SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN TEOREMA BAYES.

Transkripsi

1 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN TEOREMA BAYES Andy Lie, Kevin Wibawa Santoso, Williace Ardesnando Sukartono School of Computer Science, Bina Nusantara University, Jakarta, Indonesia INFORMASI ARTIKEL Kata kunci: sistem pakar forward chaining teorema Bayes penyakit gigi ABSTRAK Penyakit gigi pada manusia menduduki urutan pertama dari daftar 10 besar penyakit yang paling sering dikeluhkan masyarakat Indonesia. Tujuan dari penelitian ini adalah membuat aplikasi sistem pakar untuk diagnosa penyakit gigi. Aplikasi ini akan mendiagnosa penyakit dengan forward chaining dan menghitung nilai kemungkinan dengan teorema Bayes. Metode yang dilakukan adalah dengan membuat decision tree, lalu melakukan penelusuran dengan forward chaining, dan dihitung nilai kemungkinannya dengan Bayes. Hasil yang dicapai aplikasi dengan teorema Bayes dari empat belas penyakit yang dapat terdeteksi dengan nilai rata-rata kemungkinan 98,3%. Simpulan yang diperoleh yaitu aplikasi sistem pakar ini dapat mendiagnosa penyakit gigi dengan cukup akurat dan dapat membantu dalam mengatasi masalah penyakit gigi. 1. Pendahuluan Gigi adalah salah satu organ tubuh yang sangat penting karena berawal dari penyakit yang ada pada organ ini dapat menimbulkan penyakit-penyakit yang bisa membahayakan organ-organ tubuh lainnya [1]. Penyakit gigi pada manusia menduduki urutan pertama dari daftar 10 besar penyakit yang paling sering dikeluhkan masyarakat Indonesia. Dari data yang didapatkan Persatuan Dokter Gigi Indonesia, sebanyak seratus enam puluh delapan juta masyarakat Indonesia menderita sakit gigi dengan rata-rata gigi berlubang hingga lima gigi orang dewasa [2]. Persepsi dan perilaku masyarakat Indonesia terhadap kesehatan gigi masih cenderung buruk. Hal ini terlihat dari masih besarnya angka karies gigi di Indonesia yang cenderung meningkat. Meskipun dokter gigi adalah orang yang ahli dalam bidangnya, namun dokter gigi tetap sebagai manusia biasa yang memiliki keterbatasan daya ingat dan stamina kerja. Tentu saja suatu saat hal ini dapat menyebabkan kesalahan diagnosa yang bisa berlanjut pada kesalahan solusi yang diambil [1]. Untuk gejala yang umum, pengobatan dapat dilakukan dengan menggunakan sistem pakar [3]. Melihat dari kondisi tersebut diperlukannya perancangan sistem pakar diagnosa penyakit gigi pada manusia. 2. Tinjauan Pustaka 2.1 Sistem Pakar Sistem pakar adalah program komputer yang berasal dari Artificial Intelligence (AI) yang dibangun dengan tujuan untuk memahami kecerdasan dengan cara menunjukkan perilaku cerdas itu sendiri. Hal ini berkaitan dengan konsep dan metode inferensi simbolik, atau penalaran olehk komputer dan bagaimana pengetahuan yang digunakan untuk membuat kesimpulan tersebut direpresentasikan oleh mesin. Terdapat perbedaan antara algoritma perangkat lunak konvensional dan sistem pakar. Algoritma konvensional memiliki hasil yang jelas sedangkan sistem pakar dapat memberikan jawaban dengan tingkat probabilitas tertentu. Sistem pakar biasanya berbasis pengetahuan umum yang dapat didefinisikan sebagai sistem komputer yang

