Semiar Nasioal Tekologi Iformasi da Multimedia 2016 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA BAYES Ibu Titto Dessetiadi 1), Ade Pujiato 2), M. Gustafiato Ardi 3) 1), 2, 3) Tekik Iformatika STMIK AMIKOM Yogyakarta Jl Rig road Utara, Codogcatur, Slema, Yogyakarta 55281 Email : ibu.d@studets.amikom.ac.id 1), ade.pujiato@studets.amikom.ac.id 2), gustafiato.a@studets.amikom.ac.id 3) Abstrak Sistem pakar adalah cabag kecerdasa buata yag megguaka pegetahua/ kowledge khusus utuk memecahka masalah pada level huma expert/pakar. Salah satu peerapa sistem pakar dalam bidag kedoktera adalah utuk melakuka diagosa peyakit. Pada makalah ii dilakuka peracaga da pembuata sistem pakar yag diguaka utuk membatu meetuka diagosa suatu peyakit yag diawali dari gejala utama peyakit paru-paru serta meetuka sara atau solusi pegobata kepada pasie. Masalah ketidakpastia pegetahua dalam sistem pakar ii diatasi dega megguaka metode probabilitas Bayesia. Proses peetua diagosa dalam sistem pakar ii diawali dega sesi kosultasi, dimaa sistem aka megajuka pertayaa-pertayaa yag releva kepada pasie sesuai gejala utama peyakit paru-paru. Hasil akhir dari makalah ii adalah sebuah sistem pakar utuk melakuka diagosa peyakit paru-paru beserta ilai probabilitas dari peyakit hasil diagosa, yag meujukka tigkat kepercayaa sistem terhadap peyakit tersebut da sara atau solusi pegobata kepada pasie. Kata kuci: Sistem Pakar, Diagosa, Peyakit-Paruparu. 1. Pedahulua Paru-paru sebagai pompa satu-satuya utuk sistem perapasa adalah orga yag sagat petig bagi berlagsugya kehidupa. Namu masih bayak orag yag kurag peduli dega kesehata paru-paru, hal ii meyebabka bayak orag yag teridikasi mederita peyakit paru-paru, atara lai Tuberkolosis, Brokitis, PPOK (Peyakit Paru Obstrukti Krois), da Peumoia (radag paru-paru) [1]. Bayakya jumlah pederita paru-paru dega jumlah dokter spesialis paru-paru yag tidak seimbag meyebabka bayak pasie pederita paru-paru harus berlama-lama meuggu dokter spesialis datag. Selai itu pederita peyakit paru-paru juga harus megeluarka biaya yag mahal utuk berkosultasi dega dokter spesialis. Sistem pakar (expert sistem) adalah sist em yag berusaha megadopsi pegetahua mausia ke komputer, agar komputer dapat meyelesaika masalah seperti yag biasa dilakuka oleh para ahli [2]. Salah satu alteratif pegguaa sistem pakar utuk membatu mediagosa gejala awal peyakit paru-paru yaitu dega metode Bayes. Sistem ii dapat diguaka di puskesmas sebagai asiste dokter umum. Dega adaya sistem ii diharapka dapat membatu dalam mediagosa gejala awal peyakit paru-paru pasie tapa perlu datag ke dokter spesialis melaika haya perlu datag ke puskesmas terdekat dega biaya yag relatif lebih murah. 1.1 Perumusa Masalah Berdasarka uraia latar belakag diatas, maka dapat dirumuska sebagai berikut: a. Bagaimaa membagu sebuah sistem pakar utuk mediagosa peyakit paru-paru yag sederhaa sehigga dapat membatu megetahui peyakit yag diderita pasie. 