Download pdf - SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PARU …

Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

3.4-25

Ibnu Titto Dessetiadi 1), Ade Pujianto2), M. Gustafianto Ardi3)

1), 2, 3) Teknik Informatika STMIK AMIKOM YogyakartaJl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281

Email : [email protected]), [email protected]),[email protected])

Abstrak

Sistem pakar adalah cabang kecerdasan buatan yangmenggunakan pengetahuan/ knowledge khusus untukmemecahkan masalah pada level human expert/pakar.Salah satu penerapan sistem pakar dalam bidangkedokteran adalah untuk melakukan diagnosa penyakit.Pada makalah ini dilakukan perancangan danpembuatan sistem pakar yang digunakan untukmembantu menentukan diagnosa suatu penyakit yangdiawali dari gejala utama penyakit paru-paru sertamenentukan saran atau solusi pengobatan kepadapasien.

Masalah ketidakpastian pengetahuan dalam sistempakar ini diatasi dengan menggunakan metodeprobabilitas Bayesian. Proses penentuan diagnosadalam sistem pakar ini diawali dengan sesi konsultasi,dimana sistem akan mengajukan pertanyaan-pertanyaanyang relevan kepada pasien sesuai gejala utamapenyakit paru-paru.

Hasil akhir dari makalah ini adalah sebuah sistem pakaruntuk melakukan diagnosa penyakit paru-paru besertanilai probabilitas dari penyakit hasil diagnosa, yangmenunjukkan tingkat kepercayaan sistem terhadappenyakit tersebut dan saran atau solusi pengobatankepada pasien.

Kata kunci: Sistem Pakar, Diagnosa, Penyakit-Paru-paru.

1. Pendahuluan

Paru-paru sebagai pompa satu-satunya untuk sistempernapasan adalah organ yang sangat penting bagiberlangsungnya kehidupan. Namun masih banyak orangyang kurang peduli dengan kesehatan paru-paru, hal inimenyebabkan banyak orang yang terindikasi menderitapenyakit paru-paru, antara lain Tuberkolosis, Bronkitis,PPOK (Penyakit Paru Obstrukti Kronis), dan Pneumonia(radang paru-paru) [1]. Banyaknya jumlah penderitaparu-paru dengan jumlah dokter spesialis paru-paru yangtidak seimbang menyebabkan banyak pasien penderitaparu-paru harus berlama-lama menunggu dokterspesialis datang. Selain itu penderita penyakit paru-paru

juga harus mengeluarkan biaya yang mahal untukberkonsultasi dengan dokter spesialis.

Sistem pakar (expert sistem) adalah sistem yangberusaha mengadopsi pengetahuan manusia kekomputer, agar komputer dapat menyelesaikan masalahseperti yang biasa dilakukan oleh para ahli [2]. Salahsatu alternatif penggunaan sistem pakar untuk membantumendiagnosa gejala awal penyakit paru-paru yaitudengan metode Bayes. Sistem ini dapat digunakan dipuskesmas sebagai asisten dokter umum. Dengan adanyasistem ini diharapkan dapat membantu dalammendiagnosa gejala awal penyakit paru-paru pasientanpa perlu datang ke dokter spesialis melainkan hanyaperlu datang ke puskesmas terdekat dengan biaya yangrelatif lebih murah.

1.1 Perumusan MasalahBerdasarkan uraian latar belakang diatas, makadapat dirumuskan sebagai berikut:a. Bagaimana membangun sebuah sistem pakar

untuk mendiagnosa penyakit paru-paru yangsederhana sehingga dapat membantumengetahui penyakit yang diderita pasien.

1.2 TujuanPenelitian ini bertujuan untuk :a. Melakukan rancang bangun Sistem Pakar Untuk

Mendiagnosa Penyakit Paru-Parub. Merancang sistem pakar yang mampu

memberikan saran berdasarkan gejala yangdiinputkan user.