2 menyimpan pengetahuan dalam ruang lingkup solusi masalah. [4]. Sistem pakar juga merupakan keahlian yang dipindahkan dari pakar ke suatu komputer. Pengetahuan ini kemudian disimpan dalam komputer. Pada saat pengguna menjalankan komputer untuk mendapatkan informasi, sistem pakar menanyakan fakta-fakta dan dapat membuat penalaran sampai pada sebuah kesimpulan. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya.sistem pakar ini juga dapat membantu aktivitas para pakar sebagai asisten yang mempunyai pengetahuan yang dibutuhkan [5]. Pada dasarnya konsep sistem pakar adalah pengguna memasukkan atau memberikan fakta atau informasi lainnya ke dalam sistem pakar dan mendapatkan sebuah kesimpulan sebagai jawaban. Sistem pakar terdiri dari 2 komponen utama, yaitu knowledge base dan inference engine. Kesimpulan yang diterima oleh pengguna merupakan konklusi yang didapatkan inference engine dari knowlege base yang berisi pengetahuan khusus. aturan, yaitu penalaran maju (forward chaining) dan penalaran mundur (backward chaining) [8]. Forward chaining pada dasarnya adalah data driven, yang bearti sistem memulai dengan set elemen awal dalam memori dan terus menembak sampai tidak ada aturan lagi yang dapat diterapkan atau tujuan telah tercapai. Efeknya, sistem ini akan bergerak maju dari kondisi sekarang ke keadaan tujuan. Metode ini cocok digunakan untuk jumlah tujuan yang besar. Tidak ada tujuan tunggal ataupun tujuan yang unik. Tugas perencanaan, desain dan sintesis pada umumnya cocok menggunakan metode forward chaining [6]. 2.4 Teorema Bayes Teorema Bayes memberikan cara untuk memperbarui probabilitas hipotesis H dengan mengingat data D. Cara berpikir teorema Bayes ini dapat disebut sebagai diachronic interpretation. Diachronic yang berarti bahwa ada sesuatu yang terjadi dari waktu ke waktu, yang kemungkinan membuat adanya perubahan hipotesis [9]. Secara matematik persamaan teorema Bayes ditulis : Gambar 1 Konsep Dasar Fungsi Sistem Pakar Konsep dasar sistem pakar dapat direpresentasikan dalam banyak cara. Salah satunya adalah representasi pengetahuan dalam aturan IF- THEN seperti IF the light is red THEN stop. Jika ada fakta yang menyatakan bahwa lampu merah menyala dan aturan sesuai maka akan dilakukan sebuah aksi berhenti [6]. 2.2 Decision Tree Pohon keputusan (decision tree) merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon (tree) yang setiap internalnode (non-leaf node) merepresentasikan atribut, cabangnya merepresentasikan nilai dari atribut dan daun (leaf node atau terminal node) merepresentasikan kelas. Node yang paling atas dari decision tree disebut sebagai root [7]. 2.3 Forward Chaining Secara umum ada dua teknik utama yang digunakan dalam inference engine untuk menguji di mana : - p(h) adalah probabilitas hipotesis sebelum melihat data disebut juga probabilitas prior atau hanya prior - p(h D) adalah apa yang ingin dihitung, probabilitas hipotesis setelah melihat data, disebut posterior - p(d H) adalah probabilitas data di bawah hipotesis yang benar disebut dengan likehood - p(d) adalah probabilitas data di bawah semua hipotesis, disebut normalizing constant 2.5 Gigi Gigi manusia terdiri dari enamel, dentine, cementum, dan pulp. Enamel adalah lapisan luar gigi atau mahkota yang menutupi bagian ujung atas gigi. Enamel biasanya bervariasi dalam warna tembus cahaya yang kekuningan sampai putih keabu-abuan. Enamel adalah struktur biologis yang paling keras dalam tubuh hewan. Enamel akan mencapai ketebalan penuh sebelum muncul ke permukaan rongga gigi. Dentine adalah bagian ujung atas gigi yang ditutupi oleh enamel. Dentine akan