1.2 Tujua Peelitia ii bertujua utuk : a. Melakuka racag bagu Sistem Pakar Utuk Mediagosa Peyakit Paru-Paru b. Meracag sistem pakar yag mampu memberika sara berdasarka gejala yag diiputka user. 1.3 Tijaua Pustaka Berdasarka peelitia sebelumya, telah diracag Sistem Pakar yag dibuat oleh Asiyah [3], referesi sistem pakar di bidag kesehata gigi. Sistem ii megguaka dialog iteraktif juga atara pemakai dega sistem pakar, yaitu sistem utuk mediagosa peyakit gigi pasie. Gejalagejala peyakit gigi yag dialami pasie sebagai baha masuka, kemudia mesi iferesi aka megolah selayakya pakar sehigga aka meghasilka suatu kesimpula peyakit gigi apa yag diderita oleh pasie tersebut, selai itu sistem 3.4-25
Semiar Nasioal Tekologi Iformasi da Multimedia 2016 ii juga aka memberika kosultasi da sara bagi pasie utuk melakuka perawata gigi. Sistem Pakar P(E) : Probabilitas awal (priori) bukti E terjadi tapa memadag hipotesis / bukti yag lai. 1.4 Metode Pegumpula Data Sistem pakar adalah sistem yag berusaha megadopsi pegetahua mausia (Pakar) ke komputer, sehigga komputer dapat meyelesaika permasalaha tersebut layakya seorag pakar[2]. Sampai saat ii sudah bayak sistem pakar yag dibuat. Kemampuaya utuk memberika keputusa seperti seorag pakar di dalam bidag tertetu merupaka salah satu hal yag diperluka oleh mausia dalam berbagai aspek kehidupa. Sistem pakar dibuat pada domai pegetahua tertetu utuk suatu kepakara tertetu yag medekati kemampua mausia di salah satu bidag. Sistem pakar mecoba mecari solusi yag memuaska sebagaimaa yag dilakuka seorag pakar. 2. Pembahasa Ada beberapa pertimbaga megguaka sistem pakar. Dibawah ii sebagia dari pertimbaga yag utama : Tabel 1.Gejala Masig-Masig Peyakit Paru-Paru a. Membatu melestarika cagar alam pegetahua da keahlia pakar. b. Jika keahlia adalah lagka, mahal atau tak terbatas. c. Mudah diguaka walaupu buka seorag ahli. Tahapa Pegumpula data dega pakar pada umuya meliputi hal-hal sebagai berikut : Studi literatur, yaitu studi peelitia-peelitia sebelumya yag perah dilakuka oleh para peeliti dega domai yag hampir mirip. Jeis Peyakit Paru-paru yag aka coba didiagosa dalam makalah ii ada 7, yaitu : Radag Paru-paru, Legioaries, Tuberkulosis (TB), Asma, Brokitis, Emfisema, Kaker Paru-paru. Gejala dari masigmasig jeis peyakit paru-paru tersebut dapat dilihat pada tabel 1. : No. 1. 10. Gejala Alergi debu/serat kai/bulubiatag Bada lemah Batuk berdahak kuig Batuk berdahak putih Batuk berdarah Batuk hilag timbul Berat bada turu Bersi-bersi di pagi hari Demam lebih dari semiggu Kerigat malam 11. Mual 12. 16. Mutah Nafsu maka turu Nyeri di dada Nyeri di puggug Paas aik turu 17. Perokok aktif 2. 3. 4. Teori Bayes Teori Bayes merupaka kaidah yag memperbaiki atau merevisi suatu probabilitas dega cara memafaatka iformasi tambaha. Maksudya, dari probabilitas awal (prior probability) yag belum diperbaiki yag dirumuska berdasarka iformasi yag tersedia saat ii, kemudia dibetukla probabilitas berikutya (posterior probability) [5]. Rumus utuk probabilitas bersyarat P(Fi E) utuk sembarag kejadia E dalam algoritma Bayes dapat dituliska dega rumus 1 [5] : 5. 