PENGEMBANGAN APLIKASI PREDIKSI PENYAKIT BERBAHAYA DI PROVINSI RIAU BERDASARKAN MODEL MARKOV CHAINS

Transkripsi

1 PENGEMNGN PLIKSI PREDIKSI PENYKIT ERHY DI PROVINSI RIU ERDSRKN MODEL MRKOV HINS Mustakim 1, Syaifullah 2 Jurusan Sistem Informasi, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR. Soebrantas No. 155 Simpang aru, Panam, Pekanbaru, mustakim@uin-suska.ac.id, 2 syaifullah@uin-suska.ac.id STRK Penyakit berbahaya saat ini semakin meningkat setiap tahunnya di berbagai tempat, setiap saat muncul berbagai macam penyakit, Makin tinggi ilmu kedokteran maka semakin hebat pula penyakit berbahaya saat ini. Untuk itu salah satu hal untuk mengatasi dan mengetahui hal tersebut adalah dengan cara memprediksi penyakit-penyakit yang akan muncul beberapa tahun kedepan. Dengan model Markov hains sistem ini dikembangakan untuk memprediksi penyakit berbahaya dengan mengacu pada data stokastik Dari simulasi yang dilakukan pada tahun 215 diperoleh probabilitas sebesar 34,1%, 19,5%, 3,3% dan 16,% (Demam erdarah). Hanya kriteria Penyakit yang mengalami peningkatan dari,444 pada 215 menjadi,452 pada 216, sedangkan untuk ketiga jenis penyakit lainnya mengalami penurunan. Kata kunci : markov chains, prediksi, penyakit berbahaya, probabilitas I. PENDHULUN Perkembangan teknologi semakin meningkat dengan dahsyat di era globalisasi saat ini, berbagai macam kalangan menggunakan teknologi sesuai dengan keperluanya masingmasing. Dari hal yang besar hingga yang sekecilkecilnya tidak luput dari teknologi. Pemerintahan, instansi, pendidikan serta dunia kesehatan pastinya menggunakan teknologi, salah satu contoh adalah Rumah. Seiring berkembangnya pengetahuan tentang ilmu kesehatan, di era sekarang ini bermunculan berbagai macam penyakit berbahaya yang mungkin saja menyebabkan penderitaan yang berkepanjangan. Tidak jarang para penderita yang mengalami penyakit-penyakit berbahaya tersubut hingga sampai meregang nyawa. pa penyebab itu semua? erbagai macam masalah masingmasing dialami setiap manusia hingga menyebabkan demikian. Sebagai contoh di Provinsi Riau khususnya Kota Pekanbaru, menurut data dari Dinas Kesehatan Provinsi Riau tahun 214, terdapat 4 sedikitnya penyakit berbahaya yang ditakuti saat ini yang menyebabkan si penderita mengalami kematian diantanya adalah,,, dan (Demam erdarah) [6]. agaimana kita mengatasi masalah penyakit diatas? Dan apakan penyakit tersebut akan muncul dan mempunyai probabilitas tinggi untuk beberapa tahun kedepan?. Masalah ini yang harus dipecahkan, bagaimana kita memprediksi penyakit-penyakit berbahaya tersebut untuk beberapa tahun kedepan. Salah satu metode yang paling mudah dan simple adalah metode Markov hains, dimana metode ini membandingankan keadaan sebelumnya dengan keadaan sekarang secara diskrit maupun kontinyu. Untuk memberikan lingkup secara jelas dan detail dalam penelitian ini dibuat suatu batasan masalah, yaitu: 1. Data yang digunakan adalah data 4 tahun terakhir secara diskrit maupun kontinyu untuk memprediksi kemungkinan terjadinya probabilitas 2 tahun kedepan. 2. Sistem yang akan dikembangkan hanya dapat menginputkan 4 data kriteria penyakit berbahaya yang pernah dialami masyarakat pekanbaru, sesuai dengan ranking penyakit berbahaya paling ditakuti di Indonesia. 3. Sistem hanya memberikan rekomendasi prediksi untuk 2 tahun kedepan dalam bentuk probabilitas dan persentase, yang hasilnya tidak mutlak tetapi hanya berdasarkan hasil prediksi. II. METODE PENELITIN Metode penelitian dimulai dari perencanaan, liteteratur review, pengumpulan data, proses data manual, pengembangan aplikasi dan simulasi model yang dapat digambarkan pada Gambar 1 berikut:

