Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes Novianto Donna Prayoga 1, Nurul Hidayat 2, Ratih Kartika Dewi 3 Program Studi Teknik Informatika, 1 noviantodp94@gmail.com, 2 ntayadih@ub.ac.id, 3 ratihkartikad@ub.ac.id Abstrak Sistem Diagnosis Penyakit Hati menggunakan Metode Naïve Bayes merupakan aplikasi yang bertujuan membantu masyarakat dalam mendiagnosis penyakit hati secara dini. Sistem ini dibangun berdasarkan masalah yang terjadi di masyarakat yaitu sulitnya dalam mengenali jenis penyakit hati. Dikarenakan penyakit hati mempunyai gejala-gejala yang berjumlah cukup banyak serta terdapat kesamaan gejala yang dimiliki beberapa penyakit hati. Hal ini termasuk salah satu penyebab tingginya tingkat presentase penyakit hati di Indonesia, tercatat dari Riset Kesehatan Dasar tahun 2013, salah satu jenis penyakit hati yaitu hepatitis B secara nasional prevalensinya mencapai 21,8 persen, dan menduduki peringkat tertinggi ketiga di Indonesia. Metode Naïve Bayes dipilih pada penelitian ini karena Naïve Bayes memperhatikan seluruh fitur pada data latih sehingga membuat metode ini optimal dalam melakukan proses klasifikasi. Sistem ini menggunakan sistem operasi Android, karena Android cukup konsisten kepopulerannya di pasar smarthphone Indonesia hingga sekarang. Data yang digunakan pada penelitian ini diperoleh dari dokter yang sudah divalidasi oleh instansi Rumah Sakit Universitas Brawijaya, Kota Malang. Hasil penelitian ini menunjukan bahwa, pada pengujian akurasi dari 40 data uji mendapatkan tingkat akurasi sebesar 87,5%. Kata kunci: gejala, penyakit hati, diagnosis, naïve bayes. Abstract System Diagnosis of Liver Disease using Naïve Bayes Method is an application that aims to help people for diagnosing liver disease early. This system is built based on problems that occur in society that is difficult in liver disease. Because liver disease has many symptoms and there are similarities in symptoms. This is one of the causes of high percentage of liver disease in Indonesia, recorded from Basic Health Research in 2013, one type of liver disease that is national hepatitis B prevalence reached 21.8 percent, and ranked third highest in Indonesia.The Naïve Bayes method was chosen in this study because Naïve Bayes paid attention to all features of data training so as to make this method optimal in classification process. This system uses the Android operating system, because Android is quite consistent popularity in the market smarthphone Indonesia until now. The data used in this study were obtained from doctor who have been validated by the institution of Universitas Brawijaya Hospital, Malang. The results of this study indicate base on the accuracy testing of 40 data testing obtained an accuracy of 87,5%. Keywords: symptoms, liver disease, diagnosis, naïve bayes. 1. PENDAHULUAN Setiap orang pasti menginginkan organ tubuh yang sehat, tak terkecuali organ hati. Hati merupakan organ dalam tubuh manusia yang memiliki peran sangat penting. Peran hati adalah sebagai penetral racun yang masuk ke dalam tubuh melalui makanan ataupun dari lingkungan. Tanpa adanya hati manusia tidak akan mampu bertahan hidup. Kerusakan pada organ hati mampu membuat kemampuan tubuh manusia terganggu pada saat memecah sel darah merah dari racun-racun yang terkandung di dalamnya. Akibatnya racun-racun tersebut akan menetap pada tubuh kita (Putri dan Mustafidah, 2011). Penyakit hati atau liver memiliki berbagai macam jenis, salah satunya yang sangat berbahaya dan sering terjadi adalah hepatitis B. Menurut Yayasan Lembaga Konsumen Indonesia (2016), penyakit hepatitis B termasuk dalam ancaman kesehatan tertinggi di Indonesia. Tercatat dari Riset Kesehatan Dasar (Riskesdas) Fakultas Ilmu Komputer Universitas Brawijaya 2666

