Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm. 880-887
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Pemodelan Sistem Pakar Untuk Menentukan Penyakit Diabetes Mellitus Menggunakan Metode Naive Bayes Studi Kasus : Puskesmas Poncokusumo Malang Irwan Andriyanto1 , Edy Santoso2 , Suprapto3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Pencegahan penyakit diabetes mellitus dapat dilakukan jika gejala-gejala penyakit dapat diketahui sejak dini. Pengetahuan akan gejala penyakit diabetes mellitus dapat dilakukan dengan menggunakan sistem pakar. Salah satu metode yang dapat digunakan untuk mengetahui gejala penyakit diabetes mellitus adalah metode Naive Bayes. Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Hasil pengujian fungsional menghasilkan nilai 100%. Hal ini menunjukkan bahwa sistem telah berjalan dengan baik dan sesuai dengan daftar kebutuhan yang diharapkan. Semakin banyak data training yang digunakan maka semakin tinggi akurasi sistem. Hasil pengujian akurasi diperoleh nilai akurasi terbaik 100% dengan jumlah data training sebanyak 140. Kata kunci: Sistem Pakar, Naive Bayes, Data Training, Diabetes Mellitus Abstract Preventation of diabetes mellitus bale to do if the patient knows the signs of diabetes mellitus. But people has difficulties to find it’s signs. Because the expert in this subject is very less and the cost so expensive. That’s why people need to help to prevent this deases by knowing it’s signs by using expert system. One of method can use to know diabetes mellitus is Naive Bayes. Naive Bayes a statistic approach to do induction inferency in classification matter. This methode use probability. The basic of Naive Bayes is Training Data. Training Data is Diabetes Mellitus and it’s signs that get from research object. The result comes from the biggest probability. Functional test gets 100%. It’s means that the system works well. Bigger training data will get higher system accuration. The best accuration is 100% comes from 140 data training. Keywords: Expert System, Naive Bayes, Training Data, Diabetes Mellitus pakar dalam penyakit ini. Selain itu, mahalnya biaya serta rumitnya proses mendiagnosa juga menjadi kendala. Oleh sebab itu, para teknisi dan masyarakat perlu dibantu dalam pendeteksian penyakit ini. Pengetahuan yang dimiliki oleh para pakar atau ahli dalam bidang penyakit diabetes melitus dapat membantu teknisi kesehatan dalam ketanggapan pendeteksian penyakit ini. Pengetahuan yang dimiliki oleh pakar ini dapat diperoleh dari teknisi kesehatan dengan bantuan teknologi saat ini tanpa harus mendatangi pakar secara langsung. Berdasarkan penelitian Budi Cahyo Saputro, Rosa Delima, Joko Purwadi (2007) yang berjudul Sistem Diagnosa Penyakit Diabetes Melitus Menggunakan Metode
1. PENDAHULUAN Diabetes melitus adalah kelainan metabolik yang disebabkan oleh banyak faktor seperti kurangnya insulin atau ketidakmampuan tubuh untuk memanfaatkan insulin (insulin resistance), dengan simtoma berupa hiperglikemia kronis dan gangguan metabolisme karbohidrat, lemak dan protein, sebagai akibat dari defisiensi sekresi hormon insulin, aktivitas insulin, atau keduanya. Pencegahan penyakit diabetes mellitus dapat dilakukan jika gejala-gejala penyakit dapat diketahui sejak dini. Dalam masyarakat umumnya, orang mengalami kesulitan untuk mengetahui gejala-gejala penyakit diabetes mellitus. Hal ini dikarenakan kurangnya jumlah Fakultas Ilmu Komputer Universitas Brawijaya
880
