SISTEM PAKAR DETEKSI DINI PENYALAHGUNAAN NARKOBA MENGGUNAKAN TEOREMA BAYES EXPERT SYSTEM FOR EARLY DETECTION OF DRUGS ABUSE USING BAYES THEOREM

Transkripsi

1 IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: SISTEM PAKAR DETEKSI DINI PENYALAHGUNAAN NARKOBA MENGGUNAKAN TEOREMA BAYES EXPERT SYSTEM FOR EARLY DETECTION OF DRUGS ABUSE USING BAYES THEOREM Cicih Aprilyani 1, Edy Mulyanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula 1 No. 1-5, Semarang, Jawa Tengah, 50131, Indonesia 1 april.riez@gmail.com, 2 edy.mulyanto@dsn.dinus.ac.id Abstrak Indonesia sebagai salah satu negara yang padat penduduknya tentu saja menjadi pasar potensial narkoba, kurangnya pengetahuan tentang narkoba turut berperan dalam meningkatnya peredaran narkoba. Konsultasi dengan pakar narkoba tentu sangat diperlukan untuk dapat mengetahui gejala-gejala penyalahgunaan narkoba, oleh karena itu dibangun sebuah sistem pakar yaitu sistem yang dapat mengadopsi pengetahuan pakar untuk membantu mengenali adanya gejala penyalahgunaan narkoba. Sistem pakar yang dibangun menerapkan teorema bayes dalam menarik kesimpulan yaitu berupa jenis narkoba yang digunakan serta solusi rehabilitasi medis dan rehabilitasi sosial yang dapat dilakukan. Aplikasi sistem pakar ini mampu mendeteksi 6 jenis narkoba ( ekstasi, ganja, heroin, shabu, obat-obatan penenang dan alcohol). Berdasarkan hasil pengujian pada 10 sampel menunjukan bahwa sistem dapat mendeteksi jenis narkoba dengan akurasi sebesar 90%. Kata kunci sistem pakar, teorema bayes, narkoba Abstract Indonesia as one of the most densely populated of course a potential market of drugs, lack of knowledge about drugs played a role in increasing drug traffickin. Consultation with a specialist drug is certainly very necessary to be able to know the symptoms of drug abuse, therefore, built an expert system is a system that can imitate expert knowledge to help recognize the symptoms of drug abuse. Expert systems are built applying Bayes theorem in drawing conclusions which form the type of drug used and the solution of medical rehabilitation and social rehabilitation can be done. Application of expert system is able to detect six types of drugs (ecstasy, marijuana, heroin, methamphetamine, sedative and alcohol). Based on the results of tests on 10 samples showed that the system can detect the type of drug with an accuracy of 90%. Keywords expert system, bayes theorem, drugs 1. PENDAHULUAN 1.1 Latar Belakang Pemerintah sudah menetapkan status indonesia darurat narkoba, dan saat ini Indonesia menjadi pasar narkoba terbesar di level Asean [2]. Narkoba itu sendiri merupakan singkatan dari narkotika dan obat-obatan terlarang. Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

