Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
ISSN: 2089-9813
PERANCANGAN SISTEM PAKAR PENENTU PROSES PERSALINAN DENGAN METODE NAIVE BAYES PADA KEPULAUAN DI DAERAH TERPENCIL PENEBEL TABANAN BALI Rayung Wulan 1), Mei Lestari 2) , Ni Wayan Parwati S 3) 1), 2),3)
Program Studi Teknik Informatika Universitas Indraprasta Jln. Jl. Nangka No. 58 Tanjung Barat Jagakarsa, Jakarta Selatan Email :
[email protected] 1),
[email protected] 2),
[email protected] 3) ABSTRAK Pada mulanya proses persalinan secara sesar dilakukan karena ada kelainan passage, sehingga kelahiran tidak bisa melalui jalan yang benar, vagina. Namun dalam perkembangannya, power dan passenger bisa juga menjadi alasan untuk proses persalinan sesar. Kelainan passenger diantaranya bayi terlalu besar, bayi melintang, bayi sungsang, bayi tertekan terlalu lama pada pintu atas panggul, dan janin menderita denyut jantung lemah dapat menyebabkan persalinan sesar. Dari uraian di atas maka “Formulasi Model Sistem Pakar Penentu Proses Persalinan Dengan Pendekatan Naive Bayes” merupakan penggabungan teknologi informasi dan pakar untuk penentuan proses persalinan normal atau sesar berdasarkan kondisi kesehatan ibu dan janin. Aplikasi ini sangat bermanfaat membantu para ibu hamil dalam menentukan proses persalinan yang akan mereka jalani. Tujuan penelitian ini adalah untuk membangun aplikasi sistem pakar untuk menentukan proses persalinan yang harus dijalani oleh ibu hamil menggunakan metode naive bayesian. Dari 100 data ibu hamil terdapat 78 ibu hamil yang menjalani persalinan normal dan 22 orang menjalani persalinan. Penelitian ini menyajikan perhitungan naïve bayes dalam menentukan proses persalinan yang harus dijalani oleh ibu hamil, atribut yang digunakan yaitu usia, riwayat bedah sesar, letak sungsang, CPD, plasenta previa, PEB, oligo hidroamnion, hipertensi. Metode naïve bayes tersebut diimplementasikan dalam sebuah sistem penentu proses persalinan, dengan menggunakan bahasa pemrograman JAVA. Kata kunci: Pakar, Naïve Bayes, Persalinan, Sesar, Kandungan.
Pada mulanya proses persalinan secara sesar dilakukan karena ada kelainan passage, sehingga kelahiran tidak bisa melalui jalan yang benar, vagina. Namun dalam perkembangannya, power dan passenger bisa juga menjadi alasan untuk proses persalinan sesar. Dengan semakin majunya perkembangan teknologi sesar, maka tindakan ini jauh lebih baik dibandingkan dalam menyelamatkan situasi persalinan. Kelainan power memungkinkan dilakukannya sesar, misalnya daya mengejan lemah, ibu berpenyakit jantung atau penyakit menahun yang lain, yang mempengaruhi tenaga, ibu hamil yang berusia lebih dari 35 tahun. Soal kelainan passenger diantaranya bayi terlalu besar, bayi melintang, bayi sungsang, bayi tertekan terlalu lama pada pintu atas panggul, dan janin menderita denyut jantung lemah.
1. Pendahuluan 1.1 Latar Belakang Semakin pesatnya perkembangan teknologi informasi, menyebabkan semakin banyak pemanfaatan kemajuan teknologi informasi ini. Tidak hanya dalam pemenuhan kebutuhan informasi namun juga dalam penyelesaian berbagai masalah dalam kehidupan sehari-hari. Salah satu kegunaan teknologi informasi di bidang kesehatan yaitu penggunaan sistem pakar. Sistem pakar merupakan salah satu cabang dari kecerdasan buatan yang mempelajari bagaimana cara seorang pakar berfikir dan bernalar dalam menyelesaikan suatu masalah untuk membuat suatu keputusan maupun pengambilan kesimpulan berdasarkan pengatahuan itu. Ada beberapa hasil pengembangan sistem pakar dalam berbagai bidang sesuai dengan kepakaran seseorang, misalnya bidang kedokteran, pendidikan atau pertanian. Naive bayes merupakan salah satu metode dalam pendekatan statistik, yaitu melakukan inferensi induksi pada persoalan klasifikasi. Metode ini biasa digunakan untuk menyelesaikan masalah yang berhubungan dengan pengambilan keputusan.
