Jurnal Ilmu Komputer - Volume 5 - No 1 - April 2012

PEMODELAN SISTEM PENDUKUNG KEPUTUSAN KELOMPOK UNTUK DIAGNOSA PENYAKIT PNEUMONIA DENGAN FUZZY LINGUISTIC QUANTIFIER DAN AHP

Muhammad Syaukani1, Sri Hartati2

  • 1Jurusan Teknik Komputer Akademi Teknik Pembangunan Nasional Banjarbaru Email : syaukanie_bjm@yahoo.com

  • 2Jurusan Ilmu Komputer dan Elektronika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada email : shartati@ugm.ac.id

ABSTRAK

Group Decision Support System (GDSS) merupakan suatu sistem berbasis komputer yang mendukung kelompok-kelompok orang yang terlibat dalam suatu tujuan bersama. Pneumonia merupakan infeksi diujung bronkiol dan alveoli serta penyakit yang terbanyak mengakibatkan kematian untuk setiap tahunnya, terbatasnya tenaga medis di puskesmas dibandingkan dengan jumlah penduduk mengakibatkan sering terlambatnya pelayanan terhadap pasien pneumonia. Penelitian ini fokus pada pengembangan sistem pendukung keputusan kelompok untuk mendiagnosis pasien pneumonia pada orang dewasa. Sistem ini dirancang untuk membantu tenaga medis dalam mendiagnosis pasien pneumonia dan menurunkan tingkat keterlambatan penanganan terhadap pasien pneumonia serta meminimalisir adanya kesalahan pemberian antibiotik terhadap pasien pneumonia.

Sistem Pendukung Keputusan Kelompok dikembangkan berbasis web menggunakan bahasa pemrogramman PHP sedangkan untuk mengolah basis data pengetahuan menggunakan database MySQL, untuk memberikan nilai tabel keputusan yang merupakan keterkaitan antara gejala dan gangguan, serta pemberian nilai preferensi ketiga orang pakar yaitu ahli paru-paru, ahli internis dan ahli farmasi menggunakan Fuzzy Segitiga. Pada tahap agregasi preferensi digunakan Fuzzy Linguistic Quantifier dan tahap perangkingan menggunakan AHP. Sistem diuji dengan cara memasukkan gejala-gejala pneumonia tanpa melibatkan seorang pakar. Hasil penelitian menunjukkan bahwa sistem dapat mendukung untuk mendiagnosis penyakit pneumonia.

Kata Kunci : GDSS, Fuzzy Linguistic Quantifier, AHP, Pneumonia

ABSTRACT

Group Decision Support System (GDSS) is a computer based systems that support groups of people involved in a common goal. Pneumonia is an infection of the alveoli and the end of bronkiol and that most diseases result in death for each year, lack of medical personnel at health centers compared with the population resulted in frequent delays service to the patient's pneumonia. This study focused on the development of group decision support system for diagnosis pneumonia in adult patients. The system is designed to help medical personnel in diagnosis pneumonia patients and reduce the level of delays in treatment for pneumonia patients and minimize the error giving antibiotics to pneumonia patients.

Group Decision Support System was developed using a web based PHP programming language while to process the knowledge database using MySQL database, to give a decision table which is an association between symptoms and disorders, as well as giving preference value of the three experts, namely the pulmonary experts, internists experts and pharmacists use Triangular Fuzzy. In the aggregation stage of preferences used Fuzzy Linguistic quantifiers and phase perangkingan using AHP. The system was tested by entering the symptoms of pneumonia without the involvement of an expert. The results showed that the system could support to diagnosis pneumonia.

Keywords : GDSS, Fuzzy Linguistic Quantifier, AHP, Pneumonia

PENDAHULUAN

Teknologi informasi merupakan alat yang memiliki potensi besar untuk mengatasi keterbatasan kognitif manusia dalam hal rasionalitas, kesalahpahaman dan bias dalam meningkatkan efektivitas dan efisiensi pengambilan keputusan (Garyfallos, 2005).