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2667 tahun 2013 mencatat, secara nasional prevalensi penyakit hepatitis B mencapai 21,8 persen, atau menduduki peringkat tertinggi ketiga di Indonesia. Dengan daerah prevalensi tertinggi di provinsi Bangka Belitung (48,2%), Maluku (47,6%) dan DKI Jakarta (37,7%). Tingginya tingkat presentase yang muncul di Indonesia terjadi karena beberapa faktor, seperti faktor lingkungan, faktor pelayanan kesehatan, dan faktor dari masyarakat sendiri. Faktor dari masyarakat terjadi diantaranya karena kurangnya pengetahuan masyarakat tentang penyakit hati, meliputi gejala-gejala dan jenis penyakit hati serta cara pencegahannya. Kurangnya pengetahuan masyarakat tentang penyakit hati dikarenakan masyarakat kesulitan dalam mengenali jenis-jenis penyakit hati dan gejala-gejala penyakit hati yang berjumlah cukup banyak serta terdapat pula kesamaan gejala yang dimiliki beberapa jenis penyakit hati. Hal ini tentu saja menjadi masalah bagi masyarakat untuk mendeteksi penyakit hati sejak dini. Maka untuk mengetahui apakah masyarakat terindikasi penyakit hati atau tidak masyarakat membutuhkan peran dokter spesialis organ dalam. Namun dalam kenyataannya masyarakat seringkali mendapatkan kendalakendala seperti terbatasnya jumlah dokter spesialis, jumlah antrian pasien yang banyak, jauhnya jarak ke rumah sakit serta biaya yang mahal, menjadi alasan masyarakat menunda pergi ke rumah sakit. Semakin masyarakat menunda kemungkinan terburuk akan terjadi keterlambatan penanganan, jika hal ini terjadi penyakit hati akan semakin sulit diatasi karena semakin lama ditunda maka akan semakin kronis. Agar masalah tersebut dapat terpecahkan, penulis berpikir untuk membantu masyarakat dalam mendiagnosis penyakit hati sedini mungkin dengan alat bantu berupa sistem diagnosis. Dengan adanya sistem diagnosis diharapkan dapat mempermudah masyarakat awam dalam mendiagnosis penyakit hati sejak dini, mendapatkan informasi tentang penyakit hati, serta memperoleh saran yang tepat untuk mencegah penyakit hati. Perkembangan mobile pada saat ini mengalami kenaikan pesat dalam bentuk hardware ataupun software. Salah satu sistem operasi yang sedang naik daun adalah android. Android di Indonesia termasuk dalam sistem operasi yang paling banyak digunakan. Berdasarkan penilitian yang dilakukan Firma Analis IDC (IDC, 2012), di Indonesia memiliki jumlah pengguna android sebesar 52% menguasai pasar smarthpone yang beredar (Octavianus dkk, 2013). Melihat kepopuleran android hingga sekarang penulis terinpirasi untuk menggunakan platform berbasis android untuk sistem diagnosis yang akan dibangun. Dalam menyelesaikan suatu proses pengambilan kesimpulan, sistem diagnosis dapat menggunakan beberapa metode tertentu untuk diimplementasikan. Seperti pada penelitian sebelumnya yang mendiagnosis penyakit hati dengan metode Forward Chaining (Putri dan Mustafidah, 2013). Dalam peneletian tersebut dihasilkan sebuah program aplikasi yang mampu mendeteksi jenis penyakit organ hati yang diderita pengguna, serta menjelaskan penyebab dan cara pengobatannya. Penelitian selanjutnya dilakukan oleh Sri Wahyuni, dalam penelitiannya menerapkan metode Naïve Bayes untuk mengidentifikasi hama dan penyakit tanaman kapas. Penelitan tersebut menghasilkan identifikasi hama dan penyakit dengan tingkat akurasi 77,8% (Wahyuni, 2016). Dari