2 Perencanaan Literatur Review Pengumpulan Proses Data Manual Markov Model Pengembangan plikasi Simulasi Model Gambar 1. Metode Penelitian. Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan mechine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [1]. Menurut Gartner Group Data Mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik stastistik dan matematika [2].. Markov hais Models Konsep dasar Model Rantai Markov pertama kali diperkenalkan oleh ndrei. Markov seorang matematisi Rusia pada tahun 197. Model ini berhubungan dengan rangkaian proses dimana kejadian dalam satu proses eksperimen hanya tergantung pada serangkaian kejadian sebelum-sebelumnya yang lain[3]. Metode Markov ini dapat diaplikasikan untuk sistem diskrit (discrete system) maupun sistem kontinyu (continuous system). Sistem diskrit merupakan sistem yang perubahan kondisinya (state) dapat diamati/ terjadi secara diskrit. Sedangkan sistem kontinyu adalah sistem yang perubahan kondisi dan perilaku sistem terjadi 11 secara kontinyu. Proses Markov sendiri merupakan proses stokastik masa lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang diketahui [4]. da beberapa syarat agar Rantai Markov dapat diaplikasikan dalam evaluasi keandalan sistem. Syarat-syarat tersebut adalah 1. Sistem harus stationery atau homogen, artinya perilaku system selalu sama disepanjang waktu atau peluang transisi sistem dari satu kondisi ke kondisi lainnya akan selalu sama disepanjang waktu. Dengan demikian maka pendekatan Markov hanya dapat diaplikasikan untuk sistem dengan laju kegagalan yang konstan. 2. State is identifiable. Kondisi yang dimungkinkan terjadi pada system harus dapat diidentifikasi dengan jelas. pakah sistem memiliki dua kondisi (state) yakni kondisi beroperasi dan kondisi gagal, ataukah sistem memiliki 3 kondisi, yakni persen sukses, 5 persen sukses dan persen gagal[5].. Konsep Pemodelan Sistem diwakili oleh dua kondisi (state) yang teridentifikasi, dan diberi nama kondisi 1 dan kondisi 2. Yaitu peluang transisi dari satu kondisi ke kondisi lain-nya atau pun peluang tetap berada pada kondisi semula. Peluang transisi ini akan sama disepan-jang waktu (stationery). Gambar 2. Sistem dengan 2 kondisi D. Time Dependent State Probabilities Time dependent state probabilities dapat dicari dengan mengalikan matrik P dengan matrik P itu sendiri sejumlah interval yang diinginkan (Pn, dimana n adalah jumlah interval waktu)[4]. P2 = x (1) ( I = 1) = [1,] x (2) π (1) = π (). P (3) ( I = 2) = [,1] x (4) 1 2

3 Secara sederhana langkah-langkah Rantai Markov dapat diasumsikan sebagai berikut: 1. Membuat matriks awal kejadian 2. Menjumlahkan tiap matriks kejadian 3. Perbandingan jumlah matriks dengan total kejadian 4. Mendapatkan matriks hasil kejadian 5. Mengalikan state kejadian dengan matriks kejadian 6. Persentase prioritas kejadian 5 31/3/ /5/ /7/ /8/ /11/211 III. HSIL DN PEMHSN Dalam pembahasan pada makalah ini diperlukan beberapa data-data penyakit berbahaya atau penyakit yang menyebabkan tingkat kematian tinggi di Provinsi Riau tiap tahunya, dengan menggunakan 3 sampel rumah sakit di Pekanbaru yaitu Rumah, dan, sedangkan data yang digunakan adalah data tahun 211, 212, 213, dan 214. Sebelum mengawali langkah demi langkah rantai markov, terlebih dahulu mendeklarasikan 4 kriteria penyakit berbahaya yang sering menyebabkan kematian: Tabel 1. Peringkat Penyakit erbahaya Nama No Singkatan Keterangan Penyakit SJT 1 erbahaya KKR 2 erbahaya 3 4 (Demam erdarah) ISP DD erbahaya erbahaya. Langkah-Langkah Rantai Markov Langkah pertama adalah membuat matriks awal kejadian atau dalam kasus ini membuat matriks kematian akibat penyakit berbahaya tiap tahunnya (211,212,213 dan 214). Tabel 2. Matriks kematian akibat penyakit berbahaya tahun 211 No Tanggal Penyakit Rumah 1 6/1/ /2/ /2/ /3/211 Tabel 3. Matriks kematian akibat penyakit berbahaya tahun 212 No Tanggal Penyakit Rumah 1 2/1/ /1/ /2/ /2/ /2/ /2/ / /3/ /5/212 4/6/ /9/ /9/ // /12/212 Selanjutnya hingga diketahui data-data sampai dengan 214. Langkah kedua adalah menjumlahkan tiap matriks kejadian, dalam hal ini adalah menjumlahkan berapa banyak tiap penyakit terjadi untuk setiap tahunnya. Tabel 4. Jumlah kejadian setiap tahun SJT KKR ISP DD Total Kejadian

