Koferesi Nasioal Sistem & Iformatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Diagosa Jeis Tuberculosis Dega Algoritma Bayes Hartatik 1) STMIK AMIKOM Yogyakarta Jala Rig Road Utara Codog Catur Depok-Slema Telpo : 0274 884201 e-mail: hartatik@amikom.ac.id Abstrak Maurut data dari WHO pada tahu 2012, Tuberculosis atau yag biasa disigkat TB adalah salah satu peyakit meular yag meyebabka masalah kesehata terbesar kedua di duia. Peyakit Tuberculosis tidak haya meyerag bagia perapasa paru-paru (disebut Pulmoary Tuberculosis) saja seperti aggapa kebayaka orag, amu juga dapat meyerag orga tubuh lai seperti otak (disebut Miigitis Tuberculosis), kalejar getah beig (Lymphedeopathy Tuberculosis), paru-paru bagia luar (Pleyrisy Tuberculosis), kulit (Miliary Tuberculosis), tulag (Spi of Tuberculosis), da salura urogeital (Urogeital Tuberculosis). Lama tidakya pegobata bagi pederita Tuberculosis tergatug pada jeis Tuberculosis yag diderita, parah tidakya ifeksi yag terjadi da lama peagaa pederita dari awal terifeksi higga waktu pegobata. Semaki cepat seseorag sadar terdiagosa peyakit Tuberculosis da melakuka pemeriksaa, maka proses peyembuha yag dilakuka dimugkika aka semaki cepat dega asumsi semaki dibiarka peyakit ifeksi Tuberculosis aka semaki berat. Merujuk pada alasa tersebut, maka dibuatlah sistem pakar utuk medeteksi ifeksi Tuberculosis da kemugkia jeis Tuberculosis yag megifeksi megguaka Algoritma Bayes. Algoritma Bayes aka meghitug ilai probabilitas pada semua hipotesa (jeis TB). Nilai probabilitas hipotesa yag terbesar aka keluar sebagai solusiya. Kata kuci: TB, Metode Bayes 1. Pedahulua Tuberculosis (TB) adalah salah satu peyakit meular yag disebabka oleh jeis bakteri Mycobacteria seperti Mycobacterium. tuberculosis, Mycobacterium bovis, Mycobacterium africaum, Mycobacterium microti da Mycobacterium. Caetti [1]. Peulara peyakit Tuberculosis dari mausia ke mausia sagatlah mudah. Tuberculosis ditularka melalui droplet (percika dahak) pederita Tuberculosis ketika orag tersebut bersi, batuk da berbicara [1]. Umumya peyakit Tuberculosis meyerag bagia paru-paru yag serig disebut juga dega istilah Pulmoary TB. Peyakit Pulmoary TB merupaka salah satu peyakit TB yag memiliki jumlah pederita terbayak di seluruh duia. Selai Pulmoary TB, jeis TB yag lai adalah Extra-Pulmoary TB. Disebut Extra-Pulmoary TB karea TB jeis ii mejagkiti orga tubuh selai paru-paru seperti kalejar getah beig atau limfa, salura kemih, kulit, peceraa da otak [2]. Pegobata pada pederita TB bergatug pada tigkata peyakit da bagia orga tubuh yag diserag. TB Meigitis merupaka jeis TB yag cukup berat dega resiko kematia sebesar 90% [2]. TB jeis ii meyerag susua syaraf mausia. Lalu ada juga TB yag disebut Lymphadeopathy Tuberculosis. TB jeis ii megifeksi orga limfa atau kalejar getah beig. Ada juga Pleural Tuberculosis yag meyerag bagia terluar dari paru-paru. Pleural Tuberculosis merupaka Extra- Pulmoary