Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes

  Vol. 2, No. 8, Agustus 2018, hlm. 2666-2671 http://j-ptiik.ub.ac.id

  

Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes

_{1 2 3} Novianto Donna Prayoga , Nurul Hidayat , Ratih Kartika Dewi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: noviantodp94@gmail.com, ntayadih@ub.ac.id, ratihkartikad@ub.ac.id

Abstrak

  Sistem Diagnosis Penyakit Hati menggunakan Metode Naïve Bayes merupakan aplikasi yang bertujuan membantu masyarakat dalam mendiagnosis penyakit hati secara dini. Sistem ini dibangun berdasarkan masalah yang terjadi di masyarakat yaitu sulitnya dalam mengenali jenis penyakit hati. Dikarenakan penyakit hati mempunyai gejala-gejala yang berjumlah cukup banyak serta terdapat kesamaan gejala yang dimiliki beberapa penyakit hati. Hal ini termasuk salah satu penyebab tingginya tingkat presentase penyakit hati di Indonesia, tercatat dari Riset Kesehatan Dasar tahun 2013, salah satu jenis penyakit hati yaitu hepatitis B secara nasional prevalensinya mencapai 21,8 persen, dan menduduki peringkat tertinggi ketiga di Indonesia. Metode Naïve Bayes dipilih pada penelitian ini karena Naïve Bayes memperhatikan seluruh fitur pada data latih sehingga membuat metode ini optimal dalam melakukan proses klasifikasi. Sistem ini menggunakan sistem operasi Android, karena Android cukup konsisten kepopulerannya di pasar smarthphone Indonesia hingga sekarang. Data yang digunakan pada penelitian ini diperoleh dari dokter yang sudah divalidasi oleh instansi Rumah Sakit Universitas Brawijaya, Kota Malang. Hasil penelitian ini menunjukan bahwa, pada pengujian akurasi dari 40 data uji mendapatkan tingkat akurasi sebesar 87,5%.

  Kata kunci: gejala, penyakit hati, diagnosis, naïve bayes.

  

Abstract

System Diagnosis of Liver Disease using Naïve Bayes Method is an application that aims to help people

for diagnosing liver disease early. This system is built based on problems that occur in society that is

difficult in liver disease. Because liver disease has many symptoms and there are similarities in

symptoms. This is one of the causes of high percentage of liver disease in Indonesia, recorded from

Basic Health Research in 2013, one type of liver disease that is national hepatitis B prevalence reached

21.8 percent, and ranked third highest in Indonesia.The Naïve Bayes method was chosen in this study

because Naïve Bayes paid attention to all features of data training so as to make this method optimal in

classification process. This system uses the Android operating system, because Android is quite

consistent popularity in the market smarthphone Indonesia until now. The data used in this study were

obtained from doctor who have been validated by the institution of Universitas Brawijaya Hospital,

Malang. The results of this study indicate base on the accuracy testing of 40 data testing obtained an

accuracy of 87,5%.

  Keywords : symptoms, liver disease, diagnosis, naïve bayes.

  terganggu pada saat memecah sel darah merah 1.

   PENDAHULUAN dari racun-racun yang terkandung di dalamnya.

  Akibatnya racun-racun tersebut akan menetap Setiap orang pasti menginginkan organ pada tubuh kita (Putri dan Mustafidah, 2011). tubuh yang sehat, tak terkecuali organ hati. Hati

  Penyakit hati atau liver memiliki berbagai merupakan organ dalam tubuh manusia yang macam jenis, salah satunya yang sangat memiliki peran sangat penting. Peran hati adalah berbahaya dan sering terjadi adalah hepatitis B. sebagai penetral racun yang masuk ke dalam

  Menurut Yayasan Lembaga Konsumen tubuh melalui makanan ataupun dari lingkungan. Indonesia (2016), penyakit hepatitis B termasuk

  Tanpa adanya hati manusia tidak akan mampu dalam ancaman kesehatan tertinggi di Indonesia. bertahan hidup. Kerusakan pada organ hati

  Tercatat dari Riset Kesehatan Dasar (Riskesdas) mampu membuat kemampuan tubuh manusia

