SISTEM PAKAR DIAGNOSA PENYAKIT EPILEPSI MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

Transkripsi

1 1 SISTEM PAKAR DIAGNOSA PENYAKIT EPILEPSI MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER Fajar Nazaruddin 1, Erna Zuni Astuti, M.Kom 2 1,2 Jurusan Teknik Informatika, Fasilkom, Universitas Dian Nuswantoro Jalan Nakula 1 No 5-11 Semarang fajarnazaruddin@gmail.com 1, erna.zuni.astuti@dsn.dinus.ac.id 2 Abstrak Penelitian ini membahas tentang sistem pakar untuk mendiagnosa penyakit epilepsi. Sistem pakar adalah suatu sistem yang dirancang untuk dapat menirukan keahlian seorang pakar dalam menjawab pertanyaan dan memecahkan suatu masalah. Data yang digunakan untuk penelitian terdiri dari 72 gejala dan 12 jenis penyakit epilepsi. Sistem pakar yang dibangun menggunakan metode naive bayes classifier. Terdapat dua tahapan kerja dari sistem ini. Pertama, sistem meminta penderita atau user untuk menginputkan gejala-gejala yang dialami. Kedua, sistem akan secara otomatis menampilkan hasil diagnosa dari penyakit epilepsi yang diderita oleh penderita melalui perhitungan naive bayes. Hasil diagnosa sistem selanjutnya dibandingkan dengan hasil diagnosa dari pakar sebenarnya. Ujicoba sistem menggunakan data sebanyak 12 penderita penyakit epilepsi. Dari hasil percobaan, prosentase kesesuaian diagnosa sebesar 83,33%. Kata Kunci : Sistem Pakar, Penyakit Epilepsi, Naive Bayes Abstract This study discusses the expert system for diagnosing epilepsy. An expert system is a system that is designed to mimic the expertise of an expert in answering questions and solving problems. Data used for the study consisted of 72 symptoms and 12 types of epilepsy. Expert systems are built using the Naive Bayes classifier. There are two stages of work of this system. First, the system prompts the user to input a patient or symptoms experienced. Second, the system will automatically display the diagnosis of epilepsy suffered by the patient through the calculation Naive Bayes. The diagnosis system is then compared with the actual diagnosis of the experts. Experiments using the system as much data as 12 patients with epilepsy. From the experimental results, the percentage of diagnosis suitability of 83.33%. Keyword : Expert System, Epilepsy Disease, Naive Bayes

2 2 I. PENDAHULUAN Penyakit epilepsi yaitu jenis penyakit yang ada dalam otak atau pada sel saraf, kondisi ini dapat mengakibatkan seseorang mengalami kejang secara berulang. Kerusakan dan perubahan di dalam otak diketahui sebagai penyebab pada sebagian kecil kasus epilesi. Namun pada sebagian besar kasus yang pernah terjadi penyebab pastinya masih belum diketahui [1]. Menurut data WHO (World Health Organization) menunjukkan epilepsi menyerang 70 juta dari penduduk dunia. Epilepsi dapat terjadi pada siapa saja di seluruh dunia tanpa batasan ras dan sosial ekonomi. Angka kejadian epilepsi masih tinggi terutama di negara berkembang yang mencapai 114 per penduduk per tahun [2]. Perbandingan jumlah penduduk dan tenaga medis yang jauh dari standar ideal menyebabkan masyarakat kurang memahami penyakit yang diderita. Hal ini diperparah dengan anggapan di tengah masyarakat bahwa penyakit akan sembuh dengan sendirinya tanpa melalui proses pengobatan dan perubahan gaya hidup. Terbatasnya jumlah tenaga medis, dapat dibantu dengan keberadaan sebuah sistem pakar, tanpa bermaksud untuk menggantikan pakar. Sistem pakar telah menjadi hal yang lazim diterapkan khususnya di bidang kedokteran. Penelitian ini bertujuan untuk menerapkan metode Naïve bayes classifier pada aplikasi sistem pakar yang dapat mendiagnosis penyakit epilepsi. Dari data pasien, gejala-gejala penyakit epilepsi diinputkan, sistem kemudian akan menampilkan hasil diagnosis penyakit. II. PENELITIAN SEBELUMNYA Penelitian pertama yang menjaadi sumber rujukan yaitu sistem pakar diagnosis penyakit mata menggunakan metode naive bayes classifier. Data yang digunakan untuk penelitian terdiri dari 52 gejala dan 15 penyakit mata. Penelitian ini menggunakan perhitungan metode naive bayes untuk menghasilkan aplikasi yang dapat memberikan diagnosis penyakit mata. Dari hasil pengujian keakuratan mencapai 83% [3]. Penelitian selanjutnya sistem pakar diagnosa penyakit sapi potong dengan metode naive bayes. Penelitian ini behasil membangun sistem pakar penyakit sapi potong dengan 11 jenis penyakit dan 20 gelaja, dari hasil pengujian keakuratan mencapai 96,15% [4]. Penelitian selanjutnya adalah algoritma klasifikasi data mining naive bayes berbasis particle swarm optimization untuk deteksi penyakit jantung. Penelitian ini membahas tentang perbandingan dua metode untuk mendeteksi penyakit jantung. Pengukuran dengan naive bayes menghasilkan akurasi 82,14% sementara naive bayes berbasis PSO akurasi meningkat menjadi 92.86%. tingkat akurasi dibandingkan dengan hasil laboratorium [5]. III. NAIVE BAYES Naive bayes adalah suatu klasifikasi berpeluang sederhana berdasarkan aplikasi theorema bayes dengan asumsi antar variabel penjelas saling independen (bebas). Dalam hal ini diasumsikan bahwa kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya. Naive bayes dengan formula umum sebagai berikut [6]: P(H E) P(E H) P(H) P(E)...(n)