3 melindungi bagian pulp ketika terjadi kerusakan pada enamel. Cementum adalah lapisan luar bagian bawah dentin yang tidak tertutupi oleh enamel. Cementum terdapat pada sepanjang akar gigi dan umumnya memanjang kearah . Cementum diproduksi oleh cementoblasts yang membentuk dua jenis cementum yaitu cellular dan acellular. Cementum seluler kurang keras dibandingkan dengan atau dentin. Cementum seluler lebih mirip dengan tulang tetapi tidak reformasi seperti tulang. Cementum menambah ukuran dan kekuatan gigi serta melindungi dentin. Garis cementum juga terbukti berguna sebagai sarana untuk memperkirakan usia pada seseorang. Pulp adalah bagian tengah gigi yang terdiri dari jaringan lunak yang mengandung pembuluh darah dan saraf yang menghubungkan gigi dengan apikal. Pulp gigi menempati rongga pulpa dan dikelilingi oleh dentin. Pulp terdiri dari berbagai jaringan diantaranya adalah pembuluh arteri, vena, saraf dan pembuluh limfatik [10]. Gambar 2 Komponen Gigi Manusia 3 Metodologi Metode yang digunakan adalah decision tree, penelusuran dengan forward chaining dan perhitungan nilai kemungkinan dengan teorema Bayes. Berdasarkan gejala yang didapatkan untuk penyakit gigi maka dibuatlah decision tree seperti pada gambar 1. Gambar 3 Decision Tree

4 A B C D E F G H I J K L M N O P Q R Sulit Mengunyah OR Bau busuk keluar dari mulut Tidak tumbuhnya semua atau beberapa gigi baik gigi susu maupun gigi permanen Pembengkakan pada gusi atau gusi berwarna merah Gusi atau gigi bernanah OR Ada luka antara gigi dan gusi Rasa sakit saat membuka mulut Gusi mudah berdarah OR Gusi menjadi lebih lunak Gigi tampak lebih panjang dari normal Rasa sakit atau nyeri di sekitar gusi (bila atau tanpa disentuh) Rahang terjadi pembengkakan Gusi mudah berdarah OR Ujung gusi tertutup lapisan abu-abu Demam OR Pembengkakan kelenjar getah bening OR Gigi terasa sakit atau berdenyut Pembengkakan kelenjar getah bening OR Hilangnya bekuan darah di lokasi bekas pencabutan gigi OR Terlihatnya tulang dalam daerah bekas pencabutan Gigi terasa ngilu dan lebih sensitif Sensitif atau ngilu saat minum air dingin OR Tidak terlalu ngilu jika minum air panas/hangat Sakit gigi tiba-tiba dan bisa berjam-jam terasa sakitnya Bentuk gigi tampak terkikis Sensitif terhadap rasa manis Ada benjolan pada gigi yang sakit R1 : Anodonsia R2 : Abses Periodental R3 : Periodontitis R4 : Parit mulut R5 : Gingivitis R6 : Trench Teeth R7 : Gangguan gigi bungsu R8 : Abses Periapikal R9 : Alveolar Osteitis R10 : Irreversible Pulpitis R11 : Reversible Pulpitis R12 : Dental abrasion R13 : Bruxism R14 : Necrotic Pulp R15 : Sehat R16 : Penyakit Tidak Terdeteksi Dari decision tree yang sudah ada maka dibuat rules yang sesuai dan dari rules tersebut dilakukan penelusuran dengan forward chaining. Sistempakar menggunakan penalaran manusia dan membutuhkan beberapa rules (kaidah) untuk membuat sistem tersebut berjalan [11]. Jika gejalanya adalah sensitif atau ngilu saat minum air dingin atau tidak terlalu ngilu jika minum air panas atau hangat serta sakit gigi tibatiba dan bisa berjam-jam terasa sakitnya, Jika ya maka kemungkinan penyakitnya adalah Irreversible Pulpitis, sedangkan tidak maka kemungkinan penyakitnya adalah Reversible Pulpitis. Jika gejalanya adalah bentuk gigi tampak terkikis maka kemungkinan penyakitnya adalah Dental abrasion. Jika gejalanya adalah sensitif terhadap rasa manis maka kemungkinan penyakitnya adalah Bruxism. Jika gejalanya adalah ada benjolan pada gigi yang sakit maka kemungkinan penyakitnya adalah Necrotic Pulp. Setelah ditelesuri dengan forward chaining dan ditemukan penyakitnya berdasarkan gejala yang diderita maka nilai kemungkinan penyakit akan dihitung dengan menggunakan teorema Bayes. Keuntungan dari Bayes adalah bisa memprediksikan inferensi algoritma dalam menangani data yang hilang dan lazim dalam sistem klinis [12]. Perhitungan kemungkinan irreversible pulpitis dengan gigi ngilu dan sensitif AND gigi sensitif atau ngilu saat minum air dingin AND gigi tidak terlalu ngilu jika minum air panas/hangat adalah: p(irreversible pulpitis gigi ngilu dan sensitif, gigi sensitif atau ngilu saat minum air dingin, gigi tidak terlalu ngilu jika minum air panas/hangat) Kemungkinan gigi ngilu dan sensitif jika irreversible pulpitis - p(gigi ngilu dan sensitif irreversible pulpitis) = 0.4 Kemungkinan gigi sensitif atau ngilu saat minum air dingin jika irreversible pulpitis - p(gigi sensitif atau ngilu saat minum air dingin irreversible pulpitis) = 0.9 Kemungkinan gigi tidak terlalu ngilu jika minum air panas/hangat jika irreversible pulpitis - p(gigi tidak terlalu ngilu jika minum air panas/hangat irreversible pulpitis) = 0.3 Kemungkinan sakit gigi tiba-tiba dan bisa berjam-jam terasa sakitnya jika irreversivle pulpitis - p(sakit gigi tibatiba dan bisa berjam-jam terasa sakitnya irreversible pulpitis) = p(sgtb ip) = 0.7 Kemungkinan irreversible pulpitis tanpa memandang gejala apapun - p(irreversible pulpitis) = 0.25 Jadi p(irreversible pulpitis gigi ngilu dan sensitif, gigi sensitif atau ngilu saat minum air

