IDENTIFIKASI INDEPENDENSI VARIABEL PENGOBATAN PENYAKIT TUBERKULOSIS DI NEGARA ASEAN BERDASARKAN STRUKTUR DYNAMIC BAYESIAN NETWORKS

  Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

  Kata kunci: Penyakit TB, ASEAN, dynamic bayesian networks, independensi variabel

  Dynamic Bayesian Networks (DBN) merupakan model

  berkapasitas untuk mengintegrasikan pengetahuan pakar dengan data empirik untuk memodelkan dari beberapa variabel data penyakit. Metode ini menterjemahkan hubungan dependensi kondisional dan indepedensi diantara variabel yang kemudian digambarkan dengan struktur graf. Penggambaran dalam bentuk graf memberi kemudahan dalam memahami hubungan yang saling mempengaruhi satu variabel dengan variabel lainnya (Larranaga,et al, 2013)[2].

  Dynamic Bayesian Networks, karena metode ini

  Metode yang digunakan dalam penelitian ini adalah

  Tuberkulosis merupakan penyakit menular yang disebabkan oleh Mycobacterium tuberculosis. Setiap tahunnya, WHO memperkirakan 8,7 juta kasus baru dan 1,4 juta kasus meninggal karena tuberkulosis. WHO melaporkan jumlah kematian akibat tuberkulosis, jumlah kematian HIV positif dan tuberkulosis, estimasi kejadian, prevalensi di beberapa wilayah pada tahun 2012 dapat dilihat pada tabel 1. Jumlah kematian akibat tuberkulosis di wilayah Asia Tenggara mencapai 450 ribu dari 940 ribu jiwa di dunia, dan jumlah tersebut merupakan jumlah yang tertinggi dibandingkan dengan jumlah kematian di wilayah yang lain. Hal ini menunjukkan bahwa masalah penyakit tuberkulosis menjadi salah satu masalah yang serius di Asia Tenggara. Selain itu dari laporan WHO terdaftar 22 negara dengan beban tinggi dalam hal penyakit tuberkulosis, ada enam negara ASEAN di antaranya: Kamboja, Indonesia, Myanmar, Filipina, Thailand dan Vietnam (WHO,2012) [1]. Tujuan penelitian ini adalah mempelajari keterkaitan antar variabel pada pengobatan penyakit tuberkulosis di negara ASEAN dengan mengkonstruksikannya ke dalam bentuk graf Dynamic Bayesian Networks. Selain itu, penelitian ini mengidentifikasi hubungan indepedensi variabel melalui pendekatan Dynamic Bayesian Networks yang mempengaruhi hasil pengobatan penyakit tuberkulosis.

  1. Pendahuluan

  Hasil eksperimen menujukkan bahwa struktur dynamic bayesian networks dapat mengidentifikasi independensi variabel pengobatan penyakit tuberkulosis di negara ASEAN, yaitu adanya keterkaitan antara variabel jumlah kasus positif TB dan jumlah penduduk dengan nilai prevalensi TB per 100.000 penduduk, keterkaitan antara tipe pelayanan diagnosis penyakit TB terhadap jumlah pasien TB yang meninggal, dan keterkaitan variabel nilai prevalensi TB terhadap variabel tipe pemberian obat TB pada pasien. Hasil evaluasi struktur dynamic bayesian networks pada data uji menunjukkan tingkat akurasi 93,3%, hal ini menunjukkan bahwa struktur yang terbangun dapat digunakan untuk model dalam mengidentifikasi keterkaitan variabel dalam data pengobatan TB di negara ASEAN.

  ISSN : 2302-3805

  Pada penelitian ini digunakan software CaMML (Causal discovery via Minimum Message Length) versi 1.4.1, opensource software untuk pembelajaran bayesian network yang dikembangkan di Monash University, Australia. Evaluasi struktur Dynamic Bayesian Networks dilakukan dengan menggunakan Netica-J API yang berbasis Java untuk modifikasi visualisasi graf yang dilengkapi oleh CPT (Conditional Probability Table) serta pengujian graf.

  Penyakit tuberkulosis merupakan salah satu masalah yang serius di Asia Tenggara, karena jumlah kematian mencapai 450 ribu dari 940 ribu jiwa. Hal ini merupakan jumlah yang tertinggi di dunia pada tahun 2012. Selain itu, ada 6 negara ASEAN yang masuk dalam daftar 22 negara dengan kategori beban tinggi dalam penyakit tuberkulosis. Penelitian ini dilakukan untuk mempelajari keterkaitan antar variabel pada pengobatan penyakit tuberkulosis di negara ASEAN dengan mengkonstruksikannya ke dalam bentuk graf dynamic bayesian networks.