2 2 ISSN: Sasaran utama penyalahgunaan narkoba adalah para remaja, karena masa remaja merupakan masa transisi(peralihan) dari masa anak-anak menuju masa dewasa dan di masa inilah seseorang biasanya mengalami perubahan yang sangat fundamental dalam kehidupannya baik fisik maupun psikis. Konsultasi dengan pakar untuk dapat mengenali gejala penyalahguna narkoba tentu sangat diperlukan, teknologi yang berkembang pesat saat ini diharapkan dapat membatu menekan angka peredaran narkoba. Salah satunya dengan adanya aplikasi sistem pakar dimana orang yang awam tentang narkoba sekalipun dapat turut serta membantu mengawasi gejala gejala orang orang di lingkungan sekitarnya apakah ada indikasi penyalahgunaan narkoba atau tidak. Metode yang digunakan adalah probabilitas bayes, yaitu salah satu cara untuk mengatasi ketidakpastian dengan menggunakan formula bayes. Pada penelitian-penelitian sebelumnya teorema bayes terbukti memiliki akurasi yang cukup tingi. 2.1 Teorema Bayes 2. METODE PENELITIAN Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan. Berikut ini adalah bentuk formula teorema bayes: Dalam Hal ini : X H P(H X) P(H) P(X H) P(X) P(H X) = P X H P(H) P(X) = Gejala dengan jenis narkoba yang belum diketahui (3.1) = Hipotesis data gejala merupakan gejala suatu jenis narkoba tertentu. = Probabilitas hipotesis H berdasar kondisi X(posteriori probability) =Probabilitas Hipotesis H(prior probability) = Probabilitas X(gejala) berdasar kondisi pada hipotesis H(narkoba) = Probabilitas dari X(gejala) Tingkat probabilitas yang digunakan dijelaskan pada tabel berikut ini : Tabel 1 Tabel tingkat probabilitas Tingkat Nilai Probabilitas Pasti 1 Cukup Pasti 0.8 Hampir Pasti 0.6 Mungkin 0.4 IJCCS Vol. x, No. x, July201x : first_page end_page

3 IJCCS ISSN: Tingkat Nilai Probabilitas Tidak Pasti 0.2 Contoh kasus penggunaan jenis Alkohol. Jika seseorang melakukan konsultasi dengan milih gejala berikut ini : G1 = 0.6 = P(E H1), G2 = 0.4 = P(E H2), G3 = P(E H3), G4 = 0.6 = P(E H4), G5 = P(E H5), G6 = P(E H6), G = P(E H) Maka yang pertama dilakukan adalah menjumlahkan hipotesa diatas untuk mencari nilai semestanya : 5 k=1 = G1 + G2 + G3 + G4 + G5 + G6 + G = = 4.8 Setelah hasil penjumlahan diatas diketahui, maka didapatlah rumus untuk menghitung P(Hi) adalah sebagai berikut : P(H1) = P(H2) = P(H3) = P(H4) = P(H5) = P(H6) = P(H) = H1 H2 H3 H4 H5 H6 H = = = = = = = = = = Setelah hasil P(Hi) diketahui, probabilitas hipotesis H tanpa memandang evidence apapun. Maka langkah selanjutnya adalah : k=1 = P Hi P E Hi n ) = { P(H1) * P(E H1) } + { P(H2) * P(E H2) } + { P(H3) * P(E H3) } + { P(H4) * P(E H4) } + {P(H5) * P(E H5) } + {P(H6) * P(E H6) }+ {P(H) * P(E H) } = ( * 0.6) + ( * 0.4) + ( * 0.8) + ( * 0.6) + (0.1666* 0.8) + ( * 0.8) + ( * 0.8) = Title of manuscript is short and clear, implies research results (First Author)

4 4 ISSN: = Langkah selanjutnya adalah mencari nilai P(Hi E) atau probabilitas Hipotesis Hi benar jika diberikan nilai evidence E : P(H1 E) = P(H2 E) = P(H3 E) = P(H4 E) = P(H5 E) = P(H6 E) = P(H E) = = = = Setelah seluruh nilai P(Hi E) diketahui, maka jumlahkan seluruh nilai bayesnya dengan rumus sebagai berikut : n k=1 Bayes = Bayes1 + Bayes2 + Bayes3 + Bayes4 + Bayes5 + Bayes6 + Bayes = {0.6 * } + {0.4 * } + {0.8 * } + {0.6 * } + {0.8 * } + {0.8 * }+ {0.8 * } = = 0.395* 100% = 3.95 % 2.2 Perancangan Proses Dibawah ini adalah desain perancangan proses sistem pakar dalam bentuk diagram konteks: Gambar 1 Diagram Konteks IJCCS Vol. x, No. x, July201x : first_page end_page