4 Setelah dikelompokkan berdasarkan tahunnya, langkah selanjutnya adalah membandingkan jumlah matriks dengan total kejadian. Tabel 5. Perbandingan jumlah matiks dengan total kejadian SJT KKR ISP DD 211 3/9=,333 1/9=,111 4/9=,444 1/9=, /14=,5 4/14=,286 2/14=,142 1/14=, /17=,294 3/11=,272 4/17=,235 4/17=,235 4/17=,235 2/11=,181 4/11=,363 2/11=,181 Dari tabel diatas didapatkan matriks hasil kejadian sebagai berikut: P =,333,111,444,111,5,286,142,71,294,235,235,235,272,181,363,181 Selanjutnya adalah mengalikan state kejadian dengan matriks kejadian. State kejadian ( π ()) adalah jenis kejadian yang dilambangkan dengan bilangan biner atau 1. Pada kondisi ini isi state kejadian untuk prediksi Pekanbaru ada empat, yaitu:, Kanker, dan (Demam erdarah). Maka jika dilambangkan dengan huruf adalah [J,K,P,M]. Dan jika dengan bilangan biner adalah [,,,]. agian akhir adalah prediksi kemungkinan penyakit mematikan yang akan muncul ditahun 215. dihitung dengan cara : π (1) = π (). P Didapatkan hasil sebagai berikut: 1 =,333,111,444,111 akan mengasilkan data kemungkinan sebagai berikut: P215 = 5% 28,6% 44,4% 23,5% = 146,5% Untuk menjadikan hasil Total menjadi %, maka setiap kemungkinan dibagi dengan total kemungkinan, dan hasilya adalah: P215 = 34,1% 19,5% 3,3% 16,% =,% Kemudian secara perhitungan final Rantai Markov diperoleh hasil 34,1%, 19,5%, 3,3% dan 16,% (Demam erdarah). Sedangkan untuk prediksi penyakit pada 216, dapat dihitung dengan perkalian antara hasil prediksi 215 dengan matriks kejadian: [,5,286,444,235 ] x,333,111,444,111,5,286,142,71,294,235,235,235,272,181,363,181 Diperoleh hasil prediksi sebagai berikut : P216 = [,54,284,452,223 ] Jadi prediksi untuk 216 adalah 34,4%, 19,4%, 3,9% Infeksi Saluran dan 15,2% (Demam erdarah). Untuk rekapitulasi keempat penyakit tersebut dapat digambarkan pada tabel 6 berikut: Tabel 6. Tabel rekapitulasi kemungkinan penyakit setiap tahun Jantung Infeksi Saluran (Demam erdarah) 1 =,5,286,142,71 1 =,294,235,235,235 1 =,272,181,363, ,333,111,444, ,5,286,142,71 213,294,235,235,235 obot Terbesar =,5,286,444, ,272,181,363, ,5,286,444,235 Hasil akhir dari perhitungan adalah: 216,54,283,452,223 P215 = [,5,286,444,235 ] Untuk mendapatkan hasil berupa %, maka mengalikan hasil π (1) sebelumnya dengan %. Hasil diatas jika dijadikan kedalam persentase 13