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Certainty Factor menjelaskan bahwa Diabetes melitus adalah suatu penyakit gangguan kesehatan di mana kadar gula dalam darah seseorang menjadi tinggi karena kekurangan insulin atau reseptor insulin tidak berfungsi baik. Dari hasil ujicoba terhadap 8 pasien didapatkan prosentase ketepatan dari sistem adalah 62.5% (berdasarkan fakta dan gejala) dan hasil anaisa sistem 100% (berdasarkan kadar gula darah). Dari penelitian tersebut peneliti memberikan kesimpulan betapa penyakit diabetes mellitus masih merupakan salah satu penyakit yang berbahaya yang memerlukan pencegahan dini. Untuk mengetahui gejala pada penyakit diabetes mellitus dapat dilakukan dengan menggunakan sistem pakar. Salah satu metode yang dapat digunakan dalam sistem pakar adalah metode Naive Bayes. Metode Naïve Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dasar penentuan penyakit diabetes mellitus adalah data training yang akan digunakan. Data training adalah data penyakit diabetes mellitus dan gejalanya yang diperoleh dari objek penelitian. 2. LANDASAN KEPUSTKAAN 2.1. Kajian Pustaka Berdasarkan judul skripsi yang dibahas, penulis menemukan beberapa hasil penelitian yang relevan untuk mendukung penelitian dalam skripsi ini, antara lain: penelitian (Saputro, Delima, & Purwadi, 2007) yang menjelaskan sistem pakar untuk mendiagnosa penyakit diabetes mellitus menggunakan certainty factor. Penulis berhasil mengimplementasikan sebuah sistem pakar berbasis web yang dapat mengatasi nilai derajat kepercayaan atau faktor kepastian data yang diperoleh dari hasil konsultasi dengan pasien melalui metode certainty factor. Harapan penulis, sistem ini dapat membantu dokter atau masyarakat awam sekalipun dalam mengambil keputusan ketika mendiagnosa penyakit diabetes mellitus. Penelitian yang selanjutnya dilakukan oleh (Hotimah, 2015) menjelaskan penggunaan metode Naive Bayes untuk menentukan kelayakan calon tenaga kerja Indonesia. Dalam penelitian tersebut peneliti menggunakan data tenaga kerja Indonesia pada periode Fakultas Ilmu Komputer, Universitas Brawijaya
881
sebelumnya sebagai data training. Dalam penelitian tersebut digunakan data training sebanyak 100 data training. Hasil penelitian menunjukkan bahwa keakuratan mencapai 90%. Untuk memperoleh keakuratan yang lebih bagus, dapat dilakukan dengan menambah jumlah data training. Penelitian (Pahlevi, 2010) yang berjudul Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier. Subjek pada penelitian ini adalah Sistem Pendukung Keputusan untuk mendiagnosa penyakit tropis yang disebabkan oleh bakteri. Metode Pengambil keputusan adalah Naïve Bayes Classifier sedangkan Metode pengumpulan datanya adalah dengan metode kepustakaan, wawancara, metode observasi. Tahap pengembangan perangkat lunak sistem pakar ini meliputi : pengumpulan data dari berbagai sumber yang di representasikan dalam basis pengetahuan, pembuatan basis aturan, pembuatan dfd, entity relationship diagram, desain interface, analisis dan perancangan sistem, perancangan model data konseptual, perancangan tabel dan perancangan dialog implementasi program menggunakan visual studio .Net 2005, dan tahap akhir adalah menguji program. Keluaran sistem berupa hasil penelusuran penyakit yang dilengkapi dengan nilai probabilitas yang diperoleh dengan menggunakan teorema bayes. Setealh diuji coba, program ini memiliki tingkat akurasi 77.5%. Aplikasi ini dapat membantu user untuk mendiagnosis penyakit tropis yang disebabkan oleh bakteri. 2.2. Pemodelan Pemodelan adalah proses untuk membuat sebuah model. Model adalah representasi dari sebuah bentuk nyata, jadi sebuah pemodelan sistem merupakan gambaran bentuk nyata yang dimodelkan secara sederhana. (Korniasari, 2015). 2.3. Sistem Pakar Pengertian sistem pakar berasal dari istilah knowledge-based expert sistem. Istilah ini digunakan untuk memecahkan suatu masalah, sistem pakar menerapkan pengetahuan seorang pakar yang dimasukkan kedalam komputer. Sistem pakar adalah sebuah sistem yang menggunakan pengetahuan manusia di mana pengetahuan tersebut dimasukkan ke
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dalam sebuah komputer dan kemudian digunakan untuk menyelesaikan masalah– masalah yang biasanya membutuhkan kepakaran atau keahlian manusia (Korniasari, 2015).
882
menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik, probabilitas bersyarat dinyatakan seperti gambar 2.
2.3.1. Konsep Dasar Sistem Pakar Konsep dasar dari sistem pakar yaitu meliputi keahlian (expertise), ahli (experts), pemindahan keahlian (transfering expertise), inferensi (inferencing), aturan (rules) dan kemampuan memberikan penjelasan (explanation capability) (Korniasari, 2015). Keahlian (expertise) adalah pengetahuan yang mendalam tentang suatu masalah tertentu, dimana keahlian bisa diperoleh dari pelatihan/ pendidikan, membaca dan pengalaman dunia nyata. Ada dua macam pengetahuan yaitu pengetahuan dari sumber yang ahli dan pengetahuan dari sumber yang tidak ahli Pengetahuan dari sumber yang ahli dapat digunakan untuk mengambil keputusan dengan cepat dan tepat (Korniasari, 2015). Ahli (experts) adalah seorang yang memiliki keahlian tentang suatu hal dalam tingkatan tertentu. Ahli dapat menggunakan suatu permasalahan yang ditetapkan dengan beberapa cara yang berubah-ubah dan merubahnya ke dalam bentuk yang dapat dipergunakan oleh dirinya sendiri dengan cepat dan cara pemecahan yang mengesankan (Korniasari, 2015). 2.3.2. Konsep Dasar Sistem Pakar Arsitektur sistem pakar ditunjukkan pada Gambar 1.
Gambar 1. Arsitektur Sistem Pakar 2.4. Metode Naïve Bayes Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 2. Fungsi Metode Bayesian Probabilitas X di dalam Y adalah probabilitas interseksi X dan Y dari probabilitas Y, atau dengan bahasa lain P(X|Y) adalah prosentase banyaknya X di dalam Y. Selain data seperti diatas metode Naïve Bayes juga dapat menangani data berupa numerik. Untuk menangani data numerik metode Naive Bayes menggunakan asumsi distribusi normal. Naïve Bayes Classifier merupakan pengklasifikasi probabilitas sederhana berdasarkan pada teorema Bayes. Teorema Bayes dikombinasikan dengan “Naïve” yang berarti setiap atribut/variabel bersifat bebas (independent). Naïve Bayes Classifier dapat dilatih dengan efisien dalam pembelajaran terawasi (supervised learning). Keuntungan dari klasifikasi adalah bahwa ia hanya membutuhkan sejumlah kecil data pelatihan untuk memperkirakan parameter (sarana dan varians dari variabel) yang diperlukan untuk klasifikasi. Karena variabel independen diasumsikan, hanya variasi dari variabel untuk masing-masing kelas harus ditentukan, bukan seluruh matriks kovarians. Dalam prosesnya, Naïve Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama. Pada saat klasifikasi, pendekatan bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya (Vmap) dengan masukan atribut a1, a2….. an. Hal ini dapat dilihat pada persamaan 1 𝑉𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑣𝑗∈𝑉 𝑃(𝑣𝑗 |𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 ) ...(1) dimana : 𝑉𝑀𝐴𝑃 = Probabilitas tertinggi. 𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 = Atribut (Inputan) Pernyataan Teorema Bayes terdapat pada persamaan 2
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
𝑃(𝐵 |𝐴) =
𝑃(𝐴|𝐵) 𝑃(𝐵) 𝑃(𝐴)
(2)
dimana : 𝑃(𝐵 |𝐴) = Peluang B jika diketahui keadaan jenis penyakit A. 𝑃(𝐴|𝐵) = Peluang evidence A jika diketahui hipotesis B 𝑃(𝐵) = Probabilitas hipotesis B tanpa memandang evidence apapun 𝑃(𝐴) = Peluang evidence penyakit A. Menggunakan teorema Bayes ini, akan didapat persamaan 3 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 |𝑣𝑗 )𝑃(𝑣𝑗) 𝑉𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑣𝑗∈𝑉 𝑃(𝑎1 𝑎2 𝑎3 …..𝑎𝑛 )