6. 7. 8. 9. 13. 14. Keteraga : P(Fi E) : Probabilitas akhir bersyarat (coditioal probability) suatu hipotesis Fi terjadi jika diberika bukti (evidece) E terjadi P(E Fi) : Probabilitas sebuah bukti E terjadi aka mempegaruhi hipotesis Fi P(Fi) : Probabilitas awal (priori) hipotesis Fi terjadi tapa memadag bukti apapu 15. 18. 19. 20. 3.4-26 Perut terasa sakit Riwayat kaker dalam keluarga positif Riwayat asma x1 x2 x3 x4 x5 x6 x7
Semiar Nasioal Tekologi Iformasi da Multimedia 2016 dalam keluarga positif 21. Sakit kepala 22. Sesak afas 23. Sesak afas dipicu udara digi 24. Suara serak 25. Sulit meela Keteraga : x1 = Radag Paru-Paru x2 = Legioaries x3 = Tuberkulosis (TB) x4 = Asma x5 = Brokitis x6 = Emfisema x7 = Kaker Paru-Paru Jumlah pederita Peyakit Paru-Paru pada tahu 2014 berdasarka data WHO utuk wilayah regioal Amerika berjumlah 80.674 pederita. [5]. Adapu ilai probabilitas awal (priori) masig-masig jeis peyakit TB terjadi tapa memadag bukti apapu (Fi) didapat dega meghitug jumlah pederita TB dibagi dega jumlah semua data sample yag dilakuka. Nilai ii dapat dilihat di tabel 2. Tabel 2.Nilai Probabilitas awal masig-masig hipotesa No. Gejala Jumlah Pederita H(Fi) 1. Radag Paru-Paru 20.032 24,83% 2. Legioaries 6.672 8,27% 3. Tuberkulosis (TB) 54.855 68% 4. Asma 37.353 46,3% 5. Brokitis 15.191 18,83% 6. Emfisema 3.421 4,24% 7. Kaker Paru-Paru 34.431 42,68% Sedagka utuk ilai probabilitas evidece pada setiap hipotesa didapat dega meghitug jumlah kemucula gejala dibagi dega jumlah hipotesa pada setiap jeis Peyakit yag aka dicari. Perhituga algoritma bayes ketika ada seorag pasie megalami bada lemah (E2) da berat bada turu (E7) dapat dihitug dega cara : Σ P(E2,E7 Fxk)* P(Fxk) = (P(E2 Fx1) * P(E7 Fx1) * P(Fx1)) + P(E2 Fx2) * P(E7 Fx2) * P(Fx2)) + (P(E2 Fx3) * P(E7 Fx3) * P(Fx3)) + (P(E2 Fx4) * P(E7 Fx4) * P(Fx4)) + (P(E2 Fx5) * P(E7 Fx5) * P(Fx5)) + (P(E2 Fx6) * P(E7 Fx6) * P(Fx6)) = (0,82*0*0,2483) + (0,75*0*0,0827) + (0,2*0,9*0,68) +(0,78*0*0,463) + (0,15*0*0,1883) +(0,25*0*0,0424)+(0,63*0*0,4268) = 0,0864 P(Fx1 E2,E7) = P(E6 Fx1) * P(E20 Fx1) * P(Fx1) = (0,82*0*0,2483)/0,0864 = 0 P(Fx2 E2,E7) = P(E6 Fx2) * P(E20 Fx2) * P(Fx2) = (0,75*0*0,0827)/0,0864 = 0 P(Fx3 E2,E7) = P(E3 Fx1) * P(E20 Fx3) * P(Fx3) = (0,2*0,9*0,68)/0,0864 = 1 P(Fx4 E2,E7) = P(E6 Fx4) * P(E20 Fx4) * P(Fx4) = (0,78*0*0,463)/0,0864 = 0 P(Fx5 E2,E7) = P(E6 Fx5) * P(E20 Fx5) * P(Fx5) = (0,15*0*0,1883)/0,0864 = 0 P(Fx6 E2,E7) = P(E6 Fx6) * P(E20 Fx6) * P(Fx6) = (0,25*0*0,0424)/0,0864 = 0 P(Fx7 E2,E7) = P(E6 Fx7) * P(E20 Fx7) * P(Fx7) = (0,25*0*0,4268)/0,0864 = 0 Dari hasil perhituga tersebut, dapat diketahui Hipotesa (Jeis Peyakit) yag dialami oleh pederita berdasarka Evidece (Gejala) yag timbul saat ii, yaitu : Fx3 = Tuberkulosis (TB) 3.4-27
