Sistem Pakar Diagnosis Penyakit Schizophrenia Menggunakan Metode Bayesian Network

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 11, November 2017, hlm. 1416-1424

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Sistem Pakar Diagnosis Penyakit Schizophrenia Menggunakan Metode Bayesian Network Rima Diah Wardhani1, Rekyan Regasari Mardi Putri2, Budi Darma Setiawan3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Schizophrenia adalah gangguan parah mental, yang ditandai dengan gangguan pikiran, bahasa, persepsi, dan kesadaran diri. Ada beberapa jenis dari schizophrenia. Hubungan antara jenis schizophrenia dan gejala-gejalanya memiliki ketidakpastian. Suatu gejala A belum tentu hanya mengakibatkan schizophrenia jenis X, melainkan bisa mengakibatkan schizophrenia jenis Y. Pada daerah pedesaan fasilitas kesehatan jiwa masih belum memadai, sehingga masyarakat memperlakukan penderita schizophrenia ini dengan tidak wajar seperti di kurung bahkan dipasung. Sebenarnya penderita schizophrenia dapat di obati dan di terapi dengan teratur. Berdasarkan permasalahan tersebut, penulis membuat sistem pakar yang mampu mencari solusi sebagaimana yang dilakukan seorang pakar dalam mendiagnosis dan memberikan solusi pengobatan pada penderita schizophrenia. Sehingga, dokter umum di puskesmas atau rumah sakit kecil di daerah kecil dapat mendiagnosis pasien yang menderita schizophrenia tersebut. Sistem pakar ini menggunakan metode Bayesian Network, bahasa pemrograman PHP dan database MySQL. Hasil pengujian fungsional sistem pakar menunjukkan semua kebutuhan fungsional dapat berjalan dengan baik. Selain itu, hasil pengujian akurasi paling tinggi dalam pengujian variasi data latih adalah 92,86%. Dengan hasil akurasi tersebut, sistem pakar ini memiliki performa yang baik untuk melakukan diagnosis penyakit schizophrenia. Kata kunci: sistem pakar, schizophrenia, gangguan jiwa, bayesian network Abstract Schizophrenia is a severe mental disorder that contains thoughts, language, perceptions, and selfawareness. There are several types of schizophrenia. The relationship between the type of schizophrenia and its symptoms has uncertainty, where a symptom A is not necessarily only result in schizophrenia type X, but can lead to schizophrenia type Y. In rural areas, mental health facilities are still inadequate, so that the people there treat patients with schizophrenia with unnatural as at the brackets even in stocks. Actually, people with schizophrenia can be handled with the provision of drugs and psychological therapy with regular. Based on these problems, the authors create expert systems that are able to find solutions as do an expert in diagnosing and providing treatment solutions in patients with schizophrenia. Thus, general practitioners in small community clinics or hospitals in small areas can diagnose patients suffering from the schizophrenia. This expert system uses Bayesian Network method, PHP programming language and MySQL database. Experimental functional test results show all functional requirements can run well. In addition, the highest accuracy test results in testing the variation of training data is 92.86%. With the results of such accuracy, this expert system has a good performance to make the diagnosis of schizophrenia disease Keywords: expert system, schizophrenia, mental disorders, bayesian network delusi. Pada umumnya scizophrenia dimulai pada akhir masa remaja atau dewasa awal (WHO, 2017). Jenis gangguan jiwa schizophrenia ini termasuk gangguan jiwa berat. Menurut Riset Kesehatan Dasar (Riskesdas) pada tahun 2013, prevalensi gangguan jiwa berat, seperti schizophrenia sebesar 1,7 per 1000 penduduk

1. PENDAHULUAN Schizophrenia merupakan salah satu gangguan jiwa yang mana penderita mengalami gangguan parah mental, yang ditandai dengan gangguan pikiran, bahasa, persepsi, dan kesadaran diri. Ini sering mencakup gangguan psikotik, seperti mendengar suara-suara atau Fakultas Ilmu Komputer Universitas Brawijaya