Sistem Pendukung Keputusan Kelompok (GDSS) merupakan jenis sistem interaktif berbasis komputer, yang didesain untuk pengambilan keputusan kelompok (Sohail, 2009), pengguna DSS adalah satu Grup yang terdiri dari beberapa orang yang terkait. Jadi, pengambil keputusannya bukan hanya satu orang pengguna, namun satu tim/kelompok.

Menurut (Turban,2007) GDSS banyak diterapkan di organisasi-organisasi, banyak cara yang digunakan untuk menerapkan GDSS untuk membantu decison making dalam pengambilan keputusan dan meningkatkan kualitas dari keputusan yang dihasilkan. Kapabilitas yang melekat pada GDSS sangat membantu organisasi-organisasi yang menggunakan nya untuk memungkinkan terciptanya koordinasi proses kegiatan baik internal maupun eksternal dengan cara yang lebih akurat, penerapan tersebut misalnya di bidang kesehatan.

Pneumonia merupakan infeksi di ujung bronkhiol dan alveoli yang dapat disebabkan oleh berbagai patogen seperti bakteri, jamur, virus dan parasit. Pneumonia menjadi penyebab kematian tertinggi serta menjadi penyebab penyakit umum terbanyak (Depkes RI, 2005).

Faktor utama yang perlu dipikirkan secara mendalam adalah kesehatan masyarakat, karena dengan kesehatan yang baik, semua aktifitas dapat dijalankan sesuai rencana.

Berbagai upaya yang telah dilakukan pemerintah, diantaranya menyiapkan perangkat kesehatan yang handal yakni dokter dan paramedis yang diharapkan mampu bekerja secara optimal dalam memberikan pelayanan kesehatan pada masyarakat, akan tetapi upaya tersebut belum memberikan hasil yang memadai, penyebabnya yaitu terbatasnya tenaga

medis di puskesmas bila dibandingkan dengan jumlah penduduk.

Beberapa penelitian yang terkait dengan sistem pendukung keputusan klinik antara lain: penelitian tentang pembuatan Acute Respiratory Infections (ARI) Smart Form untuk pemberian resep diklasifikasikan menjadi diagnosa antibiotik dan non antibiotic menggunakan standar deviasi (Jeffrey, 2007). Menurut (de Jong, 2009) dalam penelitiannya melakukan perbandingan antara dokter yang menggunakan sistem pendukung keputusan dan dokter yang tidak menggunakan sistem pendukung keputusan untuk meresepkan obat dalam kegiatan praktek.

Selain itu penelitian yang dilakukan (Scott, 2000) mengenai penerapan sistem pendukung keputusan dalam mendiagnosa penyakit Community-Acquired Pneumonia (CAP) membantu tenaga medis dalam menurunkan tingkat keterlambatan dalam mengatasi kegagala diagnosis pasien yang berobat dirumah sakit dan metode yang dikembang menggunakan Evidence Naive Bayesian. Serta penelitian pembuatan jaringan bayesian dinamis untuk membantu dokter dalam mendiagnosi dan mengobati pasien pneumonia, serta mengetahui perkembangan penyakit pasien dari waktu ke waktu (Charitos, 2007).

Penelitian (Schurink, 2007) membahas tentang sistem pendukung keputusan untuk mendiagnosa Ventilator-Associated Pneumonia (VAP) menggunakan metode Bayesian, sistem ini memiliki karakteristik yang baik pada saat diujicobakan dan sangat membantu dokter dalam penilaian setiap hari pada pasien klinis yang diduga menderita VAP.

Untuk melakukan diagnosa terhadap ganguan dan gejala pneumonia diperlukan beberapa orang dokter atau pakar sebagai decision making agar menghasilkan diagnosis yang optimal, sehingga perlu dibangun suatu sistem yang mampu mengakomodasi pengalaman dari beberapa dokter atau ahli serta untuk meminimalisir adanya kesalahan pemberian antibiotik terhadap pasien pneumonia.