5 dingin, gigi tidak terlalu ngilu jika minum air panas/hangat) = 0.4 * * * 0.25 = 0.4 * * * * 0.25 I M Teeth = A Gangguan 4 Evaluation Setelah melakukan implementasi dari metodologi ke dalam aplikasi maka sistem diuji apakah sistem sudah berjalan dengan baik atau tidak dengan pakar sebagai pengujinya. Dari 14 penyakit yang terdeteksi didapatkan nilai rata-rata kemungkinan 98,3%. No Gejala Hasil 1 A B 2 A C D E 3 A C D F G 4 A C H F 5 A C I J 6 A Diagnosis Sistem Pakar 81,82 % Anodonsia Abses Periodental Periodontiti s 88.89% Parit mulut Gingivitis Hasil Diagnosis Pakar Anodonsia Abses Periodental Periodontitis Parit mulut Gingivitis Trench K L H 8 A L N O P 9 K O Q R 10 S T U V 11 S T U 12 S W 13 S X 14 S Y Gangguan gigi bungsu Abses Periapikal Alveolar Osteitis Irreversible Pulpitis Reversible Pulpitis Dental Abrasion Bruxism Necrotic Pulp gigi bungsu Abses Periapikal Alveolar Osteitis Irreversible Pulpitis Reversible Pulpitis Dental Abrasion Bruxism Necrotic Pulp K Teeth L Trench