  1) Abstrak

  Ilmu Komputer Universitas Indonesia Kampus UI Depok,Indonesia 16424

Email : betha.nurina@ui.ac.id

  1) 1)

  

IDENTIFIKASI INDEPENDENSI VARIABEL PENGOBATAN PENYAKIT

TUBERKULOSIS DI NEGARA ASEAN BERDASARKAN STRUKTUR

DYNAMIC BAYESIAN NETWORKS

Betha Nurina Sari

  grafis dari joint probability distribution dari set variabel stokastik yang secara eksplisit mencari hubungan temporal antar variabel. DBN terdiri dari 2 tuple (B1,B2)

  Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

  software pembelajaran bayesian network yang dikembangkan oleh Kevin B.Korb, Rodney O’Donnell, dan para peneliti di Monash University, Australia. CaMML mempelajari struktur kausal (sebab akibat) dengan menemukan model data (h) yang memaksimalkan metrik posterior MML, yaitu yang didefinisikan sebagai berikut (Korb,2010) [7].

  learning berupa graf dengan skor yang tertinggi, proses selanjutnya adalah melakukan parameter learning.

  MCMC (Markov Chain Monte Carlo) dengan menggunakan fungsi skor Minimum Message Length (MML). Setelah mendapatkan hasil dari structure

  Structure learning yang digunakan algoritma heuristik

  e. CPT untuk irisan waktu kedua (ketika parent berasal dari irisan waktu yang berbeda) (P’erez-Ariza,et all, 2012) [9]. Pada penelitian ini, digunakan metode score based yang memperhatikan pembelajaran sebagai masalah pemilihan model, dimana didefinisikan fungsi skor yang spesifik untuk bagaimana memodelkan data dengan tepat.

  b. Intra-slice links, yaitu yang menghubungkan variabel di dalam irisan waktu yang sama c. Temporal (inter-slice) link, yaitu yang mehubungkan variabel antar irisan waktu d. CPT untuk irisan waktu pertama

  Cora Beatriz P’erez-Ariza, dkk telah menerapkan CaMML untuk mempelajari struktur kausal (sebab akibat) dari data observasi. Hasil penelitian tersebut menunjukkan bahwa DBN dapat merepresentasikan sebuah sistem yang mengalami perubahan sesuai dengan perubahan waktu. DBN dapat dispesifikasikan dengan 5 komponen, yaitu sebagai berikut : a. Himpunan nama node yang terdefinisi dengan

  Gambar 2. Transformasi Data

  melakukannya dua langkah dan hanya menghasilkan hubungan antar irisan waktu tanpa hubungan di irisan waktu. Berikut ini contoh transformasi data menggunakan konsep Bayesian Networks yang statik ke bentuk Dynamic Bayesian Networks dapat dilihat pada gambar 2 (Black, 2013) [8].

  parameter learning sekali, tetapi Bayes Net Toolbox

  i : indeks busur yang ada pada h j : indeks busur yang tidak ada pada h Perbedaan penerapan dynamic bayesian network menggunakan CaMML dengan Bayes Net Toolbox Murphy, bahwa CaMML melakukan tahap structure dan

  i

  untuk (ℎ) = log ! − ∑ − ∑ log(1 − ) dimana : h : data N : jumlah variabel dalam h

  ( )

  (ℎ) =

  discovery via Minimum Message Length) versi 1.4.1 [6],

  ISSN : 2302-3805

  Pada penelitian ini digunakan software CaMML (Causal

  Gambar 1. Contoh DBN sederhana

  Berikut ini contoh DBN pada gambar 1, dimana pengaruh antara penyakit, komplikasi, dan kesehatan ditunjukkan dalam model prior dan model transisi. (Van Gerven, 2008) [5].