  Fakultas Ilmu Komputer Universitas Brawijaya

2666 tahun 2013 mencatat, secara nasional prevalensi penyakit hepatitis B mencapai 21,8 persen, atau menduduki peringkat tertinggi ketiga di Indonesia. Dengan daerah prevalensi tertinggi di provinsi Bangka Belitung (48,2%), Maluku (47,6%) dan DKI Jakarta (37,7%). Tingginya tingkat presentase yang muncul di Indonesia terjadi karena beberapa faktor, seperti faktor lingkungan, faktor pelayanan kesehatan, dan faktor dari masyarakat sendiri. Faktor dari masyarakat terjadi diantaranya karena kurangnya pengetahuan masyarakat tentang penyakit hati, meliputi gejala-gejala dan jenis penyakit hati serta cara pencegahannya.

  Kurangnya pengetahuan masyarakat tentang penyakit hati dikarenakan masyarakat kesulitan dalam mengenali jenis-jenis penyakit hati dan gejala-gejala penyakit hati yang berjumlah cukup banyak serta terdapat pula kesamaan gejala yang dimiliki beberapa jenis penyakit hati. Hal ini tentu saja menjadi masalah bagi masyarakat untuk mendeteksi penyakit hati sejak dini. Maka untuk mengetahui apakah masyarakat terindikasi penyakit hati atau tidak masyarakat membutuhkan peran dokter spesialis organ dalam. Namun dalam kenyataannya masyarakat seringkali mendapatkan kendala- kendala seperti terbatasnya jumlah dokter spesialis, jumlah antrian pasien yang banyak, jauhnya jarak ke rumah sakit serta biaya yang mahal, menjadi alasan masyarakat menunda pergi ke rumah sakit. Semakin masyarakat menunda kemungkinan terburuk akan terjadi keterlambatan penanganan, jika hal ini terjadi penyakit hati akan semakin sulit diatasi karena semakin lama ditunda maka akan semakin kronis.

  Agar masalah tersebut dapat terpecahkan, penulis berpikir untuk membantu masyarakat dalam mendiagnosis penyakit hati sedini mungkin dengan alat bantu berupa sistem diagnosis. Dengan adanya sistem diagnosis diharapkan dapat mempermudah masyarakat awam dalam mendiagnosis penyakit hati sejak dini, mendapatkan informasi tentang penyakit hati, serta memperoleh saran yang tepat untuk mencegah penyakit hati.

  Perkembangan mobile pada saat ini mengalami kenaikan pesat dalam bentuk

  hardware ataupun software. Salah satu sistem operasi yang sedang naik daun adalah android.

  Android di Indonesia termasuk dalam sistem operasi yang paling banyak digunakan. Berdasarkan penilitian yang dilakukan Firma Analis IDC (IDC, 2012), di Indonesia memiliki jumlah pengguna android sebesar 52% menguasai pasar smarthpone yang beredar (Octavianus dkk, 2013). Melihat kepopuleran android hingga sekarang penulis terinpirasi untuk menggunakan platform berbasis android untuk sistem diagnosis yang akan dibangun.

  Dalam menyelesaikan suatu proses pengambilan kesimpulan, sistem diagnosis dapat menggunakan beberapa metode tertentu untuk diimplementasikan. Seperti pada penelitian sebelumnya yang mendiagnosis penyakit hati dengan metode Forward Chaining (Putri dan Mustafidah, 2013). Dalam peneletian tersebut dihasilkan sebuah program aplikasi yang mampu mendeteksi jenis penyakit organ hati yang diderita pengguna, serta menjelaskan penyebab dan cara pengobatannya. Penelitian selanjutnya dilakukan oleh Sri Wahyuni, dalam penelitiannya menerapkan metode Naïve Bayes untuk mengidentifikasi hama dan penyakit tanaman kapas. Penelitan tersebut menghasilkan identifikasi hama dan penyakit dengan tingkat akurasi 77,8% (Wahyuni, 2016).

  Dari uraian latar belakang, penulis tertarik untuk membangun sebuah aplikasi “Sistem Diagnosis Penyakit Hati Menggunakan Metode

  Naïve Bayes

  ”. Metode Naïve Bayes dipilih karena metode ini memperhatikan seluruh fitur pada data latih sehingga membuat metode ini optimal dalam melakukan proses klasifikasi (Srimuddawamah, 2015). Sistem ini menerima inputan berupa data gejala-gejala penyakit hati, yang selanjutnya data tersebut akan diproses menggunakan algoritma Naïve Bayes agar dapat memberikan output berupa jenis penyakit hati yang diderita pengguna serta saran pencegahannya secara cepat dan akurat.

