Sistem Pakar Deteksi Dini Penyakit Stroke Menggunakan Metode Naïve Bayes-Certainty Factor

  

Vol. 2, No. 11, November 2018, hlm. 4333-4339 http://j-ptiik.ub.ac.id

Sistem Pakar Deteksi Dini Penyakit Stroke Menggunakan Metode Naïve

  

Bayes-Certainty Factor

_{1 2 3} Renaldy Senna Hutama , Nurul Hidayat , Edy Santoso

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: sennahutama@gmail.com, ntayadih@ub.ac.id, edy144@ub.ac.id

Abstrak

  Stroke menjadi salah satu penyakit yang memiliki angka kematian yang tinggi di Indonesia dan juga di dunia. Penyakit ini bisa menjadi berbahaya jika tidak cepat ditangani karena gangguan dari darah yang memasok ke otak secara tiba-tiba dan jika tidak ditangani dengan cepat dapat menyebabkan cacat permanen ataupun kematian. Di Indonesia penyakit stroke dalam beberapa tahun terakhir mengalami peningkatan, akan tetapi pemerintah masih belum memiliki solusi dalam menyelesaikan permasalahan penyakit tersebut. Padahal proses penanganan penyakit stroke butuh waktu yang cukup dalam pendeteksiannya, apabila tidak ditangani dengan cepat bisa mengakibatkan cacat atau bahkan kematian. Dengan adanya permasalahan tersebut maka dibutuhkan sebuah sistem yang dapat mempercepat dan mempermudah dalam mendeteksi resiko untuk mengurangi angka seseorang terserang penyakit stroke. Metode yang digunakan dalam proses pendeteksian adalah Naïve Bayes-Certainty Factor. Metode Naïve Bayes digunakan untuk mencari peluang kemunculan dari tingkat resiko penyakit stroke. Untuk metode certainty factor digunakan untuk mencari nilai keyakinanya. Sistem ini dibangun dengan berbasis android dengan Bahasa pemrograman java. Untuk pengujian yang dilakukan yakni dengan melakukan perbandingan hasil deteksi dari pakar dengan hasil deteksi yang dilakukan oleh sistem dimana dari 25 data uji yang dilakukan didapatkan hasil akurasi sebesar 84%.

  Kata kunci : penyakit stroke, sistem pakar; deteksi, naïve bayes, certainty factor

Abstract

  

Stroke became one of the diseases that have a high mortality rate in Indonesia and also in the world. It

can be dangerous if it is not handled quickly because of a sudden disruption of blood that supplies the

brain and if not handled quickly can cause permanent disability or death. In Indonesia, stroke disease

in recent years has increased, but the government still has no solution in solving the disease problem.

Though the process of handling stroke disease takes sufficient time in detection, if not handled quickly

can lead to disability or even death. With the existence of these problems then required a system that

can accelerate and simplify the detection of risk to reduce the number of people suffering from stroke.

The method used in the detection process is Naïve Bayes-Certainty Factor. The Naïve Bayes method is

used to look for an opportunity to appear from the risk of stroke. For certainty factor method is used to

find the value of his belief. This system is built with android based with Java programming language.

For the test is done by doing a comparison of detection results from experts with the results of detection

conducted by the system where from 25 test data obtained obtained accuracy of 84%.

  Keywords: stroke disease, expert system, detection, naïve bayes, certainty factor

  menjadi penyebab kematian terbanyak kedua di

1. PENDAHULUAN dunia dan merupakan penyebab kecacatan utama

  pada usia produktif (Russo et al, 2011). Di Stroke merupakan salah satu penyakit yang

  Indonesia dalam beberapa tahun terakhir dapat menyebabkan kematian dimana penyakit mengalami peningkatan penyakit stroke cukup ini merupakan penyakit syaraf mematikan yang tinggi, akan tetapi masih belum ada tindakan memasok darah ke otak secara tiba-tiba sehingga ataupun solusi dari pemerintah untuk melakukan mengalami gangguan(Roger et al, 2011). proses pencegahan penyakit stroke. Padahal

  Penyakit ini kerap dijumpai pada usia senja dan

  Fakultas Ilmu Komputer Universitas Brawijaya

4333 penyakit stroke butuh waktu tidak sedikit dalam melakukan pendeteksian, masalahnya adalah apabila dalam proses penangannya mengalami penundaan atau keterlambatan bisa mengakibatkan cacat atau bahkan kematian. Dengan adanya permasalahan tersebut maka dibutuhkan sebuah sistem yang dapat mempercepat dan mempermudah dalam mendeteksi resiko untuk mengurangi angka seseorang terserang penyakit stroke. Dan bisa juga dimanfaatkan dalam meringankan tugas seorang dokter dalam mendeteksi penyakit yang diderita oleh pasien.