  ( )∈ ( )

  b. Model transisi ( ( )| ( − 1)) = ( ( )| ( ( ))

  ( )∈ ( )

  ( (0)| ( (0))

  a. Model sebelum (a prior model) ( (0)) =

  dimana X(t) = {X(t) : X X}. Jika struktur dari DBN berbeda untuk sepanjang waktu pengamatan t {1,2,…} maka bisa dispesifikasikan menjadi 2 model, yaitu model sebelum (a prior model) dan model transisi. Model prior menetapkan inisial distribusi pada proses joint pada waktu 0 dan model transisi menetapkan evolusi dari proses dari waktu awal, t-1 sampai dengan waktu t untuk t {1,2,…}

  ( )∈ ( ) ∈

  ( ) = ( ( )| ( ( )))

  hubungan ketergantungan temporal tambahan, dimana direpresentasikan dengan penunjuk arah antara irisan waktu (Sandri,et all, 2014)[4]. Jika diasumsikan bahwa properi Markov tersembunyi, maka formula DBN dapat ditulis menjadi :

  dynamic bayesian networks juga berisi dependensi atau

  distribusi prior untuk variabel-variabel pada saat bagian pertama V1, dan B2 mendefinisikan hubungan transisi antara variabel dalam dua bagian waktu berturut-turut (Charitos,2009)[3]. Sandri juga menyatakan bahwa

  Data laporan penanganan penyakit tuberkulosis ini diambil dari data yang dipublikasikan WHO di ASEAN selama 10 tahun (dari 2002-2011) (WHO,2014) [10]. Data yang digunakan sebanyak 110 data yang terdiri dari 11 negara di ASEAN (Brunei, Cambodia, Indonesia, Laos, Malaysia, Myanmar, Philipina, Singapura, Thailan, Timor-Timor, dan Vietnam). Data tersebut sebagian besar berupa data numerik yang menunjukkan kuantitas variabel data, sehingga hal ini kurang sesuai untuk

  ISSN : 2302-3805 Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

  new_sp_cur v_1:tinggi 36(33%)

  networks yang sesuai dengan data kategorik. Hal inilah (Hasil pengobatan (>30.000)

  yang membuat peneliti untuk menambahkan proses TB positif: v_2:rendah 74(67%) clustering dengan algoritma k-Means clustering sebagai selamat)

  (<30.000) proses transformasi data numerik menjadi data kategorik. new_sp_fail v_1: rendah 60(55%)

  (Hasil pengobatan (<480)

  K-Means Clustering dengan k = 2 diterapkan pada 10

  TB positif: gagal) v_2: tinggi 50 (45%) variabel data, kecuali pada variabel yang sudah (>480) terkategorikan (pulm_tb_rep_meth, free_dx free, dan new_sp_def v_1: tinggi 33 (30%) fld_ntp). Clustering diterapkan dengan menggunakan

  (Hasil pengobatan (>1800) teknik K-means yang terdiri dari 3 langkah, yaitu: TB positif: v_2: rendah 77(70%)

  1.Menentukan centroid/titik tengah setiap cluster dengan default/putus (<1800) random. pengobatan)

  2.Menentukan jarak setiap obyek terhadap koordinat titik e_pop_num v_1:tinggi 10(9%) tengah.Penghitungan “dissimilarity” atau jarak antara

  (Perkiraan jumlah (>1,5juta) parameter dengan centroid menggunakan Euclidean penduduk) v_2:rendah 100(91%)

  distance, A dan B :

  (<1,5juta)

  /

  e_prev_100k v_1:rendah 8(80%) ( , ) = (( − ) ) (1)

  (Perkiraan (<100) prevalensi TB per dimana A dan B adalah nilai variabel yang akan dihitung penduduk v_2: rendah 22(20%) jaraknya dan d adalah jarak setiap obyek terhadap

  100.000) (>100) koordinat titik tengah. free_dx free v_0:Diagnosis 11 (10%)

  3.Mengelompokkan obyek ‐obyek tersebut berdasarkan (Diagnosis pada tidak gratis pada jarak minimumnya (Teknomo,2007) [11]. pasien TB) v_1: Diagnosis 88 (80%)

  Karakteristik data yang siap digunakan dalam penelitian gratis untuk ini dapat dilihat pada tabel 1, yang menunjukkan semua karakteristik data. pasien

  Tabel 1. Karakteristik Data V_2: Diagnosis 11 (10%)

  Nama variabel Kategori data n (%)

  gratis new_sp_2 v_1:tinggi 29 (26%) dengan

  (jumlah kasus (>46.000) kriteria

  TB positif) v_2:rendah 81 (74%) tertentu (<46.000) fld_ntp (Pemberian v_0:Obat Tidak 11(10)% new_sn (jumlah v_1:tinggi 5 (5%) obat pada pasien gratis kasus TB negatif) (>46.000)

  TB) v_1: Obat 99 (90%) v_2:rendah 105 (95%)

