat kapan saja di mana saja dengan menggunakan ponsel.

Sistem Kerja: IMHMS akan mengumpulkan data fisiologis pasien melalui bio-sensor. Data dikumpulkan dalam jaringan sensor dan ringkasan, kemudian data yang dikumpulkan ditransmisikan ke komputer pribadi pasien atau ponsel / PDA. Perangkat ini akan mentransfer data ke server untuk analisis medis. Setelah menganalisa data, server memberikan masukan medis ke komputer pribadi pasien atau ponsel / PDA. Pasien dapat mengambil langkah-langkah berdasarkan umpan balik. IMHMS berisi tiga komponen : 

Wearable Body Sensor Network [WBSN] : pada bagian ini terdiri dari banyak sensor-sensor (bio-sensor) yang di tanam pada tubuh manusia, sensor ini adan menangkap semua kejadian pada setiap organ tubuh manusia dan kemudian mengirimkannya data-data yang terekam ke central controller, dimana ini merupakan pusat yang bertanggung jawab untuk mentransmisikan data pasien ke telepone, komputer pribadi maupun ke PDA.

Gambar 2 . WBSN

·     Patients Personal Home Server [PPHS]: Merupakan seperangkat server rumah pribadi pasien bisa berupa satu komputer pribadi atau perangkat mobile seperti ponsel / PDA. PPHS mengumpulkan informasi dari pusat pengendali WBSN. PPHS mengirim informasi ke Intelligent Medical Server [IMS]. PPHS berisi logika untuk menentukan apakah akan mengirim informasi ke IMS atau tidak. Personal Computer PPHS berdasarkan berkomunikasi dengan IMS menggunakan Internet. perangkat PPHS Mobile untuk berkomunikasi dengan IMS menggunakan GPRS / EDGE / SMS. 

·     Intelligent Medical Server [IMS] : IMS akan menerima data dari semua PPHS. IMS merupakan tulang punggung dari seluruh arsitektur sistem ini.  Data yang ada dapat dipelajari dari catatan pengobatan pasien sebelumnya. Setiap kali dokter atau spesialis memeriksa pasien, pemeriksaan dan hasil pengobatan disimpan dalam database pusat. IMS menggunakan teknik data miningstate-of-the-art seperti jaring saraf, aturan asosiasi, pohon keputusan tergantung pada sifat dan distribusi data. Setelah pengolahan informasi untuk memberikan umpan balik untuk PPHS atau menginformasikan otoritas medis dalam situasi kritis. PPHS menampilkan umpan balik kepada pasien. otoritas kesehatan untuk mengambil tindakan yang diperlukan.

Gambar 3. Arsitektur IMHMS

Hasil yang diperoleh: dibawah ini merupakan hasil perancangan dan hasil output dari sistem yang dibuat.

Gambar 4. Data Pasien dan manual data submission

Gambar 5. Data history

Gambar 6. Tampilan layar implementasi

Pada penelitian yang dilakukan Prasdl dkk (2011) dengan judul  “An Approach to Develop Expert System in Medical Diagnosis using Machine Learning Algorithms (Asthma) and a Performance Study”, mengatakan bahwa Mesin Intelijen memainkan peranan penting dalam perancangan sistem pakar dalam diagnosis medis. Di India banyak orang yang menderita beberapa jenis penyakit seperti asma, kanker diabetes, dan banyak lagi. Dalam penelitian ini peneliti mempertimbangkan untuk membuar sistem pakar diagnosis asma. Data diagnosis asma dapat dilakukan dengan dua cara 1) melalui kuesioner dan 2) melalui data klinis. Metode yang dipakai dalam penelitian ini adalah dengn menggunakan pendekatan Machine Learning Algorithmts, metodeBackpropogation, algoritma C45, Bayesian Network, dan Particle Swarm Optimazation.

Sistem Kerja: Pertama-tama pasien diberikan beberapa pertanyaan yang harus dijawab,  berdasarkan pertanyaan ini seleksi Sistem Pakar akan ditentukan asma atau penyakit lain yang terjadi dalam sistem pernapasan pasien yang melakukan konsultasi apakan penyakit pasien derita seperti asma kronis, gagal jantung kongestif, Episodic Asma, Infeksi Saluran Pernapasan, Infeksi Viral. Dan kemudian pasien melaporkan jenis darah klinis untuk analisa lebih lanjut kemuadian dilakukan diagnosis dengan menggunakan algoritma yang telah dipilih, gejala asma dan data klinis yang dianalisis akan menghasilkan beberapa faktor seperti validasi, kehandalan, efektivitas , dan akurasi hasil analisis yang tepat yang bisa dipetakan dengan pengetahuan dari ahli.