  Metode Naive Bayes digunakan untuk proses perhitungan pada nilai probabilitas di setiap classnya dan diambil nilai yang terbesar sebagai hasil deteksi. Untuk metode Certainty Factor digunakan untuk proses perhitungan nilai presentase keyakinan terhadap hasil deteksi pada metode naive bayes. Pada proses perhitungan metode Certainty Factor dilakukan perhitungan dengan memasukkan nilai keyakinan pakar dan nilai keyakinan dari pengguna yang sesuai dengan inputan jenis-jenis penyakit yang memengaruhi terserangnya penyakit stroke oleh pengguna.

  Penggunaan smartphone saat ini sudah semakin banyak dimana alat ini menjadi salah satu kebutuhan yang dapat mendukung komunikasi antar masyarakat. Dengan menggunakan smartphone pengguna dapat memperoleh informasi dengan mudah. Oleh karena itu sistem yang dikembangkan dengan berbasis android dalam menyesuaikan dengan keadaan pengguna yang ada (Al Ihsan, 2012).

  Pada penelitian sebelumnya yakni dengan judul Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naïve Bayes-Certainty

  Factor di mana pada penelitian ini menghasilkan

  akurasi sebesar 80% (Affan, 2017). Kemudian penelitian selanjutnya yakni Sistem Pendukung Keputusan Deteksi Dini pada Penyakit Stroke menggunakan metode Dempster Shafer dimana penelitian ini menghasilkan akurasi sebesar 89%( Putri, 2015).

  Dalam penggunaan sistem pakar ini diharapkan dapat mempermudah bagi pengguna untuk mengetahui dengan cepat dalam mendeteksi secara dini tanpa harus memiliki perangkat komputer atau selalu terkoneksi dengan jaringan komputer (Al Ihsan, 2012). Penggunaan aplikasi ini akan lebih praktis dan efisien selain melalui perangkat mobile yang sudah banyak digunakan oleh masyarakat luas, pengguna aplikasi ini juga dapat digunakan dimana saja dan kapan saja (Ardiyanto et al, 2012). Oleh karena itu pada penelitian ini akan dikembangkan sebuah sistem pakar yang dapat mendeteksi secara dini resiko penyakit stroke dengan menggabungkan antara metode Naïve

  Bayes dan Certainty Factor dengan harapan

  sistem pakar ini dapat memberikan solusi yang tepat dalam proses pendeteksiannya.

  2. TINJAUAN PUSTAKA

  2.1 Stroke

  Penyakit stroke adalah penyakit yang ditandai dengan tanda gejala kehilangan fungsi otak karena terhentinya suplai darah ke otak. Penyakit stroke ini merupakan salah satu dari adanya penyebab kematian dan juga kecacatan neurologis yang utama yang ada di Indonesia. Untuk jenis-jenis resiko terserang penyakit stroke yang digunakan pada penelitian ini adalah tekana darah, diabetes, riwayat keluarga, merokok, aktifitas fisik, kolesterol, tinggi badan, berat badan, dan riwayat fibrrilasi atrium. Untuk proses deteksi tingkat resikonya dibedakan menjadi tiga yakni tinggi, sedang, dan rendah.

  2.2 Sistem Pakar

  Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih.

  Sistem pakar mengkombinasikan kaidah- kaidah penarikan kesimpulan dengan basis pengetahuan tertentu yang kemudian kombinasi tersebut disimpan ke dalam komputer yag selanjutnya akan digunakan dalam proses pengambilan keputusan untuk meneyelesaikan masalah yang lebih spesifik (Prihatini, 2011).

  2.3 Naïve Bayes Naïve Bayes merupakan suatu classifier perobabilistic

  simple yang berdasarkan pada teorema Bayes yang pada prosesnya mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidak adanya fitur lain di kelas yang sama. Pada saat klasifikasi pendekatan Bayes akan menghasilkan label kategori yang apling tinggi probabilitasnya. Proses perhitungan metode Naïve Bayes dapat rule yakni metode

  “Net Belief” yang diusulkan

  dilakukan dengan menggunakan langkah- oleh E.H. Shortlife dan B.G. Buchanan: langkah berikut ini: CF (Rule) = MB(H,E)

• – MD(H,E)

  1. Mencari niali prior untuk tiap-tiap kelas

  max[( | ),P(H)]−P(H)

  H E P (H) = 1, dnegan menghitung rata-rata tiap kelas

  ( , ) =

  max[1,0]−P(H) dengan menggunakan Persamaan 1. max[P( | ),P(H)]−P(H)

  H E

  x

  Pc(H)=0, ( , ) =

  P =

  min[1,0]−P(H) A

  Di mana : Di mana,

  CF(Rule) = Faktor Kepastian P = Nilai Prior

  MB(H,E) = Measure of Belief (ukuran X = