Aplikasi Diagnosa Penyakit Asma Menggunakan Bayesian Network Berbasis Web

Jurnal Teknik Inforatika Vol. 1 Septeber 2012 1 Aplikasi Diagnosa Penyakit Asa Menggunakan Bayesian Network Berbasis Web Yunitha Nancy Roselina 1, Sugeng Purwantoro E.S.G.S,S.T,M.T 2 & Meen Akbar,S.Si 3 1 Progra Studi Siste Inforasi Politeknik Caltex Riau, Pekanbaru 28265, eail:cc_nancy@yahoo.co 2 Progra Studi Teknik Koputer Politeknik Caltex Riau, Pekanbaru 28265, eail:sugeng@pcr.ac.id 3 Progra Studi Teknik Koputer Politeknik Caltex Riau, Pekanbaru 28265, eail:een@pcr.ac.id Abstrak Penyakit asa erupakan suatu penyakit kronis (enahun) yang enyerang saluran pernapasan pada paru diana terdapat peradangan (inflaasi) dinding rongga bronchiale sehingga engakibatkan penyepitan saluran napas yang akhirnya seseorang engalai sesak napas. Penelitian bertujuan untuk ebangun aplikasi enggunakan etode bayesian network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asa. Dengan aplikasi ini, pasien tidak harus enunggu laa untuk endapatkan perawatan oleh dokter, naun dapat enjadi alternative untuk engantisipasi pengobatan secara cepat dan tepat. Cara enggunakan aplikasi ini yaitu adin enginputkan pertanyaan berupa gejala-gejala yang akan dijawab oleh user, selanjutnya siste akan engolah seua jawaban user enggunakan etode bayesian network dan siste akan engeluarkan output berupa hasil diagnosa berupa jenis penyakit asa dan tanaan obat sebagai solusinya. Aplikasi ini enggunakan bahasa peograan PHP serta MYSQL sebagai database. Siste yang telah dibangun dapat ebantu pasien dala engetahui jenis penyakit asa yang sedang diderita pasien dan sesuai dengan analisa pakar penyakit asa yaitu sebesar 83.33%. Kata Kunci : penyakit asa, tanaan obat, bayesian network, MySQL, PHP Abstract Astha is a chronic disease (chronic) that attacks the respiratory tract to the lungs where there is inflaation (inflaatory) bronchiale cavity walls causing narrowing of the airways that eventually soeone is experiencing shortness of breath. The study ais to build an expert syste application using the web-based bayesian networks as a tool for the diagnosis of astha. With this application, The patient does not have to wait a long tie to get treatent by the doctors, but could be an alternative to anticipate the rapid and appropriate treatent. To use this application is an adin will asked question about the syptos and will be answered by the user, then the syste will process all the answers using bayesian network and the output fro the syste will issue a diagnosis of astha and the types of edicinal plants as a solution. This applications using the prograing language PHP and MYSQL as a database. The syste has been built to help patients know what type of astha that is being suffered by the patient and according to expert analysis of astha that is equal to 83.33%. Keywords: astha, edicinal plants, bayesian network, MySQL, PHP 1 Pendahuluan 1.1 Latar Belakang Kesehatan erupakan hal yang sangat penting bagi anusia. Beberapa gangguan kesehatan di sebabkan oleh polusi udara dan lingkungan sekitar yang ebuat tubuh anusia sangat rentan terhadap penyakit, terutaa penyakit pernapasan yaitu penyakit asa. Asa adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara tersubat atau