Tuberculosis kedua terbayak setelah Lymphadeopathy Tuberculosis [3]. Jeis laiya adalah Tuberculosis of The Spie. TB jeis ii meyerag pada bagia tulag terutama tulag bagia belakag [2]. Nama lai dari Tuberculosis of The Spie adalah Spodilitis Tuberculosa atau Tuberculosa Vertebral Osteomyelitus [2]. Peyakit Tuberkulosis laiya adalah Urogeital Tuberculosis. Urogeital Tuberculosis adalah salah satu jeis TB yag megifeksi salura kemih, salura urogeital da bisa juga megifeksi sistem reproduksi mausia. TB jeis ii berawal dari peyebara Tuberculosis paru-paru yag kemudia berjala melalui alira darah da megifeksi salura geiyouriary [2][4] Peulara peyakit Tuberculosis yag relatif mudah (melalui udara), da jeisya yag cukup bayak tidak haya meyerag paru-paru saja membuat perlu dibuatya suatu sistem (sistem pakar) yag dapat membatu utuk melakuka diagosa da deteksi awal peyakit Tuberculosis. Dega deteksi awal, pegobata peyakit Tuberculosis bisa dilakuka da agka kematia bisa dituruka. 630
Bayak peelitia yag memafaatka algoritma Bayes pada aplikasi sistem pakar. Salah satuya adalah peelitia yag dilakuka oleh Adam da Parvee (2012) [5]. Peelitia ii meyebutka bahwa metode Bayes dapat diguaka utuk megembagka Sistem Cerdas utuk diagosa peyakit. Pada peelitia ii metode Bayes diimplemetasika utuk mediagosis peyakit jatug da membatu praktisi kesehata utuk membuat keputusa kliis yag cerdas. Hasil peelitia dapat memberika pegobata yag efektif, da juga membatu utuk meguragi biaya pegobata. 2. Metode Peelitia Metode peelitia yag diguaka utuk meyelesaika peelitia ii adalah metode waterfal dega skema yag ada di gambar 1. Gambar 1. Keragka berfikir peelitia 1. Idetifikasi Masalah. Dalam tahap ii dilakuka megidetifikasika permasalaha potesial yag aka dijadika permasalaha. Masalah yag aka dibahas dalam peelitia ii adalah bagaimaa meracag suatu sistem pakar utuk melakuka deteksi dii peyakit TB yag mugki di derita oleh seseorag megguaka Algoritma bayes. 2. Tijaua Pustaka. Tijaua Pustaka dilakuka utuk memperoleh data yag diperluka baik data yag berasal dari jural, buku maupu literatur lai seperti artikel da prosedig. Kosep da teori yag diperluka pada peelitia ii adalah kosep sistem pakar, peyakit TB da jeis-jeisya, gejala pada masig-masig jeis TB (dapat dilihat pada tabel 1), proses pealara sistem pakar da perhituga Algoritma 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) [6]. Rumus utuk probabilitas bersyarat P(Fi E) utuk sembarag kejadia E dalam algoritma Bayes dapat dituliska dega rumus 1 [6] : P(Fi E) = P(Fi). P(E F i) P(F 1). P(E F 1) + P(F 2). P(E F 2) +. + P(F ). P(E F ) (1) 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 P(E) : Probabilitas awal (priori) bukti E terjadi tapa memadag hipotesis / bukti yag lai. 3. Aalisis. Proses aalisis dilakuka utuk megetahui kebutuha apa saja yag diperluka dalam meracag da membuat model sistem dega baik da tepat, spesifikasi user yag aka 631