............(3) dimana : 𝑉𝑀𝐴𝑃 = Probabilitas tertinggi. 𝑃(𝑣𝑗 ) = Peluang jenis penyakit ke-j 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 |𝑣𝑗 ) = Peluang atribut-atribut (inputan) jika diketahui keadaan vj 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 ) = Peluang atribut-atribut (inputan) Karena nilai 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 ) nilainya konstan untuk semua sehingga persamaan ini dapat ditulis seperti pada persamaan 4 𝑉𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑣𝑗∈𝑉 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 |𝑣𝑗 )𝑃(𝑣𝑗 ) ...............(4) Untuk menghitung 𝑃(𝑎1 𝑎2 𝑎3 … . . 𝑎𝑛 |𝑣𝑗 )𝑃(𝑣𝑗 ) semakin sulit karena jumlah gejala bisa jadi sangat besar. Hal ini disebabkan jumlah gejala tersebut sama dengan jumlah semua kombinasi gejala dikali dengan jumlah kategori yang ada. Menghitung P(ai|vj) dengan rumus yang ada pada persamaan 5 : 𝑛 +𝑚𝑝 𝑃(𝑎𝑖 |𝑣𝑗 ) = 𝑐 (5) 𝑛+𝑚
dimana: nc = jumlah record pada data learning yang v = vj dan a = ai p = 1/ banyaknya jenis class / penyakit m = jumlah parameter / gejala n = jumlah record pada data learning yang v =vj / tiap class Langkah perhitunga naïve bayes sebagai berikut : 1. Menentukan nilai nc untuk setiap class 2. Menghitung nilai P (ai|vj) dan menghitung nilai P(vj) Fakultas Ilmu Komputer, Universitas Brawijaya
883
𝑉𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑣𝑗∈𝑉 𝑃(𝑣𝑗 )𝜋𝑖 𝑃(𝑎𝑖 |𝑣𝑗 ) ... (6) 3. Menghitung P(ai|vj) x P(vj) untuk tiap v 4. Menentukan hasil klasifikasi yaitu v yang memiliki hasil perkalian yang terbesar. (Setiawan, 2015) 2.5. Diabetes Mellitus Diabetes mellitus adalah penyakit metabolik yang ditandai dengan terjadinya hiperglikemi yang disebabkan oleh gangguan sekresi insulin dan atau kerja insulin, sehingga terjadi abormalitas metabolisme karbohidrat, lemak dan protein. Secara klinik diabetes mellitus adalah sindroma yang merupakan gabungan kumpulan gejala-gejala klinik yang meliputi aspek metabolik dan vaskuler yaitu hiperglikemi puasa dan post prandial, aterosklerotik dan penyakit vaskuler mikroangiopati, serta hampir semua organ tubuh akan terkena dampaknya. Penyakit Diabetes Mellitus (DM) yang juga dikenal sebagai penyakit kencing manis atau penyakit gula darah adalah golongan penyakit kronis yang ditandai dengan peningkatan kadar gula dalam darah sebagai akibat adanya gangguan sistem metabolisme dalam tubuh, dimana organ pankreas tidak mampu memproduksi hormon insulin sesuai kebutuhan tubuh. Jenis penyakit diabetes mellitus: 1. Diabetes Mellitus I Gejala Diabetes Mellitus tipe I sebagai berikut: a. Faktor keturunan b. Umur kurang atau sama dengan (15-20) tahun c. Mudah kelelahan d. Banyak minum (polodipsia) e. Turunnya berat badan tanpa alasan yang jelas f. Timbulnya rasa kesemutan (mati rasa) atau sakit pada tangan atau kaki g. Timbulnya rasa borok (luka) pada kaki yang tak kunjung sembuh h. Gatal-gatal i. Kadar glukosa darah lebih dari 140 mg/dl (sewaktu) 2. Diabetes Mellitus Tipe II Gejala diabetes mellitus tipe II sebagai berikut: a. Banyak makan (polifagia) b. Sering buang air kecil (poliuria) c. Banyak minum (polodipsia) d. Turunnya berat badan tanpa alasan yang jelas
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
e. f. g. h. i. j. k. l.