2 Yunitha Nancy Roselina, Sugeng Purwantoro, Meen Akbar enyepit. Hal ini biasanya seentara, tetapi dapat enyebabkan sesak napas, kesulitan bernapas, dan gejala lainnya (Pratyahara,2011). Apabila terjadi gangguan kesehatan terhadap tubuh anusia aka setiap orang lebih epercayakannya kepada pakar atau dokter ahli yang sudah engetahui lebih banyak tentang kesehatan, tanpa eperdulikan apakah penyakit tersebut asih dala tingkat rendah atau kronis. Naun dengan adanya para pakar atau dokter ahli, terkadang terdapat pula beberapa kendalanya seperti ja kerja (praktek) dokter yang terbatas serta banyaknya pasien, sehingga harus enunggu antrian [4]. Setiap orang selaku peakai jasa lebih ebutuhkan seorang pakar yang bisa eudahkan dala elakukan diagnosa penyakit lebih dini, agar dapat elakukan pencegahan lebih awal. Untuk encegah penyakit yang diderita oleh pasien, aka dokter eberikan resep obat yang dapat enyebuhkan pasien, tetapi tidak seua orang cocok dengan obat yang diberikan oleh dokter, sehingga pasien encari alternative lain dengan engkonsusi obat secara alai, baik itu dari jenis tanaan obat atau herbal. Dikarenakan perasalahan tersebut, sehingga endorong ebangun sebuah aplikasi diagnosa penyakit asa enggunakan etode bayesian network berbasis web. 1.2 Tujuan Tujuan dari Penelitian ini yaitu ebangun aplikasi enggunakan etode bayesian network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asa. 1.3 Peruusan Masalah Peruusan asalah dari penelitian ini adalah : 1. Bagaiana cara erancang aplikasi untuk enentukan jenis penyakit asa berdasarkan gejala-gejala penyakit asa yang diderita oleh user. 2. Bagaiana cara enerapkan etode Bayesian Network dala aplikasi. 1.4 Ruang Lingkup Ruang lingkup dari penelitian ini adalah : 1. Data-data penunjang penyakit asa yang hanya berdasarkan faktor penyebab. Gejala penyakit asa diabil dari buku Panduan Pelayanan Medik Perhipunan Dokter Spesialis Penyakit Dala Indonesia dan elakukan konsultasi dengan dr. Anda Citra Utaa, Sp.PD (spesialis penyakit dala) praktek di Apotik Al-Huda Jl. Lintas Tiur Pangkalan Kerinci. 2. Untuk enentukan jenis penyakitnya enggunakan etode Bayesian Network. 3. Penyipanan data-data penunjang penyakit asa enggunakan MYSQL. 4. Bahasa peograan yang digunakan adalah PHP. 5. Hasil penyakit yang dihasilkan eiliki 4 jenis penyakit asa yaitu Asa interiten (AI), Asa persisten ringan (APR), Asa persisten sedang (APS), Asa persisten berat (APB) enurut buku Panduan Pelayanan Medik Perhipunan Dokter Spesialis Penyakit Dala Indonesia. 6. Output yang dihasilkan dari aplikasi ini yaitu jenis penyakit asa dan jenis tanaan obat beserta resepnya. 1.5 Manfaat Adapun anfaat dari penulisan penelitian ini adalah sebagai berikut: 1. User dapat engetahui jenis penyakit yang di deritanya elalui gejala-gejala yang dirasakan secara cepat dan tepat. 2. User dapat enggunakan aplikasi untuk engetahui jenis penyakit asa dan jenis tanaan obat.

3 2 Tinjauan Pustaka 2.1 Asa Asa adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara tersubat atau enyepit. Hal ini biasanya seentara, tetapi dapat enyebabkan sesak napas, kesulitan bernapas, dan gejala lainnya. Jika asa enjadi parah, penderita ungkin eerlukan pengobatan darurat untuk eulihkan pernapasan noral (Pratyahara, 2011) [4]. Penyakit asa terdiri dari 4 jenis penyakit, yaitu : 1. Asa interiten disebut asa interiten bila pasien engalai episode batuk atau sesak (eksaserbasi) kurang dari sekali seinggu dala jangka waktu sedikitnya 3 bulan, dan eksaserbasi hanya berlangsung beberapa ja atau hari. Gejala asa nokturnal tidak lebih dari 2 kali sebulan. 2. Asa Persisten Ringan yaitu penderita engalai eksaserbasi paling tidak sekali seinggu, tetapi kurang dari sekali sehari dala waktu 3 bulan dan beberapa eksaserbasi epengaruhi tidur dan aktivitas, dan atau jika pasien eiliki gejala kronis yang eerlukan pengobatan sitoatis hapir setiap hari dan kejadian gejala asa nokturnal lebih dari 2 kali sebulan. 3. Asa Persisten Sedang yaitu khas ditandai gejala harian dala jangka waktu laa atau serangan asa nokturnal lebih dari sekali seinggu. 