Sistem Pakar Diagnosis Penyakit Mulut menggunakan Metode Bayessian Network
Vol. 2, No. 2, Februari 2018, hlm. 543-553 http://j-ptiik.ub.ac.id
Sistem Pakar Diagnosis Penyakit Mulut menggunakan Metode Bayessian
Network
1
2
3 Ridho Adi Febrian , Rekyan Regasari Mardi Putri , Suprapto
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
3 Email: ridhoadi36@gmail.com, rekyan.rmp@ub.ac.id, spttif@ub.ac.id
Abstrak
Penyakit pada mulut (oral ulcer) merupakan kondisi yang terjadi pada sekitar rongga mulut yang dapat
disebabkan karena beberapa faktor antara lain jamur, bakteri, virus, anti immune, dan alergi.
Permasalahan yang ditemukan adalah gejala dari penyakit mulut antar penyakit pada kategori yang sama
memiliki kemiripan yang cukup tinggi sehingga dibutuhkan pengetahuan dan pengalaman pakar untuk
mendiagnosis penyakit tersebut. Berdasarkan permasalahan tersebut, peneliti merancang sebuah sistem
pakar penyakit mulut yang memiliki pengetahuan pakar untuk mendapatkan diagnosa penyakit mulut
beserta tindakan medis yang dibutuhkan oleh pasien. Metode yang digunakan pada basis pengetahuan
sistem pakar ini yaitu bayessian network dengan bahasa pemrograman PHP dan menggunakan database
mySQL. Berdasarkan hasil pengujian fungsional menggunakan metode uji blackbox didapatkan semua
fungsi dapat berjalan dengan baik dan sesuai dengan perancangan. Sedangkan pada pengujian akurasi
didapatkan akurasi terbaik sebesar 86,13% melalui 3 kali percobaan dengan variasi yang berbeda
menggunakan 23 data uji. Dengan hasil akurasi yang cukup tinggi maka sistem pakar penyakit mulut
menggunakan metode bayessian network ini disimpulkan memiliki performa yang baik.Kata Kunci : sistem pakar, penyakit mulut, bayesian network
Abstract
Oral ulcer is a condition that occurs around the oral cavity that can be caused by several factors such
as fungi, bacteria, viruses, anti immune, and allergies. The problems are symptoms of oral ulcer between
diseases in the same category have a high similarity that required knowledge and expert experience to
diagnose the disease. Based on these problems, researchers designed a system of oral ulcer experts who
have expert knowledge to obtain a diagnosis of oral ulcer along with medical treatment required by the
patients. The method used in the knowledge base of this expert system is bayessian network with PHP
programming language and using mySQL database. Based on the results of functional testing using
blackbox test method obtained all functions can run well and in accordance with the design. While the
accuracy test obtained the best accuracy of 86.13% through 3 experiments with different variations
using 23 test data. With a fairly high accuracy results then the oral disease expert system using
Bayessian network method is concluded to have good performance.Keywords
: expert system, oral ulcer, bayessian network
Di Indonesia, pasien penderita penyakit PENDAHULUAN 1. mulut dan gigi tiap tahun mengalami peningkatan. Menurut data statistik yang dirilis
Penyakit pada mulut merupakan penyakit oleh kementerian kesehatan RI, pada tahun 2007 yang terjadi pada sekitar rongga mulut yang jumlah penduduk Indonesia yang menderita dapat disebabkan karena jamur, bakteri, virus, masalah pada gigi dan mulut sebanyak 23,2%, anti immune, dan alergi (silverman, 2001). kemudian pada tahun 2013 jumlah itu meningkat Penyakit pada rongga mulut dapat digolongkan menjadi 25,9% (Kesehatan, 2013). Dari sebagai penyakit yang serius karena dari persentase penderita masalah pada gigi dan penyakit ini banyak kondisi medis lain yang mulut yang mendapat perawatan medis pada dapat lebih kronis seperti kanker. tahun 2007 sebanyak 29,7% sedangkan pada tahun 2013 sebanyak 31,1%. Sedangkan jumlah
Fakultas Ilmu Komputer Universitas Brawijaya
543
DASAR TEORI
dokter gigi di Indonesia mulai dari dokter gigi 2. hingga spesialis pada tahun 2016 tercatat 62.588