Hasil yang diperoleh:  dari penelitian ini pula dapat didefinisikan konteks memori tergantung pada jaringan neurel-asosiatif dan  Particle Swarm Optimazation  adalah salah satu algoritma terbaik dari jaringan Bayesian, Backpropogation dan C4.5.

Tabel 1. Penghitungan akurasi pada 5 algoritma

Tabel 2. Hasil ananlisis

Particle Swarm Optimazation adalah salah satu metode yang paling menjanjikan untuk merancang dan mengembangkan sistem pakar dalam diagnosis medis. Bila dibandingkan dengan algoritma  backpropogation, Particle Swarm Optimazation adalah metode menjanjikan dari analisis neurel network.

Masih tentang penelitian sistem pakar, tetapi penelitian yang dilakukan Gang lou dkk, (2009) dengan judul “Intelligent Consumer-Centric Electronic Medical Record ”, menjelaskan tentang pemanfaatan sistem pakar berbasis web-base untuk memperluas cakupan pasein tentang medical record. Sebuah sistem pakar menggunakan pengetahuan medis untuk mengubah informasi dalam EMRs menjadi satu set "panduan pencarian informasi" yang mencerminkan situasi medis pengguna dan kebutuhan kesehatan.

Sistem Kerja: mesin pencari berbasis web menggunakan panduan pencarian informasi untuk mengambil informasi kesehatan pribadi. Pendekatan ini menggabungkan sistem pakar domain tertutup dengan orang-orang dari sistem pencarian terbuka-domain. Ahli sistem built-inpengetahuan untuk membantu menghasilkan query berkualitas tinggi, sedangkan sistem pencarian untuk menemukan halaman web yang sebelumnya tidak dikenal dengan sistem pakar.

Gambar 7. Arsitektur intelligent CEMR

iCEMR cerdas mengantisipasi kebutuhan pengguna di muka dan secara otomatis menyediakan satu set informasi kesehatan. Pengguna sering tidak tahu sebelumnya apa yang mereka inginkan karena kurangnya pengetahuan medis, sementara mereka biasanya dapat mengetahui apakah informasi kesehatan membantu ketika mereka disajikan dengan informasi tersebut.

Hasil yang diperoleh: Harapan yang ingin dicapa dengan dibuatnya intelligent CEMR ini untuk mempermudah masyarakat dalam memantau kesehatan secara online dan berfokus pada memfasilitasi kegiatan sehari-hari konsumen.

Dalam penelitian yang berjudul “SAPHIRE - Intelligent Healthcare Monitoring  based on Semantic Interoperability Platform - The Homecare Scenario - ”, yang dilakukan oleh Andreas Hein dkk,(2006) dimana perancangan dan pembuatan sistem informasi monitoring kesehatan yang di beri nama SAPHIRE. Proyek Saphire bertujuan untuk mengembangkan pemantauan kesehatan pemantauan cerdas dan sistem pendukung keputusan pada platform mengintegrasikan data sensor nirkabel medis dengan sistem informasi rumah sakit. Dalam proyek Saphire, pemantauan pasien akan dicapai dengan menggunakan teknologi agen dimana  "agent behaviour " akan didukung oleh sistem pendukung keputusan klinis yang cerdas akan didasarkan pedoman komputerisasi praktek klinis, dan akan mengakses riwayat medis pasien disimpan dalam sistem informasi medis melalui layanan web.

Sistem kerja: konseptual dari proyek Saphire digunakan untuk pasien di rumah sakit atau di rumah dan ini merupakan inti dari proyek ini. Berbagai dari sensor untuk mengumpulkan data dari pasien. Sensor data ditransmisikan secara nirkabel ke Interoperabilitas Multi-Platform disebut HealthCare Services Platform (MSHCP). Agen menggabungkan dan mengevaluasi status sensor dan menyimpulkan pada pasien. Berdasarkan data tersebut, dan dengan mempertimbangkan sejarah account pasien akan dikumpulkan dari berbagai instansi kesehatan, sebuah Semantic Intelligent Sistem Pendukung Keputusan berdasarkan pedoman semantis beranotasi dimodelkan menggunakan Pedoman Interchange Format (GLIF) yang dibuat saran untuk perawatan pasien. Mekanisme yang menjamin privasi lengkap dan keamanan sistem.