METODE PENELITIAN

Sistem pendukung keputusan yang dikembangkan menggunakan metode Fuzzy Linguistic Quantifier dan AHP dengan konsep pendukung keputusan dalam bentuk kelompok (Group Decision Support System) untuk mendiagnosa penyakit pneumonia pada orang dewas. Pendukung keputusan (pakar) akan berperan dalam memberikan preferensinya terkait dengan diagnosis gangguan pneumonia.

Pada penelitian ini sebanyak tiga pengambil keputusan telah berpartisipasi dalam memberikan preferensi. Pakar yang akan berpartisipasi memiliki keahlian seperti ahli paru-paru, ahli internis dan ahli farmasi, ketiga ahli ini bertugas memberikan nilai preferensi terhadap beberapa gejala dari gangguan pneumonia dan memberikan antibiotik sesuai dengan hasil diagnosa. Preferensi yang diberikan oleh para pakar tersebut, terkait dengan konstribusi suatu fitur pada kondisi tertentu, dan preferensi terhadap gangguan yang terpengaruh apabila diberikan kondisi tertentu.

Fitur-fitur tersebut berupa gejala-gejala atau tanda-tanda yang mempengaruhi terjadinya pneumonia. Berikut Tabel 1 yang menunjukkan fitur-fitur pada gejala pneumonia.

Tabel 1 Jenis Fitur-Fitur pada Gejala Pneumonia

Nama Gejala

Infiltrate

Suhu tubuh

Nadi

Pernapasan

Leukosit

PaO2

Gangguan yang akan didiagnosis berupa gangguan-gangguan pneumonia yang sesuai dengan Pharmaceutical Care Untuk Penyakit Infeksi Saluran Pernapasan (Depkes RI, 2005). Tabel 2 berikut menunjukkan daftar gangguan pneumonia

Tabel 2 Jenis Gangguang Pneumonia

Nama Gangguan / Kategori Penyakit

Pneumonia komuniti

Pneumonia nosokomial ringan

Pneumonia nosokomial sedang

Pneumonia nosokomial berat

Pneumonia aspirasi

Pneumonia

Beberapa gejala akan mempengaruhi gangguan tertentu. Demikian pula, beberapa gangguan dapat dipengaruhi oleh beberapa gejala yang sebagian sama. Gambar 1 menunjukkan salah satu contoh hubungan antara gejala dan gangguan.

Gambar 1 Hubungan antara fitur dan gangguan


Tabel Keputusan

Tahap berikutnya setelah gejala dan gangguan ditentukan, kemudian membuat tabel keputusan yang menunjukkan nilai keterkaitan antara setiap gangguan penyakit dengan gejala, berikut ini Tabel 3 yang menunjukan sebuat tabel keputusan.

Tabel 3. Tabel Keputusan

Nama Gangguan / Kategori penyakit

Infiltrate

Fitur-fitur / Nama Gejala

PaO2

Subuh tubuh

Nadi

Pernapasan

Leukosit

Pneumonia komuniti

Sedang

Sedang

Ringan

Sedang

Ringan

Sedang

Pneumonia nosokomial

Ringan

Ringan

Ringan

Ringan

Ringan

Ringan

ringan

Pneumonia nosokomial

Sedang

Sedang

Sedang

Sedang

Sedang

Sedang

sedang

Pneumonia nosokomial berat

Berat

Sedang

Berat

Berat

Berat

Berat

Pneumonia aspirasi

Ringan

Berat

Sedang

Sedang

Sedang

Sedang

Pneumonia

Sedang

Berat

Ringan

Sedang

Sedang

Sedang


Berdasarkan tabel keputusan yang setiap fitur/gejala telah ditentukan, maka nilai linguistik dari setiap gejala tersebut mempunyai nilai kisaran data, yang dapat dilihat pada Tabel 4:

Tabel 4 Nilai Linguistik Gejala

Gejala

Nilai Linguistik

Kisaran Data

Infiltrat

Ringan

[0-50]