6 Keterangan A B C D E F G H I J K L M N O P Q R S T U V W X Y Sulit mengunyah Tidak tumbuhnya semua atau beberapa gigi baik gigi susu maupun gigi permanen Pembengkakan pada gusi atau gusi berwarna merah Gusi atau gigi bernanah Rasa sakit saat membuka mulut Adanya luka antara gigi dan gusi Gigi tampak lebih panjang dari normal Rasa sakit atau nyeri di sekitar gusi (bila atau tanpa disentuh) Gusi mudah berdarah Gusi menjadi lebih lunak Bau busuk keluar dari mulut Rahang terjadi pembengkakan Ujung gusi tertutup oleh lapisan warna abuabu Demam Pembengkakan kelenjar getah bening Gigi terasa sakit atau berdenyut Hilangnya bekuan darah di lokasi bekas pencabutan gigi Terlihatnya tulang dalam daerah bekas pencabutan Gigi terasa ngilu dan lebih sensitif Sensitif atau ngilu saat minum air dingin Tidak terlalu ngilu jika minum air panas/hangat Sakit gigi tiba-tiba dan bisa berjam-jam terasa sakitnya Bentuk gigi tampak terkikis Sensitif terhadap rasa manis Adanya benjolan pada gigi yang sakit 5 Kesimpulan Berdasarkan implementasi dan evaluasi, maka hal-hal yang dapat disimpulkan dari pengembangan sistem pakar diagnosa penyakit gigi ini adalah : 1. Program dapat mendiagnosa penyakit gigi beserta menampilkan nilai kemungkinan sesuai dengan inputan gejala yang diderita pengguna. 2. Empat belas penyakit yang dapat terdeteksi dengan nilai rata-rata kemungkinan 98,3%. 3. Probabilitas Bayes membantu dalam mengambil keputusan dari hasil diagnosa sistem pakar. Acknowledgment Penulis mengucapkan terima kasih kepada drg. Fanny Liliani yang telah bersedia membantu memberikan data yang dibutuhkan untuk penelitian ini. Referensi [1] Nurazaman, Destiani, D & Dhamiri, D. (2012). Pembangunan Aplikasi Sistem Pakar untuk Diagnosis Penyakit Gigi dan Mulut Pada Manusia. Jurnal Algoritma Sekolah Tinggi Teknologi Garut. 09(12) [2] (2012). Pusat Data dan Infomasi PERSI. Abaikan Kesehatan Gigi Penyebab Tingginya Gigi Berlubang. [ONLINE]. Available: p?catid=23&mid=5&nid=931 [3] Patel, M, Virparia, P & Patel, A. (2013). Ruled Based Expert System for Viral Infection Diagnosis. International Journal of Advanced Research in Computer Science and Software Engineering. 3(5) [4] Hemmer, M. C. (2008). Expert Systems in Chemistry Research. Florida: CRC Press. [5] Turban, E. (2005). Decision Support and Expert System. New York: MacMillan. [6] Giarratano, J & Riley, G. (2005). Expert Systems: Principles and Programming. (4 th edition). Boston: Thomson Course Technology. [7] Han, J., Kamber, M.,& Pei, J. (2012). Data Mining: Concepts and Techniques. (3thedition). Waltham: Morgan Kaufmann. [8] Sasikumar, M., Ramani, S., Raman, S. M., Anjaneyulu, K., & Chandrasekar, R. (2007). A Practical Introduction to Rule Based Expert Systems. New Delhi: Narosa Publishers. [9] Downey, A. (2012). Think Bayes: Bayesian Statistic Made Simple. (Version 1.0.1). Massachusetts: Green Tea Press. [10] Swindler, D.R. (2002). Primate Dentition: An Introduction to the Teeth of Non- Human Primates. Cambridge: Cambridge University Press [11] Dragulescu, D & Albu, A. (2007). Medical Prediction System. Acta Polytechnica Hungarica. 4(3) [12] Dexheimer, J.W, Brown, L.E, Leegon, J & Aronsky, D. (2007). Comparing Decision Support Methodologies for Identifying Asthma Exacerbations. Journal of Study Health Technology Information. 129(2)

7 Riwayat Hidup Kevin Wibawa Santoso lahir pada tanggal 12 November 1992, dia telah menyelesaikan gelar sarjana dari BINUS University di awal tahun Kevin adalah seorang website dan software developer. Williace Ardesnando Sukartono lahir pada tanggal 3 Desember 1992, dia telah menyelesaikan gelar sarjana dari BINUS University di awal tahun Andy Lie lahir pada tanggal 20 Juni 1992, dia telah menyelesaikan gelar sarjana dari BINUS University di awal tahun Andy adalah seorang freelancer website developer.

8