2.1. KAJIAN PUSTAKA dengan jumlah dokter spesialis gigi hanya 3008 (kki.go.id,2016).
Berdasar topik penelitian skripsi yang Para lulusan sarjana kedokteran gigi baru dibahas, penulis akan menjelaskan beberapa ini tentu belum memiliki pengalaman menangani penelitian-penelitian terdahulu yang relevan pasien dengan kasus penyakit mulut. Ditambah dengan topik penelitian. Uraian dari penelitian- ilmu penyakit mulut ini dapat dikatakan cukup penelitian tersebut dapat dilihat pada Tabel 1. rumit karena banyak kondisi yang hampir sama. Sebagai contoh, untuk diagnosis penyakit Tabel 1
. Kajian Pustaka
pseudomembranous candidiasis memiliki Objek Metode Keluaran kondisi medis atau gejala yang hampir sama
Masukan Judul Hasil dengan nodular candidiasis. Kedua penyakit ini dan Proses Penelitian memiliki kesamaan yang signifikan dikarenakan
Parameter an expert Gejala Forward Diagnosis keduanya termasuk dalam penyakit system for penyakit chaining penyakit candididasis. Pada penyakit nodular diagnosis mulut yang mulut yang candidiasis, lidah atau buccal mukosa penderita and ditemukan sesuai akan ditemukan lesi putih yang perih dan rasa manageme pada tidak enak pada mulut serta kondisi mulut yang nt oral pasien tidak bersih. Kondisi medis tersebut juga dialami ulcer oleh penderita pseudomembranous candidiasis,
ENTDEx: Gejala- Bayesian Hasil ENT gejala yang Network diagnosis akan tetapi lesi pada pseudomembranous
Diganosis dirasaan sistem yang candidiasis dapat dikerok atau dikelupas. Dari
Expert oleh mengelomp persamaan gejala-gejala ini maka dibutuhkan
System pasien okkan pengalaman seorang ahli untuk
Using atau pasien ke membedakannya. Permasalahan ini
Bayesian pengguna dalam 3 dikhawatirkan bagi dokter gigi muda yang
Networks mengenai kelas jenis
telinga, penyakit
kurang berpengalaman akan perbedaan penyakit
hidung yaitu
mulut memberikan diagnosis yang kurang tepat
maupun telinga,
kepada pasien. Diagnosis yang kurang tepat ini
tenggoroka hidung dan
dapat berakibat pada kesalahan pemberian
nnya tenggorokan
treatment kepada pasien. Pemberian treatment Perancang Gejala- Bayesian Diagnosis yang salah dapat memperburuk kondisi pasien. an dan gejala yang Network penyakit
Dengan adanya permasalahan tersebut Implement terjadi anjing yang asi Sistem pada dikelompok maka penulis membuat sebuah aplikasi “Sistem
Pakar anjing kan menjadi Pakar Diagnosis Penyakit Mulut Menggunakan
Pendukung 19 jenis MetodeBayesian O Network a network ”.Bayessian
Diagnosa penyakit merupakan salah satu metode reasoning under
Penyakit anjing uncertainty yang menggambarkan struktur
Anjing sebuah pengetahuan dengan semua
Dengan kemungkinan dan nilai probabilitas antar node-
Metode Bayesian node sehingga ketidakpastian pada sistem dapat
Network dihindari(Ben-Gal, 2007). Bayesian O Network
A Bayesian Dataset Bayesian Diagnosis juga dapat digunakan untuk menghitung
Network berupa Network dari 3 jenis kehadiran berbagai gejala yang nantinya dapat
Decision Kasus klinis penyakit memudahkan diagnosis penyakit mengingat
Model for pasien dari yaitu adanya ketidakpastian gejala terhadap penyakit. Supporting Univ Demensia,
Bayesian O Network juga memiliki akurasi yang the Kedoktera Alzheimer Diagnosis n Duke. dan Mild cukup bagus dan juga dapat mengurangi of Atribut Cognitive kompleksitas jika dibandingkan dengan Naive
Dementia, terdiri dari Impairment Bayes. Sistem pakar diharapkan mampu mencari
faktor (Penurunan
Alzheimer’ solusi sebagaimana yang dilakukan oleh seorang s disease predisposis Kognitif pakar, seperti memberikan diagnosis dan saran and Mild i, hasil tes Ringan) pengobatan penderita.