1416

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

atau sekitar 400.000 orang. 14.3 % dari jumlah tersebut pernah atau sedang dipasung dengan jumlah 18.2% pemasungan dilakukan di pedesaaan sedangkan di perkotaan 10.7% penderita dipasung (Pusat Komunikasi Publik Sekretariat Jenderal Kementerian Kesehatan RI, 2014). Jika penderita Schizophrenia ini tidak segera ditangani dan diperhatikan secara cepat dan tepat maka akan sangat berdampak buruk antara lain, dikucilkan dari lingkungannya, penderita dapat melakukan tindakan bunuh diri atau juga dapat melakukan tindakan pembunuhan dan hal yang tidak wajar lainnya. Sampai saat ini di Indonesia, pengobatan, fasilitas dan layanan kesehatan dibidang kejiwaan masih belum memadai. Hal tersebut menyebabkan sebagian besar penduduk memperlakukan orang yang memiliki gangguan jiwa dengan tindakan yang tidak layak, contohnya dikurung, dipasung dan masih banyak lainnya. Schizophrenia dapat dideteksi secara dini dengan mengetahui gejala-gejala yang ada pada pasien. Dokter akan mendaftar gejala-gejala yang dialami oleh pasien, dan dari daftar gejala tersebut dapat dilakukan proses diagnosis. Sindrom Schizophrenia memiliki beberapa jenis dan umumnya memiliki gejala yang hampir sama antar satu jenis dengan jenis yang lainnya sehingga gejala X belum tentu hanya menyebabkan Schizophrenia jenis A, bisa saja gejala X juga menyebabkan Schizophrenia jenis B dan lainnya. Hal tersebut (ketidakpastian) menyebabkan dokter umum pada puskesmas atau rumah sakit kecil di daerah yang minim akan fasilitas kesehatan jiwa kesulitan dalam mendiagnosis schizophrenia dengan cepat dan tepat. Dengan adanya permasalahan tersebut maka penulis membuat sebuah aplikasi “Sistem Pakar Diagnosis Penyakit Schizophrenia Menggunakan Metode BayesianONetwork”. BayesianONetwork adalah sebuah model grafis hubungan probabilistik antara satu set variabel (Heckerman, 1995). BayesianONetwork juga dapat digunakan untuk menghitung kehadiran berbagai gejala yang nantinya dapat memudahkan diagnosis penyakit mengingat adanya ketidakpastian gejala terhadap penyakit. BayesianONetwork juga memiliki akurasi yang cukup bagus dan juga dapat mengurangi kompleksitas jika dibandingkan dengan Naive Bayes. Pada kasus sistem pakar ini juga BayesianONetwork lebih cocok digunakan Fakultas Ilmu Komputer, Universitas Brawijaya

1417

daripada Naive Bayes karena setiap penyakit memiliki gejala yang berbeda-beda yang antar variabel-variabelnya tidak saling bebas. Sistem pakar diharapkan mampu mencari solusi sebagaimana yang dilakukan oleh seorang pakar, seperti memberikan diagnosis dan saran pengobatan penderita schizophrenia 2. LANDASAN PUSTAKA 2.1. Kajian Pustaka Berdasar topik penelitian skripsi yang dibahas, penulis akan menjelaskan beberapa penelitian-penelitian terdahulu yang relevan dengan topik penelitian. Uraian dari penelitianpenelitian tersebut dapat dilihat pada tabel 1. Tabel 1. Kajian Pustaka Judul

Mobile Cloudbased Depression Diagnosis Using an Ontology and a Bayesian Network

Objek Masukan dan Parameter Gejalagejala yang dirasaan oleh pasien atau pengguna

Metode

Keluaran

Proses

Hasil Penelitian

Bayesian Network

Memberik an diagnosis apakah pasien menderita depresi atau tidak

Hasil diagnosis sistem yang mengelom pokkan pasien ke dalam 3 kelas jenis penyakit yaitu telinga, hidung dan tenggorok an Diagnosis penyakit anjing yang dikelompo kkan menjadi 19 jenis penyakit anjing

ENTDEx: ENT Diganosis Expert System Using Bayesian Networks

Gejalagejala yang dirasaan oleh pasien atau pengguna mengenai telinga, hidung maupun tenggorokan nya

Bayesian Network

Perancanga n dan Implementa si Sistem Pakar Pendukung Diagnosa Penyakit Anjing Dengan Metode Bayesian Network

Gejalagejala yang terjadi pada anjing

Bayesian Network

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Judul A Bayesian Network Decision Model for Supporting the Diagnosis of Dementia, Alzheimer’s disease and Mild Cognitive Impairment