Sedang

[49-100]

Berat

[100-150]

Suhu tubuh

Ringan

[0-39]

Sedang

[38-40]

Berat

[40-42]

Nadi

Ringan

[0-125]

Sedang

[124-130]

Berat

[130-135]

Pernapasan

Ringan

[0-29]

Sedang

[28-30]

Berat

[30-32]

Leuokosit

Ringan

[0-10000]

Sedang

[9000-20000]

Berat

[20000

21000]

PaO2

Ringan

[70-75]

Sedang

[59-70]

Berat

[0-60]

Linguistik direprentasikan dengan bentuk bilangan fuzzy segitiga:

dimana:

μ[x] = derajat keanggota

a,b,c = domain

Dengan α ≤ u ≤β, α adalah batas bawah, dan b adalah batas atas.

Misalnya untuk Gejala Infiltrate :

Ringan Sedang        Berat

10

49 50    100   150

0 ; x <= 50

μ kurang (x) =    1;  0 >= x <= 50

(50-x) ;  49 <= x <= 50

(50-49)

0 ; x <= 49 atau x >= 100

(x-49)   ; 49 <= x <= 50

μ sedang (x) =    (50-49)

(100-x) ;  49 <= x <= 50

(100-50)

0;          x <= atau x>=c

μAx = K (x-a)∕(b-a);  a<= x <= b


0 ; x <= 100


μ berat (x) =


1;  100 >= x <= 150


(b-x)/(c-b);  b<= x<= c


(x-100) ; 100<=x<=150

(150-100)


Apabila bentuk linguistik diberikan pada masing-masing gejala, maka nilai setiap linguistik seperti berikut :

1,02); berat=(1; 0; -1).

berat=(1; 0; 0,5).

berat=(1; 0; 1).

berat=(1; 0; 0,5).

  • 5.    Bentuk linguistik untuk Leukosit : ringan=(0; 1; 2); sedang=(0,1; 1; 1,1); berat=(1; 0; 0,5).

  • 6.    Bentuk linguistik untuk   PaO2   :

ringan=(1; 0; 2); sedang=(1; 1,1; 1,2); berat=(0; 1; 2).

Dari nilia linguistik tersebut di atas dan berdasarkan tabel keputusan, maka didapat matrik keputusan sebagai berikut:

1,02

1

_

1 _

1

4.

_

1.2

1

_

i

_

7 _

'

102

2

1

7

1:1

1.2

-1

2

0=5

0:?

2

1

0=5

2

2

1.1

1.2

1.02

0.5

1

7 _

1.1

1.2

Selanjutnya      setiap      pakar

memberikan preferensinya menggunakan bentuk linguistic. Misalkan preferensi yang diberikan sebagai berikut :

Ahli paru-paru ={“sangat tinggi”,”cukup”, “rendah”, “sangat rendah”, “tinggi”, “rendah”}.

Ahli      Internis={“tinggi”,      “sangat

tinggi”,”rendah”,                ”sangat

rendah”,”rendah”,”rendah”}.

Ahli Farmasi ={“sangat tinggi”, ”tinggi”, ”cukup”,”rendah”,”sangat     rendah”,

”rendah”}.

Berdasarkan (Cheng, 199) dalam (kusumadewi, 2006), bentuk linguistic yang direpresentasikan sebagai bilangan fuzzy segitiga dikategorikan sebagai berikut :

  • - “Sangat Tinggi”     = (1; 0,8; 1)

- “Tinggi”            = (0,75; 0,6; 0,9)

- “Cukup”            = (0,5; 0,3; 0,7)

- “Rendah”           = (0,25; 0,05; 0,45)

- “Sangat Rendah” = (0; 0; 0,2)

Dengan menggunakan persamaan berikut untuk menentukan masing-masing preferensi pakar:

Pk        (Uik)x2

ij = (Uik)x2+ ujk x2

; 1 ≤ ≠ ≤ m


(2)


dimana :

U■ = nilai preferensi yang diberikan oleh pakar terhadap alternatif.