Cognitive neuropsiko
logis, data
Impairmen t
, , )
2 jika diselesaikan menggunakan persamaan 1 maka akan menjadi
( | , , , ) = ( ) ( ) ( ) ( | ) ( | , , )
∑ (
′
) ( ) ( ) ( |
′
) ( |
′
′
(2) Dimana: P(f|a,s,g,j) = Probabilitas kejadian f diberikan oleh kejadian a,s,g,j
=
( ) ( | ) ( |
, ,
) ∑ ( ′
) ( | ′) ( | ′
, ,
) ′
(3) Dimana P(f|a,s,g,j) = Probabilitas kejadian f diberikan oleh kejadian a,s,g,j
P(f,a,s,g,j) = Joint distribution kejadian f,a,s,g,j P(a,s,g,j) = Joint distribution kejadian a,s,g,j (Marginal probability) Persamaan
( , , , , ) ∑ ( ′ ′ , , , , )
demografi.
Pada Bayessian Network, setiap node merepresentasikan variabel acak yang diamati, variabel laten, parameter yang tidak diketahui ataupun hipotesis. Edge merepresentasikan ketergantungan bersyarat antar node, sedangkan node yang saling tidak terhubung menyatakan variabel bebas bersyarat.
2.2. SISTEM PAKAR Sistem pakar atau expert systems merupakan bagian dari AI (Artificial
Intelligence) yang mengeksplorasi bagaimana sebuah komputer dapat memiliki keahlian seperti seorang ahli dibidangnya (Moursund, 2006). Keahlian yang dimaksud adalah kemampuan seorang pakar dibidangnya dalam mengambil sebuah kesimpulan pada suatu kasus dengan pengetahuan dan pengalaman yang dimiliki.Struktur dari sistem pakar dapat dilihat pada Gambar 1. User Antarmuka
Aksi yang pengguna direkomendasikan Fasilitas penjelasan Mesin inferensi Blackboard (workplace) Fakta spesifik terkait kasus Knowledge base
· Fakta · Aturan Perbaikan pengetahuan Knowledge engineer Pengetahuan pakar Akuisisi pengetahuan Lingkungan Konsultasi Lingkungan Pengembangan
Gambar 1. Struktur Sistem Pakar
2.3. BAYESIAN NETWORK Bayessian network (BN) atau yang bisa juga disebut jaring kepercayaan merupakan bagian dari probabilitas graphical model.
Struktur atau jaringan dari metode ini digunakan untuk menggambarkan relasi antar node (pengetahuan) untuk menghilangkan ketidakpastian pada domain tersebut (Ruggeri, 2007). Node yang dimaksud disini adalah variabel-variabel yang akan digunakan sebagai pengetahuan pada sistem. Bayessian network merupakan penggabungan dari teory grafik/network, probabilitas (teorema bayes), ilmu komputer, dan statistik
.
Untuk mengilustrasikan proses dari Bayesian Network, maka akan diberikan contoh kasus yang disajikan dalam sebuah graf pada Gambar 2.
=
Gambar 2.
Contoh kasus
Berdasar graf pada Gambar 2 di atas, dengan Bayesian Network maka permasalahan- permasalahan berikut akan diselesaikan:
( | ) = ( ) ( | , ) = ( ) ( | , , ) = ( | ) ( | , , , ) = ( | , , )
(1) Pada persamaan 1 di atas dapat dilihat, Bayesian Network akan menyelesaikan permasalahan berdasar struktur graf yang terbentuk. Misalkan pada persamaan 1 yang pertama yaitu P(a|f) ditanyakan peluang terjadinya ‘a’ dengan diberikannya kejadian ‘f’. Karena ‘a’ dan ‘f’ tidak memiliki ketergantungan satu sama lain, persamaan bisa disederhanakan menjadi P(a) dan begitu juga dengan persaman-persamaan berikutnya.
Berdasar contoh kasus pada Gambar 2 maka probabilitas f jika diberikan semua variabel yang ada dapat dihitung dengan:
( | , , , ) =
( , , , , ) ( , , , )
P(f) = Peluang terjadinya variabel f
Struktur dari bayessian network didapatkan melalui konsultasi dengan pakar dan pengambilan pengetahuan melalui daftar pustaka dan referensi-referensi yang terkait dengan penyakit mulut. Struktur dari bayessian network ini digambarkan dengan tujuan untuk mengetahui hubungan antara penyakit dan gejala yang terkait, sehingga terbentuk aturan yang dapat menghindari ketidak pastian pada sistem. Struktur dari bayesisan network sistem pakar penyakit mulut dapat dilihat pada Gambar 3.