Semiar Nasioal Tekologi Iformasi da Multimedia 2016 2.1 Atarmuka Aplikasi Tampila atar muka sistem pakar diagosa Peyakit Paru-Paru dapat dilihat pada gambar 1 sampai dega gambar 5. Gambar 1 adalah atarmuka atura/rule utuk meetuka peyakit berdasarka gejala Gambar 2 adalah atarmuka meu diagosa, dimaa pasie megiputka gejala yag dialami. Gambar 3. Hasil diagosa da sara ditujukka di atarmuka. Sebagai cotoh pegguaa da hasil dari aplikasi ii, kami aka meerapka masalah yag telah dibahas sebelumya, yaitu : Pederita megalami Gejala Bada Lemah (E2) da Berat bada turu (E7) da hasil diagosaya. Gambar 3. Meu Diagosa Meu Diagosa merupaka meu yag meyediaka beberapa piliha gejala yag sedag dialami oleh pederita/pasie sehigga atiya dapat di aalisa oleh aplikasi utuk memberika hasil berupa hipotesa (Jeis Peyakit) yag di derita. Cotoh pasie megiputka Gejala Bada Lemah (E2) da Berat Bada Turu (E7) Gambar 1. Atura utuk meetuka peyakit berdasarka gejala Gambar 1. Merupaka atarmuka bagi admi utuk dapat memberika rule/atura utuk meambah basis pegetahua (kowledge base) system pakar berdasarka ilai-ilai yag telah didapat atau diaalisa oleh pakarya. Cotoh berdasarka masalah tersebut diatas adalah : Diagosa Peyakit Tuberkulosis (TB), dimaa gejalagejalaya (Evide) meliputi : Bada Lemah (E2), Batuk Berdarah (E6), Berat Bada Turu (E7), Mutah (E12), Nafsu Maka Turu (E13). Gambar 4. Meu Hasil Diagosa da Sara Meu Hasil Diagosa merupaka meu yag memberika hasil atas evidece/gejala yag telah diiputka oleh pasie/pederita sebelumya. Hasilya berupa diagosa Peyakit yag diderita pasie/pederita serta beberapa sara utuk dapat megobati atau meguragi rasa sakit tersebut. Cotoh Hasil Diagosa pasie megiputka Gejala Bada Lemah (E2) da Berat Bada Turu (E7) adalah terdiagosa Peyakit Tuberkulosis (TB). 3.4-28
Semiar Nasioal Tekologi Iformasi da Multimedia 2016 3. Kesimpula Metode Bayes dapat diguaka utuk melakuka diagosa peyakit paru-paru berdasarka gejala-gejala yag dimiliki pasie terduga. Kebeara dari hasil output sistem ditetuka oleh ilai probabilitas hipotesa tapa memadag gejala apapu da ilai probabilitas kemucula evidece pada setiap hipotesa yag diiputka pada basis pegetahua. Daftar Pustaka [1] Juaidi, Iskadar, 2010, Peyakit Paru da Salura Napas, Jakarta, Bhuaa Ilmu Popular [2] Kusumadewi, S. 2003. Artificial Itelliget (Tekik da Aplikasiya). Yogyakarta: Graha dilmu. p.109 [3] Asiyah, S. (2005). Sistem Pakar Diagosa Peyakit Gigi. Skripsi, Fakultas MIPA :Uiversitas Gadjah Mada. [4] Y. Wibisoo. Metode Statistik. 1. Yogyakarta : Adi. 2009 : 45. [5] WHO. Health Topics Lug. 2014. Biodata Peulis Ibu Titto Dessetiadi.Saat ii mejadi Mahasiswa di STMIK AMIKOM Yogyakarta. Ade Pujiato.Saat ii mejadi Mahasiswa di STMIK AMIKOM Yogyakarta. M. Gustafiato Ardi.Saat ii mejadi Mahasiswa di STMIK AMIKOM Yogyakarta. 3.4-29
Semiar Nasioal Tekologi Iformasi da Multimedia 2016 3.4-30