4. Asa Persisten Berat yaitu penderita engalai variabilitas yang besar, gejala yang terus enerus dan gejala nokturnal yang sering, epunyai aktivitas yang terbatas, dan kadang engalai eksaserbasi berat walaupun sedang dala pengobatan. No. Tabel 1 Gejala-gejala penyakit asa Gejala Asa AI APR APS APB 1. Sesak Napas 2. Mengi 3. Batuk 4. Dada terasa berat 5. Pilek dan bersin 6. Sesak napas < 1 kali seinggu 7. Sesak napas ala <= 2 kali sebulan 8. Sesak napas >= 1 kali seinggu tapi < 1 kali perhari 9. Sesak napas ala > 2 kali sebulan 10. Sesak napas tiap hari 11. Sesak napas ala > 1 kali seinggu 12. Sesak napas terus-enerus 13. Sesak napas ala sering Suber: Panduan Pelayanan Medik Perhipunan Dokter Spesialis Penyakit Dala Indonesia. 2.2 Tanaan Obat (Herbal) Dala kehidupan sehari-hari, banyak pasien yang eeriksakan diri pada dokter karena enderita suatu penyakit. Banyak juga di antara dokter tidak peduli tentang penyebab penyakit pasien. Penderita yang eeriksakan diri ke tepat praktek dokter tersebut uunya enginginkan kesebuhan yang cepat (spontan). Seharusnya, sebelu dokter eberikan resep obat-obatan, dokter elakukan peeriksaan teliti terhadap penyebab sakit yang diderita oleh pasien.

4 Yunitha Nancy Roselina, Sugeng Purwantoro, Meen Akbar Dokter keudian akan eberikan resep obat-obatan kiia, eskipun di era sekarang, dapat diteui juga beberapa tepat praktek dokter yang enawarkan obat herbal yang dirau dari tubuh-tubuhan tertentu. Obat-obatan herbal khasiatnya tidak kalah dengan obat-obatan kiia dala enyebuhkan penyakit. Bahkan, obat-obatan herbal tidak eiliki efek saping, berbeda dengan engkonsusi obat-obat kiia yang selalu eiliki efek saping tertentu jika peakainya tidak sesuai dosis yang dianjurkan. Menyadari akan efek saping yang tidak di inginkan akibat pengguna obat-obatan kiia, aka inilah alasan obat-obatan herbal ulai terkenal. Selain tidak eiliki efek saping, bahan-bahannya juga udah diteukan dan dibudidayakan di lingkungan sekitar. Tabel 2 Tanaan obat penyakit asa No. Tanaan Obat Asa AI APR APS APB 1. Bunga kenop 2. Daun Jinten 3. Patikan kebo 4. Pegagan 5. Rangga dipa 6. Tebelekan 7. Akar putri alu 8. Jahe 9. Bunga elati 10. Ruput Jukut pendul 11. Daun kecubung 12. Akar brojo lintang Suber : Suatera herbal center 2.3 Teorea Bayes Bentuk teorea bayes untuk evidence tunggal E dan hipotesis tunggal H, (Sutojo, 2011) [5] adalah :...(1) Keterangan : P(H E) = Probabilitas hipotesis H terjadi jika diberikan evidence E P(E H) = Probabilitas unculnya evidence E, jika hipotesis H terjadi P(H) = Probabilitas hipotesis H tanpa eandang evidence apapun P(E) = Probabilitas evidence E tanpa eandang apa pun Dala siste pakar diagnosa penyakit asa ini, aka E erupakan gejala penyakit asa sedangkan H erupakan penyakitnya. 2.4 Metode Bayesian Network Bayesian network enurut Heckeran (1995) adalah A Bayesian network is a graphical odel that encodes probabilistic relationships aong variables of interest. Bayesian network erupakan salah satu probabilistic graphical odel (PGM) yang sederhana yang dibangun dari teori probabilistik dan teori graf [2]. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin

5 didapatkan. Menurut Neapolitan (Ginting, 2008), bayesian network dapat erepresentasikan hubungan sebab akibat diantara variabel-variabel yang terdapat pada struktur bayesian network. Sebagai contoh, sebuah bayesian network dapat ewakili hubungan probabilistik antara penyakit dan gejala. Bayesian network dapat digunakan untuk enghitung probabilitas dari kehadiran berbagai gejala penyakit dan juga dapat digunakan sebagai alat pengabilan keputusan untuk eperbaharui tingkat kepercayaan suatu inforasi. [1] Teori probabilitas Bayesian erupakan satu dari cabang teori statistik ateatik yang eungkinkan kita untuk ebuat satu odel ketidakpastian dari suatu kejadian yang terjadi dengan enggabungkan pengetahuan uu dengan fakta dari hasil pengaatan. Teori Bayesian epunyai beberapa kelebihan, yaitu: 1. Mudah untuk dipahai. 2. Hanya eerlukan pengkodean yang sederhana. 3. Lebih cepat dala penghitungan. Kekurangan dari Teori probabilitas Bayesian yang banyak dikritisi oleh para iluwan adalah karena pada teori ini, satu probabilitas saja tidak bisa engukur seberapa dala tingkat keakuratannya. Dengan kata lain, kurang bukti untuk ebuktikan kebenaran jawaban yang dihasilkan dari teori ini. Bayesian network erupakan etode yang digunakan untuk enarik kesipulan dala aplikasi diagnosa penyakit asa. Terdapat langkah-langkah dala penerapan bayesian network (Meigarani,2010) [3], diantaranya : 1. Mebangun struktur bayesian network Struktur bayesian network dapat digabarkan berdasarkan data gejala dan data penyakit yang diperoleh dari proses akuisisi pengetahuan ataupun pakar yang ahli dala bidangnya. 2. Menentukan paraeter (prior probability table) Setelah struktur bayesian network penyakit asa terbentuk, langkah selanjutnya adalah enentukan nilai prior probability dari setiap gejala, yaitu derajat kepercayaan untuk suatu gejala. Prior probability digunakan ketika tidak ada inforasi lain yang dapat digunakan untuk elihat keungkinan suatu event terjadi, tetapi begitu inforasi baru diketahui aka probabilitas yang baru harus dilihat berdasarkan inforasi yang baru diketahui tersebut. 3. Mebuat conditional probability table (CPT) Conditional probability adalah perhitungan probabilitas suatu kejadian B terjadi apabila kejadian A sudah terjadi. Probabilitas dari setiap keungkinan nilai dari A dan B disebut dengan Conditional Probability Table (CPT). 4. Mebuat joint probability distribution (JPD) Joint probability distribution (JPD) adalah probabilitas keunculan seua kejadian yang terjadi secara bersaaan. Saa seperti CPT, joint probability distribution dari suatu variable A dan B adalah sebuah tabel yang berisi probabilitas untuk setiap nilai A dan B yang dapat terjadi. Notasi P(A,B) dapat ditulias dala persaaan:. (2) Berdasarkan persaaan diatas, cara enghitung joint probability distribution suatu Gejala adalah dengan engalikan nilai conditional probability dengan prior probability. 5. Menghitung posterior probability Untuk endapatkan nilai posterior probability, dapat dihitung dari hasil joint probability distribution yang telang diperoleh, lalu nilai inilah yang digunakan untuk enghitung nilai probabilitas keunculan suatu gejala.

6 Yunitha Nancy Roselina, Sugeng Purwantoro, Meen Akbar 6. Inferensi probabilistik Data yang digunakan dala elakukan inferensi diperoleh dari jawaban yang diberikan pengguna atas pertanyaan engenai gejala yang diajukan oleh siste. Langkah-langkah penerapan Bayesian Network dapat dilihat pada flowchart Gabar 1. ulai Input gejala dan penyakit Mebangun struktur Bayesian Network penyakit asa Menentukan paraeter (prior probability table) Menentukan Conditional probability table (CPT) Menghitung Joint probability distribution (JPD) Menghitung posterior probability Inferensi probabilistik Tapil hasil diagnosa, jenis tanaan obat dan resep selesai Gabar 1 Flowchart Bayesian network. 3 Perancangan Pada laporan Penelitian ini dilakukan perancangan untuk elakukan diagnosa penyakit asa. Terasuk di dalanya yaitu Siste arsitektur, Usecase Diagra, ERD (Entity Relationship Diagras). 1. Berikut arsitektur siste dapat dilihat pada Gabar 2.