4. Candidiasis
(5) − = 2×
×
2.5. Penyakit Mulut Penyakit pada mulut (oral ulcer) merupakan penyakit yang terjadi pada sekitar rongga mulut yang dapat disebabkan karena jamur, bakteri, virus, anti immune, dan alergi (silverman, 2001). Penyakit mulut dibagi menjadi 2 kategori besar yaitu lesi berwarna putih dan lesi non-putih. Dalam penelitian kali ini kategori yang diangkat adalah lesi putih atau white lessions. Berikut adalah contoh penyakit pada kategori white lessions:
1. Lichen Planus
2. Lichenoid Reaction
3. Nicotinic Stomatitis
5. Geographic Tongue
(4) =
6. White Sponge Nevus
7. Focal (frictional) Keratosis
8. Fordyce Granule
9. Mucosal Burns Contoh dari penyakit mulut diatas juga digunakan sebagai kelas pada sistem. Penyakit tersebut merupakan penyakit yang sering muncul di Indonesia.
3. PERANCANGAN
3.1 Basis Pengetahuan Basis pengetahuan merupakan sebuah basis/tempat dimana semua pengetahuan dari sistem berbasis pengetahuan yang berasal dari pakar disimpan. Didalam basis pengetahuan terdapat dua hal yaitu fakta atau apa yang diketahui sistem terkait domain tertentu dan aturan atau representasi logika yang dapat berupa logical references. Basis pengetahuan sendiri dibagi menjadi dua yaitu rule based dan case base. Pada peneltian ini digunakan metode case base reasoning sebagai metode penalaran pada basis pengetahuan. Secara singkat case base reasoning merupakan metode penalaran berdasarkan kasus-kasus yang disimpan atau dimiliki basis pengetahuan untuk membuat kesimpulan. Sedangkan rule based reasoning merupakan metode penalaran yang mengambil keputusan berdasarkan aturan yang disimpan pada sistem.
( ) ( )+ ( )
( ) ( )+ ( )
P(g|f) = Peluang terjadinya variabel g diberikan variabel f
Jumlah solusi benar dari solusi yang sebenarnya
P(j|f,a,s) = Peluang terjadinya variabel f diberikan variabel f,a, dan s Pada persamaan 3, P(f) disebut juga sebagai prior probability, P(g|f) dan P(j|f,a,s) disebut sebagai conditional probability, sedangkan pembagi pada rumus Bayesian Network disebut juga Marginal Probability yang fungsinya sebagai normalizing constant.
2.4. F-measure Metode f-measure atau juga merupakan metode yang mengkombinasikan precision dan recall yang diterapkan dalam deret harmonik (Liu, 2007). Precision dan recall merupakan variabel yang sesuai digunakan dalam kasus information retrieval karena precision dan recall mengukur seberapa lengkap dan seberapa tepat klasifikasi tersebut dalam nilai yang positip.
Menurut Liu,2007, kondisi dari precision, dan recall dibagi menjadi 4 yang dapat dilihat pada Tabel 2.
Tabel 2.
Pembagian kondisi f-measure
Classified positive Classified negative Actual positive
(true positive)
=
Jumlah solusi salah dari solusi yang sebenarnya (false
negative) Actual negative
Jumlah dari solusi benar namun tidak sesuai dengan solusi sebenarnya (false
positive)
Jumlah dari solusi yang tidak ditemukan dan tidak sesuai dengan solusi sebenarnya
(true negative) Berdasarkan Tabel 2, maka dapat dirumuskan persamaan untuk precision, recall, dan f-measure yang dapat dilihat pada persamaan berikut.
- (6)
G03 G07 G12 G17 G22 G02 G06 G11 G16 G21 G26 G01 G10 G15 G20 G25 penyakit mulut Data training Mulai P01 P02 P03 P07 G05 G09 G14 G19 G24 P08 G04 G08 G13 G18 G23 P09 P04 P05 P06 bayessian ne twork Buat struktur Hitung prior probability
Gambar 3. Struktur Graf BN penyakit mulut Hitung conditional proability table
3.2. Mesin Inferensi
Hitung posterior probability Dalam perancangan sistem pakar penyakit mulut dengan bayessian network ini Selesai menggunakan pendekatan mesin inferensi backward chaining. Metode penalaran Gambar 5. Flowchart Bayessian Network backward chaining atau metode penalaran kebelakang merupakan pola penalaran pada
3.3. Blackboard mesin inferensi yang dimulai dengan membuat hipotesis untuk kemudian ditarik pada fakta-
Blackboard adalah sebuah bagian dari fakta yang sesuai pada kasus ini adalah gejala- memori yang berfungsi sebagai basis data untuk gejala. Pada Gambar 4 akan dijelaskan diagram menyimpan hasil sementara dari suatu keputusan blok dari mesin inferensi yang akan diterapkan sebelum mengambil keputusan. Pada sistem pada sistem pakar penyakit mulut. pakar yang menggunakan metode Bayesian Network ini nantinya akan dihasilkan
INFERENSI BACKWARD CHAINING BAYESSIAN NETWORK
perhitungan sementara yang meliputi prior Fakta Aturan Diagnosa probabilty, conditional probability dan posterior
Kesimpulan probability. Ketiga nilai tersebut merupakan
Data masukan Perhitungan Pencarian Hipotesa penyakit pengguna bayessian network probabilitas tertinggi hasil perhitungan sementara yang akan disimpan dulu ke dalam sebuah Blackboard.