Objek Masukan dan Parameter Dataset berupa Kasus klinis nyata pasien dari Universitas Kedokteran Duke. Atribut dataset terdiri dari faktor predisposisi, hasil tes neuropsikol ogis, data demografi pasien dan gejala

1418

Metode

Keluaran

2.3. Bayesian Network

Proses

Hasil Penelitian

Bayesian Network adalah sebuah model grafis hubungan probabilistik antara satu set variabel. Metode tersebut cukup populer untuk merepresentasikan ketidakpastian dalam sistem pakar (Heckerman, 1995). Bayesian Network terdiri dari dua bagian utama: struktur grafis untuk menetapkan satu set ketergantungan dan kemandirian hubungan antara variabel dan satu set conditional probability table (CPT) untuk mengukur kekuatan dari hubungan ketergantungan. Kedua bagian tersebut dapat diperoleh dari para ahli atau belajar dari data (Madsen, 2016). Pada Bayesian Network, setiap node merepresentasikan variabel acak yang diamati, variabel laten, parameter yang tidak diketahui ataupun hipotesis. Edge merepresentasikan ketergantungan bersyarat antar node, sedangkan node yang saling tidak terhubung menyatakan variabel bebas bersyarat. Untuk mengilustrasikan proses dari Bayesian Network, maka akan diberikan contoh kasus yang disajikan dalam sebuah graf pada gambar 2.

Bayesian Network

Diagnosis dari 3 jenis penyakit yaitu Demensia, Alzheimer dan Mild Cognitive Impairme nt (Penuruna n Kognitif Ringan)

2.2. Sistem Pakar Sistem pakar didefinisikan oleh seorang pionir teknologi sistem pakar dari Stanford University yaitu Profesor Edward Feigenbaum sebagai program komputer pintar (intelligent computer program) yang memanfaatkan pengetahuan dan prosedur inferensi untuk memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia. Pengetahuan yang dapat dimasukkan dalam sistem pakar dapat berasal dari seorang pakar, buku, jurnal, majalah serta seseorang yang memiliki pengetahuan meskipun bukan ahli (Rosnelly, 2012). Struktur sistem pakar dibagi oleh 2 bagian yaitu, lingkungan konsultasi dan lingkungan pengembangan.

Gambar 2. Contoh kasus

Berdasar graf pada gambar 2 di atas, dengan Bayesian Network maka permasalahanpermasalahan berikut akan diselesaikan: 𝑃(𝑗|𝑓, 𝑎, 𝑠, 𝑔) = 𝑃(𝑗|𝑓, 𝑎, 𝑠)

Gambar 1. Struktur Sistem Pakar

Fakultas Ilmu Komputer, Universitas Brawijaya

(1)

Pada persamaan 1 di atas dapat dilihat, Bayesian Network akan menyelesaikan permasalahan berdasar struktur graf yang terbentuk. Misalkan pada persamaan 1 yang pertama yaitu P(a|f) ditanyakan peluang terjadinya ‘a’ dengan diberikannya kejadian ‘f’. Karena ‘a’ dan ‘f’ tidak memiliki ketergantungan satu sama lain, persamaan bisa disederhanakan menjadi P(a) dan begitu juga dengan persaman-persamaan berikutnya. Berdasar contoh kasus pada gambar 2 maka probabilitas f jika diberikan semua variabel yang ada dapat dihitung dengan:

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

𝑃(𝑓|𝑎, 𝑠, 𝑔, 𝑗) =

Keterangan: P(f|a,s,g,j)

𝑃(𝑓,𝑎,𝑠,𝑔,𝑗) 𝑃(𝑎,𝑠,𝑔,𝑗)

=∑

𝑃(𝑓,𝑎,𝑠,𝑔,𝑗)

𝑓′ 𝑃(𝑓′,𝑎,𝑠,𝑔,𝑗)

(2)

= Probabilitas kejadian f diberikan oleh kejadian a,s,g,j

P(f,a,s,g,j)

= Joint distribution kejadian f,a,s,g,j

P(a,s,g,j)

= Joint distribution kejadian a,s,g,j (Marginal probability)

