PENGEMBANGAN SISTEM INFORMASI DIAGNOSIS PENYAKIT TROPIS MENGGUNAKAN ALGORITMA NAÏVE BAYESIAN

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

KNS&I11-013

PENGEMBANGAN SISTEM INFORMASI DIAGNOSIS PENYAKIT TROPIS MENGGUNAKAN ALGORITMA NAÏVE BAYESIAN Rika Rosnelly dan Agus Hardjoko STMIK Potensi Utama Universitas Gadjah Mada [email protected] dan [email protected] ABSTRACT Diagnosing tropical diseases which are conducted by a doctor in determining suitable medical treatment for patients must be done carefully and accurately. Wrong diagnosis and medical treatments can cause fatal effect and endanger patient’s life. In fact, the diagnosis and medical treatment on certain diseases might need the expertise of medical specialists. The problems faced nowadays are the unbalanced deployment of medical specialists in remote areas in which in those areas the medical practitioners available are only mantri, midwife, or general practice doctor who have little experience and skills in handling certain and specific diseases. Therefore, it will cause less optimal care and treatment for patients. This paper is intended to design the information system of the tropical diseases diagnosis such as malaria, typoid fever, and dengue fever using Naïve Bayesian algorithm and Visual Basic 6.0 application in order to ease the determination of the type of disease by inputting the symptoms the user has. Keywords: Tropical Diseases, Naïve Bayesian, Visual Basic 6.0 Application.

1.

Pendahuluan

Menurut Robert A. Leitch sistem informasi adalah suatu sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial, dan kegiatan strategi dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan. Perancangan sistem informasi merupakan pengembangan sistem baru dari sistem lama yang ada, dimana masalah-masalah yang terjadi pada sistem lama diharapkan sudah teratasi pada sistem yang baru. Makalah ini mendeskripsikan rancangan sistem informasi yang dapat digunakan untuk mendiagnosa penyakit tropis yaitu penyakit malaria, demam typoid, dan demam berdarah dengan metode Naïve Bayesian. Penyakit malaria, demam typoid, dan demam berdarah merupakan beberapa penyakit yang harus diwaspadai dan memiliki gejala yang hampir sama. Makalah ini bertujuan untuk membangun sistem informasi diagnosis penyakit malaria, demam typoid, dan demam berdarah sehingga dapat memudahkan dalam menentukan jenis penyakit dengan cara memasukkan beberapa gejala yang dialami oleh user. Permasalahan yang akan dibahas adalah bagaimana cara merancang sistem informasi untuk diagnosis penyakit malaria, demam typoid, dan demam berdarah dengan menggunakan algoritma Naïve Bayesian dan aplikasi Visual Basic 6.0.

2.

Dasar Teori

2.1 Defenisi Perancangan Sistem Perancangan sistem dapat diartikan sebagai berikut ini: 1. Tahap setelah analisis dari siklus pengembangan sistem 2. Pendefinisian dari kebutuhan-kebutuhan fungsional 3. Persiapan untuk rancang bangun implementasi 4. Menggambarkan bagaimana suatu sistem dibentuk 5. Penggambaran, perencanaan, dan pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah ke dalam satu kesalahan yang utuh dan berfungsi 6. Termasuk menyangkut mengkonfigurasikan dari komponen-komponen perangkat lunak dan perangkat keras dari suatu sistem 2.2 Penyakit Malaria Malaria adalah suatu penyakit yang disebabkan oleh sporozoa dari genus Plasmodium, yang secara klinis ditandai dengan serangan paroksismal dan periodik, disertai anemia, pembesaran limpa, dan kadang-kadang dengan komplikasi pernisiosa seperti ikterik, diare, black water fever, acute tubular necrosis, dan malaria cerebral[4]. Penduduk yang terancam malaria pada umumnya adalah penduduk yang bertempat tinggal di daerah endemis malaria tinggi dan daerah endemis malaria sedang, yang diperkirakan ada sekitar 15 juta orang. Proses terjadinya penularan malaria di suatu daerah meliputi tiga faktor utama[1]: a. adanya penderita baik dengan adanya gejala klinis ataupun tanpa gejala klinis b. adanya nyamuk atau vektor c. adanya manusia yang sehat 83