1.3 Tinjauan Pustaka

Berdasarkan penelitian sebelumnya, telahdirancang Sistem Pakar yang dibuat oleh Asiyah[3], referensi sistem pakar di bidang kesehatan gigi.Sistem ini menggunakan dialog interaktif jugaantara pemakai dengan sistem pakar, yaitu sistemuntuk mendiagnosa penyakit gigi pasien. Gejala-gejala penyakit gigi yang dialami pasien sebagaibahan masukan, kemudian mesin inferensi akanmengolah selayaknya pakar sehingga akanmenghasilkan suatu kesimpulan penyakit gigi apayang diderita oleh pasien tersebut, selain itu sistem

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PARU-PARUMENGGUNAKAN ALGORITMA BAYES


ISSN : 2302-3805

3.4-26

ini juga akan memberikan konsultasi dan saran bagipasien untuk melakukan perawatan gigi.

Sistem Pakar

Sistem pakar adalah sistem yang berusahamengadopsi pengetahuan manusia (Pakar) kekomputer, sehingga komputer dapat menyelesaikanpermasalahan tersebut layaknya seorang pakar[2].Sampai saat ini sudah banyak sistem pakar yangdibuat. Kemampuannya untuk memberikankeputusan seperti seorang pakar di dalam bidangtertentu merupakan salah satu hal yang diperlukanoleh manusia dalam berbagai aspek kehidupan.Sistem pakar dibuat pada domain pengetahuantertentu untuk suatu kepakaran tertentu yangmendekati kemampuan manusia di salah satubidang. Sistem pakar mencoba mencari solusi yangmemuaskan sebagaimana yang dilakukan seorangpakar.

Ada beberapa pertimbangan menggunakan sistempakar. Dibawah ini sebagian dari pertimbanganyang utama :

a. Membantu melestarikan cagar alampengetahuan dan keahlian pakar.

b. Jika keahlian adalah langka, mahal atau takterbatas.

c. Mudah digunakan walaupun bukan seorangahli.

Teori Bayes

Teori Bayes merupakan kaidah yang memperbaikiatau merevisi suatu probabilitas dengan caramemanfaatkan informasi tambahan. Maksudnya,dari probabilitas awal (prior probability) yangbelum diperbaiki yang dirumuskan berdasarkaninformasi yang tersedia saat ini, kemudiandibentuklan probabilitas berikutnya (posteriorprobability) [5]. Rumus untuk probabilitasbersyarat P(Fi∩E) untuk sembarang kejadian Edalam algoritma Bayes dapat dituliskan denganrumus 1 [5] :

Keterangan :P(Fi|E) : Probabilitas akhir bersyarat (conditional

probability) suatu hipotesis Fi terjadi jikadiberikan bukti (evidence) E terjadi

P(E|Fi) : Probabilitas sebuah bukti E terjadi akanmempengaruhi hipotesis Fi

P(Fi) : Probabilitas awal (priori) hipotesis Fiterjadi tanpa memandang bukti apapun

P(E) : Probabilitas awal (priori) bukti E terjaditanpa memandang hipotesis / bukti yanglain.

1.4 Metode Pengumpulan Data

Tahapan Pengumpulan data dengan pakar padaumunya meliputi hal-hal sebagai berikut :Studi literatur, yaitu studi penelitian-penelitiansebelumnya yang pernah dilakukan oleh parapeneliti dengan domain yang hampir mirip.

2. Pembahasan

Jenis Penyakit Paru-paru yang akan coba didiagnosadalam makalah ini ada 7, yaitu : Radang Paru-paru,Legionnaries, Tuberkulosis (TB), Asma, Bronkitis,Emfisema, Kanker Paru-paru. Gejala dari masing-masing jenis penyakit paru-paru tersebut dapat dilihatpada tabel 1. :