Persamaan 2 jika diselesaikan menggunakan persamaan 1 maka akan menjadi 𝑃(𝑓|𝑎, 𝑠, 𝑔, 𝑗) = 𝑃(𝑓)𝑃(𝑎)𝑃(𝑠)𝑃(𝑔|𝑓 )𝑃(𝑗 |𝑓, 𝑎, 𝑠) ∑𝑓′ 𝑃(𝑓 ′ )𝑃(𝑎)𝑃(𝑠)𝑃(𝑔|𝑓 ′ )𝑃(𝑗|𝑓 ′ , 𝑎, 𝑠) 𝑃(𝑓)𝑃(𝑔 |𝑓 )𝑃(𝑗|𝑓, 𝑎, 𝑠 ) ∑𝑓′ 𝑃(𝑓 ′ )𝑃(𝑔|𝑓 ′ )𝑃(𝑗 |𝑓 ′ , 𝑎, 𝑠)

Keterangan: P(f|a,s,g,j)

= (3)

= Probabilitas kejadian f diberikan oleh kejadian a,s,g,j

P(f)

= Peluang terjadinya variabel f

P(g|f)

= Peluang terjadinya variabel g diberikan variabel f

P(j|f,a,s)

= Peluang terjadinya variabel f diberikan variabel f,a, dan s

3. PERANCANGAN Pada bab ini akan dijelaskan perancangan dari struktur sistem pakar yang meliputi perancangan basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, perbaikan pengetahuan dan antarmuka. 3.1. Basis Pengetahuan Basis pengetahuan sistem pakar ini dibentuk dengan melakukan akuisisi pengetahuan. Akuisisi pengetahuan yang dilakukan berupa wawancara dengan pakar dan analisa protokol. Basis pengetahuan pada sistem pakar ini menggunakan aturan produksi dan juga sebuah struktur graf Bayesian Network. Aturan produksi (IF-THEN) digunakan untuk menentukan apakah pasien positif terkena schizophrenia, sedangkan untuk menentukan pasien menderita schizophrenia jenis yang mana digunakan struktur graf Bayesian Network tersebut. Basis pengetahuan menggunakan aturan produksi dapat dilihat pada tabel 2. Tabel 2. Aturan umum diagnosis schizophrenia No. R-1

Pada persamaan 3, P(f) disebut juga sebagai prior probability, P(g|f) dan P(j|f,a,s) disebut sebagai conditional probability, sedangkan pembagi pada rumus Bayesian Network disebut juga Marginal Probability yang fungsinya sebagai normalizing constant.

R-2

2.4. Schizophrenia

R-6

Schizophrenia merupakan salah satu dari jenis gangguan jiwa yang ditandai dengan penyimpangan yang fundamental, karakteristik persepsi dan pikiran, dan afek yang tidak wajar atau tumpul. Penderita schizophrenia ini umumnya memiliki kesadaran yang jernih dan kemampuan intelektual yang terpelihara, tetapi kemunduran kognitif dapat berkembang kemudian (Maslin, 2013). Berikut adalah beberapa tipe dari gangguan jiwa Schizophrenia ini antara lain (Maslim, 2013): 1. Schizophrenia Hebefrenik 2. Schizophrenia Paranoid 3. Schizophrenia Residual 4. Schizophrenia Katatonik 5. Schizophrenia Simpleks 6. Schizophrenia Depresi Pasca Scizophrenia

Fakultas Ilmu Komputer, Universitas Brawijaya

1419

R-3 R-4 R-5

Aturan IF G01=’YA’ AND G08=’YA’ AND G02=’YA’ THEN ‘Positif’ IF G01=’YA’ AND G08=’YA’ AND G03=’YA’ THEN ‘Positif’ IF G01=’YA’ AND G08=’YA’ AND G04=’YA’ THEN ‘Positif’ IF G01=’YA’ AND G08=’YA’ AND G02=’TM’ AND G03=’TM’ THEN ‘Positif’ IF G01=’YA’ AND G08=’YA’ AND G02=’TM’ AND G04=’TM’ THEN ‘Positif’ IF G01=’YA’ AND G08=’YA’ AND G03=’TM’ AND G04=’TM’ THEN ‘Positif’

Sedangkan struktur dari bayesian network dapat dilihat pada gambar 3.