Dari uraian di atas maka “Formulasi Model Sistem Pakar Penentu Proses Persalinan Dengan Pendekatan Naive Bayes” merupakan penggabungan teknologi informasi dan pakar untuk penentuan proses persalinan normal atau sesar berdasarkan kondisi kesehatan ibu dan janin. Aplikasi ini sangat bermanfaat membantu para ibu hamil dalam menentukan proses persalinan yang akan dijalani. 1.2 Rumusan Masalah 46
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
Berdasarkan fenomena di atas, dapat diidentifikasi rumusan masalah diantaranya Bagaimana membangun aplikasi sistem pakar untuk menentukan proses persalinan yang harus dijalani oleh ibu hamil.
ISSN: 2089-9813
Alur metode bayes pada perancangan sistem pakar ini adalah sebagai berikut: 1. Baca Database 2. Memeriksa apakah data berupa numerik, mencari nilai mean dan standart deviasi dari masing-masing parameter yang merupakan data numerik. Mencari nilai probabilitasnya dengan cara menghitung jumlah data yang sesuai dari katagori yang sama dibagi jumlah data pada katagori tersebut 3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas
1.3 Tujuan Dengan menganalisa data yang ada dan menerapkan metode naïve bayes untuk sistem penentu proses persalinan, diharapkan ibu hamil dapat secepatnya menentukan proses persalinan yang akan dijalani dikarenakan proses tersebut memiliki resiko tinggi untuk ibu dan janin yang dikandungnya. Pengambilan keputusan pada sistem ini berdasarkan gejala dan kondisi kesehatan ibu hamil dengan hasil apakah ibu tersebut harus menjalani proses persalinan normal atau dengan operasi sesar.
1.5 Tinjauan Pustaka 1.5.1 Metode Naïve Bayes Metode naive bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik probabilitas bersyarat dinyatakan seperti gamar berikut:
1.4 Metodologi Sistem pakar adalah sistem perangkat lunak komputer menggunakan ilmu, fakta dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang hanya bisa diselesaikan oleh tenaga pakar dalam bidang yang bersangkutan (Kandel,1991; Marimin,1992).
x
Pada penelitian ini sistem pakar diguakan untuk menentukan proses persalinan yang harus dijalani oleh ibu hamil apakah harus menempeuh persalinan sesar atau normal.
x∩y
y
|
Pengumpulan data yang dimaksud dalam penelitian ini adalah proses pengambilan data-data yang bersumber dari jurnal, paper, buku serta beberapa informasi lainnya yang berhubungan dengan penelitian. Yang dimaksud dengan pengolahan data dalam penelitian ini adalah proses pengelompokan data-data yang telah dikumpulkan sebelumnya dengan tujuan untuk menentukan variabel-variabel yang akan digunakan beserta himpunan-himpunan yang termasuk kedalam variabel-variabel yang digunakan.
Probabilitas X di dalam Y merupakan probabilitas interseksi X dan Y dari probabilitas Y, atau dengan kata lain P(X|Y) adalah prosentase banyaknya X di dalam Y. Naive bayes memiliki asumsi bahwa hubungan antara atribut yang satu dengan atribut yang lainnya adalah bebas bersyarat untuk kelas Y. Disebut naïve karena asumsi ini cukup sulit dipenuhi dalam kehidupan nyata, walau demikian ternyata metode ini memiliki tingkat akurasi yang cukup tinggi untuk sebagian besar kasus.
Metode yang diusulkan adalah strategi yang digunakan untuk menyelesaikan permasalahan yang dihadapi, sedangkan metode yang dianut. dalam penelitian ini merupakan metode yang bersifat eksperimental dengan usulan sebagai penyelesaian masalah adalah metode naïve bayes.