7 Gabar 2 Arsitektur siste keseluruhan. 2. Perancangan Usecase diagra adin, user, dan guest dapat dilihat pada Gabar 3. elakukan login engubah data adin elakukan login enabah gejala elakukan diagnosa engubah gejala User elihat keterangan penyakit Adin enabah jenis tanaan obat elihat keterangan tanaan obat engubah jenis tanaan obat enabah nilai prior elihat history engubah nilai prior (ii) enabah nilai CPT elihat history engubah nilai CPT elakukan diagnosa Guest endaftar (i) (iii) Gabar 3 (i) Usecase diagra adin, (ii) Usecase diagra user, (iii) Usecase diagra guest 3. Perancangan Entity Relationship Diagra (ERD) dapat dilihat pada Gabar 4. usernae No_tlp password User Status Alaat_user Id_history tanggal history nilai prior_absen Id_nilai id_penyakit Id_gejala Naa_penyakit penyakit nilai gejala Naa_gejala Ket_penyakit CPT_present CPT_absen Prior_present solusi keterangan Id_tanaanobat gabar Tanaan_obat Naa_tanaanobat resep Gabar 4 Entity relationship diagra.

8 Yunitha Nancy Roselina, Sugeng Purwantoro, Meen Akbar 4 Hasil dan Pebahasan Dala elakukan pengujian terhadap siste yang telah dibuat, dilakukan tiga cara yaitu dengan pengujian siste, pengujian etode dengan perhitungan anual, dan pengujian dengan hasil kuesioner. Pengujian siste dilakukan dengan elakukan proses diagnosa pada halaan user. Di halaan user, siste enyediakan beberapa enu. User dapat elakukan diagnosa dengan cara enjawab pertanyaan yang ditapilkan oleh siste. Banyaknya pertanyaan yang ditapilkan oleh siste berdasarkan jawaban yang di pilih oleh user. Gabar 5 User eilih gejala Setelah user selesai enjawab seua pertanyaan yang di tapilkan oleh siste, aka user endapatkan hasil diagnosa berupa jenis penyakit asa yang diderita oleh user, besar probabilitas penyakit, tanaan obat dan resep. Gabar 6 Hasil diagnosa

9 Hasil perhitungan siste di atas, dapat dilihat perhitungan anualnya dari nilai prior probability table dan conditional probability table (CPT). Dari nilai prior dan CPT, aka didapat nilai posterior probability. Nilai posterior probability dapat dilihat pada Tabel 3. Tabel 3 Posterior probability gejala penyakit asa No. Naa Gejala Present Absen 1. Sesak Napas 0.90 0.41 2. Mengi 0.97 0.31 3. Batuk 0.70 0.70 4. Dada terasa berat 0.36 0.67 5. Pilek dan bersin 0.20 0.46 6. Sesak napas < 1 kali seinggu 0.18 0.34 7. Sesak napas ala <= 2 kali sebulan 0.27 0.14 8. Sesak napas >= 1 kali seinggu tapi < 1 0.54 0.19 kali perhari 9. Sesak napas ala > 2 kali sebulan 0.25 0.47 10. Sesak napas tiap hari 0.11 0.21 11. Sesak napas ala > 1 kali seinggu 0.10 0.34 12. Sesak napas terus-enerus 0.03 0.17 13. Sesak napas ala sering 0.80 0.30 Contoh perhitungan anual : 1. Asa Interiten Gejalanya Sesak napas, batuk, Sesak napas ala <= 2 kali sebulan. 2. Asa Persisten Ringan Gejalanya yaitu Sesak napas, batuk, Sesak napas ala > 2 kali sebulan. 