Gambat 8. Konsep dari Saphire

Hasil yang diperoleh: Multi-Platform Layanan homecare(MSHCP) bekerja  sebagai gateway antara pasien klinik dan rumah.  MSHCP diimplementasikan sebagai PC dengan sistem operasi (Linux), dengan menggunakan Java (J2SE), dan berbasis middleware OSGi. OSGi (Open Services Gateway Initiative) adalah komponen yang berorientasi pada lingkungan komputasi standar untuk layanan jaringan. Hal ini sudah digunakan untuk aplikasi otomatisasi dirumah. Komponen utama adalah eksekusi OSGi, berbagai lapisan modul yang berbeda, lapisan siklus hidup, dan layanan registri. Dengan cara ini, kerangka kerja ini dapat mengatur remote control dan komunikasi yang aman.

PENGANTAR TEKNOLOGI SISTEM CERDAS

Pengantar Teknologi Sistem Cerdas  ( SOFTSKILL)

Tugas 1

1.      Apa definisi dari pengantar teknologi system cerdas ?

Jawab :

Kecerdasan buatan (Artificial Intelligent, AI) telah menjadi wacana umum yang sangat penting dan banyak dijumpai. Kecerdasan Buatan atau Sistem cerdas atau Intelegensi Buatan atau Artificial Inteligence merupakan cabang terpenting dalam dunia komputer. Komputer tidah hanya alat untuk menghitung, tetapi diharapkan dapat diberdayakan untuk mengerjakan segala sesuatu yang bias dikerjakan oleh manusia. Manusia mempunyai pengetahuan, pengalaman dan kemampuan penalaran dengan baik, agar komputer bisa bertindak seperti dan sebaik manusia, maka komputer juga harus dibekali pengetahuan dan mempunyai kemampuan untuk menalar.

2.      Sejarah teknologi system cerdas di Indonesia !

Jawab :

Di awal abad 20, seorang penemu Spanyol yang bernama Torres Y Quevedo, membuat sebuah mesin yang dapat mengskakmat raja laannya dengan sebuah raja dan ratu.

Perkembangan secara sistematis kemudian dimulai ditemukannya komputer digital.

* Pada tahun 1950-an Alan Turing seorang matematikawan dari Inggris. Pertama kali mengusulkan adanya tes untuk melihat bias tidaknya sebuah mesin dikatakan cerdas(dikenal dengan Turing Test) seolah-olah mesin mampu merespon terhadap serangkaian pertanyaan yang diajukan.
* Istilah kecerdasan buatan dimunculkan pertama kali pada tahun 1956 ketika John Mc Cathy dari Massachusets Institute of Technology (MIT) menciptakan bahasa pemrograman LISP
* Loghic Theorist (1956), diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika.
* Mesin Neural Network pertama oleh Marvin Minsky (1958)
* Sad Sam, deprogram oleh Robert K. Lindsay (1960), program ini dapat mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang didengar dalam sebuah percakapn.
* Muncul logika samar (1965) yang merupakan pelaksanaan konsep samar di atas system komputer. Logika samar mengukur ketidaktepatan dengan cara yang tepat, seperti yang diperlukan mesin.
* ELIZA (1967), diprogram oleh Joseph Weizenbaum, yang mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan.
* Program Microworld dengan penciptaan proyek SHRDLU (1968) merupakan Expert System yang pertama.
* Pada tahun 1972 bahasa Prolog dimunculkan.
* John Holland (1975) mengatakan bahwa setiap problem berbentuk adaptasi (alami maupun buatan) secara umum dapat diformulasikan dalam terminologi genetika (Algoritma Genetika) .
* Sistem catur AI mengalahkan manusia (Pecatur master) pada tahun 1991.
* Robotik, peranti mekanika yang diprogram untuk melakukan berbagai tugas.

     Sistem Cerdas merupakan semua tentang Optimasi, Probabilitas, Statistik, Logika dan algoritma.