5 Persentase Persentase Persentase Persentase Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 215, pp.-16 Tabel 7. Tabel rekapitulasi kemungkinan penyakit setiap tahun dalam persentase Jantung Infeksi Saluran (Demam erdarah) ,3% 11,1% 44,4% 11,1% ,4 Paru-paru 36,3 23,5 14,2 3,3 3, ,% 28,6% 14,2% 7,1% ,4% 23,5% 23,5% 23,5% ,2% 18,1% 36,3% 18,1% ,1% 19,5% 3,3% 16,% Grafik 3. Persentase Kejadian Jenis Paru-paru Setiap dan Prediksi untuk ,4% 19,4% 3,9% 15,2% Untuk rekapitulasi peningkatan kemungkinan penyakit setiap tahunya dapat digambarkan pada grafik berikut ,1 23,5 18, ,2 7, ,6 23,5 18,1 19,5 19,4 11,1 5 Grafik 4. Persentase Kejadian Jenis Paru-paru Setiap dan Prediksi untuk Grafik 1. Persentase Kejadian Jenis Setiap dan Prediksi untuk , 33,3 34,1 34,4 29,4 27,2 Grafik 2. Persentase Kejadian Jenis Setiap dan Prediksi untuk

6 . lur dan Implementasi Sistem lur sistem berjalan atau flowchart sistem digunakan sebagai gambaran umum sistem yang akan berjalan dengan batasan-batasan hak akses tertentu. Flowchart Sistem Gambar 3. Flowchat Sistem dmin Sistem User Input username dan password Input Data Selesai Salah enar Login IF Data Mster Proses Hasil Logout Salah Input username dan password Lihat Informasi Selesai. Implementasi Sistem Implementasi sistem merupakan seluruh rangkaian dari analisa dan perancangan yang kemudian dituangkan dan diimplementasikan kedalam sebuah bahasa pemrograman. Gambar 5. Data Kemungkinan Terjadinya Penyakit dalam tiap satu tahun IV. PENUTUP Dari penelitian ini penulis dapat menyimpulkan beberapa perihal diantaranya adalah Metode Markov hains merupakan metode prediksi yang berdasarkan atas skala data, dan hasil kemungkinan metode tidak dapat dijadikan acuan yang akurat atau % benar, karena model Markov dapat berubah berdasarkan tingkatan kasus yang berbeda/ tergantung sample data. erdasarkan perhitungan dan analisis diperoleh hasil prediksi untuk satu tahun pertama prediksi memiliki tingkat perbedaan yang sangat signifikan dengan prediksi tiga tahun atau lebih kedepanya, sedangkan untuk tahun kedua, ketiga dan keempat serta tahun selanjutnya memiliki perbedaan nilai yang minimal (memiliki hasil prediksi yang sama) setiap jenis tanaman. Hasil analisis data akan berhenti pada sewaktu-waktu atau memiliki kesamaan prediksi pada tahun yang berbeda, dengan demikian metode ini tidak dapat digunakan pada jangka waktu yang sangat lama, karena waktu yang ditetapkan mempengaruhi tingkat akurasi data. simulasi yang dilakukan pada tahun 215 diperoleh probabilitas sebesar 34,1%, 19,5%, 3,3% Infeksi Saluran dan 16,% (Demam erdarah). Hanya kriteria Penyakit Infeksi Saluran yang mengalami peningkatan dari,444 pada 215 menjadi,452 pada 216. Gambar 4. Data Penyakit

7 REFERENSI 1) Turban, E., dkk. 25. Decicion Suport System and Intelligent System. Yogyakarta: ndi Offset. 2) Larose, Daniel T. 25. Discovery Knolegde in Data : n Introduction to Data Mining. Jphn Willey & Sons, Inc. 3) Kepala idang nalisa dan Evaluasi, Pusat Penyiapan Program Penelitian. Informatika Pertanian Vol. 8 (Desember 1999) 4) Jurnal : Papoulis, thanasius, Probabilitas, Variabel Random, dan Proses Stokastik,edisi ke-2, Gadjah Mada university Press, Yogyakarta, ) Jurnal : Sri Nawang Sari, dkk. Konsep Markov hains Untuk Menyelesaikan Prediksi encana lam di Wilayah Indonesia dengan Studi Kasus Kotamadya Jakarta Utara. Universitas Gunadarma. 6) Sumber: Data Kematian akibat Penyakit erbahaya Dinas Kesehatan Provinsi Riau. 7) Siswoutomo, Wiwid. Membangun Web Service menggunakan PHP. 24. Jakarta. Elex Media Komputindo 8) Wijaya, Sudirman. Teknik Data Mining dan plikasinya. 24. Jogjakarta. Pustaka Ilmu. 16