Kelebihan Naive Bayes: 1. Mudah diimplementasikan 2. Hasilnya robust untuk data yang memuat noisy dan untuk data yang tidak berkaitan 3. Dapat menangani missing value 4. Hasilnya cukup baik untuk sebagian besar kasus
Teori keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusankeputusan tersebut. Metode ini berfungsi untuk mencari nilai probabilitas tiap faktor resiko sehingga hasilnya akan dijadikan perhitungan untuk menentukan apakah resikonya kecil, sedang atau besar.
Kekurangan Naive Bayes: 1. Adanya asumsi saling bebas antar atributnya terkadang akan menurunkan tingkat akurasinya 2. Biasanya dalam kehidupan nyata selalu ada hubungan antar atribut sehingga asumsi saling bebas menjadi tidak dipenuhi 47
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
1.5.2 Sistem Pakar Perancangan model sistem pakar dilakukan dengan dua tahapan yaitu: tahap persiapan dan tahap pengebangan. Tahap persiapan meliputi: identifikasi permasalahan, penetapan tujuan, ruang lingkup dan tujuan sistem pakar, studi pustaka, pemilihan pakar dan pemilihan bahasa komputer yang digunakan. Tahap studi pustaka perlu dilakukan untuk memperoleh pengetahuan mengenai proses persalinan, dan kendala-kendala atau alasan-alasan mengapa seorang ibu harus menjalani proses operasi sesar.
ISSN: 2089-9813
MULAI
Pemilihan ahli dan sumber daya pengetahuan lainnya
Akuisisi Pengetahuan Konseptual Pengetahuan
Pemilihan pakar juga sangat penting dilakukan untuk memperoleh basis pengetahuan yang akurat dan tepat. Pakar yang dipilih adalah para bidan di Kecamatan Penebel, Kabupaten Tabanan, Bali. Pengembangan sistem pakar terdiri atas beberapa tahap, yaitu: 1. Pengembangan basis pengetahuan berupa akuisisi pengetahuan, konseptualisasi pengetahuan dan representasi pengetahuan 2. Pengembangan mekanisme inferensi 3. Pemrograman komputer 4. Verifikasi
Representasi Pengetahuan Pengembangan Mekanisme inferensi - Strategi penalaran - Strategi pengendalian - Strategi Pelacakan Pemrograman komputer
Algoritma pembangunan sistem pakar dapat dilihat pada gambar berikut:
Pengembangan fasilitas pemakai antar muka pemakai implementasi Verifikasi
memuaskan
tidak
ya Selesai Gambar 1. Algoritma pembangunan sistem 1.5.3 Penelitian Sejenis 1. Aplikasi Klasifikasi Dokumen Menggunakan Metoda Naïve Bayesian, Marvin Chandra Wijaya & Semuil Tjiharjadi, Program untuk mengidentifikasi sebuah dokumen sehingga dapat terklasifikasi sebagai dokumen komputer, elektro, teknik sipil, teknik industri, ekonomi atau kedokteran. Tingkat keberhasilan dari program klasifikasi dokumen ini dipengaruhi berdasarkan banyaknya jenis dan variasi kata pada database . Pada dokumen komputer dan teknik elektro masih ada sedikit kesalahan 48
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
ISSN: 2089-9813
seluruhnya menjalani persalinan sesar, sedangkan dari 94 ibu hamil yang berusia antara 24 sampai 36 tahun terdapat 78 pasien yang menjalani persalinan normal dengan probabilitas 0.8298 dan 16 pasien menjalani persalinan sesar dengan probabilitas 0.1702. Hasil perhitungan probabilitas prior dengan menggunaan naïve bayes dapat dilihat pada tabel di bawah ini.
dikarenakan banyak kata-kata yang sama digunakan pada kedua bidang tersebut. 2. Diagnosa Penyakit Sinusitis Menggunakan Metode Algoritma Genetika dan Bayesian Berbasis JSP, Angga Asfan Candra & Entin Martiana S.Kom, M.Kom, Dari dua algoritma yang digunakan, secara keseluruhan algoritma Bayesian merupakan teknik yang lebih baik dan memiliki kecenderungan akurasi yang tinggi dan merupakan algoritma yang paling baik dalam hal waktu komputasi (waktu dibutuhkan untuk membangun sebuah model)
Tabel 2.1 Probabilitas Prior Atribut
2. Pembahasan
Tota l
2.1 Perhitungan Naïve Bayes Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan pelatihan/pembelajaran terhadap fungsi target (f ) yang memetakan setiap set atribut (fitur) (s) ke satu dari sejulah label kelas (y) yang tersedia. Pekerjaan pelatihan tersebut akan menghasilkan suatu model yang kemungkinan disimpan sebagai memori. Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam, dimana ada suatu model yang menerima masukan, kemudian mampu melakukan pemikiran terhadap masukan tersebut, dan memberikan jawaban sebagai keluaran dari hasil pemikirannya.