  Gratis (<46.000) new_ep (jumlah v_1: tinggi 12 (11%)

  Eksperimen dalam penelitian ini menggunakan skenario kasus TB (>32.000) 80% data untuk membangun graf dan 20% untuk evaluasi ekstraparu) v_2:rendah 98 (89%) graf. Hasil evaluasi akan ditampilkan dengan matriks

  (<32.000) konfusi dengan membandingkan nilai yang diprediksi pulm_tb_rep_meth v_1: Smear 94 (85%) dengan nilai yang sebenarnya.Hasil evaluasi akan

  (metode v_2: Smear or 16 (15%) ditampilkan dengan matriks konfusi dengan melaporkan hasil culture membandingkan nilai yang diprediksi dengan nilai yang pengobatan sebenarnya. Matriks konfesi terdiri dari 4 bagian, yaitu kasus) dapat dilihat pada Tabel 3. new_sp_cmplt v_1: rendah 89 (81%)

  (Hasil (<4.600) Tabel 3. Matriks Konfusi pengobatan TB

  Prediksi positif: lengkap) v_2: tinggi 21 (19%)

  Negatif Positif (>4.600)

  Aktual Negatif A B new_sp_died (Hasil v_1: rendah 60 (55%) Positif C D pengobatan TB yang (<1.100)

  Keterangan : positif: meninggal) v_2: tinggi 50 (45%)

• a dalah jumlah prediksi yang benar bahwa yang (>1.100) diprediksi nilai negatif (TN)
• c adalah jumlah prediksi yang salah, yang seharusnya nilai positif diprediksi negatif (FN)
• d adalah jumlah prediksi yang benar bahwa yang diprediksi nilai positif (TP)

  0.50 v_2 (tinggi) 0.50 v_2 v_1

  (tinggi,besar) v_1 (rendah)

  [new_sp_2_0, e_pop_num_0] e_prev_100k_1 v_1 v_1

  Parents Variabel Probabilit y

  Tabel 2. CPT pada variabel e_prev_100k_1

  Tingkat prevalensi TB per 100.000 penduduk rendah jika jumlah kasusnya rendah dan jumlah penduduknya besar (>150 juta).

  0.96

  v_1 v_2 (tinggi,sedang) v_1 (rendah)

  0.04

  v_2 (tinggi)

  100%

  =

  (%) =

  Akurasi adalah proporsi dari jumlah prediksi yang benar dari semua data yang diprediksi, yaitu dengan rumus :

  nilai negatif diprediksi positif (FP)

  ISSN : 2302-3805

  Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

2. Pembahasan

  1. Jumlah kasus positif TB tinggi (>46.000) dan jumlah penduduk besar (> 150 juta) penduduk sedang (< 150 juta)

  0.97

  0.95

  v_1 (rendah)

  0.05

  v_2 (tinggi)

  0.95

  v_1 (rendah)

  v_2 v_1 v_1 (tinggi,rendah,gratis)

  0.94

  v_2 (tinggi)

  0.06

  v_1 (rendah)

  gratis)

  0.03 v_2 v_1 v_0 (tinggi,rendah,tidak

  v_2 (tinggi)

  gratis) v_1 (rendah)

  Dari struktur pada Gambar 1 dapat diketahui adanya keterkaitan antar variabel data pada masalah pengobatan tuberkulosis di kawasan ASEAN. Dari struktur di atas, didapatkan bahwa nilai prevalensi tuberkulosis dipengaruhi oleh jumlah penduduk dan jumlah penemuan kasus pasien positif yang terkena penyakit tuberkulosis. Prevalensi adalah jumlah keseluruhan kasus penyakit yangg terjadi pada suatu waktu tertentu di suatu wilayah(Kamus Besar Bahasa Indonesia, 2014)[12]. Tabel 2 adalah CPT (Conditional Probability Table) dari variabel e_prev_100_1 yang menujukkan adanya keterkaitan dengan new_sp_2 (jumlah kasus positif TB) dan e_pop_num_0 (estimasi jumlah penduduk). Tabel 4 menunjukkan penyebab tingginya nilai prevalensi TB per 100.000 penduduk adalah pada 2 kondisi berikut :