uraian latar belakang, penulis tertarik untuk membangun sebuah aplikasi Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes. Metode Naïve Bayes dipilih karena metode ini memperhatikan seluruh fitur pada data latih sehingga membuat metode ini optimal dalam melakukan proses klasifikasi (Srimuddawamah, 2015). Sistem ini menerima inputan berupa data gejala-gejala penyakit hati, yang selanjutnya data tersebut akan diproses menggunakan algoritma Naïve Bayes agar dapat memberikan output berupa jenis penyakit hati yang diderita pengguna serta saran pencegahannya secara cepat dan akurat. 2. TINJAUAN PUSTAKA 2.1 Penyakit hati Hati (liver) merupakan salah satu organ yang cukup besar dan berperan penting bagi tubuh manusia. Penyakit hati yang digunakan pada penelitian ini yaitu hepatitis, sirosis, abses hati dan hepatocellular carcinoma atau yang biasa disebut hepatoma atau kanker hati. Gejala penyakit hati yang digunakan pada penelitian ini berjumlah 20 gejala. 2.2 Sistem Diagnosis Sistem diagnosis pada yang akan dibangun mengambil referensi literatur sistem pakar sebagai dasar dalam perancangan pada

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2668 penelitian ini. Perbedaan sistem pakar dengan sistem diagnosis adalah sistem diagnosis pada penelitian ini tidak menggunakan salah satu komponen sistem pakar yaitu mesin inferensi. Dengan demikian sistem ini belum dapat dikatakan sebagai sistem pakar. Fakta-fakta dari keahlian dokter hanya akan disimpan dalam data latih yang nantinya akan diproses dengan metode Naïve Bayes. Keluaran sistem berupa salah satu jenis penyakit hati beserta saran pencegahannya. langkah-langkah penelitian yang akan dibangun, dimana langkah penelitian diawali dengan studi literatur, pengumpulan data, perancangan sistem, implementasi sistem, pengujian dan analisis sistem dan yang terakhir adalah penarikan kesimpulan beserta saran. Langkahlangkah penelitian ini dijelaskan kedalam diagram alir metodologi penelitian pada Gambar Naïve Bayes Naïve Bayes adalah teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (aturan Bayes) dengan sebuah asumsi independensi (ketidaktergantungan) yang kuat (naif). Dapat dikatakan, pada Naïve Bayes model yang digunakan adalah model fitur independen. Dalam Bayes (terutama Naïve Bayes), makna independensi yang kuat pada fitur adalah bahwa sebuah fitur dalam suatu data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama (Prasetyo, 2012). Prediksi Bayes yang berdasarkan pada teorema Bayes memiliki rumus umum seperti pada persamaan 1. P(H E) = P(E H)xP(H) P(E) (1) Penjelasan dari rumus tersebut adalah sebagai berikut (Prasetyo, 2012) : Probabilitas akhir (Posterior) bersyarat sebuah hipotesis H terjadi jika diberikan bukti (evidence) E terjadi. Rumus posterior dinotasikan sebagai P(H E). Probabilitas suatu bukti E terjadi maka memengaruhi hipotesis H (Likelihood). Rumus likelihood dinotasikan sebagai P(E H). Probabilitas awal (Prior) hipotesis H terjadi tanpa melihat bukti apapun. Prior dinotasikan sebagai P(H). P(E) Probabilitas awal bukti E terjadi tanpa melihat hipotesis/bukti yang lainnya. Yang menjadi ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H) bisa diperkirakan berdasarkan pada beberapa bukti (E) yang diamati. Gambar 1 Diagram alir Metodologi Penelitian 3.1 Data Penelitian Pada proses pengumpulan data variabel penelitian yang akan digunakan adalah data gejala dari penyakit hati. Data tersebut diperoleh dari seorang dokter dari Rumah Sakit Universitas Brawijaya yang bernama dr. Mirzaulin Leonaviri. Proses pengumpulan data dilakukan dengan cara melakukan wawancara serta mengambil referensi dari buku kedokteran. Data yang diperoleh adalah data latih berjumlah 100, data uji berjumlah 40, serta data gejala dan penyakit hati yang ditunjukkan pada Tabel METODOLOGI Pada metodelogi akan menjelaskan