Gambar 4. Diagram Blok Inferensi bacward
3.4. Fasilitas Penjelas Chaning dengan metode Bayesian Network
Fasilitas penjelas memberikan keterangan Selanjutnya dari gejala-gejala yang ada hasil perhitungan dari Bayesian Network, akan dilakukan proses perhitungan probabilitas sehingga pengguna mengerti bagaimana sistem menggunakan metode Bayesian Network. Alur pakar menghasilkan kesimpulan. Fasilitas algoritma dari Bayesian Network dapat dilihat penjelas pada sistem pakar ini akan pada Gambar 5. menampilkan bagaimana sistem dapat mencapai kesimpulan tertentu dengan menampilkan tabel hasil nilai Prior probability, Conditional probability dan Posterior probability
3.5. Perbaikan Pengetahuan Perbaikan pengetahuan pada sistem pakar ini akan melakukan pembaharuan jika terdapat pengetahuan baru yang belum ada di database. Pembaharuan pengetahuan dilakukan dengan memeriksa data latih, jika ada pengetahuan baru pada data training maka sistem akan menambahkan pengetahuan dalam basis pengetahuan
3.6. Antarmuka
Antarmuka merupakan penghubung antara sistem pakar dengan pemakai. Dengan antarmuka, pengguna dapat melakukan komunikasi dengan sistem pakar. Pada umumnya sistem pakar melakukan pendekatan berupa form tanya jawab dengan pengguna. Form tanya jawab tersebut berupa form konsutasi yang dapat dilihat pada Gambar 6.
9 P
8 P
8 P
8 P
9 P
4 P
9 P
9 P
9 P
9 P
9 P
4 P
2 P
9 P
1 P
6 P
2 P
6 P
3 P
2 P
4 P
7 P
8 P
8 P
8 P
7 P
8 P
6 P
6 P
7 P
7 P
7 P
8 P
7 P
7 P
7 P
7 P
9 P
8 P
7 P
7 P
8 P
8 P
8 P
8 P
8 P
8 P
8 P
5 P
2 P
8 P
1
1
1
1
1 P05
1
1
2
1
1
1 P06
1
2
2
1
1
1 P07
1
1
2
1
1
1
1
1 P04
8 P
2
9 P
4 P
7 P
8 Berdasarkan tabel 3 diatas maka dapat
dihitung akurasi dari sistem menggunakan metode f-measure untuk tiap fold. Tabel 4 berikut akan menampilkan contoh perhitungan akurasi pada percobaan pertama menggunakan f- measure.
Tabel 4. Contoh perhitungan akurasi Kod e T P F P F N T N Precisi on Reca ll
F- Measur e
P01
1
1
1
1
1
1 P02
2
1
1 0,667 1 0,8
P03
2
1
1
1
6 P
6 P
Gambar 6. Antarmuka Konsultasi 4.
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
2 P
2 P
3 P
1 P
4.1. Pengujian Validasi Pengujian blackbox merupakan teknik pengujian validasi yang digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan baik untuk kebutuhan fungsional. Hasil pengujian validasi dengan menggunakan blackbox menunjukkan hasil akurat dengan nilai 100% karena semua fungsi pada sistem telah berjalan sesuai dengan perancangan.
4.2. Pengujian Akurasi Data Latih Pengujian akurasi data training ini menggunakan metode K fold cross validation dan metode f-measure sebagai alat ukur. Jumlah K yang digunakan sebanyak 6 dengan total data training sebanyak 78, sehingga 1 K memiliki 13 data training. Pengujian dilakukan sebanyak dua kali percobaan. Berikut adalah tabel pembagian data untuk pengujian menggunakan K-fold percobaan ke 1 dan percobaan ke 2.