     Dalam membuat mesin, memerhatikan 4 hal pendekatan berikut :

1.   Thinking humanly

 Penilaian terhadap kecerdasan sistem yang dilihat dari proses berpikir yang menyerupai   manusia   (human like)

2.  Acting humanly

Penilaian terhadap kecerdasan sistem yang dilihat dari perilaku sistem yang menyerupai manusia. pada penilaianacting humanly, suatu sistem dianggap "cerdas" apabila pewawancara dalam sistem ini tidak dapat membedakan antara manusia dengan sistem tersebut. sampai saat ini belum ada sistem uang mampu lolos dari tes ini

3.  Thinking Rationally

Penilaian terhadap kecerdasan sistem yang dilihat dari proses berpikir yang diarahkan menuju hasil yang terbaik

4.  Acting Rationally

Penilaian terhadap kecerdasan sistem yang dilihat dari perilaku sistem diarahkan menuju hasil yang terbaik. acting rationally, berguna untuk mendapatkan hasil terbaik atau menuju ekspektasi terbaik

      Contoh Sistem Cerdas :

·         Natural Language   : google translate. speech recognation, Google search

·         Vision (perception) : object and face recognation, image classification

·         Robotics

·         Logic                       : Question answering

·         Game Playing

·         Decision Making     : Route planning on google maps, scheduling (airline routing)

·         Spam classifiers

Contoh Penerapan Sistem Cerdas Dalam Bisnis

Sistem Cerdas pada Bisnis

Sistem pakar (expert system) yaitu sistem yang meniru kepakaran (keahlian) seseorang dalam bidang tertentu dalam menyelesaikan suatu permasalahan (Horn, 1986). Sistem pengolahan bahasa alami (natural language processing).

Contoh Aplikasi Sistem Pakar :

·         XSEL : Sistem pakar ini dapat bertindak sebagai asisten penjual, yang membantu penjual komputer DEC memilihkan pesanan pelanggan sesuai dengan kebutuhan.

·         MYCIN : Sistem ini dikembangkan  di Universitas Stanford pada pertengahan 1970-an dengan tujuan untuk membantu jurumedis dalam mendiagnosa penyakit yang disebabkan bakteri. 

·         PROSPECTOR : Sistem ini diciptakan oleh Richard Duda, Peter Hard, dan Rene Reboh pada tahun 1978 yang menyediakan kemampuan seperti seorang pakar di bidang geologi.

Model Konseptual Sistem Pakar

Bagian Sistem Pakar

·         Basis pengetahuan merupakan komponen yang berisi pengetahuan-pengetahuan yang berasal dari pakar. 

·         Berisi sekumpulan fakta (fact) dan aturan (rule).  Fakta berupa situasi masalah dan teori tentang area masalah. 

·         Aturan adalah suatu arahan yang menggunakan pengetahuan untuk memecahkan masalah pada bidang tertentu.  

·         Mesin inferensi adalah komponen yang menjadi otak sistem pakar. Bagian inilah yang berfungsi melakukan penalaran dan pengambilan kesimpulan. 

·         Fasilitas penjelas merupakan komponen yang berfungsi untuk memberikan penjelasan kepada pemakai yang memintanya. Jenis pertanyaan yang dapat ditangani biasanya berupa “Mengapa” dan “Bagaimana”. Tidak semua sistem pakar menyediakan bagian ini. Contoh berikut memberikan gambaran tentang penjelasan oleh sistem pakar. 

·         Antarmuka pemakai merupakai bagian yang menjembatani antara sistem dan pemakai. Melalui bagian inilah pemakai berkomunikasi dengan sistem.

3.      Penerapan teknologi system cerdas dikehidupan sehari-hari !

Jawab :

Pada era globalisasi saat ini, bidang Visual Recognition dapat kita jumpai pada komputer-komputer laptop terbaru termaksud dalam teknologi cerdas di kehidupan sehari hari. Mula-mula komputer dipasang alat untuk mendeteksi sidik jari (fingerprints password). Sekarang ini sudah banyak digunakan face detector, sehingga untuk mengakses sebuah laptop yang sudah dipasangi password dari gambar wajah orang pemiliknya, maka orang lain dengan wajah yang berbeda tidak akan dapat membuka laptop tersebut. Misalkan pada laptop LENOVO 3000 Y410 keluaran IBM