4 5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2669 Tabel 1 Akuisisi Pengetahuan 4. PERANCANGAN 4.1 Perancangan Sistem Bab perancangan menjelaskan tahapantahapan perancangan yang akan dilakukan pada aplikasi Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes. Tahapan tersebut terdiri dari tiga bagian antara lain, analisis kebutuhan perangkat lunak, perancangan perangkat lunak serta perancangan sistem diagnosis. Tahap analisis kebutuhan perangkat lunak terdiri dari identifikasi aktor, analisis kebutuhan masukan, analisis kebutuhan proses dan analisis kebutuhan keluaran. Perancangan perangkat lunak terdiri dari membuat use case diagram, use case skenario, dan squence diagram dan antarmuka pengguna. Perancangan sistem diagnosis terdiri dari perancangan akuisisi pengetahuan, basis pengetahuan, perhitungan Naïve Bayes, fasilitas penjelas. Tahapan-tahapan dari metode Naïve Bayes yang dipakai pada penelitian ini terdiri dari 3 proses perhitungan utama. Yang pertama adalah menghitung probabilitas Prior, kemudian menghitung probabilitas Likelihood, lalu dilanjutkan dengan menghitung Probabilitas Posterior. Diagram alir Naïve Bayes ditunjukkan pada Gambar 2. Gambar 2 Diagram alir Naïve Bayes 5. IMPLEMENTASI 5.1 Antarmuka Antarmuka merupakan sebuah sarana yang digunakan pengguna untuk berkomunikasi dengan sistem. Terdapat 5 menu utama pada sistem ini yaitu, halaman utama, halaman diagnosis, halaman hasil diagnosis, halaman informasi penyakit, halaman bantuan dan halaman tentang. Implementasi antarmuka sistem diagnosis keseluruhan ditunjukkan pada Gambar 3.

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2670 Tabel 2 Hasil Pengujian Blackbox Gambar 3 Implementasi Antarmuka 6 HASIL DAN PEMBAHASAN Hasil pengujian yang dilakukan pada penelitian ini terdiri dari pengujian blackbox, pengujian akurasi serta pengujian angket pada pengguna. Pengujian blackbox bertujuan untuk menguji fungsionalitas sistem apakah sudah berjalan sesuai dengan yang diharapkan atau tidak. Pengujian akurasi bertujuan untuk mengetahui kemampuan sistem dengan cara membandingkan hasil keputusan dari ahli/dokter dengan hasil keputusan dari sistem. Pengujian angket pada pengguna bertujuan untuk melihat kinerja sistem apakah sudah layak untuk digunakan. 6.1 Hasil Pengujian Blackbox Hasil pengujian blackbox menghasilkan status valid pada semua skenario uji seperti yang terlihat pada Tabel 2. Kesesuaian hasil keluaran sistem dengan hasil yang diharapkan mendapat presentase sebesar 100%. Sehingga dapat ditarik kesimpulan bahwa fungsionalitas sistem sudah berjalan sesuai dengan harapan. 6.2 Hasil Pengujian Akurasi Hasil dari pengujian akurasi dengan sampel 40 data uji mendapat 35 hasil yang akurat dan 5 hasil tidak akurat. Untuk mencari nilai presentase akurasi sistem diperoleh dari menghitung jumlah data yang akurat dibagi jumlah seluruh data uji, setelah mendapat hasil pembagian kemudian dikali 100. Nilai akurasi dihitung dengan menggunakan persamaan 2 (Gardenia dkk, 2015) dan memperoleh hasil seperti berikut. akurasi = jumlah data yang akurat jumlah data = 35 x100 = 87,5% (2) Dari hasil perhitungan akurasi didapatkan presentase sebesar 87,5%. Terdapat 5 kesalahan hasil diagnosis sistem, kesalahan terjadi disebabkan karena gejala dimiliki oleh dua penyakit sedangkan sistem hanya dapat menghasilkan satu output penyakit. Dapat dikatakan semakin banyak gejala spesifik yang digunakan maka akurasi semakin tinggi, semakin banyak gejala umum yang digunakan maka akurasi semakin rendah. 