BAB I PENDAHULUAN. 1.1 Latar belakang

Transkripsi

1 1.1 Latar belakang BAB I PENDAHULUAN Paru-paru adalah organ penting yang merupakan salah satu organ vital bagi kehidupan manusia. Organ ini memiliki peranan pada sistem pernapasan, karena dapat memenuhi kebutuhan tubuh akan oksigen. Organ yang terletak di bawah tulang rusuk ini mempunyai tugas yang berat untuk mengatur pertukaran oksigen. Jika udara yang kita hirup tercemar dan terdapat berbagai bibit penyakit yang berkeliaran di udara akan menimbulkan berbagai penyakit paru-paru. Tuberkulosis atau biasa disebut TB adalah contoh penyakit yang banyak diderita oleh manusia. TB adalah penyakit menular langsung yang disebabkan oleh kuman yang disebut Mycobacterium tuberculosis. Sebagian besar TB menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya [1]. Diperkirakan ada 8,6 juta kasus TB baru pada tahun 2012 dan 1,3 juta mengalami kematian [2] Tuberkulosis dapat terjadi pada rentang usia yang sangat luas, mulai dari bayi yang baru lahir hingga orang tua [3][4]. Gejala utama pasien TB paru adalah batuk berdahak selama 2-3 minggu atau lebih. Batuk dapat diikuti dengan gejala tambahan yaitu dahak bercampur darah, batuk darah, sesak nafas, badan lemas, nafsu makan menurun, berat badan menurun, malaise, berkeringat pada malam hari tanpa kegiatan fisik, dan demam meriang lebih dari satu bulan. Untuk membuat diagnosis secara pasti terhadap penyakit tuberkulosis, keberadaan mikroorganisme dalam dahak harus dibuktikan. Tetapi, beberapa mikroorganisme lain juga bisa dianggap sebagai mycrobacteriun tuberculosis jika diamati dengan mikroskop [3]. Untuk menghindari hal itu, perlu dilakukan pemeriksaan bakteriologi sebagai baku emas (gold standard) untuk mendeteksi adanya kuman Mycobacterium tuberculosis, dengan menggunakan sample dahak yang diperoleh dari pasien. Sample dahak ini nantinya ditanam ke dalam suatu tempat atau media selama 45 hari, setelah itu sample diperiksa untuk melihat tanda-tanda reproduksi atau perkembangbiakan kuman [4]. Namun kendala dalam

2 mendiagnosis dengan metode ini adalah lamanya waktu diagnosis dan biaya yang mahal [5]. Jika dilihat dari kekurangan metode ini, perlu dikembangkan sebuah metode yang mampu untuk mendiagnosis penyakit tuberkulosis sebelum dilakukan pemeriksaan bakteriologi, dengan tujuan untuk mempercepat diagnosis dan menghindari biaya yang mahal terhadap pasien. Oleh karena itu, hal ini dapat memotivasi pengembangan suatu metode berbasis komputer untuk dapat mendiagnosis panyakit tuberkulosis pada pasien. Selain itu, diagnosis dengan metode komputer dapat dilakukan untuk screening awal terhadap pasien yang terindikasi mempunyai penyakit tuberkulosis sehingga pasien dapat diberikan rujukan untuk tindakan medis selanjutnya. Banyak peneliti yang mengembangkan berbagai macam metode diagnosis berbasis komputer untuk mendeteksi adanya Mycobacterium tuberculosis pada pasien. Misalnya metode fuzzy [6], metode neural network [7], data mining [3][8] [9], dan rough set [4] diusulkan untuk mendeteksi Mycobacterium tuberculosis. Namun jika dilihat dari penelitian-penelitian yang sudah dilakukan sebelumnya, belum terdapat adanya perbandingan secara komprehensif terhadap beberapa algoritme data mining untuk mendiagnosis penyakit tuberkulosis dan sebagian besar menggunakan data medis dari rumah sakit yang berbeda sehingga terdapat kemungkinan adanya perbedaan karekteristik data medis misalnya jumlah fitur yang digunakan. Penelitian ini dilakukan dengan tujuan untuk mengevaluasi beberapa metode berbasis komputer yang bisa digunakan untuk mendeteksi lebih dini keberadaan penyakit tuberkulosis dengan teknik machine learning menggunakan beberapa algoritme klasifikasi pada data mining. Algoritme klasifikasi yang digunakan pada penelitian ini dibagi ke dalam beberapa jenis algoritme klasifikasi, diantaranya adalah Rules Classifiers, Bayesian Classifier, Lazy Classifiers, Metalearning Classifiers, dan Trees Classifiers dengan data set yang digunakan diperoleh dari rumah sakit umum pusat Dr. Sardjito Yogyakarta, sehingga belum diketahui performa dari masing-masing algoritme terhadap data set ini. Data set yang