Jml Kasu s (S)
Norma l (Si)
100
78
6 94
Sesa r (Si)
P(Xi|C) Norma l
Sesar
22
0.78
0.22
0
6
0
78
16
0.8298
1 0.170 2
Usia >36 2036
Riwayat Bedah Sesar 0x
83
72
11
0.8675
1x
11
6
5
0.5455
0.132 5 0.454 5
2x
6
0
6
0
1
4
0
4
0
96
78
18
0.8125
1 0.187 5
4
0
4
0
96
78
18
0.8125
2
0
2
0
98
78
20
0.7959
3
0
3
0
97
78
19
0.8041
2
0
2
0
98
78
20
0.7959
1
0
1
0
99
78
21
0.7879
Letak Sungsang Ya Tida k CPD
Masukan data latih
Ya Tida k
Algoritma Pelatihan
1 0.187 5
Plasenta Previa Ya Tida k
Pembangunan Model
1 0.204 1
PEB
Masukan uji (x,?)
Pembangunan Model
Ya Tida k
Keluaran uji (x,y)
1 0.195 9
Oligo Hidroamnion Ya Tida k
Gambar 2. Algoritma Naïve Bayes
1 0.204 1
Hipertensi
Untuk membuat algoritma naïve bayes terlebih dahulu dicari probabilitas hipotesis untuk masingmasing kelas P(H). Hipotesis yang ada yaitu pasien yang menjalani persalinan sesar atau pasien yang menjalani proses persalinan normal. P(persalinan normal) = 78 : 100 = 0,78 P(persalinan sesar) = 22 : 100 = 0,22 Langkah selanjutnya yaitu menghitung probabilitas kondisi tertentu (probabilitas x) berdasarkan probabilitas tiap hipotesis (probabilitas H) atau dinamakan probabilitas prior. Dari 100 data pasien terdapat 6 ibu hamil yang berusia di atas 36 tahun dan 94 ibu hamil berusia antara 20 sampai 36 tahun. Dari 6 pasien yang berusia di atas 36 tahun
Ya Tida k
1 0.212 1
Sumber: Hasil Olahan Penulis Pada probabilitas prior terdapat dua kelas deteksi yang dibentuk yaitu persalinan normal dan persalinan sesar. Probabilitas prior digunakan untuk menentukan kelas pada kasus baru yang terlebih dahulu dihitung probabilitas posteriornya. Sebagai contoh kasus berikut:
49
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
atau modul program dapat dibuat dan dapat berjalan secara benar. b. Validitas Sistem Oleh Programer Setelah tahap pengkodean selesai dilakukan, selanjutnya adalah tahap pengujian yang bertujuan melakukan pengujian atau pengetesan terhadap semua modul program yang dibuat, sehingga pada saat diimplementasikan nanti dipastikan berjalan dengan baik dan tidak menimbulkan pemborosan sumberdaya yang digunakan. Rancangan antarmuka sistem yang akan dibangun adalah sebagai berikut:
Tabel 2.2 Probabilitas Posterior Data x Atribut
P(X|Ci) Normal
Sesar
Usia Riwayat Bedah Sesar
Nilai 28
0.82978723
0.1702128
1x
0.54545455
0.4545455
Letak Sungsang
Tidak
0.8125
0.1875
CPD
Tidak
0.8125
0.1875
Plasenta Previa
Tidak
0.79591837
0.2040816
PEB Oligo Hidroamnion
Ya
0
1
Tidak
0.79591837
0.2040816
Hipertensi
Tidak
0.78787879
0.2121212
ISSN: 2089-9813
Sumber: Hasil olahan penulis P(X|deteksi = normal) = 0,8298 x 0,5454 x 0,8125 x 0,8125 x 0,7959 x 0 x 0,7959 x 0,7878 = 0 P(X|deteksi = sesar) = 0,1702 x 0,4545 x 0,1875 x 0,1875 x 0,2040 x 1 x 0,2040 x 0,2121 = 2,40306E-05 P(X|deteksi = normal)P(persalinan normal) = 0x0,78= 0 P(X|deteksi = sesar)P(persalinan sesar) = 2,40306E05 x 0,22 = 5,28672E-06 Dari hasil perhitungan tersebut di atas diketahui nilai P(sesar|X) lebih besar daripada P(normal|X), sehingga untuk kasus tersebut dapat disimpulkan masuk kedalam kelas sesar dimana proses persalinan yang harus dijalani adalah sesar. 2.2 Rencana Tahapan Berikutnya Pada tahap perancangan dilakukan analisis terhadap sistem pengambilan keputusan berkenaan dengan penentuan proses persalinan di puskesmas penebel kabupaten Tabanan Bali. Analisa terhadap data dilakukan untuk mendapatkan model dari sistem pengambilan keputusan dengan menggunakan algoritma naïve bayes. Tahapan ini diperlukan untuk memecahkan masalah dan mengembangkan solusi terbaik bagi permasalahan tersebut.