  (rendah,tinggi,obat

  [e_prev_100k_1, e_prev_100k_0, free_dx_0] new_sp_died_1 v_1 v_2 v_1

  Parents variabel Probability

  Tabel 3. Sebagian dari CPT pada variabel new_sp_died_1

  gambar 1 juga dapat diidentifikasi keterkaitan variabel tipe pengobatan untuk diagnosis penyakit TB dengan jumlah pasien yang meninggal akibat penyakit tuberkulosis, yaitu pada variabel new_sp_died_1 yang dipengaruhi oleh free_dx_0, e_prev_100k_1,dan e_prev_100k_0. Dari tabel 3 dapat diketahui bahwa jumlah pasien yang meninggal karena TB di negara ASEAN rendah jika dalam 2 kondisi yaitu diagnosis diberikan gratis sepenuhnya dan gratis dengan kriteria. Sedangkan pada pelayanan diganosis penyakit TB tidak berlakukan secara gratis bisa mempengaruhi meningkatnya jumlah kematian akibat TB. Dari tabel 3 didapatkan nilai probabilitas yang paling tinggi adalah pada saat nilai prevalensi TB di negara tersebut yang sebelumnya tinggi lalu bernilai rendah dan pelayanan diagnosis diberlakukan secara gratis, yaitu probabilitas jumlah pasien meninggal rendah (<1.100) sebesar 97%.

  0.94 Berdasarkan graf dynamic bayesian networks pada

  v_2 (tinggi)

  0.06

  0.03 v_2 v_2 (rendah,sedang) v_1 (rendah)

  Struktur dynamic bayesian networks untuk data pengobatan penyakit tuberkulosis di ASEAN yang terdiri dari 13 variabel dapat dilihat pada gambar 3. Dimana variabel dengan namavariabel_0 adalah variabel pada irisan waktu pertama, dan variabel dengan namavariabel_1 adalah variabel pada irisan waktu kedua. Selain struktur DBN, eksperimen juga menghasilkan tabel CPT (Conditional Probability Table) yang menunjukkan besar nilai probabilitas dari masing-masing variabel.

  0.97

  v_1 (rendah)

  (rendah,besar)

  Gambar 3. Graf Dynamic Bayesian Network

  v_2 (tinggi)

  Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

  v_0 (bayar)

  3. Kesimpulan

  keterkaitan antar variabel dalam kasus data TB di negara ASEAN.

  networks dapat diterapkan untuk mengidentifikasi

  Struktur graf dynamic bayesian networks dapat menunjukkan hubungan probabilistik untuk variabel- variabel yang telah dipelajari dari data. Hasil penelitian ini menunjukkan bahwa metode dynamic bayesian

  ISSN : 2302-3805

  pengobatan penyakit tuberkulosis di negara ASEAN,yaitu sebagai berikut :

  1. Adanya keterkaitan antara variabel jumlah kasus positif TB dan jumlah penduduk dengan nilai prevalensi TB per 100.000 penduduk. Tingkat prevalensi TB per 100.000 penduduk rendah jika jumlah kasusnya rendah dan jumlah penduduknya besar (>150 juta).

  v_1 (gratis)

  0.01

  2 ( tinggi )

  networks dapat mengidentifikasi independensi variabel

  v_

  0.50

  0.50 v_1 (gratis)

  v_0 (bayar)

  v_1 (rendah)

  Tabel 4. CPT pada variabel free_fld_ntp_0 parents node probability [e_prev_100k_0] free_fld_ntp_0

  0.05 Adanya keterkaitan variabel e_prev_100k_0 (nilai prevalensi TB) terhadap variabel free_fld_ntp_0 (pemberian obat TB pada pasien) dapat diidentifikasi pada struktur graf dynamic bayesian networks pada gambar 1. Dari tabel 4 didapatkan bahwa nilai probabilitas yang paling tinggi adalah pada saat nilai prevalensi TB tinggi maka tipe pelayanan pembagian obat TB terhadap pasien gratis. Hal ini mungkin merupakan kebijakan di tiap negara yang nilai prevalensi tinggi terhadap penyakit TB.

  v_2 (tinggi)

  dengan kriteria)

  (tinggi,tinggi, gratis

  Adapun kesimpulan yang didapatkan dari penelitian adalah bahwa dengan struktur dynamic bayesian

0.99 Evaluasi terhadap struktur Dynamic Bayesian Networks

  Gambar 4. Hasil evaluasi Dynamic Bayesian Networks

  dilakukan dengan menggunakan package Netica-J API yang berbasis Java. Tahap evaluasi ini diharapkan dapat menunjukkan bahwa graf dynamic bayesian networks yang dihasilkan sistem dapat dijadikan model untuk prediksi tingkat prevalensi tuberkulosis di negara ASEAN. Hal inilah yang dijadikan pedoman bahwa variabel prevalensi TB per 100.000 penduduk dijadikan variabel target atau variabel yang diprediksi.