Tabel 3. Pengujian akurasi data latih percobaan 1 Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 6 Hasil p akar si ste m p akar si ste m p akar si ste m p akar si ste m p akar si ste m p akar si ste m
P
1 P
2 P
1 P
2 P
1 P
1 P
1 P
2 P
1 P
2 P
1 P
2 P
1 P
2 P
1 P
1 P
2 P
2 P
3 P
3 P
8 P
2 P
4 P
4 P
8 P
4 P
4 P
4 P
7 P
4 P
5 P
5 P
5 P
4 P
5 P
5 P
2 P
5 P
5 P
5 P
5 P
5 P
5 P
6 P
4 P
4 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
1 P
3 P
3 P
4 P
5 P
4 P
4 P
4 P
4 P
4 P
4 P
4 P
PENGUJIAN DAN ANALISIS
P08
7 P
8 P
6 P
8 P
7 P
7 P
6 P
8 P
6 P
7 P
2 P
7 P
7 P
7 P
7 P
8 P
8 P
8 P
7 P
7 P
6 P
5 P
8 P
4 P
4 P
8 P
4 P
7 P
4 P
4 P
4 P
7 P
5 P
2 P
4 P
4 P
5 P
5 P
5 P
5 P
5 P
5 P
5 P
7 P
8 P
4 P
7 P
6 P
3 P
8 P
5 P
9 P
9 P
4 P
4 P
8 P
9 P
2 P
7 P
2 Berdasarkan tabel 6 diatas maka dapat
dihitung akurasi dari sistem menggunakan metode f-measure untuk tiap fold. Tabel 7 berikut akan menampilkan hasil perhitungan akurasi pada percobaan kedua.
Tabel 7. Akurasi Pengujian Variasi 20 Data Latih Fold Akurasi percobaan 2
1 57,04 % 2 31,48 % 3 48,15 % 4 61,11 % 5 54,7 % 6 54,5 %
Berdasarkan tabel 7 diatas maka didapatkan rata-rata akurasi dari percobaan 1 sebesar 51,16%. Maka untuk rata-rata akurasi sistem berdasarkan 2 percobaan yang dilakukan sebesar 54,38%.
4.3. Analisis Pengujian Variasi Data Latih Berdasar hasil pengujian data latih di atas, ditemukan bahwa akurasi terbesar dengan nilai
94,07 % merupakan akurasi pada K ke 4 pada percobaan ke 1 dan rata-rata akurasi sebesar 54,38 %. Nilai akurasi pada tiap K berbeda-beda sehingga dapat disimpulkan variasi data latih sangat berpengaruh pada tingkat akurasi sistem. Selain variasi data latih, kemiripan gejala antar penyakit dapat menyebabkan kesalahan diagnosis.
1 P
9 P
8 P
8 P
8 P
8 P
8 P
2 P
8 P
8 P
8 P
8 P
8 P
9 P
9 P
9 P
9 P
9 P
9 P
4 P
2 P
6 P
9 P
5 P
4 P
1
2 P
2 P
1 P
2 P
1 P
1 P
1 P
2 P
1 P
2 P
2 P
2 P
2 P
2 P
1 P
2 P
2 P
2 P
2 P
2 P
1 P
1 P
2 P
1 Rata-rata 0,96 0,95 0,9407
1
1
1 1 0,5 0,667 P09
1
1
2
1
1
Tabel 5. Hasil akurasi pengujian data latih
5 P
percobaan 1
Fold Akurasi percobaan 1
1 53,96 % 2 64,81 % 3 35,19 % 4 94,07 % 5 62,08 % 6 35,42 %
Berdasarkan Tabel 5 diatas maka didapatkan rata-rata akurasi dari percobaan 1 sebesar 57,59%. Akurasi tertinggi didapatkan pada fold ke 4 dengan nilai akurasi 94,07%. Selanjutnya dilakukan percobaan ke 2 dengan jumlah fold yang sama yaitu 6 fold , jumlah data sebanyak 23, dan variasi data yang berbeda dengan percobaan pertama. Tabel 6 berikut akan menggambarkan pembagian data tiap fold dari percobaan kedua.
Tabel 6.
Pengujian akurasi data latih percobaan 2
Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Fold 6 Hasil p akar si ste m p akar si ste m p akar si ste m p akar si ste m p akar si ste m p akar si ste m
P
5 P
1 P
2 P
4 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
4 P
4 P
4 P
1 P
3 P
3 P
4 P
4 P
3 P
3 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
2 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
3 P
4.4. Pengujian Akurasi Variasi Data Uji Pengujian akurasi data uji dilakukan dengan tujuan untuk mengetahui dampak dari variasi data uji pada akurasi sistem. Pengujian variasi data uji ini menggunakan data uji sebanyak 23 data dengan variasi data yang berbeda dan 3 kali percobaan. Data uji ini hanya berisikan gejala- gejala tanpa hasil diagnosis. Pengujian ini menggunakan f-measure sebagai metode untuk mendapatkan akurasi. Tabel 6 berikut akan menampilkan data uji yang digunakan.