  2. TINJAUAN PUSTAKA

  2.1 Penyakit hati

  Hati (liver) merupakan salah satu organ yang cukup besar dan berperan penting bagi tubuh manusia. Penyakit hati yang digunakan pada penelitian ini yaitu hepatitis, sirosis, abses hati dan hepatocellular carcinoma atau yang biasa disebut hepatoma atau kanker hati. Gejala penyakit hati yang digunakan pada penelitian ini berjumlah 20 gejala.

  2.2 Sistem Diagnosis

  Sistem diagnosis pada yang akan dibangun mengambil referensi literatur sistem pakar sebagai dasar dalam perancangan pada penelitian ini. Perbedaan sistem pakar dengan langkah-langkah penelitian yang akan dibangun, sistem diagnosis adalah sistem diagnosis pada dimana langkah penelitian diawali dengan studi penelitian ini tidak menggunakan salah satu literatur, pengumpulan data, perancangan komponen sistem pakar yaitu mesin inferensi. sistem, implementasi sistem, pengujian dan Dengan demikian sistem ini belum dapat analisis sistem dan yang terakhir adalah dikatakan sebagai sistem pakar. Fakta-fakta dari penarikan kesimpulan beserta saran. Langkah- keahlian dokter hanya akan disimpan dalam data langkah penelitian ini dijelaskan kedalam latih yang nantinya akan diproses dengan diagram alir metodologi penelitian pada Gambar metode Naïve Bayes. Keluaran sistem berupa 1. salah satu jenis penyakit hati beserta saran pencegahannya.

2.3 Naïve Bayes

  Naïve Bayes adalah teknik prediksi berbasis

  probabilistik sederhana yang berdasar pada penerapan teorema Bayes (aturan Bayes) dengan sebuah asumsi independensi (ketidaktergantungan) yang kuat (naif). Dapat dikatakan, pada Naïve Bayes model yang digunakan adalah “model fitur independen”. Dalam Bayes (terutama Naïve Bayes), makna independensi yang kuat pada fitur adalah bahwa sebuah fitur dalam suatu data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama (Prasetyo, 2012).

  Prediksi Bayes yang berdasarkan pada teorema Bayes memiliki rumus umum seperti pada persamaan 1.

  ( | ) ( ) ( | ) = (1)

  ( )

  Penjelasan dari rumus tersebut adalah

  Gambar 1 Diagram alir Metodologi Penelitian

  sebagai berikut (Prasetyo, 2012) :

• Probabilitas akhir (Posterior) bersyarat sebuah hipotesis H terjadi jika diberikan

  3.1 Data Penelitian

  Pada proses pengumpulan data variabel bukti (evidence) E terjadi. Rumus posterior penelitian yang akan digunakan adalah data dinotasikan sebagai P(H|E). gejala dari penyakit hati. Data tersebut diperoleh dari seorang dokter dari Rumah Sakit

• Probabilitas suatu bukti E terjadi maka Universitas Brawijaya yang bernama dr.

  memengaruhi hipotesis H (Likelihood).

  Mirzaulin Leonaviri. Proses pengumpulan data Rumus likelihood dinotasikan sebagai P(E|H). dilakukan dengan cara melakukan wawancara serta mengambil referensi dari buku kedokteran.

• Probabilitas awal (Prior) hipotesis H terjadi

  Data yang diperoleh adalah data latih berjumlah tanpa melihat bukti apapun. Prior 100, data uji berjumlah 40, serta data gejala dan dinotasikan sebagai P(H). penyakit hati yang ditunjukkan pada Tabel 1.

• P(E) Probabilitas awal bukti E terjadi tanpa melihat hipotesis/bukti yang lainnya. Yang menjadi ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H) bisa diperkirakan berdasarkan pada beberapa bukti (E) yang diamati.

3. METODOLOGI

  Pada metodelogi akan menjelaskan

  Tabel 1 Akuisisi Pengetahuan 4.