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

KNS&I11-013

Malaria sebagai penyakit infeksi yang disebabkan oleh plasmodium mempunyai gejala utama demam. Diduga terjadinya demam berhubungan dengan proses skizogoni (pecahnya merozoit/skizon). Gambaran karakteristik malaria ialah demam periodik, anemia dan splenomegali. Berat-ringan manifestasi malaria bergantung pada jenis plasmodium yang menyebabkan infeksi[2]. 2.3 Penyakit Demam Berdarah Dengue (DBD) Penyakit Demam Berdarah Dengue (DBD) adalah suatu penyakit menular yang disebabkan oleh virus dengue terutama menyerang anak-anak dengan ciri-ciri demam tinggi mendadak disertai manifestasi perdarahan dan bertendensi menimbulkan syok dan kematian. Infeksi virus dengue dapat memperlihatkan spectrum klinis bervariasi dari derajat paling ringan sampai berat. Infeksi dengue yang paling ringan adalah demam tanpa penyebab yang jelas (undifferentiated febrile illness), diikuti dengan demam dengue (DD), demam berdarah dengue (DBD) dan sindrom syok dengue (SSD)[5]. 2.4 Penyakit Demam Typoid (Typhoid Fever) Demam typoid masih merupakan penyakit infeksi tropik sistemik, bersifat endemis, dan masih merupakan problema kesehatan masyarakat pada negara-negara sedang berkembang di dunia, termasuk Indonesia. Data secara epidemiologi setiap tahun diperoleh dari beberapa negara yang mencatat hasil laporannya dari diagnosis klinik atau isolat laboratorium, karena data yang benar-benar dapat menggambarkan insiden penyakit ini di masyarakat sukar didapatkan. Hal ini disebabkan karena gambaran klinik penyakit demam typoid menyerupai penyakit infeksi lainnya dan juga konfirmasi laboratorik tidak selalu dapat dikerjakan pada semua daerah[3]. 2.5 Algoritma Naïve Bayesian Dasar dari algoritma Naive Bayesian yang dipakai dalam pemrograman adalah rumus Bayes[6][7]: P (Hk|E) =

(P(E| Hk) * P(Hk) (P(Ej| Hk) ∩ P((Ei| Hk) (P(Ei| Hk)

(1) (2)

n (P(Ei| Hk) = ∑ P(Ei |Hk) i=1 Hasil: max (P (Hk|E) Dimana : P(HkIE) P(EIHk) P(EjIHk) P(Ei| Hk) P(Hk)

3.

: probabilitas hipotesis penyakit jika diberikan evidence : probabilitas munculnya evidence jika diketahui Hipotesis penyakit : probabilitas munculnya evidence gejala yang di-input-kan user jika diketahui hipotesis penyakit : probabilitas munculnya evidence semua gejala yang berhubungan dengan penyakit jika diketahui hipotesis penyakit : probabilitas hipotesis penyakit tanpa memandang evidence apapun

Perancangan

3.1 Deskripsi Data Gejala-gejala yang menimbulkan penyakit malaria, demam berdarah, dan demam typoid dapat dilihat pada Tabel 1.

Nama Penyakit Malaria

1 2 3 4 5 6 7 8 9 10

Tabel 1. Gejala-gejala dari Penyakit Malaria, Demam Berdarah, dan Demam Typoid Nilai dari Dokter (nilai diisi antara Nama Gejala 0 dan 1) Demam Model 1 (Menggigil, demam > 38oC secara periodik dan berkeringat) 0.8 Tinggal di daerah endemis 0.8 Muka Pucat 0.8 Splenomegali 0.7 Hepatomegali 0.7 Anemia 0.7 Kencing Berwarna Hitam 0.6 Komplikasi ke ginjal dan paru-paru 0.5 Dijumpai parasit malaria di dalam darah tepi 1 Mual dan muntah 0.5

84

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

Nama Penyakit

Nama Gejala

Demam Model 2 (demam > 38,5oC timbul secara tiba-tiba, bersifat bifasik, demam maksimum 7 hari) 2 Mimisan 3 Pendarahan Gusi 4 Bercak merah di badan 5 Muntah darah 6 Buang air besar warna hitam 7 Shock 8 Anti DHF-IgG: Positive Anti DHF-IgM: Positive (diperiksa hari ke 5 setelah demam) 9 Splenomegali 10 Hepatomegali 11 Mual dan Muntah Demam 1 Demam Model 3 (demam > 38oC lebih dari 1 minggu, demam timbul secara Typoid perlahan dan naik secara bertangga) (Tifus) 2 Mual dan muntah 3 Gastrointestinal (mencret dan susah buang air besar) 4 Lidah Kotor, Pinggir Lidah lebih merah dan Tremor (bergetar) 5 Relatif Bradikardia (Denyut Nadi Bertambah) 6 Hepatomegali 7 Tes Widal: + Sumber: Range Penilaian Quesioner Dari Beberapa Dokter Demam Berdarah (DHF)