Faktor keturunan Mulut kering Sering mengantuk Timbulnya rasa kesemutan (mati rasa) atau sakit pada tangan atau kaki Timbulnya rasa borok (luka) pada kaki yang tak kunjung sembuh Gatal-gatal Disfungsi ereksi pada pria Obesitas 20% dari berat badan normal
884
kerja sistem secara menyeluruh, baik dari segi model maupun dari arsitektur sistem untuk membantu dalam implementasi dan pengujian sistem diagnosa penyakit diabetes mellitus. 3.1 Model Perancangan Sistem Model perancangan sistem merupakan penjelasan dari cara kerja sistem secara struktur mulai dari input yang dimasukkan hingga memperoleh hasil. Diagram model perancangan sistem dapat dilihat pada Gambar 3.
m. Berumur 20 tahun atau lebih n. Kadar glukosa darah lebih dari 140 mg/dl (sewaktu) 2.6. Precision, Recall, F-Measure dan Akurasi Precision adalah jumlah dari sampel data yang benar – benar merupakan class x dari semua sampel data yang diklasfikasikan sebagai class x. Perhitungan Precision dapat dilakukan menggunakan persamaan 7 (Kumar, 2012). TP 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (7) (TP+FP)
Recall adalah ukuran kemampuan model prediksi untuk memilih contoh dari kelas tertentu dari satu set data. Hal ini biasa juga disebut sensitivitas, dan sesuai dengan tingkat positif benar. Hal ini didefinisikan oleh persamaan 8 (Kumar, 2012). TP 𝑅𝑒𝑐𝑎𝑙𝑙 = (TP+FN) (8) F-Measure adalah ukuran gabungan untuk presisi dan recall dan dihitung dengan persamaan 9 (Kumar, 2012). 2∗𝑃𝑟𝑒𝑐𝑖𝑠𝑜𝑛∗𝑅𝑒𝑐𝑎𝑙𝑙 𝐹 − 𝑀𝑒𝑎𝑠𝑢𝑟𝑒 = (𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙) (9) Akurasi adalah nilai derajat kedekatan dari pengukuran kuantitas untuk nilai sebenarnya (true). Nilai akurasi didapatkan dari hasil rule yang dihasikan dari perhitungan decision tree kemudian di uji coba kan pada data testing dan menghasilkan derajat keakuratan dari rule tersebut setelah di uji coba kan pada data testing. Tingkat akurasi diperoleh dengan perhitungan sesuai dengan persamaan 10 (Rinarto, 2013). 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟 𝑥 100% ( 10 ) 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖
3 METODOLOGI PENILITIAN Perancangan sistem merupakan langkah yang digunakan untuk menggambarkan desain Fakultas Ilmu Komputer, Universitas Brawijaya
Diagnosa penyakit diabetes militus
Input gejala
Data Training
Menghitung nilai probabillitas penyakit
Pengobatan
Menentukan penyakit dari probabilita tertinggi
Input
Proses
Output
Gambar 3 Model Perancangan Sistem Pakar Diagnosa Penyakit Diabetes Mellitus Pada Gambar 3 terdiri dari tiga proses utama, yaitu : a. Input Input pada sistem ini merupakan masukkan dari pengguna berupa gejala–gejala yang dialami oleh pengguna. Dalam penelitian ini terdapat 15 gejala yang digunakan sebagai variabel input. b. Proses Pada tahapan ini, proses penentuan jenis penyakit diabetes mellitus dimulai dengan cara menentukan data training. Dari data training, akan diperoleh dasar untuk menentukan nilai probabilitas penyakit. Penyakit yang diderita pasien didasarkan pada nilai probabilitas terbesar. c. Output Keluaran berupa hasil diagnosa jenis penyakit diabetes mellitus dan saran penanganan dini penyakit diabetes mellitus.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