   PERANCANGAN

4.1 Perancangan Sistem

  Bab perancangan menjelaskan tahapan- tahapan perancangan yang akan dilakukan pada aplikasi “Sistem Diagnosis Penyakit Hati

  Gambar 2 Diagram alir Naïve Bayes

  Menggunakan Metode Naïve Bayes ”. Tahapan tersebut terdiri dari tiga bagian antara lain,

  5. IMPLEMENTASI

  analisis kebutuhan perangkat lunak, perancangan perangkat lunak serta perancangan

  5.1 Antarmuka

  sistem diagnosis. Tahap analisis kebutuhan Antarmuka merupakan sebuah sarana yang perangkat lunak terdiri dari identifikasi aktor, digunakan pengguna untuk berkomunikasi analisis kebutuhan masukan, analisis kebutuhan dengan sistem. Terdapat 5 menu utama pada proses dan analisis kebutuhan keluaran. sistem ini yaitu, halaman utama, halaman

  Perancangan perangkat lunak terdiri dari diagnosis, halaman hasil diagnosis, halaman membuat use case diagram, use case skenario, informasi penyakit, halaman bantuan dan dan squence diagram dan antarmuka pengguna. halaman tentang. Implementasi antarmuka

  Perancangan sistem diagnosis terdiri dari sistem diagnosis keseluruhan ditunjukkan pada perancangan akuisisi pengetahuan, basis Gambar 3. pengetahuan, perhitungan Naïve Bayes, fasilitas penjelas.

  Tahapan-tahapan dari metode Naïve Bayes yang dipakai pada penelitian ini terdiri dari 3 proses perhitungan utama. Yang pertama adalah menghitung probabilitas Prior, kemudian menghitung probabilitas Likelihood , lalu dilanjutkan dengan menghitung Probabilitas

  Posterior .

  Diagram alir Naïve Bayes ditunjukkan pada Gambar 2. ₅

  Gambar 3 Implementasi Antarmuka

6 HASIL DAN PEMBAHASAN

  Dari hasil perhitungan akurasi didapatkan presentase sebesar 87,5%. Terdapat 5 kesalahan hasil diagnosis sistem, kesalahan terjadi disebabkan karena gejala dimiliki oleh dua penyakit sedangkan sistem hanya dapat menghasilkan satu output penyakit. Dapat dikatakan semakin banyak gejala spesifik yang digunakan maka akurasi semakin tinggi, semakin banyak gejala umum yang digunakan maka akurasi semakin rendah.

  (3)

  = ℎ ℎ

  3 (Rahadi, 2014) dan memperoleh hasil seperti berikut.

  mean diperoleh dengan menghitung persamaan

  Dari hasil perhitungan mean pengujian angket pada pengguna memperoleh nilai rata- rata sebesar 4,165. Total pertanyaan yang digunakan berjumlah 10 pertanyaan dan jumlah pengisi kuisioner berjumlah 20 orang. Nilai

  6.3 Hasil Pengujian Angket pada Pengguna

  35 40 x100 = 87,5%

  Hasil pengujian yang dilakukan pada penelitian ini terdiri dari pengujian blackbox, pengujian akurasi serta pengujian angket pada pengguna. Pengujian blackbox bertujuan untuk menguji fungsionalitas sistem apakah sudah berjalan sesuai dengan yang diharapkan atau tidak. Pengujian akurasi bertujuan untuk mengetahui kemampuan sistem dengan cara membandingkan hasil keputusan dari ahli/dokter dengan hasil keputusan dari sistem. Pengujian angket pada pengguna bertujuan untuk melihat kinerja sistem apakah sudah layak untuk digunakan.

  =

  (2)

  × 100

  = ℎ ℎ

  Hasil dari pengujian akurasi dengan sampel 40 data uji mendapat 35 hasil yang akurat dan 5 hasil tidak akurat. Untuk mencari nilai presentase akurasi sistem diperoleh dari menghitung jumlah data yang akurat dibagi jumlah seluruh data uji, setelah mendapat hasil pembagian kemudian dikali 100. Nilai akurasi dihitung dengan menggunakan persamaan 2 (Gardenia dkk, 2015) dan memperoleh hasil seperti berikut.