Pijc = nilai masing-masing preferensi pakar

Misalnya untuk Ahli paru-paru memberikan nilai preferensi : {“sangat tinggi”,”cukup”, “rendah”, “sangat rendah”, “tinggi”, “rendah”}.

P112=       (1)2      = 0,80

(1)2+ (0.50)2

P113=       (1)2=0,94

(1)2+ (0.25)2

P114=       (1)2=1

(1)2 + (0)2

P115=       (1)2=0,64

(1)2+ (0.75)2

P116=       (1)2=0,94

(1)2 + (0.25)2

sehingga dengan cara yang sama diperoleh matrik preferensi masing-masing pakar yaitu P1 sebagai matrik preferensi ahli paru-paru, P2 sebagai matrik preferensi ahli internis dan P3 sebagai matrik preferensi ahli farmasi, berikut hasil

masing-masing matrik preferensi :

020

0.80

0,94

1

0,64

0,94

P1=

020

0.50

0,80

1

0,31

0,80

0,06

0.20

0,50

1

0,10

0,50

0

0

0

0

0

0

036

0.69

0,90

1

0,50

0,90

. 0.06

0.20

0,50

1

0,10

0,50

P2=

0,50

0,36

0,90

1

0,90

0,90

0,64

0,50

0,94

1

0,94

0,94

0,10

0,06

0,50

1

0,50

0,50

0

0

0

0

0

0

O1IO

0,06

0,50

1

0,50

0,50

0,10

0,06

0,50

1

0,50

0,50

0,50= (0,58) P1+ (0,24) P2 + (0,18) P3

Pc=

O,5O

0,6S

0,91

1

0,S6

0,93 >

0,94

O,5O

0,86

0,98

0,86

0,91

0.15

0,35

0,50

0,96

0,49

0,67

0,03

0,12

0,12

0,29

0,58

0.29

0,36

0,41

0,64

0,82

0,41

0,64

O,OS

O,l^

0,45

0,91

0,49

0,50

P3=


0,50

0,64

0,80

0,94

1

0,94

0.36

0,50

0,69

0,90

1

0,90

0,20

0,50

0.5 C

0,80

1

0,80

0,06

0,20

0,20

0,50

1

0,50

0

0

0

0

0

0

0.06

0.20

0.20

0.50

1

0.50


Matrik Pc ini belum merupakan matrik yang normal. Untuk itu perlu dilakukan proses normalisasi terhadap matrik Pc untuk mendapatkan matrik Pc’ dengan formula berikut :

Agregasi Preferensi

Apabila digunakan Fuzzy linguistic quantifier dalam bentuk linguistic, “most”, maka dapat diperoleh vektor bobot untuk prefrensi sebagai berikut:

wi =Q(n)- Q (i n ; =1….n   (3)

dimana :

Wi = nilai dari agregesi preferensi

Q = nilai criteria (atau pakar)

i = nilai tertinggi pada himpunan dari nilai preferensi pakar (P1,P2,P3)

W1=Q  13 ) -Q  03 ) = 13 -  03 =0,58

W2=Q 2^ -Q 1^= 2 -  1 =024

W3= Q 33 ) -Q  23 ) = 33 -  23 =0,18

Selanjutnya,      Elemen-elemen

setiap baris pada matrik P1,P2,P3 diurutkan menurun sehingga diperoleh Sehingga diperoleh matriks Pc

Pc=Φ most (P1,P2,P3)         (4)

dimana :

Pc= matrik agregasi preferensi

Φ most = vektor bobot preferensi

Pc c′          ij

P 'j     Picj+Pjci

(5)


dimana :

Pc = nilai dari matrik agregesi preferensi berdasarkan baris dan kolom

Pc’= mantrik agregesi preferensi i= nilai dari baris matrik dari preferensi j=nilai dari kolom matrik dari preferensi