Tabel 1.Gejala Masing-Masing Penyakit Paru-Paru

No. Gejala x1 x2 x3 x4 x5 x6 x71. Alergi debu/serat

kain/bulubinatang√

2. Badan lemah √ √3. Batuk berdahak

kuning√

4. Batuk berdahakputih

√ √ √ √

5. Batuk berdarah √ √6. Batuk hilang

timbul√ √

7. Berat badan turun √ √ √ √8. Bersin-bersin di

pagi hari√

9. Demam lebih dariseminggu

√ √ √ √

10. Keringat malam √ √ √11. Mual √12. Muntah √ √13. Nafsu makan

turun√ √ √

14. Nyeri di dada √ √ √15. Nyeri di

punggung√

16. Panas naik turun √ √ √ √ √17. Perokok aktif √ √ √ √ √ √18. Perut terasa sakit √ √19. Riwayat kanker

dalam keluargapositif

√

20. Riwayat asma √


ISSN : 2302-3805

3.4-27

dalam keluargapositif

21. Sakit kepala √ √22. Sesak nafas √ √ √ √ √ √ √23. Sesak nafas

dipicu udaradingin

√ √

24. Suara serak √ √25. Sulit menelan √

Keterangan :x1 = Radang Paru-Parux2 = Legionnariesx3 = Tuberkulosis (TB)x4 = Asmax5 = Bronkitisx6 = Emfisemax7 = Kanker Paru-Paru

Jumlah penderita Penyakit Paru-Paru pada tahun 2014berdasarkan data WHO untuk wilayah regional Amerikaberjumlah 80.674 penderita. [5]. Adapun nilaiprobabilitas awal (priori) masing-masing jenis penyakitTB terjadi tanpa memandang bukti apapun (Fi) didapatdengan menghitung jumlah penderita TB dibagi denganjumlah semua data sample yang dilakukan. Nilai inidapat dilihat di tabel 2.

Tabel 2.Nilai Probabilitas awal masing-masing hipotesa

No. Gejala JumlahPenderita

H(Fi)

1. Radang Paru-Paru 20.032 24,83%2. Legionnaries 6.672 8,27%3. Tuberkulosis (TB) 54.855 68%4. Asma 37.353 46,3%5. Bronkitis 15.191 18,83%6. Emfisema 3.421 4,24%7. Kanker Paru-Paru 34.431 42,68%

Sedangkan untuk nilai probabilitas evidence pada setiaphipotesa didapat dengan menghitung jumlah kemunculangejala dibagi dengan jumlah hipotesa pada setiap jenisPenyakit yang akan dicari. Perhitungan algoritma bayesketika ada seorang pasien mengalami badan lemah (E2)dan berat badan turun (E7) dapat dihitung dengan cara :

nΣ P(E2,E7| Fxk)* P(Fxk) =k=1

(P(E2| Fx1) * P(E7| Fx1) * P(Fx1)) + P(E2| Fx2) * P(E7|Fx2) * P(Fx2)) + (P(E2| Fx3) * P(E7| Fx3) * P(Fx3)) +(P(E2| Fx4) * P(E7| Fx4) * P(Fx4)) + (P(E2| Fx5) *P(E7| Fx5) * P(Fx5)) + (P(E2| Fx6) * P(E7| Fx6) *P(Fx6))

= (0,82*0*0,2483) + (0,75*0*0,0827) + (0,2*0,9*0,68)+(0,78*0*0,463) + (0,15*0*0,1883)+(0,25*0*0,0424)+(0,63*0*0,4268)

= 0,0864

P(Fx1|E2,E7) = P(E6| Fx1) * P(E20| Fx1) * P(Fx1)nΣ P(E6,E20| Fxk)* P(Fxk)k=1

= (0,82*0*0,2483)/0,0864 = 0


= (0,75*0*0,0827)/0,0864 = 0


= (0,2*0,9*0,68)/0,0864 = 1


= (0,78*0*0,463)/0,0864 = 0


= (0,15*0*0,1883)/0,0864 = 0


= (0,25*0*0,0424)/0,0864 = 0

P(Fx7|E2,E7) = P(E6| Fx7) * P(E20| Fx7) * P(Fx7)n

Σ P(E6,E20| Fxk)* P(Fxk)k=1

= (0,25*0*0,4268)/0,0864 = 0

Dari hasil perhitungan tersebut, dapat diketahui Hipotesa(Jenis Penyakit) yang dialami oleh penderita berdasarkanEvidence (Gejala) yang timbul saat ini, yaitu :

Fx3 = Tuberkulosis (TB)


ISSN : 2302-3805

3.4-28

2.1 Antarmuka Aplikasi

Tampilan antar muka sistem pakar diagnosa PenyakitParu-Paru dapat dilihat pada gambar 1 sampai dengangambar 5.