Gambar 3. Rancangan Antar Muka Sistem Pendeteksi Proses Persalinan 3. Kesimpulan
2.3 Tahapan Membangun Sistem
Berdasarkan permasalahan yang telah dibahas dan diselesaikan melalui laporan ini, maka dapat disimpulkan: 1. Dari data yang digunakan yaitu 100 data, didapat 78 atau 78% pasien menjalani persalinan normal dan 22 atau 22% pasien menjalani persalinan sesar. 2. Hasil perhitungan didapatkan dengan menggunakan metode naïve bayes berdasarkan 8 atribut, yaitu usia, riwayat bedah sesar, letak sungsang, CPD, plasenta previa, PEB, oligo hidroamnion, hipertensi.
Pada tahapan ini sistem dibangun sesuai dengan algoritma naïve bayes. Uraian tujuan dari tahapan ini adalah sebagai berikut : a. Pemrograman Tahap ini bertujuan untuk mengkonversikan hasil perancangan logika ke dalam kegiatan operasi pengkodean dengan menggunakan bahasa pemrograman sehingga konsep logikal yang sudah dirancang dapat diterjemahkan ke dalam fungsifungsi program yang dapat digunakan pemakai dengan mudah dan memastikan bahwa semua fungsi 50
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014) Yogyakarta, 15 Maret 2014
3.
Dengan menggunakan bahasa pemrograman java, akan dibangun suatu program aplikasi yang dapat menentukan proses persalinan yang akan dijalani ibu hamil.
PUSTAKA Kendel, A. 1991. Fuzzy Expert Systems. CRC Press, Inc., Florida. Khumaira, Marsha. 2012. Ilmu Kebidanan. Yogyakarta: Citra Pustaka Widiastuti, Dwi., Analisa Perbandingan Algoritma SVM, Naive Bayes, Dan Decision Tree Dalam Menklasifikasikan Serangan (Attacks) Pada Sistem Pendeteksi Intrusi. Jakarta : Universitas Gunadarma.
Biodata Penulis Rayung Wulan ,memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Sistem Komputer Universitas Budi Luhur Jakarta, lulus tahun 2002. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Ilmu Komputer Universitas Budi Luhur, lulus tahun 2006. Saat ini menjadi Dosen di Universitas Indraprasta Jakarta. Mei Lestari, memperoleh gelar Sarjana Komputer (S.Kom), Teknik Informatika Universitas Budi Luhur Jakarta, lulus tahun 2006. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Ilmu Komputer Universitas Budi Luhur, lulus tahun 2012. Saat ini menjadi Dosen di Universitas Indraprasta Jakarta. Ni Wayan Parwati S, memperoleh gelar Sarjana Teknik (ST), Teknik Informatika Universitas Budi Luhur Jakarta, lulus tahun 2006. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Ilmu Komputer Universitas Budi Luhur, lulus tahun 2013. Saat ini menjadi Dosen di Universitas Indraprasta Jakarta.
51
ISSN: 2089-9813