1

KNS&I11-013

Nilai dari Dokter (nilai diisi antara 0 dan 1) 0.7 0.7 0.6 0.7 0.5 0.5 0.5 0.9 0.6 0.6 0.5 0.7 0.6 0.6 0.7 0.7 0.5 0.8

3.2 Penyusunan Basis Pengetahuan Basis pengetahuan ini berisikan faktor-faktor yang dibutuhkan oleh sistem. Sedangkan untuk menganalisa faktor-faktor yang dimasukkan pengguna sampai ditemukan suatu kesimpulan, basis pengetahuan yang diperlukan sistem terdiri dari gejala penyakit dan jenis penyakit. Data yang menjadi input sistem adalah data gejala yang didapat dari pemeriksaan yang dilakukan oleh paramedis. Data tersebut digunakan oleh sistem untuk menentukan jenis penyakit yang diderita pasien. Pembentukan aturan gejala penyakit ditunjukkan pada Tabel 2.

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Tabel 2. Aturan Gejala Penyakit Aturan If Demam1 and endemis and muntah or pucat then sus. Malaria If Demam1 and endemis and muntah or splenomegali then sus. Malaria If Demam1 and endemis and muntah or hepatomegali then sus. Malaria If sus. Malaria and parasit malaria then Malaria If Demam2 and bercak merah and muntah or mimisan then sus. Demam berdarah If Demam2 and bercak merah and muntah or gusi berdarah then sus. Demam berdarah If Demam2 and bercak merah and muntah or splenomegali then sus. Demam berdarah If Demam2 and bercak merah and muntah or splenomegali then sus. Demam berdarah If Demam2 and bercak merah and muntah or hepatomegali then sus. Demam berdarah If sus. Demam berdarah and Anti DHF-IgG positive and Anti DHF-IgM positive then Demam berdarah If Demam3 and muntah and hepatomegali and mencret or susah buang air besar then sus Demam Typoid If Demam3 and muntah and hepatomegali and mencret or lidah kotor then sus Demam Typoid If sus. Demam Typoid and tes widal positive then Demam Typoid If Menggigil and demam > 38o C secara periodik and berkeringat then Demam1 Dan aturan lainnya

3.3 Perancangan Proses Pada perancangan sistem ini akan dibuat diagram arus data yang meliputi diagram konteks atau sering disebut juga Diagram Arus Data (DAD) Level 0 dan Diagram Arus Data Level 1, Diagram Arus Data Level 2, dan Diagram Arus Data Level 3.

85

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

KNS&I11-013

3.3.1 DAD level 1 Diagram Arus Data (DAD) Level 1 perancangan sistem informasi diagnosis penyakit malaria, demam typoid, dan demam berdarah adalah seperti pada Gambar 1. 1

data Gejala

gejala manipulasi master gejala penyakit, nilai bayes penyakit

Gejala data Gejala data Penyakit

2

Penyakit

manipulasi master penyakit

rule, nilai gejala rule

data Rule

Pakar

Rule

3 manipulasi rule data Detailrule

Detailrule

4 konsultasi

suspect penyakit User

username, pasword

5 gejala user

login konfirmasi logi n

Gambar 1. DAD Level 1 3.3.2 Entity Relationship Diagram (ERD) untuk Penyimpanan Knowledge Data-data pengetahuan disimpan dalam sebuah database. ERD perancangan sistem informasi diagnosis penyakit malaria, demam typoid, dan demam berdarah adalah seperti pada Gambar 2. memiliki

Idgejala

1

Nilai

m Idrule Ket

Namagejala Idgejala

m

Detailrule

memiliki

Posgejala 1

Gejala

memiliki

1 Idgejala m

Idpenyaki

Idrule

Namapenyakit

totnilai

Ket

Idpenyakit

Rule

Nilai Penyakit

memiliki 1

m

Gambar 2. Entity Relationship Diagram (ERD) 3.3.3 Struktur Tabel Struktur tabel dari perancangan sistem informasi diagnosis penyakit malaria, demam typoid, dan demam berdarah adalah seperti pada Tabel 3.