6.3 Hasil Pengujian Angket pada Pengguna Dari hasil perhitungan mean pengujian angket pada pengguna memperoleh nilai ratarata sebesar 4,165. Total pertanyaan yang digunakan berjumlah 10 pertanyaan dan jumlah pengisi kuisioner berjumlah 20 orang. Nilai mean diperoleh dengan menghitung persamaan 3 (Rahadi, 2014) dan memperoleh hasil seperti berikut. Mean = Total Nilai Jumlah Pertanyaan x Jumlah Pengisi Kuisoner (3)

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2671 = x 20 = Keterangan : Nilai mean = 0,01-1 sistem dirasa sangat buruk Nilai mean = 1,01-2 sistem dirasa buruk Nilai mean = 2,01-3 sistem dirasa cukup baik Nilai mean = 3,01-4 sistem dirasa baik Nilai mean = 4,01-5 sistem dirasa sangat baik Berdasarkan keterangan, nilai mean sebesar 4,165 termasuk pada kategori sistem yang sangat baik. 7 KESIMPULAN Berdasarkan pada perancangan serta pengujian yang sudah dilakukan pada sistem diagnosis penyakit hati menggunakan metode Naïve Bayes, maka dapat ditarik kesimpulan sebagai berikut: 1. Sistem diagnosis penyakit hati menggunakan metode Naïve Bayes dapat diimplementasikan dengan 3 proses utama yaitu menghitung nilai prior atau peluang penyakit, menghitung likelihood berdasarkan masukkan pengguna, serta menghitung posterior yang diperoleh dari perkalian antara prior dan likelihood. Nilai posterior tertinggi akan diambil sebagai keputusan akhir sistem. Sistem dapat dibangun pada platform android dengan penyimpanan statis, karena sistem dibangun berbasis offline. 2. Berdasarkan hasil pengujian yang telah dilakukan pada bab pengujian dan analisis memperoleh hasil sebagai berikut: a. Pengujian blackbox mendapat tingkat fungsionalitas yang baik dengan presentase 100%, dapat dikatakan keluaran sistem sesuai dengan apa yang diharapkan. b. Pengujian akurasi memperoleh hasil akurasi sebesar 87,5% dari 40 data uji terdapat 5 ketidakcocokan antara hasil sistem dengan hasil diagnosis dokter, ketidakcocokan terjadi disebabkan karena gejala dimiliki oleh dua penyakit sedangkan sistem hanya dapat mendiagnosis dengan output satu penyakit. c. Pengujian angket pada pengguna memperoleh hasil rata-rata mean sebesar 4,165. Dengan hasil mean tersebut sistem diagnosis yang dibangun dapat dikatakan mampu digunakan dengan sangat baik oleh pengguna. DAFTAR PUSTAKA Andang, Ilyani S Ancaman Kesehatan Tertinggi di Indonesia. Tersedia di : [Diakses 2 Februari 2017] Gardenia, Melifa., dkk Sistem Pakar Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukamoto. Program Studi Teknik Informatika. Fakultas Teknik. Universitas Tanjungpura, Pontianak. Octavianus, Hansen., dkk Pengembangan Aplikasi Dokter Saku Berbasis Android. Universitas Bina Nusantara, Jalan Salam 4 No. 24 RT 10/RW 06, Jakarta Barat. Prasetyo, Eko DATA MINING Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: Andi. Putri, Prista Amanda dan Mustafidah, Hindayati Sistem Pakar untuk Mendiagnosa Penyakit Hati Menggunakan Metode Forward Chaining. Fakultas Teknik. Universitas Muhammadiyah Purwokerto, Purwokerto. Rahadi, Dedi R Pengukuran Usability Sistem menggunakan USE Questionnaire pada Aplikasi Android. Jurnal Sistem Informasi (JSI), Volume VOL 6, No. 1, pp Srimuddawamah, Ika Sistem Pakar Diagnosa Penyakit Kulit Pada Anak Menggunakan Metode Naïve Bayes. Program Teknologi dan Ilmu Komputer. Universitas Brawijaya, Malang.