Gambar 3. Struktur Graf BN Schizophrenia

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

1420

3.2. Mesin Inferensi

3.3. Blackboard

Pada sistem pakar ini, mesin inferensi yang digunakan adalah mesin inferensi dengan penulusuran jawaban forward chaining. Pada proses diagnosis penyakit schizophrenia ini, pada awalnya sistem akan memutuskan penderita positif mengidap schizophrenia atau tidak dengan menggunakan aturan IF-THEN. Jika penderita positif terkena schizophrenia, maka akan di lakukan proses perhitungan probabilitas menggunakan metode Bayesian Network untuk menentukan penderita terkena schizophrenia jenis yang mana. Diagram blok alur metode inferensi forward chaining dapat dilihat pada gambar 4.

Blackboard adalah sebuah bagian dari memori yang berfungsi sebagai basis data untuk menyimpan hasil sementara dari suatu keputusan sebelum mengambil keputusan. Pada sistem pakar yang menggunakan metode Bayesian Network ini nantinya akan dihasilkan perhitungan sementara yang meliputi prior probabilty, conditional probability dan posterior probability. Ketiga nilai tersebut merupakan hasil perhitungan sementara yang akan disimpan dulu ke dalam sebuah Blackboard.

Gambar 4. Diagram Blok Inferensi Forward Chaning dengan metode Bayesian Network

Selanjutnya dari gejala-gejala yang ada akan dilakukan proses perhitungan probabilitas menggunakan metode Bayesian Network. Alur algoritma dari Bayesian Network dapat dilihat pada gambar flowchart di bawah ini

3.4. Fasilitas Penjelas Fasilitas penjelas memberikan keterangan hasil perhitungan dari Bayesian Network, sehingga pengguna mengerti bagaimana sistem pakar menghasilkan kesimpulan. Fasilitas penjelas pada sistem pakar ini akan menampilkan bagaimana sistem dapat mencapai kesimpulan tertentu dengan menampilkan tabel hasil nilai Prior probability, Conditional probability dan Posterior probability 3.5. Perbaikan Pengetahuan Perbaikan pengetahuan pada sistem pakar ini akan melakukan pembaharuan jika terdapat pengetahuan baru yang belum ada di database. Pembaharuan pengetahuan dilakukan dengan memeriksa data latih, jika ada pengetahuan baru di data training maka sistem akan menambahkan pengetahuan di basis pengetahuan 3.6. Antarmuka Antarmuka merupakan penghubung antara sistem pakar dengan pemakai. Dengan antarmuka, pengguna dapat melakukan komunikasi dengan sistem pakar. Pada umumnya sistem pakar melakukan pendekatan berupa form tanya jawab dengan pengguna. Form tanya jawab tersebut berupa form konsutasi yang dapat dilihat pada gambar 6.

Gambar 5. Flowchart Bayesian Network Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

1421

13. 14.

P01 P01

P01 P01

P01 P01

P01 P01

P01 P01

Cell yang berwarna hitam adalah cell yang hasil sistemnya tidak sesuai dengan hasil pakar. Pada tabel 3, akurasi dari masing-masing ekpserimen dapat dilihat pada tabel berikut. Tabel 4. Akurasi Pengujian Variasi 20 Data Latih Eks. ke1.

Hasil Benar 12

2.

11

4. PENGUJIAN DAN ANALISIS

3.

12

Pengujian dibagi menjadi 3 yaitu pengujian validasi, pengujian akurasi variasi data latih dan pengujian akurasi variasi data uji.

4.

12

Gambar 6. Antarmuka Konsultasi

4.1. Pengujian Validasi Blackbox merupakan teknik pengujian validasi yang digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan baik untuk kebutuhan fungsional. Hasil pengujian validasi dengan menggunakan blackbox menunjukkan hasil akurat dengan nilai 100% karena semua fungsi pada sistem telah berjalan sesuai dengan apa yang dirancang 4.2. Pengujian Akurasi Variasi Data Latih Pengujian variasi dari data latih ini dilakukan dengan merubah jumlah dan variasi dari data latih. Data latih secara keseluruhan berjumlah 34. Pada pengujian ini akan dilakukan 3 kali pengujian yang mana setiap pengujian menggunakan data latih berjumlah 20, 27 dan 34. Selain itu, pengujian variasi data latih juga dilakukan menggunakan jumlah setiap kelas sama. Pada tabel-tabel berikut dapat dilihat hasil dari pengujian varasi data latih. Tabel 3. Pengujian dengan 20 Data Latih No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.