  6.2 Hasil Pengujian Akurasi

  Tabel 2 Hasil Pengujian Blackbox

6.1 Hasil Pengujian Blackbox

  Hasil pengujian blackbox menghasilkan status valid pada semua skenario uji seperti yang terlihat pada Tabel 2. Kesesuaian hasil keluaran sistem dengan hasil yang diharapkan mendapat presentase sebesar 100%. Sehingga dapat ditarik kesimpulan bahwa fungsionalitas sistem sudah berjalan sesuai dengan harapan.

DAFTAR PUSTAKA

  2011. Sistem Pakar untuk Mendiagnosa

  Gardenia, Melifa., dkk. 2015. Sistem Pakar

  Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukamoto . Program Studi

  Teknik Informatika. Fakultas Teknik. Universitas Tanjungpura, Pontianak.

  Octavianus, Hansen., dkk. 2013. Pengembangan Aplikasi “Dokter Saku” Berbasis Android.

  Universitas Bina Nusantara, Jalan Salam 4 No. 24 RT 10/RW 06, Jakarta Barat. Prasetyo, Eko. 2012. DATA MINING

  Yogyakarta: Andi. Putri, Prista Amanda dan Mustafidah, Hindayati.

  Penyakit Hati Menggunakan Metode Forward Chaining. Fakultas Teknik.

  = 883 10 x 20 = 4.165

  Universitas Muhammadiyah Purwokerto, Purwokerto. Rahadi, Dedi R. 2015. Pengukuran Usability

  Sistem menggunakan USE Questionnaire pada Aplikasi Android. Jurnal Sistem

  Informasi (JSI), Volume VOL 6, No. 1, pp. 661-671.

  Srimuddawamah, Ika. 2015. Sistem Pakar

  Diagnosa Penyakit Kulit Pada Anak Menggunakan Metode Naïve Bayes.

  Program Teknologi dan Ilmu Komputer. Universitas Brawijaya, Malang.

  http://ylki.or.id/2016/02/5-ancaman- kesehatan-tertinggi-di-indonesia.html [Diakses 2 Februari 2017]

  Tertinggi di Indonesia . Tersedia di :

  Andang, Ilyani S. 2016. Ancaman Kesehatan

  1. Sistem diagnosis penyakit hati menggunakan metode Naïve Bayes dapat diimplementasikan dengan 3 proses utama yaitu menghitung nilai prior atau peluang penyakit, menghitung

  c.

  Keterangan : Nilai mean = 0,01-1 sistem dirasa sangat buruk Nilai mean = 1,01-2 sistem dirasa buruk Nilai mean = 2,01-3 sistem dirasa cukup baik Nilai mean = 3,01-4 sistem dirasa baik Nilai mean = 4,01-5 sistem dirasa sangat baik Berdasarkan keterangan, nilai mean sebesar

  4,165 termasuk pada kategori sistem yang sangat baik.

7 KESIMPULAN

  Berdasarkan pada perancangan serta pengujian yang sudah dilakukan pada sistem diagnosis penyakit hati menggunakan metode

  Naïve Bayes

  , maka dapat ditarik kesimpulan sebagai berikut:

  Pengujian angket pada pengguna memperoleh hasil rata-rata mean sebesar 4,165. Dengan hasil mean tersebut sistem diagnosis yang dibangun dapat dikatakan mampu digunakan dengan sangat baik oleh pengguna.

• – Konsep dan Aplikasi menggunakan MATLAB.

  berdasarkan masukkan pengguna, serta menghitung posterior yang diperoleh dari perkalian antara prior dan likelihood. Nilai

  posterior tertinggi akan diambil sebagai

  keputusan akhir sistem. Sistem dapat dibangun pada platform android dengan penyimpanan statis, karena sistem dibangun berbasis offline.

  2. Berdasarkan hasil pengujian yang telah dilakukan pada bab pengujian dan analisis memperoleh hasil sebagai berikut: a.

  Pengujian blackbox mendapat tingkat fungsionalitas yang baik dengan presentase 100%, dapat dikatakan keluaran sistem sesuai dengan apa yang diharapkan.

  b. Pengujian akurasi memperoleh hasil akurasi sebesar 87,5% dari 40 data uji terdapat 5 ketidakcocokan antara hasil sistem dengan hasil diagnosis dokter, ketidakcocokan terjadi disebabkan karena gejala dimiliki oleh dua penyakit sedangkan sistem hanya dapat mendiagnosis dengan output satu penyakit.

  likelihood