Pc’=

0,50

0,42

0,86

0,97

0,70

0,92

0,58

0,50

0.71

0,89

0,68

0,84

0.14

0,29

0,50

0,89

0,43

0,60

0,03

0,11

o.ιι

0,50

0,41

0,24

0,30

0,32

0.57

0,59

0,50

0.57

0.08

0.16

0.40

0.76

0.43

0.50

Tahap Perangkingan

kemudian dengan menggunakan

AHP diperoleh bobot setiap fitur menggunakan persamaan berikut ini:

Wi = 1 j aij                      (6)

dimana :

Wi = bobot tujuan ke i dari vektor bobot

Sehingga didapat bobot fitur W(0,7283; 0,7000; 0,4750; 0,2333; 0,4750; 0,3883)

Kemudian dari bobot tersebut didapat skor total alternatif dengan persamaan berikut ini :

Sj =∑ (Sy) (Wi)                          (7)

i

dimana :

Sij = nilai skor alternatif

Wi = nilai bobot

Sj = skor tertinggi

S1=(1,02*0,7283)+(2*0,700-

)+(2*0,4750)+(2*0,2333)+(2*0,4750)+ (1,2*0,3883) = 4.9754

S2=(1*0,7283)+(2*0,700-

)+(2*0,4750)+(2*0,2333)+(2*0,4750)+

(2*0,3883) = 3,8432

S3=(1,02*0,7283)+(2*0,700-

+(2*0,4750)+(2*0,2333)+1,1*0,4750)+

(1,2*0,3883) = 2,6777

S4=(-1*0,7283)+(2*0,700-

)+(1*0,4750)+(0,5*0,2333)+(0,5*0,475

0)+(2*0,3883) = 1,1050

S5=(1*0,7283)+(0,5*0,700-

+(2*0,4750)+(2*0,2333)+(1,1*0,4750)

+(1,2*0,3883) = 6,6397

S6=(1,02*0,7283)+(0,5*0,700)+(2*0,4750) +(2*0,2333)+(1,1*0,4750)+(1,2*0,388 3) = 10,4809

Dengan hasil tersebut diatas dapat dirangking kategori penyakit yaitu: Pneumonia,     Pneumonia     Aspirasi,

Pneumonia    Komuniti,    Pneumonia

Nosokomial     Ringan,     Pneumonia

Nosokomial Sedang dan Pneumonia Nosokomial Berat .

Berdasarkan     contoh     yang

diberikan, dari hasil perangkingan, kemudian dibangun basis pengetahuan yang terdiri dari 6 aturan dengan anteseden yang sama, namun memiliki konsekuensi yang berbeda, dengan CF (Centraity Factor) pakar yang berbeda pula sesuai dengan nilai kinerja alternatif, basis aturan dapat diberikan sebagai berikut:

Aturan 1

IF Infiltrate=Sedang AND Suhu

Tubuh=Berat AND Nadi=Ringan AND Pernapasan=Sedang AND

Leukosit=Ringan AND PaO2=Sedang THEN Pneumonia (10,4809)

Aturan 2

IF Infiltrate=Ringan AND Suhu

Tubuh=Berat AND Nadi=Sedang AND Pernapasan=Sedang AND Leukosit=Sedang AND PaO2=Sedang THEN Pneumonia aspirasi (6,6397) Aturan 3

IF Infiltrate=Sedang AND Suhu Tubuh=Sedang AND Nadi=Ringan AND Pernapasan=Sedang AND Leukosit=Ringan AND PaO2=Sedang THEN Pneumonia komuniti (4,9754) Aturan 4

IF Infiltrate=Ringan AND Suhu Tubuh=Ringan AND Nadi=Ringan AND Pernapasan=Ringan AND Leukosit=Ringan AND PaO2=Ringan THEN Pneumonia nosokomial ringan (3,8432)

Aturan 5

IF Infiltrate=Sedang AND Suhu Tubuh=Sedang AND Nadi=Sedang AND Pernapasan=Sedang AND Leukosit=Sedang AND PaO2=Sedang THEN Pneumonia nosokomial sedang (2,6777)

Aturan 6

IF Infiltrate=Berat AND Suhu

Tubuh=Sedang AND Nadi=Berat AND Pernapasan=Berat AND Leukosit=Berat AND PaO2=Berat THEN Pneumonia nosokomial berat (1,1050)

Tahap Inferensi

proses inferensi dilakukan dengan menggunakan metode inferensi, pada sistem berbasis pengetahuan dengan menggunakan forward chaining.