Hasil Pakar P02 P02 P02 P02 P02 P03 P03 P04 P04 P05 P01 P01

Hasil Sistem Eksperimen ke1 2 3 4 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P01 P01 P01 P02 P02 P02 P02 P02 P03 P03 P03 P03 P03 P03 P03 P04 P03 P04 P04 P04 P04 P04 P04 P04 P04 P04 P04 P01 P01 P01 P01 P01 P01 P01 P01

Fakultas Ilmu Komputer, Universitas Brawijaya

Akurasi 12 ×100% = 85,7% 14 11 ×100% = 78,6% 14 12 ×100% = 85,7% 14 12 ×100% = 85,7% 14

Kemudian hasil pengujian dari 27 data dapat dilihat pada tabel 5. Tabel 5. Pengujian dengan 27 Data Latih No.

Hasil Pakar P02 P02 P02 P02 P02 P03 P03 P04 P04 P05 P01 P01 P01 P01

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.

Hasil Sistem Eksperimen ke1 2 3 4 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P01 P01 P01 P01 P02 P02 P02 P02 P03 P03 P03 P03 P03 P03 P03 P03 P04 P04 P04 P04 P01 P04 P04 P04 P01 P04 P04 P04 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01

Berdasar tabel pada 5, maka akurasi dari sistem dapat dilihat pada tabel 6. Tabel 6. Akurasi Pengujian Variasi 27 Data Latih Eks. ke1.

Hasil Benar 12

2.

11

3.

12

4.

12

Akurasi 12 ×100% = 78,6% 14 11 ×100% = 85,7% 14 12 ×100% = 85,7% 14 12 ×100% = 85,7% 14

Selanjutnya, pada tabel 7 berikut berisi tentang hasil pengujian dengan 34 data latih.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Tabel 7. Pengujian dengan 34 Data Latih No.

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.

Hasil Pakar

Hasil Sistem

P02 P02 P02 P02 P02 P03 P03 P04 P04 P05 P01 P01 P01 P01

P02 P02 P02 P01 P02 P03 P03 P04 P04 P04 P01 P01 P01 P01

Hasil akurasi dengan 34 data latih yang terlihat pada tabel 7 adalah: 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 20 𝑑𝑎𝑡𝑎 =

12 ×100% = 85,71% 14

Kemudian, untuk hasil pengujian data latih dengan jumlah data tiap kelasnya sama dapat dilihat pada tabel 8 berikut. Tabel 8. Pengujian Ratio Kelas Data Latih Seimbang No.

Hasil Pakar P02 P02 P02 P02 P02 P03 P03 P04 P04 P05 P01 P01 P01 P01

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.

Hasil Sistem Eksperimen ke1 2 3 4 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P02 P03 P01 P02 P01 P02 P02 P02 P02 P03 P03 P03 P03 P03 P03 P03 P03 P03 P04 P04 P04 P04 P04 P04 P04 P04 P05 P04 P04 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01 P01

Berdasar hasil pengujian pada tabel 8, maka akurasi dari sistem dapat dilihat pada tabel berikut. Tabel 9. Akurasi Pengujian Variasi 27 Data Latih Eks. ke1.

Hasil Benar 11

2.

13

3.

13

4.

12

Akurasi 11 ×100% = 78,6% 14 13 ×100% = 92,9% 14 13 ×100% = 92,9% 14 12 ×100% = 85,7% 14