3.2 Arsitektur Sistem Pakar Basis Pengetahuan Data gejala Data jenis penyakit
User Gejala diabetes militus Antarmuka
Rekayasa Pengetahuan
Jenis penyakit Diabetes mellitus
Metode Naive Bayes
Pengetahuan Pakar
Blackboard Menyimpan hasil Naive Bayes
dilakukan terhadap sistem dengan tujuan mengetahui apakah sistem yang dirancang telah memenuhi daftar kebutuhan sistem yang diharapkan. 5.1. Prosedur dan Hasil Pengujian Fungsionalitas Pengujian fungsionalitas dilakukan dengan membuat kasus uji untuk setiap daftar kebutuhan sistem yang telah dirancang. Hasil pengujian fungsionalitas ditunjukkan pada Tabel 1.
Perbaikan Pengetahuan
Gambar 4. Arsitektur Sistem Pakar Diagnosa Penyakit Diabetes Mellitus 4.
N o 1.
IMPLEMENTASI
Implementasi sistem merupakan proses membuat sistem yang sudah dirancang dan menerapkan hal–hal yang sudah didapat dalam proses studi literatur. 4.1. Implementasi Utama
885
Antarmuka
2.
Halaman
Halaman utama merupakan halaman awal yang diakses pengguna saat menggunakan sistem pakar, pada halaman ini terdapat judul, deskripsi sistem, menu pengunjung, dan menu yang dapat diakses oleh pendaftar dan admin. Implementasi antarmuka halaman utama ditunjukkan pada Gambar 5.
Tabel 1. Pengujian Fungsionalitas Skenario Hasil yang Hasil yang Pengujian Diharapkan Didapat Mengklik Sistem Sistem link menu menampilkan menu mampu user. yang dapat diakses menampilkan user. menu user dengan benar. Mengklik Sistem Sistem link menu menampilkan menu mampu admin. admin untuk menampilkan mengelola sistem. menu admin dengan benar.
Analisa hasil pengujian fungsionalitas dilakukan dengan membandingkan kesesuaian antara hasil yang diharapkan dengan hasil yang didapat. Hasil pengujian yang ditunjukkan pada Tabel 1 memiliki tingkat kesesuaian 100%, sehingga dapat disimpulkan bahwa fungsionalitas dari Pemodelan Sistem Pakar Diagnosa Penyakit Daibetes Militus dengan Metode Naive Bayes berjalan sesuai dengan daftar kebutuhan yang diharapkan. 5.2
Gambar 5. Implementasi Antarmuka Halaman Utama
Didalam halaman yang lain terdapat beberapa implementasi antarmuka seperti Menu Analisa, Menu Data, Login, Menu Home Admin, dan Menu Data 5. PENGUJIAN Pada sub bab ini dijelaskan mengenai pengujian fungsionalitas yang dilakukan pada Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes. Pengujian fungsionalitas adalah pengujian yang Fakultas Ilmu Komputer, Universitas Brawijaya
Pengujian Akurasi Pengujian tingkat akurasi dilakukan dengan tujuan untuk mengetahui kesesuaian hasil diagnosa Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes dengan hasil diagnosa pakar. 5.2.1
Prosedur dan Hasil Pengujian Akurasi Pengujian akurasi dilakukan dengan cara menyesuaikan hasil diagnosa sistem dengan hasil diagnosa pakar. Dalam pengujian ini terdapat 150 data gejala penyakit diabetes militus yang diuji. Hasil pengujian ditunjukkan pada tabel 2 yang dilampirkan pada Lampiran I.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
5.2.2
Analisa Pengujian Akurasi Hasil akurasi dengan nilai 1 memiliki arti bahwa keluaran sistem sesuai dengan hasil diagnosa pakar. Berdasarkan perhitungan akurasi dengan menggunakan persamaan (9) dan menghasilkan tabel 2 pengujian akurasi :