megguaka aplikasi ii, da juga meilai kesesuaia pegetahua rekayasa tekologi yag aka dipakai dalam pembuata sistem. 4. Spesifikasi. Tahapa ii dilakuka dialog da taya jawab dega pakar. Pembagu aplikasi bekerja bersama pakar utuk meyusu da membuat atura, basis pegetahua da recaa pegembaga sistem yag aka dibuat. 5. Pegembaga. Tahap ii dilakuka proses akuisisi pegetahua tetag bagaimaa cara seorag pakar atau ahli melakuka diagosa atau pearika kesimpula dalam berbagai kasus. Proses akuisisi pegetahua juga dilakuka dega mempelajari kasus saat ii, history da hipotesa yag diambil. Kasus saat ii diambil dega megamati seorag pakar dalam melakuka tugas sedagka kasus history da hipotesa diperoleh dega mempelajari kasus yag lampau da bagaimaa seorag pakar meragkumya mejadi suatu hipotesa. 6. Pegujia Aplikasi. Pegujia aplikasi dilakuka dega melakuka uji coba fugsioalitas sistem da pearika kesimpula yag dilakuka oleh Algoritma Bayes 7. Peyebara. Setelah aplikasi selesai dibuat da diuji, maka dapat didistribusika utuk membatu diagosa awal peyakit Tuberculosis. 3. Hasil da Pembahasa Jeis peyakit tuberkulosis yag aka coba utuk didiagosa dalam peelitia ii ada 6 yaitu Pulmoary Tuberculosis, Lymphadeopathy Tuberculosis, Tuberculosis of The Spie, Meigitis Tuberculosis, Pleural Tuberculosis da yag terakhir Urogeital Tuberculosis. Gejala dari masigmasig jeis TB tersebut dapat dilihat pada tabel 1 [2][4][7][8] : Tabel 1. Gejala masig-masig jeis TB No. Gejala x1 x2 x3 x4 x6 x7 1. Batuk tidak kujug sembuh > 2 bula 2. Demam dega suhu di atas 38,5 0 C lebih dari 2 miggu 3. Kerigat digi pada waktu malam hari 4. Berat bada turu tapa alasa yag jelas 5. Dada terasa sakit 6. Napas sesak 7. Mudah marah (emosi) 8. Gelisah 9. Meggigil 10. Kepala terasa yeri 11. Leher terasa kaku 12. Nyeri pada kuduk 13. Mual atau mutah 14. Nafsu maka berkurag 15. Nyeri pada puggug da sedi 16. Perubaha perilaku metal 17. Kejag 18. Koma 19. Lemah da lemas (tidak berteaga) 20. Mucul bejola di kalejar getah beig (leher, ketiak atau lipata paha) yag cukup besar > 2 cm 21. Bejola beraah da membesar 22. Megi (muculya buyi yag khas) ketika batuk 23. Malaise 24. Mucul gejala Pleural Effusio 25. Mucul yeri terlokalisir pada satu regio tulag belakag 26. Mucul gejala yeri yag mejalar 27. Pola jala merefleksika rigiditas protektif dari tulag belakag 28. Lagkah kaki pedek tidak seperti biasaya 29. Muculya darah pada uri ketika buag air kecil 632
30. Nyeri ketika buag air kecil 31. Mucul yeri pada satu bagia tubuh atara perut da puggug Keteraga : x 1 = Pulmoary TB x 2 = TB Miigitis x 3 = TB Lymphadeopathy x 4 = TB Pleurisy x 5 = TB of The Spie x 6 = Urogeital TB Jumlah pederita TB pada tahu 2011 berdasarka data WHO utuk wilayah regioal Eropa berjumlah 70.837 pederita. Dari jumlah tersebut sebayak 78% mederita Pulmoary TB da sisaya yaitu sebayak 22% mederita Extra-Pulmoary TB [1]. Adapu ilai probabilitas awal (priori) masigmasig 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 