3 digunakan merupakan data rekam medik pasien yang pernah dirawat di rumah sakit dan terindikasi mempunyai penyakit tuberkulosis. 1.2 Perumusan masalah Berdasarkan latar belakang tersebut, maka permasalahan yang dapat dirumuskan pada penelitian ini adalah: 1. Perlu adanya metode komputer, dalam hal ini metode klasifikasi yang paling baik untuk mendiagnosis penyakit tuberkulosis sebelum dilakukan pemeriksaan bakteriologi. 2. Penggunaan metode komputer dapat dilakukan untuk screening awal terhadap pasien yang terindikasi mempunyai penyakit tuberkulosis. 3. Belum diketahui performa dari algoritme yang digunakan pada penelitian ini terhadap data set tuberkulosis RSUP Dr. Sardjito Yogyakarta. 1.3 Keaslian Penelitian Terdapat banyak penelitian yang dilakukan untuk mendiagnosis penyakit tuberkulosis dengan menggunakan berbagai macam metode komputer. Pada bagian ini, diberikan kajian dari beberapa penelitian sebelumnya mengenai diagnosis penyakit tuberkulosis. Kajian ini dilakukan untuk memberikan informasi mengenai perbedaan antara penelitian-penelitian sebelumnya dengan penelitian yang dilakukan pada saat ini. Penelitian-penelitian yang telah dilakukan sebelumnya menggunakan bermacam-macam pendekatan untuk mendiagnosis penyakit tuberkulosis. Uçar dan Karahoca [3] mengusulkan teknik data mining untuk diagnosis tuberkulosis. Ada beberapa metode yang digunakan pada penelitian ini, yaitu Adaptive Neuro Fuzzy Inference System (ANFIS), Multilayer Perceptron, dan Partial Decision Trees (PART). Penelitian ini menggunakan 667 data pasien di sebuah klinik yang memiliki 30 atribut. Atribut direduksi dengan menggunakan metode information gain yang terdapat pada perangkat lunak WEKA. Dari 30 atribut yang digunakan diperoleh 20 atribut hasil dari reduksi. Hasil dari penelitian ini menunjukan metode ANFIS lebih baik dibandingkan dengan metode Multilayer Perceptron, dan Partial Decision Trees (PART). Asha.T dkk. [9]

4 menggunakan metode klasifikasi Ensemble seperti bagging, AdaBoost, dan Random forest tree untuk mendiagnosis penyakit tuberkulosis. Penelitian ini menggunakan data set medis sebanyak 250 pasien penderita tuberkulosis yang terdiri dari 11 atribut gejala tuberkulosis dan satu atribut kelas. Hasil dari perbandingan ketiga metode menunjukkan bahwa metode Bagging dan AdaBoost lebih baik dari pada Random Forest tree, dengan masing-masing akurasi 96%, 97%, dan 93%. Perbandiangan algoritme Naive Bayes dan Bayesian Network diterapkan pada data set yang diperoleh dari Epi-Lab., Sudan [8]. Data set yang digunakan memiliki 54 atribut dan 714 instance. Akurasi yang diperoleh pada penelitian ini adalah 90,7563% dan 93,2773% masing-masing untuk algoritme Naive Bayes dan Bayesian Network. Er O. dkk. [10] melakukan penelitian mengenai diagnosis penyakit dada (tuberkulosis, penyakit paru obstruktif kronis, pneumonia, asma, kanker paru-paru) dengan menggunakan 357 data pasien yang memiliki 30 atribut. Metode yang digunakan adalah multilayer neural network., probabilistic, learning vector quantization and generalized regression neural networks. Hasil yang diperoleh menunjukkan metode multilayer neural network lebih unggul dari metode lainnya dengan akurasi sebesar 95,08%. Metode Rough Set merupakan metode yang berguna untuk menangani data dengan ketidakpastian (uncertainty). Pada penelitian Yang dan Wu [11], Rough Set diterapkan untuk mengidentifikasi gejala yang signifikan terhadap penyakit dan membangkitkan decision rules dengan menggunakan data dari Taiwan s otolaryngology clinic. Data set yang digunakan sebanyak 657 dan terdiri dari 12 atribut. Hasil performa klasifikasi diperoleh sebesar 56,03%. Bakar dan Febriyani [12] menerapkan Rough Neural Networks (RNN) untuk mengklasifikasikan penyakit tuberkulosis. Data set terdiri dari 14 atribut dengan jumlah data pasien sebanyak 233. Dari 14 atribut, diperoleh 8 atribut dari tahap preproses. Kemudian Neural Network diterapkan untuk training dan testing data. Hasil akurasi dengan menggunakan RNN diperoleh sebesar 92,29 %. Tamer Uçar dkk. [4], membandingkan metode ANFIS dan Roughs set untuk mengklasifikasikan penyakit tubekulosis. Data set yang digunakan sebanyak 503 data pasien dengan