HASIL DAN PEMBAHASAN

Proses implementasi dilakukan dengan mengkodekan hasil pemodelan yang dilakukan sebelumnya. Dalam melakukan pemrograman digunakan bahasa pemrograman web PHP dan sebagai basis data digunakan MySQL. Pertama kali aplikasi ini dijalankan ditampilkan menu utama dari aplikasi GDSS.

Pada menu utama tersebut terdapat link-link yang berfungsi untuk mengelola data masukkan seperti : data gangguan penyakit, data gejala penyakit, data hubungan gejala dan gangguan, data obat, data klasfikasi obat, data preferensi ahli dan link untuk diagnosa penyakit. Jika link-link tersbut diklik akan menampilkan web page form untuk melakukan proses masukkan dan melihat hasil masukkan.

Dari hasil uji coba yang dilakukan pada Gambar 3 bahwa jika

diagnosa gejala seperti infiltrat sedang, suhu berat, nadi ringan, pernapasan sedang, leukosit sedang dan PaO2 sedang, hasil diagnosa menunjukkan yaitu penyakit pneumonia dengan antibiotic : Ampisilin – Sulbaktam 2-6 g perhari, Amoksilin/Asam Klavulanat Sefalosporin generasi II 3x250 – 500 mg/ 2x100 mg perhari.

Gambar 3 Hasil Diagnosa


KESIMPULAN

Berdasarkan    uraian    dan

pembahasan, dapat disimpulkan bahwa sistem pendukung keputusan kelompok menggunakan Fuzzy Linguistic Quantifier dan AHP dapat menetapkan penyakit dan jenis antibiotik sebagai hasil dianogsis penyakit pneumonia.

DAFTAR PUSTAKA

Charitos. T, dkk. (2007). A Dynamic Bayesian Network for Diagnosing Ventilator Associated Pneumonia in ICU Patients. Department of

Information and Computing Sciences, Utrecht University. Netherlands

de Jong, J. D. (2009). Do decision support systems influence variation in prescription? BMC Health Services Research , 9:20.

Depkes RI. (2005). Pharmaceutical Care Untuk Penyakit Infeksi Saluran Pernapasan. Jakarta.

Garyfallos Fragidis, K. T. (2005). The Business Strategy Perspective on the Development of Decision Support Systems. International Conference on Computational Intelligence for Modelling, Control and Automation,

and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’05). IEEE.

Jeffrey A. (2007). Clinical Decision Support System to Improve Antibiotic Prescribing fot Acute Respiratory Infection : Results of Pilot Study. AMIA Symposium Proceedings , 468472.

Kusumadewi Sri, Hartati S, Harjoko A, Wardoyo R. 2006. Fuzzy Multi Attribute Decision Making (Fuzzy MADM). Graha Ilmu. Yogyakarta.

Schurink Carolina A.M., S. V. (2007). A Bayesian decision-support system for diagnosing       ventilator-associated

pneumonia. Intensive Care Med , 1379–1386.

Scott R. Clark. (2000). Decision support systems for the     reatment of

community-acquired     pneumonia.

Conference papers and presented at the Aus-tralian Health Informatics Conferences in 2000.

Sohail Asghar, S. F. (2009). Systems, A Contemplation of Group Decision Support.     Fourth     International

Conference on Computer Sciences and Convergence Information Technology. IEEE.

Turban Efraim, J. E. (2007). Decision Support Systems and Intelligent System-Sevent Edition. New Delhi: Prentice Hall of India.

[Halaman ini sengaja dikosongkan]

36