Jeis TB Jumlah Pederita H(Fi) 1. Pulmoary TB 54.955 78% 2. TB Miigitis 268 0,38% 3. TB Lymphadeopathy 3413 4,8% 4. TB Pleurisy 3062 4,3% 5. TB of The Spie 463 0,65% 6. Urogeital TB 585 0,83% Sedagka utuk ilai probabilitas evidece pada setiap hipotesa didapat dega meghitug jumlah kemucula gejala dibagi dega jumlah hipotesa pada setiap jeis TB yag aka dicari. Perhituga algoritma bayes ketika ada seorag pasie megalami gejala sesak afas da mucul bejola di kalejar getah beig dapat dihitug dega cara : = (P(E 6 F x1) * P(E 20 F x1) * P(F x1)) + ( P(E 6 F x2) * P(E 20 F x2) * P(F x2)) + (P(E 6 F x3) * P(E 20 F x3) * P(F x3)) + (P(E 6 F x4) * P(E 20 F x4) * P(F x4)) + (P(E 6 F x5) * P(E 20 F x5) * P(F x5)) + (P(E 6 F x6) * P(E 20 F x6) * P(F x6)) = (0,82*0*0,78) + (0,75*0*0,038) + (0,2*0,9*0,48) + (0,78*0*0,43) + (0,15*0*0,065) + (0,25*0*0,083) = 0,0864 P(F x1 E 6,E 20) = P(E 6 F x1) * P(E 20 F x1) * P(F x1) = (0,82*0*0,78)/0,0864 = 0 P(F x2 E 6,E 20) = P(E 6 F x2) * P(E 20 F x2) * P(F x2) = (0,75*0*0,038)/0,0864 = 0 P(F x3 E 6,E 20) = P(E 3 F x1) * P(E 20 F x3) * P(F x3) P(F x4 E 6,E 20) = P(E 6 F x4) * P(E 20 F x4) * P(F x4) = (0,78*0*0,43)/0,0864 = 0 P(F x5 E 6,E 20) = P(E 6 F x5) * P(E 20 F x5) * P(F x5) = (0,15*0*0,065)/0,0864 = 0 P(F x6 E 6,E 20) = P(E 6 F x6) * P(E 20 F x6) * P(F x6) = (0,25*0*0,083)/0,0864 = 0 633
= (0,2*0,9*0,48)/0,0864 = 1 Dari hasil perhituga diatas, kemugkia besar pasie tersebut terkea peyakit TB Lymphadeopathy. 3.1 Atar muka aplikasi Tampila atar muka sistem pakar diagosa jeis TB dapat dilihat pada gambar 2 sampai dega gambar 5. Gambar 2 merupaka atar muka utuk megiputka jeis peyakit. Gambar 3 adalah atar muka utuk megiputka gejala dari semua peyakit. Iput gejala yag dialami pasie dapat dilihat pada atar muka yag ada di gambar 4. Hasil diagosa ditujukka di atarmuka gambar 5. Gambar 2. Atar muka iput jeis peyakit TB Gambar 3. Atar muka iput gejala semua peyakit TB 634
Gambar 4. Atar muka utuk melakuka diagosa Gambar 5. Atar muka hasil diagosa 4. Simpula Metode Bayes dapat diguaka utuk melakuka diagosa jeis peyakit Tuberculosis berdasarka gejala-gejala yag dimiliki pasie terduga TB. 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] WHO. Health Topics Tuberculosis (TB). 2013. [2] Dept. Health Republic of South Africa. Natioal Tuberculosis Maagemet Guidelies 2014. 2014. [3] A. Jati. Pleuritis TB. 2015. [4] V. Agrawal, et al. Tuberculosis of Spie. Joural of Craiovertebral Juctio & Spie. 2010; 1(2) : 75-85 [5] S.P. Adam, A., Parvee. Predictio System For Heart Disease Usig Naive Bayes. 2012; 3(3) : 290-294. [6] Y. Wibisoo. Metode Statistik. 1. Yogyakarta : Adi. 2009 : 45. [7] Zuwada, R. Jaitra. Diagosis da Peatalaksaaa Spodalitas Tuberkulosis. CDK-208. 2013; 40(9) : 661-673. [8] A.A. Fogueiredo, A.M. Luco. Urogeital Tuberculosis : Update ad Review of 8961 Cases From bthe World Literatures. Urology Joural. 2008; 10(3) : 207-217. 635