Fakultas Ilmu Komputer, Universitas Brawijaya

1422

4.3. Analisis Pengujian Variasi Data Latih Berdasar hasil pengujian pada tabel 3, 5 dan 7 menghasilkan nilai akurasi yang berbeda-beda, dengan nilai akurasi paling tinggi yaitu 0,857 (85,7%). Nilai akurasi yang berbeda-beda tersebut membuktikan bahwa variasi dari data latih mempengaruhi akurasi dari sistem. Dapat dilihat juga, kesalahan pada akurasi juga kebanyakan pada data uji yang sama. Pada data uji ke 10, pakar mendiagnosis bahwa pasien menderita penyakit P05 sedangkan sistem menyimpulkan pasien menderita P04. Hal tersebut dikarenakan antara P04 dan P05 memiliki gejala-gejala yang mirip, sedangkan di data latih jumlah dari P04 adalah 6 sedangkan P05 hanya 2 saja. Perbedaan yang cukup besar tersebut membuat sistem menyimpulkan bahwa pasien menderita P04. Pengujian dengan jumlah setiap kelas dibuat sama (tabel 8), menghasilkan akurasi paling tinggi berjumlah 92,86%. Data uji ke 10 yang pada pengujian sebelumnya hasilnya selalu tidak sesuai, pada pengujian dengan perbandingan jumlah kelas yang sama pada percobaan ke 2 hasilnya bisa tepat dengan diagnosis pakar. Dari pengujian tersebut dapat dianalisa bahwa perbandingan jumlah kelas dalam data training juga mempengaruhi tingkat akurasi dari sistem pakar ini. Namun dengan membuat jumlah setiap kelas dalam data latih sama, dapat merubah pengetahuan sebenarnya sehingga data latihnya tidak sesuai. Akan lebih tepat jika menambah data latih namun dengan rasio sesuai realitas yang ada, sehingga variasi dari P05 nantinya juga akan semakin banyak tanpa mengubah pengetahuan sebenarnya. Dengan nilai akurasi 92,86% tersebut, sistem dikatakan baik dalam mendiagnosis karena dalam bidang kedokteran maupun psikologi-pun nilai akurasi tersebut juga cukup baik. Selain itu, penanganan dari data uji yang salah tersebut juga tidak jauh berbeda 4.4. Pengujian Akurasi Variasi Data Uji Tujuan dari pengujian akurasi dengan variasi data uji ini adalah untuk mengetahui pengaruh dari data uji terhadap nilai akurasi sistem pakar diagnosis schizophrenia menggunakan metode Bayesian Network ini. Hasil dari pengujian akurasi variasi data uji dapat dilihat pada tabel 10.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Tabel 10. Pengujian Akurasi Variasi Data Uji Eksperimen keNO

1

2

3

Pkr

Sist.

Pkr

Sist.

Pkr

Sist.

1.

P01

P01

P01

P01

P01

P01

2.

P01

P01

P01

P01

P01

P01

3.

P01

P01

P01

P01

P01

P01

4.

P01

P01

P01

P01

P01

P01

5.

P02

P02

P02

P02

P02

P02

6.

P02

P01

P02

P02

P02

P02

7.

P02

P02

P02

P02

P02

P02

8.

P02

P03

P02

P02

P02

P01

9.

P02

P02

P02

P01

P03

P03

10.

P03

P03

P03

P03

P03

P03

11.

P03

P03

P03

P03

P04

P04

12.

P04

P02

P04

P04

P04

P04

13.

P04

P04

P04

P04

P04

P02

14.

P05

P03

P05

P04

P05

P04

Berdasar hasil pengujian pada tabel 10, maka akurasi dari sistem dapat dilihat pada tabel berikut. Tabel 11. Akurasi Pengujian Variasi 27 Data Latih Eks. ke1.

Hasil Benar 11

2.

12

3.

11

Akurasi 11 ×100% = 78,6% 14 12 ×100% = 85,7% 14 11 ×100% = 78,6% 14

4.5. Analisis Pengujian Variasi Data Uji Berdasar hasil pengujian akurasi variasi data ujidi atas, menunjukkan bahwa pengujin yang dilakukan sebanyak 3 kali tersebut menghasilkan nilai akurasi yang berdeda-beda. Sehingga, data uji juga mempengaruhi nilai dari akurasi sistem pakar ini. 5. KESIMPULAN Kesimpulan yang didapat dari penelitian yang telah dilakukan adalah: 1. Untuk membangun sistem pakar ini, basis pengetahuan yang dibentuk berupa struktur Bayesian Network. Kemudian dari basis pengetahuan yang ada, mesin inferensi akan melakukan perhitungan bayesian network dengan mencari nilai probabillitas posterior dari setiap penyakit berdasar gejala yang diketahui, yang mana posterior tersebut Fakultas Ilmu Komputer, Universitas Brawijaya

2.

1423 dipengaruhi oleh terjadinya probabilitas penyakit (prior) dan probabilitas gejala jika diketahui penyakitnya (conditional) berdasar data latih yang ada. Dari nilai posterior penyakit yang ada, akan dipilih nilai yang paling terbesar untuk dijadikan hasil diagnosis serta saran pengobatan berdasar jenis schizophrenia. Nilai akurasi sistem paling tinggi yang dihasilkan adalah 92,86% yang didapatkan ketika melakukan pengujian variasi data latih dengan perbandingan kelas yang sama. Nilai dari akurasi dipengaruhi oleh variasi data latih dan juga perbandingan dari setiap kelas yang ada di data latih. Nilai 92,86% tersebut juga cukup baik dalam diagnosis manual yang dilakukan oleh dokter maupun psikolog. Berdasarkan penjelasan tersebut, sistem memiliki performa yang bagus dalam mendiagnosis penyakit schizophrenia.