3 3 Penjelasan dari formula diatas adalah sebagai berikut: Parameter Keterangan P(H E) Probabilitas bersyarat (conditional probability) suatu hipotesis H terjadi jika diberikan bukti (evidence) E terjadi. P(E H) Probabilitas sebuah bukti E terjadi akan mempengaruhi hipotesis H. P(H) Probabilitas awal (priori) hipotesis H terjadi memandang bukti apapun. P(E) Probabilitas awal (priori) bukti E terjadi tanpa memandang hipotesis atau bukti yang lain. IV. METODE PENELITIAN Metodologi Penelitian yang digunakan adalah sebagai berikut : 4.1 Identifikasi Identifikasi merupakan tahapan pendefinisian sistem, tujuan, perumusan masalah, sumber daya, data yang digunakan serta biaya untuk dapat membangun sistem. 4.2 Pengumpulan Data Data yang digunakan untuk percobaan, didapatkan dari pakar dan pasien penyakit epilepsi. Data didapatkan melalui proses knowledge acquisition diantaranya wawancara dengan pakar dan mendapatkan rekam medis pasien. Data yang digunakan adalah 72 gejala, 12 penyakit epilepsi dan 12 data pasien. 4.3 Pemilihan Metode Naïve Bayes Classifier dipilih karena metode ini merupakan salah satu metode probabilitas statistik sederhana dan mudah diterapkan selain itu mempunyai akurasi yang tinggi dan data yang valid. 4.4 Rancang Bangun Sistem Sistem dibangun dengan user friendly, dengan bahasa pemrograman PHP dan database MySQL. Seorang pengguna akan dengan mudah mengoperasikan aplikasi yang dibuat, sehingga pengguna relatif cepat dapat mengetahui hasil diagnosis penyakit epilepsi. 4.5 Ujicoba Sistem Pada tahapan ini, sistem yang sudah dibangun akan diujicobakan dengan menginputkan gejala-gejala yang dialami pasien. Selanjutnya, sistem pakar akan menampilkan penyakit epilepsi yang diderita pasien. Analisis hasil didapatkan dari perbandingan antara hasil ujicoba sistem pakar dengan hasil diagnosa pakar (human expert) V. HASIL DAN PEMBAHASAN 5.1 Data Pada tabel penyakit epilepsi terdapat 12 jenis serangan dan 72 gejala yang ditimbulkan. Tabel 1. Jenis Penyakit Epilepsi NO Nama Epilepsi 1 Parsial Sederhana 2 Parsial Kompleks 3 Petit Mal 4 Grand mal 5 Atonik 6 Tonik