Tabel 6 . Pengujian Akurasi Variasi Data Uji N o Ekseperimen ke-
3 Paka r Siste m Paka r Siste m Paka r Siste m
1
2
2
1
1
1
1 P08
2
2
1
1
1
1 P09
1
1
2
1 0,5 1 0,66667
Rata-rata 0,8241 0,89 0,82937 Tabel 9.
Pengujian Akurasi Variasi Data Uji
Kod e T P F P F N T N Precisi on Recall
F- Meas ure
1 P07
1
2
3
1
1
9 0,6667 0,67 0,66667
P03
3
1
1
9 0,75 1 0,85714
P04
2
1
1
8 1 0,6 0,75 P05
1
1
2
1 0,5 1 0,66667
P06
2
2
P01
2 1 0,667 0,8 P02
1
1
1
1
1 P07
2
2
1
1
1
1 P08
2
2
2
1
1
1 P09
1
1
1
2 0,5 0,5 0,5
Rata-rata 0,8148 0,84 0,815
2
1
2
2 0,6667 1 0,8
2
1
1
1
9 0,6667 0,667
0,666
7 P03
2
1
P04
P06
5
1
2
1
5 0,8333 0,714
0,769
2 P05
2
1
2 0,6667 1 0,8
1
9 1 0,75 0,85714 P02
1
1
P02 P03 P05 P05 P01 P01
14 .
P08 P08 P04 P09 P02 P03
13 .
P03 P03 P01 P02 P07 P07
12 .
P04 P04 P08 P08 P04 P04
Tabel 7.
11 .
P01 P01 P04 P04 P04 P04
10 .
9. P02 P02 P02 P03 P09 P09
8. P08 P08 P03 P03 P02 P02
7. P03 P03 P01 P01 P08 P08
6. P01 P01 P06 P06 P01 P01
Pengujian Akurasi Variasi Data Uji
Berdasar Tabel 6 diatas maka dapat dilakukan perhitungan f-measure untuk mendapatkan akurasi dari sistem. Berikut adalah hasil perhitungan f-measure.
4. P03 P03 P07 P07 P04 P04
19 .
16 .
P03 P03 P03 P03 P04 P04
17 .
P04 P04 P04 P04 P05 P05
18 .
P06 P06 P04 P04 P01 P02
P05 P05 P01 P01 P04 P05
P03 P03 P01 P01 P07 P07
20 .
P04 P04 P08 P08 P05 P05
21 .
P07 P07 P07 P07 P09 P04
22 .
P02 P02 P04 P05 P04 P09
23 .
5. P09 P09 P03 P03 P03 P03
3. P02 P02 P02 P02 P02 P02
15 .
2
1
1
1
1 P09
1
2
1
2
1
1 Rata-rata 0,9444 0,95 0,93946 Tabel 8. Pengujian Akurasi Variasi Data Uji
Kod e T P F P F N T N Precisi on Reca ll
F- Measur e
P01
3
1
2
1 P08
2. P04 P05 P02 P02 P03 P03
2
1. P02 P02 P06 P06 P04 P04
2
2
1
2 0,6667 1 0,8
P06
1
2
1
1
1
1 P07
1
2
2
1
P05 P05 P09 P09 P06 P06
F- Measur e
Kod e T P F P F N T N Precisi on Reca ll
5
9 1 0,75 0,85714 P05
1
1
3
P04
7 0,8333 1 0,90909
1
1
8 1 0,8 0,88889 P03
P01
1
1
4
1 P02
1
1
2
2
1
15. P05 P05 P09 P09 P06 P06
Berdasarkan hasil perhitungan f-measure dari 3 kali percobaan dengan variasi data yang
16. P03 P03 P03 P03 P04 P04
berbeda didapatkan nilai akurasi tertinggi adalah
17. P04 P04 P04 P04 P05 P05 0,9619 atau 93,94% dengan rata-rata 86,13%.
18. P06 P06 P04 P04 P01 P02
19. P05 P05 P01 P01 P04 P05
4.5. Analisis Pengujian Variasi Data Latih
20. P04 P04 P08 P08 P05 P05
Berdasar hasil pengujian variasi data uji di
21. P07 P07 P07 P07 P09 P04
atas, ditemukan bahwa akurasi terbesar bernilai 93,94% merupakan akurasi pada percobaan ke 1