  2. Adanya keterkaitan antara tipe pelayanan diagnosis penyakit TB (gratis, gratis dengan kriteria, dan tidak gratis) terhadap jumlah pasien TB yang meninggal akibat penyakit TB. Jumlah pasien yang meninggal karena penyakit TB di negara ASEAN rendah jika tipe pelayanan diagnosis TB di negara tersebut gratis, baik gratis untuk semua pasien maupun gratis dengan kriteria tertentu.

  3. Adanya keterkaitan variabel e_prev_100k_0 (nilai prevalensi TB) terhadap variabel free_fld_ntp_0 (pemberian obat TB pada pasien). Jika nilai prevalensi TB tinggi di negara ASEAN maka tipe pelayanan pembagian obat TB terhadap pasien gratis.

  Daftar Pustaka [1] World Health Organization. Global Report Tuberculosis 2012. http://apps.who.int/iris/bitstream/10665/75938/1/9789241564 502_eng.pdf?ua=1

  . 2012. Diakses pada 20 Oktober 2014. [2] Larranaga, Pedro, et all. A review on evolutionary algorithms in Bayesian networks learning and inference tasks. Elsivier. 2013 [3] Charitos, Theodore, et all. A Dynamic Bayesian network for diagnosing ventilator-associated pneumonia in ICU patients.

  Expert Systems with Applications 2009 : 36. 1249–1258 [4] Sandri, Micol, et all. Dynamic Bayesian Networks to predict sequences of organ failures in patients admitted to ICU. Elsivier. 2014 [5] Van Gerven, Marcel A.J., Babs G.Taal, dan Peter J.F Lucas. Dynamic Bayesian networks as prognostic models for clinical patient management. Journal of Biomedical Informatics 2008 : 41. 515–529 [6] Bayesian Intelligence - MonashUniversy. BI-CaMML 1.4.1. http://bayesian-intelligence.com/software. 30 Oktober 2014

  [7] Korb,Kevin B, Ann E. Nicholson. Bayesian Artificial Inteligence

  2 ^nd .Chapman & Hall /CRC Press, Boca Raton.2010 [8] Black,Alex, Kevin Korb, Ann E. Nicholson. Learning Dynamic Bayesian Networks: Algorithms and Issues. ABNMS 2013. [9] P’erez-Ariza, Cora Beatriz, et all. Causal Discovery of Dynamic Bayesian Networks. AI 2012 : Advances in Artificial Intelligence.

  Springer 2012 : 902-913.

  Hasil dari evaluasi ditunjukkan dengan keluaran program yang berupa matriks konfusi seperti pada gambar 4. Hasil evaluasi menunjukkan graf yang terbentuk dapat memprediksi nilai prevalensi TB di negara ASEAN dengan tingkat akurasi 93,33%. Dari matriks konfusi menunjukkan dai 15 data yang diprediksi, hanya 1 data yang salah diprediksi, yang seharusnya masuk kategori 2 tetapi diprediksi menjadi kategori 1 dan 14 data berhasil diprediksi sebagai data yang memiliki tingkat prevalensi tersebut. Metode ini telah melalui proses pembelajaran struktur dan pembelajaran parameter, sehingga hasil akurasi dalam memprediksi data juga baik. Hal ini menunjukkan bahwa metode dynamic bayesian networks yang dinamis, yaitu dengan adanya perubahan waktu.

  ISSN : 2302-3805 Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015 [10] World Health Organization. TB Data. http://www.who.int/tb/country/data/download/en/ . Diakses pada 20 Oktober 2014.

  [11] Tekmono, Kardi. K-means Clustering Tutorial. http://www.croce.ggf.br/dados/ K%20mean%20Clustering1.pdf .

  2007. (diakses tangal 19 Desember 2014). [12] “Kamus Besar Bahasa Indonesia”, htp:/kbi.web.id/prevalensi, (diakses tangal 15 Desember 2014).

  Biodata Penulis Betha Nurina Sari,

  memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Ilmu Komputer Universitas Brawijaya, lulus tahun 2012. Saat ini menjadi mahasiswa Mahasiswa Magister Ilmu Komputer (M.Kom) Program Pasca Sarjana Magister Ilmu Komputer Universitas Indonesia.