No 1 2 3 4 5
Tabel 1 Pengujian Akurasi Data Akurasi Training Uji 50 100 40 % 80 20 100 % 100 50 98 % 120 30 96,7 % 140 10 100 %
Sehingga dapat disimpulkan bahwa untuk dapat menghasilkan nilai akurasi yang sempurna diperlukan data training yang banyak. Akurasi terbaik diperoleh untuk data training 140 dengan tingkat akurasi sebesar 100% 150 100 Nilai Akurasi 50 0 0
50
100
150
Jumlah Data Training
Gambar 6. Grafik Akurasi Sistem Pakar 6. KESIMPULAN Berdasarkan perancangan, implementasi, dan hasil pengujian dari peneletian dengan judul Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes ini, maka didapatkan kesimpulan sebagai berikut : 1. Instrumen penelitian dengan judul Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes ini dapat memberikan manfaat dalam memperluas pengetahuan tentang penangananan penyakit diabetes militus dan dapat memberikan rekomendasi solusi dalam melakukan diagnosa penyakit diabetes militus.
2. Hasil evaluasi pengujian dari sistem adalah sebagai berikut : a. Hasil pengujian fungsional menghasilkan nilai 100%. Hal ini Fakultas Ilmu Komputer, Universitas Brawijaya
886
menunjukkan bahwa sistem telah berjalan dengan baik dan sesuai dengan daftar kebutuhan yang diharapkan. b. Nilai akurasi sistem tergantung jumlah data training dan jumlah data uji. c. Semakin banyak data training yang digunakan, maka semakin besar nilai akurasinya. d. Nilai akuarasi terbaik diperoleh dengan menggunakan data training sebanyak 140 dengan nilai akurasi 100%. DAFTAR PUSTAKA Candra, A. A., & Martiana, E. (2011). Diagnosa Penyakit Sinusitis Menggunakan Algoritma Genetika Dan Bayesian Berbasis JSP. Jurusan Teknik Informatika, PENS-ITS Surabaya. Faruk, Umar. Sistem Pakar Penentuan Penyakit Pada Sapi Menggunakan Metode Forward Chaining. Teknik Informatika Universitas Islam Madura (UIM) Pamekasan. 2015. Hotimah, H. (2015). Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes. Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Madura. Kurniasari, Dessy Rizky. Pemodelan Sistem Pakar Diagnosa Penyakit Demam Berdarah Menggunakan Metode Naive Bayes – Weighted Product. Teknik Informatika/Ilmu Komputer. Universitas Brawijaya. Malang. 2015. Kusumadewi dan Purnomo. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta. Graha Ilmu. 2010. Mukhlis, M. K. (2012). Diagnosa Kemungkinan Pasien Terkena Stroke Dengan Metode Naïve Bayes dan Metode Jaringan Syaraf Tiruan Berbasis Web. Politeknik Elektronika Negeri Surabaya, 1–7. https://doi.org/10.1007/s13398-014-01737.2 Natalius, S. (2011). Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen. Jurnal Istitut Teknologi Bandung, (3). Pahlevi, M. R. (2010). Sistem pendukung keputusan untuk mendiagnosa penyakit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tropis yang disebabkan oleh bakteri menggunakan metode naïve bayes classifier. Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur. Saputro, B. C., Delima, R., & Purwadi, J. (2007). Sistem Diagnosa Penyakit Diabetes Mellitus Menggunakan Metode Certainty Factor. Fakultas Teknologi Informasi Universitas Kristen Duta Wacana, (1).
Fakultas Ilmu Komputer, Universitas Brawijaya
887