22. P02 P02 P04 P05 P04 P09 dengan rata-rata hasil percobaan sebesar 86,13.
23. P03 P03 P01 P01 P07 P07
Hasil perhitungan akurasi dari ke-3 percobaan diatas berbeda-beda. Hal ini menggambarkan Berdasar hasil pengujian pada tabel 10, bahwa variasi dari dari data uji mempengaruhi maka akurasi dari sistem dapat diukur akurasi dari sistem. menggunakan metode f-measure. Hasil pengujian akurasi variasi data uji dilihat pada
4.6. Pengujian Akurasi Variasi Data Uji tabel berikut. Tambahan Tabel 11. Akurasi Pengujian percobaan 1
Pengujian akurasi data uji tambahan F- dilakukan dengan menggunakan data uji
Kod T F F T Precisi Recall Meas sebanyak 23 data dengan variasi data yang e P P N N on ure berbeda sebanyak 3 kali percobaan. Data uji ini
3 0,666
hanya berisikan gejala-gejala tanpa hasil P01
2
1 1 0,8
1
7
diagnosis. Data uji ini memiliki hasil diagnosis
3 0,857 P02
3 1 0,75
1
yang didapatkan melalui konsultasi dengan
143
pakar. Metode yang digunakan pada pengujian
3 P03
4
1
1
1
ini adalah f-measure. Pada pengujian ini
2
digunakan probabilitas 0,01 pada sistem untuk
P04
5
1
1
1
9
gejala dengan kemunculan yang jarang. Hasil
3
pengujian tambahan dapat dilihat pada Tabel 10. P05
3
1
1
1
1
3 Tabel 10. Pengujian Akurasi Variasi Data Uji
P06
1
1
1
1
3 Tambahan
3 P07
2
1
1
1 Ekseperimen ke-
2
3
1
2
3 P08
1
1
1
1 No
3 Paka Siste Paka Siste Paka Siste
3 P09
1
1
1
1
r m r m r m
3
1. P02 P02 P06 P06 P04 P04 Rata-rata 0,972 0,963 0,962
2. P04 P05 P02 P02 P03 P03 Tabel 12.
Akurasi Pengujian percobaan 2
3. P02 P02 P02 P02 P02 P02
F-
4. P03 P03 P07 P07 P04 P04
Kod T F F T Precisi Reca Measur e P P N N on ll
5. P09 P09 P03 P03 P03 P03
e
3
6. P01 P01 P06 P06 P01 P01 P01
1
1 1 0,5 0,66667
2
7. P03 P03 P01 P01 P08 P08
2 P02
3
1 1 0,75 0,75 0,75
8. P08 P08 P03 P03 P02 P02
9
2
9. P02 P02 P02 P03 P09 P09 P03
4 1 0,8 1 0,88889
9
10. P01 P01 P04 P04 P04 P04
2 P04
5 1 0,8333 1 0,90909
8
11. P04 P04 P08 P08 P04 P04
3
12. P03 P03 P01 P02 P07 P07 P05
1
1
1
1
3
13. P08 P08 P04 P09 P02 P03
3 P06
1
1
1
1
3
14. P02 P03 P05 P05 P01 P01 P07
2
3
1
1
1
2
probability, conditional probability, dan
3
nilai posterior yang digunakan sebagai
P08
2
1
1
1
2
kesimpulan. Hanya nilai posterior tertinggi
3 P09
1
1 1 0,5 0,66667
yang akan digunakan sebagai hasil
2
diagnosis sistem. Untuk menguji sistem Rata-rata 0,9315 0,86 0,8757 pakar diagnosis penyakit mulut Tabel 13. menggunakan metode bayessian network
Akurasi Pengujian percobaan 3
ini dilakukan uji validasi, dengan hasil
F- Kod T F F T Precisi Reca semua fungsi telah sukses dibangun. Measur e P P N N on ll
2. Struktur graph bayessian network dibangun e
3 berdasarkan hasil akuisisi pengetahuan P01
1
1 1 0,5 0,66667
2
yang didapatkan melalui wawancara
3 0,66
dengan pakar dan studi literatur. Dengan
P02
2
1 1 0,6667 0,66667
7
dibentuknya graph bayessian network ini
2 P03
5 1 0,8333 1 0,90909 maka hubungan atau aturan antara gejala
8
dan penyakit dari sistem pakar dapat
2 P04
5
1
1
1