Field Idgejala

Type AutoNumber

Tabel 3. Tabel Gejala Panjang Keterangan Long Integer Sebagai primary key dari tabel gejala

Namagejala

Text

50

Ket

Text

255

Posgejala

Number

Integer

86

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

4.

KNS&I11-013

Field Idpenyakit

Type AutoNumber

Tabel 4. Tabel Penyakit Panjang Keterangan Long Integer Sebagai primary key dari tabel penyakit

Field Namapenyakit

Type Text

Panjang 50

Ket

Text

50

Nilai

Number

Single

Field Idrule

Type AutoNumber

Tabel 5. Tabel Rule Panjang Keterangan Long Integer Sebagai primary key dari tabel rule

Idgejala

Number

Long Integer

Idpenyakit

Number

Long Integer

Totnilai

Number

Single

Field Idrule

Type Number

Tabel 6. Tabel Detailrule Panjang Keterangan Long Integer

Idgejala

Number

Long Integer

Nilai

Number

Single

Keterangan

Pengujian Kebenaran

Pengujian kebenaran sistem ini dilakukan dengan perhitungan untuk mengetahui hasil akhir. Untuk hasil akhir harus mengetahui nilai dari beberapa gejala yang dirasakan oleh pasien dan nilai dari kemungkinan penyakit yang dialami pasien. Nilai dari beberapa gejala dan nilai dari kemungkinan penyakit yang dialami pasien didapat dari dokter. Adapun kemungkinan mengalami penyakit malaria dengan nilai = 0.2, kemungkinan mengalami penyakit demam berdarah dengan nilai = 0.1 dan kemungkinan mengalami penyakit demam typoid dengan nilai = 0.3. Implementasi Diagnosis Penyakit Malaria, Demam Typoid, dan Demam Berdarah dengan Metode Algoritma Naïve Bayesian Implementasi Diagnosis Penyakit Malaria, Demam Typoid, dan Demam Berdarah dengan metode algoritma Naïve Bayesian dilakukan menggunakan bahasa pemgrograman Visual Basic 6.0. Implementasi dilakukan pada satu tampilan user interface seperti yang ditunjukkan pada Gambar 3-6.

Gambar 3. Form Master Gejala

87

Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011

KNS&I11-013

Gambar 4. Form Master Penyakit

Gambar 5. Form Master Rule

Gambar 6. Form Konsultasi User

5.

Kesimpulan

Berdasarkan penjelasan pada makalah ini, algoritma Naïve Bayesian mampu menghasilkan suatu jenis penyakit berdasarkan gejala-gejala yang dialami pasien. Dari algoritma Naïve Bayesian seperti di atas maka dicari nilai maksimum dari ketiga jenis penyakit. Selanjutnya sistem secara otomatis menampilkan jenis penyakit yang mempunyai nilai probabilitas terbesar. Secara sederhana dapat dikatakan algoritma Naïve Bayesian mampu mendiagnosa penyakit malaria atau demam berdarah atau demam typoid. Implementasi sistem dengan metode algoritma Naïve Bayesian mampu mendiagnosa penyakit tropis yaitu malaria atau demam berdarah atau demam typoid.

Daftar Pustaka [1] Friaraiyatini, dkk. (2006). Pengaruh Lingkungan dan Perilaku Masyarakat Terhadap Kejadian Malaria di Kab. Barito Selatan Propinsi Kalimantan Tengah, Jurnal Kesehatan Lingkungan Vol. 2 No. 2. [2] Harijanto P.N, dkk. (2008). Malaria dari Molekuler ke Klinis, Buku Kedokteran. [3] Muliawan Sylvia W & Surjawidjaja Julius E. (1999). Tinjauan Peranan Uji Widal sebagai Alat Diagnostik Penyakit Demam Typoid di Rumah Sakit, Cermin Dunia Kedokteran, No.124, 14. [4] Munthe, Celestinus Eigya (2001). Malaria Selebral, Cermin dunia Kedokteran No. 131, 5. [5] Muslim Azhari (2004). Faktor Lingkungan yang Berpengaruh Terhadap Kejadian Infeksi Virus Dengue, Jurnal Kesehatan Lingkungan Indonesia, Vol.3 No.1 , 8. [6] Nir Friedman, Dan Geiger, and Moises Goldszmidt. (1997). Bayesian Network Classifiers, Machine Learning, 29, 131-163. [7] Sankar K. Pal & Simon C. K. Shiu. (2004). Foundations of Soft Case-Based Reasoning, John Wiley & Sons.

88