6. DAFTAR PUSTAKA Alonzo, et al. 2014. ENTDEx: ENT Diagnosis Expert System Using Bayesian Networks. Journal of Advance in Computer Network, Vol. 2, No. 3. Arifin, Restu Atmaja R. 2012. Perancangan dan Implementasi Sistem Pakar Pendukung Diagnosa Penyakit Anjing Dengan Metode Bayesian Network. Universitas Brawijaya Fakultas Ilmu Komputer. Chang, Yue-Shan, Fan, Chih-tien, Lo, WinTsung, Hung, Wan-Chung, Yuan, Shyan-Ming. 2014. Mobile CloudBased Depression Diagnosis Using an Ontology And a Bayesian Network. Future Generation Computer Systems. Tersedia di: Fahrul, Mukaddas, Alwiyah & Faustine, INGRID. 2014. Rasionalitas Penggunaan Antipsikotik pada Pasien Schizophrenia di Instalasi Rawat Inap Jiwa RSD Madani Provinsi Sulawesi Tengah Periode Januari-April 2014. Online Jurnal of Natural Science, Vol.3(2): 18-29 Heckerman, David. 1995. A Tutorial on Learning With Bayesian Network. Tersedia di:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

us/research/wpcontent/uploads/2016/02/tr-95-06.pdf> [Diakses 26 Januari 2017] Kusrini. 2008. Aplikasi Sistem Pakar Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan. Yogyakarta: Penerbit Andi Madsen, Anders L., et al. 2016. A Parallel Algorithm for Bayesian Network Structure Learning from Large Data Sets. Elsevier. Tersedia di: < http://www.sciencedirect.com/science/a rticle/pii/S0950705116302465> [Diakses 28 Oktober 2016] Maramis, Albert A. & Maramis, W. F. 2008. Catatan IlmuKedokteran Jiwa. 2012. Surabaya: Airlangga University Maslim, Rusdi. 2013. Diagnosis Gangguan Jiwa (Rujukan ringkas dari PPDGJ-III dan DSM 5). Jakarta: Bagian Ilmu Kedokteran Jiwa FK-Unika Atmajaya. Meigarani, I., Setyawan, W., & Riza, Lala. 2010. Penggunaan Metode Bayesian Network Dalam Sistem Pakar Untuk Diagnosis Penyakit Leukimia. Universitas Pendidikan Indonesia. Pusat Komunikasi Publik Sekretariat Jenderal Kementerian Kesehatan RI. 2014. Lighting the Hope for Schizoprenia Warnai Peringatan Hari Kesehatan Jiwa tahun 2014. Tersedia di: http://www.depkes.go.id/article/view/2 01410270010/lighting-the-hope-forschizoprenia-warnai-peringatan-harikesehatan-jiwa-tahun-2014.html [Diakses 31 Oktober 2016] Rosnelly, Rika. 2012. Sistem Pakar Konsep dan Teori. Yogyakarta: Penerbit Andi. Sadock, Benjamin J. & Sadock, Virginia A. 2010. Buku Ajar Psikiatri Klinis Kaplan-Sadock Edisi 2. Jakarta: EGC. Sampaio, Rudini M. et al. 2008. Inference Algorithms for Systems of Medical Diagnosis Aid Based on Bayesian Network. Federal University of Lavras Brazil Seixas, Flavio Luiz, et al. 2013. A Bayesian Network Decision Model for Supporting the Diagnosis of Dementia, Alzheimer’s disease and Mild Cognitive Impairment. Computer in Biology and Medicine. Turban, E., Aronson, Jay E. & Liang, Ting-Peng. Fakultas Ilmu Komputer, Universitas Brawijaya

1424

2007. Decision Support System and Intelligent Systems. New Delhi: Prentice-Hall of India. WHO. Tersedia di: [Diakses 26 Oktober 2016] Yosep, I. 2010. Keperawatan Jiwa, Ed.Revisi. Cet. Ke-3. Bandung : PT. Refika Aditam