3. Asa Persisten Sedang Gejalanya yaitu Sesak napas, batuk, Sesak napas tiap hari. 4. Asa Persisten Berat Gejalanya yaitu Sesak napas, batuk, Sesak napas ala sering. Setelah user elakukan diagnosa elalui siste, sebanyak 35 responden engisi kuisioner, baik itu penderita penyakit asa dan yang tidak penyakit asa eberikan hasil penilaian terhadap siste yang telah dibangun. Hasil kuesioner enunjukkan bahwa siste yang dibangun telah tergolong baik dari segi efektifitas dan efisiensi dala penentuan jenis penyakit asa. Dari kuisioner tersebut bahwa siste udah digunakan dala endiagnosa penyakit asa dengan nilai penskalaan sebesar 77%, siste ini ebantu dala kenyaanan dala peakaian aplikasi dengan nilai penskalaan sebesar 78%, siste berjalan dengan baik sesuai dengan fungsi-fungsinya dengan nilai penskalaan sebesar 85%, siste eberikan data dan inforasi yang beranfaat bagi pasien dengan nilai penskalaan sebesar 84%, dan siste ini udah digunakan bagi pengguna dengan nilai penskalaan sebesar 85%. Hasil rekaptulasi akurasi siste dan analisa dokter bertujuan untuk engetahui apakah siste yang telah dibuat sesuai dengan analisa dokter, aka dari itu didapat kecocokan antara hasil siste dan diagnosa dokter yaitu sebesar 83.33%. Kecocokan tersebut eliputi jenis

10 Yunitha Nancy Roselina, Sugeng Purwantoro, Meen Akbar penyakit dari analisa dokter dan jenis penyakit serta probabilitas dari siste yang enghasilkan tingkat kecocokan berupa persenan. Besarnya kecocokan sebesar 83.33% karena jenis penyakit dari analisa dokter tidak erata, dokter enganalisa dengan 2 atau 3 jenis penyakit seentara siste enghasilkan 4 jenis penyakit. 5 Penutup 5.1 Kesipulan 1. Siste yang telah dibangun dapat ebantu pasien dala engetahui jenis penyakit asa yang sedang diderita pasien dan sesuai dengan analisa pakar penyakit asa yaitu sebesar 83.33%. 2. Siste yang telah dibangun dapat ebantu pasien dala engetahui solusi dari jenis penyakit asa yang diderita pasien yaitu berupa jenis tanaan obat dan resep serta sesuai dengan analisa pakar tanaan obat. 3. Siste yang telah dibangun ebantu pengguna untuk eudahkan dala endiagnosa penyakit asa, eberikan data dan inforasi yang beranfaat bagi pasien dengan enyatakan bahwa : 1. Siste eudahkan dala endiagnosa penyakit asa adalah sangat baik dengan nilai penskalaan sebesar 77%. 2. Siste ebantu kenyaanan dala peakaian aplikasi adalah sangat baik dengan nilai penskalaan sebesar 78%. 3. Gejala yang dipakai sesuai dengan gejala yang dibutuhkan dala endiagnosa penyakit adalah sangat baik dengan nilai penskalaan sebesar 88%. 4. Siste eberikan data dan inforasi yang beranfaat bagi pasien adalah sangat baik dengan nilai penskalaan sebesar 84%. 5. Siste udah digunkakan adalah sangat baik dengan nilai penskalaan sebesar 85%. 5.2 Saran 1. Pertanyaan yang diajukan siste sebaiknya jangan hanya berdasarkan gejala berupa penyakit saja, elainkan gejala yang bersifat psikologi. 2. Menggunakan aplikasi obile seperti android. Daftar Pustaka [1] Ginting, S.L. (2008). Evaluasi Algorita Cb* Untuk Konstruksi Struktur Bayesian Network Dala Data Mining. Tesis Tidak Terpublikasi. Bandung: Institut Teknologi Bandung. [2] Heckeran, David. (1995). A Tutorial Learning with Bayesian Network. Diakses pada tanggal 14 Deseber 2011 pukul 21.00 WIB dari http://research.icrosoft.co/apps/pubs/default.aspx?id=69588 [3] Meigarani, Indyana. (2010). Penggunaan Metode Bayesian Network dala Siste Pakar untuk Diagnosis Penyakit Leukeia. Bandung : Universitas Pendidikan Indonesia [4] Pratyahara, Dayu A. (2011). Asa pada Balita. Yogyakarta : Javalitera [5] Sutojo, T. Mulyanto, Edi. Suhartono, Vincent.(2011). Kecerdasan Buatan. Yogyakarta: Andi