Gambar 1 adalah antarmuka aturan/rule untukmenentukan penyakit berdasarkan gejala

Gambar 2 adalah antarmuka menu diagnosa, dimanapasien menginputkan gejala yang dialami.

Gambar 3. Hasil diagnosa dan saran ditunjukkan diantarmuka .

Sebagai contoh penggunaan dan hasil dari aplikasi ini,kami akan menerapkan masalah yang telah dibahassebelumnya, yaitu :

Gambar 1. Aturan untuk menentukan penyakitberdasarkan gejala

Gambar 1. Merupakan antarmuka bagi admin untukdapat memberikan rule/aturan untuk menambah basispengetahuan (knowledge base) system pakarberdasarkan nilai-nilai yang telah didapat atau dianalisaoleh pakarnya.

Gambar 3. Menu Diagnosa

Gambar 4. Menu Hasil Diagnosa dan Saran

Penderita mengalami Gejala Badan Lemah (E2) danBerat badan turun (E7) dan hasil diagnosanya.

Contoh berdasarkan masalah tersebut diatas adalah :Diagnosa Penyakit Tuberkulosis (TB), dimana gejala-gejalanya (Envinde) meliputi : Badan Lemah (E2), BatukBerdarah (E6), Berat Badan Turun (E7), Muntah (E12),Nafsu Makan Turun (E13).

Menu Diagnosa merupakan menu yang menyediakanbeberapa pilihan gejala yang sedang dialami olehpenderita/pasien sehingga nantinya dapat di analisa olehaplikasi untuk memberikan hasil berupa hipotesa (JenisPenyakit) yang di derita.Contoh pasien menginputkan Gejala Badan Lemah (E2)dan Berat Badan Turun (E7)

Menu Hasil Diagnosa merupakan menu yangmemberikan hasil atas envidence/gejala yang telahdiinputkan oleh pasien/penderita sebelumnya.Hasilnya berupa diagnosa Penyakit yang dideritapasien/penderita serta beberapa saran untuk dapatmengobati atau mengurangi rasa sakit tersebut.

Contoh Hasil Diagnosa pasien menginputkan GejalaBadan Lemah (E2) dan Berat Badan Turun (E7) adalahterdiagnosa Penyakit Tuberkulosis (TB).


ISSN : 2302-3805

3.4-29

3. Kesimpulan

Metode Bayes dapat digunakan untuk melakukandiagnosa penyakit paru-paru berdasarkan gejala-gejalayang dimiliki pasien terduga. Kebenaran dari hasiloutput sistem ditentukan oleh nilai probabilitas hipotesatanpa memandang gejala apapun dan nilai probabilitaskemunculan evidence pada setiap hipotesa yangdiinputkan pada basis pengetahuan.

Daftar Pustaka[1] Junaidi, Iskandar, 2010, Penyakit Paru dan Saluran Napas,

Jakarta, Bhuana Ilmu Popular[2] Kusumadewi, S. 2003. Artificial Intelligent (Teknik dan

Aplikasinya). Yogyakarta: Graha dIlmu. p.109[3] Asiyah, S. (2005). Sistem Pakar Diagnosa Penyakit Gigi. Skripsi,

Fakultas MIPA :Universitas Gadjah Mada.[4] Y. Wibisono. Metode Statistik. 1. Yogyakarta : Andi. 2009 : 45.[5] WHO. Health Topics Lung. 2014.

Biodata Penulis

Ibnu Titto Dessetiadi.Saat ini menjadi Mahasiswa diSTMIK AMIKOM Yogyakarta.

Ade Pujianto.Saat ini menjadi Mahasiswa di STMIKAMIKOM Yogyakarta.

M. Gustafianto Ardi.Saat ini menjadi Mahasiswa diSTMIK AMIKOM Yogyakarta.

STMIK AMIKOM Yogyakarta, 6-7 Februari 2016ISSN : 2302-3805

3.4-30

Seminar Nasional Teknologi Informasi dan Multimedia 2016