5 30 atribut yang berbeda. Dari 30 atribut yang digunakan, dipeoleh 20 atribut hasil dari reduksi dengan menggunakan metode information gain. Dari penelitian tersebut diperoleh 8 rule untuk metode ANFIS dengan performa klasifikasi masing-masing adalah sensitivity 0,95, specificity 0,97, dan correctness 0,97, sementara untuk metode rough set diperoleh 30 rule dengan performa klasifikasi masing-masing adalah sensitivity 0,93, specificity 0,92, dan correctness 0,92. Berdasarkan hasil kajian dari beberapa penelitian tersebut, belum terdapat adanya perbandingan secara komprehensif terhadap beberapa algoritme data mining untuk mendiagnosis penyakit tuberkulosis. Selain itu, terdapat perbedaan data medis yang digunakan. Data medis diperoleh dari rumah sakit yang berbeda sehingga terdapat kemungkinan adanya perbedaan karekteristik data medis misalnya jumlah fitur yang digunakan. Penelitian ini dilakukan dengan membandingkan beberapa algoritme klasifikasi pada data mining, seperti perbandingan algoritme Rough Set Theory (RST) dan Partian Decision Tree (PART) yang masuk ke dalam jenis Rules Classifiers, perbandingan algoritme Naïve Bayes dan Bayesian Network yang masuk ke dalam jenis Bayesian Classifier, perbandingan algoritme IBk dan K-Star yang masuk ke dalam jenis Lazy Classifiers, perbandingan algoritme Bagging dan AdaboostM1 yang masuk ke dalam jenis Metalearning Classifiers, dan perbandingan algoritme J48 dan REPTree yang masuk ke dalam jenis Trees Classifiers terhadap data set tuberkulosis RSUP Dr. Sardjito Yogyakarta. Hasil dari penelitian ini diharapkan dapat memberikan masukan kepada dokter sebelum dilakukan metode gold standard. 1.4 Tujuan Penelitian Tujuan utama diadakannya penelitian ini adalah sebagai berikut: 1. Menentukan metode klasifikasi yang paling baik dalam mendiagnosis penyakit tuberkulosis yang dapat memberikan rujukan untuk tindakan medis selanjutnya. 2. Menghasilkan metode komputer yang dapat digunakan sebagai screening awal terhadap pasien yang terindikasi mempunyai penyakit tuberkulosis.

6 3. Mengevaluasi hasil klasifikasi untuk mengetahui performa algoritme yang digunakan pada penelitian ini terhadap data set tuberkulosis RSUP Dr. Sardjito Yogyakarta. 1.5 Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat menjadi masukan bagi dokter untuk screening awal dan dalam pengambilan keputusan untuk mendiagnosis penyakit tuberkulosis secara cepat sebelum dilakukan pemeriksaan bakteriologi. Selain itu, dari hasil penelitian ini juga diharapkan dapat membantu peneliti untuk merancang sistem diagnosis penyakit tuberkulosis berbasis komputer.