4 4 7 Klonik 8 Myoklonik 9 Tonik Klonik 10 Spasme Infantile 11 Sindrom Lennox Gastaut 12 Lobus Temporalis Tabel 2. Gejala Penyakit Epilepsi No Gejala 1 Hilang kesadaran 2 Hilang ingatan 3 Melakukan gerakan ritmis halus 4 Rasa tegang pada lengan dan kaki 5 Merasa pusing 6 Pandanagan kosong 7 Mengalami sensasi aura 8 Gerakan menyentak pada lengan dan kaki 9 Tidak merespon sesuatu 10 Hilangnya kesadaran secara tibatiba 11 Jatuh ke lantai tak terkendali 12 Kontraksi pada otot tungkai 13 Timbul emosi 14 Neurologis 15 Hilang kesadaran sementara 16 Muka membiru 17 Tidak dapat mengendalikan tubuh 18 Kesemutan 19 Diam 20 Berteriak 21 Mata melotot 22 Menggosok jari secara bersamaan 23 Bibir membentuk huruf T 24 Pupil melebar 25 Gerakan abnormal 26 Sulit bernafas 27 Kaku pada persendian tubuh 28 Tubuh gemetar 29 Gangguan mental 30 Kebingungan 31 Kepala menganguk 32 Kehilangan kontrol usus 33 Bibir otomatis bergerak sendiri 34 Kejang bagian leher dan bahu 35 Rasa aneh pada bagian dada 36 Narkolepsi 37 Sakit kepala hebat 38 Mulut keluar busa 39 Merasa gelisah 40 Halusinasi 41 Posisi bibir miring 42 Kelelahan 43 Pendengaran terganggu 44 Mengantuk 45 Mengalami depresi 46 Setelah kejang dapat melanjutkan aktifitas 47 Gangguan penciuman 48 Sensitif dan mudah marah 49 Jari berkerut 50 Menangis 51 Menggelepar dan mengangkat secara kaku 52 Mual dan muntah

5 5 53 Hilangnya kotrol kandung kemih 54 Otot tubuh kaku dan sulit digerakkan 55 Berkeringat dan pucat 56 Perasaan takut pada sesuatu 57 Terjadi pada usia 0-2 tahun 58 Terjadi pada usia 3-15 tahun 59 Terajadi pada usia tahun 60 Terjadi pada usia tahun 61 Berlangsung sekitar <10 detik 62 Berlansung sekitar 10 detik 63 Berlangsung sekitar >15 detik 64 Berlangsung sekitar > 20 detik 65 Berlangsung sekitar > 45 detik 66 Berlangsung sekitar 3-4 menit 67 Berlangsung sekitar 1-2 menit 68 Berlangsung sekitar 2-3 menit 69 Berlangsung sekitar >30 detik 70 Berlangsung sekitar 40 detik 71 Berlangsung sekitar detik 72 Berlangsung sekitar 20 detik Tabel 3. Penyakit Epilepsi dan Penyakit Epilepsi Gejalanya Gejala NO- Parsial Sederhana 1,5,18,27,51,58,61 Parsial Kompleks 2,6,9,11,17,29,58,6 2 Petit Mal 3,6,15,22,23,58,63 Grand Mal 7,9,20,32,37,59,64 Atonik 2,11,30,54,58,59,72 Tonik 4,11,14,30,35,58,65 Klonik 8,13,39,42,46,57,66 Myoklonik 25,34,41,48,49,59,6 7 Tonik Klonik 10,11,28,44,45,47,5 3,58,68 Spasme Infantile 12,31,43,56,60,69 Sindrom Lennox Gastaut 16,26,36,38,50,52,5 8,70 Lobus Temporalis 19,21,24,33,56,58, Uji Coba Uji coba dilakukan dengan mendapatakan data gelaja 12 penderita penyakit epilepsi. Data gejala penderita dibandingkan dengan data gejala yang menyebabkan penyakit epilepsi tertentu. Contoh perhitungan dengan menggunakan klasifikasi naive bayes dapat diterapkan pada pasien ke-1 mengalami gejala nomor 2,6,11 dan 29. Keterangan gejala: 1. Hilang ingatan 2. Pandangan kosong 3. Kebingungan 4. Gangguan mental Langkah-langkah perhitungan naive bayes sebagai berikut: 1. Menentukan nilai nc untuk setiap class Penyakit epilepsi ke-1: Parsial sederhana N 1 P 1/ M 72 Penyakit epilepsi ke-2: Parsial kompleks N 1

6 6 P 1/ M 72 Penyakit epilepsi ke-3: Petit Mal N 1 P 1/ M 72 Penyakit epilepsi ke-4: Grand Mal N 1 P 1/ M Mementukan nila P(ai vj) dan menghitung nilai P(vj) Penyakit epilepsi ke-1: Prs. Sederhana P(2 Prs. Sederhana) P(6 Prs. Sederhana) P(11 Prs. Sederhana) P(29 Prs. Sederhana) Penyakit epilepsi ke-2: Prs. Kompleks P(2 Prs. Kompleks) P(6 Prs. Kompleks) P(11 Prs. Kompleks) P(29 Prs. Kompleks) Penyakit epilepsi ke-3: Petit Mal P(2 Petit Mal) P(6 Petit Mal) P(11 Petit Mal) P(29 Petit Mal) Penyakit epilepsi ke-4: Grand Mal P(2 Grand Mal) P(6 Grand Mal) P(11 Grand Mal) P(29 Grand Mal) 3. Menghitung P(ai vj) x P(vj) untuk tiap v Penyakit epilepsi ke-1: Prs. Sederhana P(PS) x {P(2 PS) x P(6 PS) x P(11 PS) x P(29 PS)} x x x x Penyakit epilepsi ke-2: Prs. Kompleks P(PK) x {P(2 PK) x P(6 PK) x P(11 PK) x P(29 PK)} x x x x Penyakit epilepsi ke-3: Petit Mal P(PM) x {P(2 PM) x P(6 PM) x P(11 PM) x P(29 PM)}