5 IJCCS ISSN: HASIL DAN PEMBAHASAN 3.1 Implementasi Sistem Berikut ini merupakan tampilan halaman utama sistem pakar, halaman ini akan muncul pada saat pertama kali mengakses sistem pakar : Gambar 2 Tampilan Halaman Utama Halaman konsultasi digunakan untuk melakukan proses konsultasi penentuan jenis narkoba berdasarkan gejala yang dialami, pengguna diharapkan mengisi identitas terlebih dahulu sebelum memulai konsultasi. Berikut ini adalah tampilan halaman input identitas konsultasi : Gambar 3 tampilan halaman konsultasi Halaman konsultasi pilih gejala digunakan untuk memilih gejala-gejala yang dialami oleh pengguna. Pengguna cukup mencentang checkbox pada gejala yang dialami. Title of manuscript is short and clear, implies research results (First Author)

6 6 ISSN: Berikut tampilan halaman pilih gejala : Gambar 4 Halaman Konsultasi Pilih Gejala Hasil konsultasi akan tampil setelah pengguna melakukan pengisian identitas dan memilih gejala. Berikut ini merupakan tampilan hasil konsultasi : Gambar 5 Hasil Konsultasi 4. KESIMPULAN 1. Sistem pakar yang dibuat mampu membantu mendeteksi adanya penyalahgunaan narkoba dan mengetahui jenis narkoba yang digunakan berdasarkan gejala yang dialami dengan cepat dengan tingkat akurasi 90% dari pengujian 10 sampel. 2. Sistem pakar membantu memberikan informasi solusi rehabilitasi tahap awal pada pengguna narkoba sesuai dengan jenis narkoba yang digunakan. 3. Sistem pakar dapat menarik kesimpulan dengan menggunakan teorema bayes. 5. SARAN 1. Dengan banyaknya jenis narkoba yang ada, ditambah dengan penemuan jenis narkoba baru, maka diperlukan adanya penambahan jenis-jenis narkoba dan gejala-gejala yang ditimbulkan agar data sistem pakar ini semakin lengkap dan dapat mendiagnosa secara lebih akurat. IJCCS Vol. x, No. x, July201x : first_page end_page

7 IJCCS ISSN: Sistem pakar dapat memberikan solusi rehabilitasi medis dan rehabilitasi sosial yang lebih spesifik. 3. Penambahan metode lain untuk dibandingkan dengan metode bayes. 4. Akan lebih baik jika sistem pakar dibuat berbasis mobile agar pengguna lebih mudah melakukan konsultasi. DAFTAR PUSTAKA [1] M. A. Hakim, Narkoba Bahaya Dan Penanggulangannya, 1st ed., Lisnawati, Ed. Bandung: Jembar, 200. [2] L. 6. (2015, May) Lliputan6. [Online]. [3] D. Mardani, Penyalahgunaan Narkoba dalam Perspektif Hukum Islam dan Hukum Pidana Nasional, 1st ed. Jakarta: Kharisma Putra Utama Offset, [4] A. Rozak and W. Sayuti, Remaja dan Bahaya Narkoba, 1st ed. Jakarta: Prenada Media Group, [5] " no. diakses 14 oktober [6] turban and dkk, Decision Support System And Intelegent System. Yogyakarta: Andi Offset, [] T. Sutojo, E. Mulyanto, and V. Suhartono, Kecerdasan Buatan, 1st ed., B. R. W, Ed. Yogyakarta: Andi Offset, [8] Kusrini and E. T. Luthfi, Algoritma Data Mining, 1st ed., T. A. Prabawati, Ed. Yogyakarta: Andi Offset, [9] A. Nugroho, Konsep pengembangan sistem basis data, 1st ed. Bandung: Informatika, [10] R. A. S and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, 1st ed. Bandung: Informatika, [11] R. Abdulloh, Web Programming is Easy. Jakarta: PT Elex Media Komputindo, Title of manuscript is short and clear, implies research results (First Author)