7 x x x x Penyakit epilepsi ke-4: Grand Mal P(GM) x {P(2 GM) x P(6 GM) x P(11 GM) x P(29 GM)} x x x x Menentukan hasil klasifikasi yang memiliki perkalian terbesar. Berikut ini adalah tabel hasil klasifikasi. Tabel 4. Perbandingan Nilai Hasil Klasifikasi Penyakit Nilai Parsial Sederhana Parsial Kompleks Petit Mal Grand mal Atonik Tonik Klonik Myoklonik Tonik Klonik Spasme Infantile Sindrom Lennox Gastaut Lobus Temporalis Karena nilai paling besar, maka contoh kasus pasien ke-1 dikategorikan sebagai penyakit epilepsi jenis Parsial Kompleks. 5.3 Hasil Uji Coba Hasil uji coba sistem pakar (expert system) dibandingkan dengan hasil diagnosis dari pakar sebenarnya. Perbandingan hasil diagnosis sistem pakar dan pakar sebenarnya (human expert) ditunjukkan pada di bawah ini: No 1 Parsial Tabel 5. Hasil Uji Coba Diagnosa Sistem Pakar Sederhana 2 Parsial Kompleks Diagnosa Parsial Pakar Sederhana Parsial Kompleks 3 Petit Mal Petit Mal 4 Grand mal Grand mal 5 Atonik Atonik 6 Tonik Tonik 7 Klonik Klonik 8 Myoklonik Myoklonik 9 Tonik Klonik - 10 Spasme Infantile 11 Sindrom Lennox Gastaut 12 Lobus Temporalis Spasme Infantile - Lobus Temporalis Rumus Menghitung Tingkat Akurasi Jumlah data valid jumlah seluruh data 100% Jadi tingkat akurasi dari 12 data adalah % 83,333% 12

8 8 VI. KESIMPULAN Dari hasil pengujian sistem dan pembahasan pada tahap sebelumnya, maka di ambil kesimpulan sebagai berikut : 1. Sistem pakar diagnosa tentang penyakit epilepsi ini telah mampu memberikan informasi kepada pengguna mengenai jenis epilepsi berdasarkan gejala-gejala yang di berikan serta solusi penanganannya. 2. Pembaharuan pengetahuan pada sistem pakar ini dapat di lakukan oleh seorang pakar atau pembuat sistem ini. 3. Sistem mampu mendiagnosa dengan tepat sesuai pendapat pakar sebenarnya sebesar 83,333% dari 12 data penyakit epilepsi. VII. SARAN Adapun berbagai saran untuk melengkapi kesimpulan yang di ambil adalah sebagai berikut : 1. Perawatan perlu di lakukan agar sistem ini dapat di gunakan semaksimal mungkin serta dapat melakukan evaluasi terhadap sistem sehingga dapat di lakukan penyesuaian sistem. 2. Sistem ini masih jauh dari kata sempurna maka dari itu perlu di lakukan perbaikan-perbaikan demi kesempurnaan program dan kemudahan pemakai. VIII. DAFTAR PUSTAKA classifier. Madura: Universitas Trunjomoyo. [4] Nur Aeni Widiastuti, Stefanus Santosa dan Catur Supriyanto Algoritma Klasifikasi data mining naïve bayes berbasis Particle Swarm Optimization untuk deteksi penyakit jantung. Semarang: Universitas Dian Nuswantoro. [5] Indriana Candra Dewi, Arief Andi Soebroto dan M.Tanzil Furqon Sistem pakar diagnosa penyakit sapi potong dengan metode naive bayes. Malang: Universitas Brawijaya. [6] Diakses pada tanggal 5 November 2016 [1] Diakses pada tanggal 10 Oktober [2] Diakses pada tanggal 10 Oktober 2016 [3] Wahyudi Setiawan dan Sofie Ratnasari Sistem pakar diagnose penyakit mata menggunakan naïve bayes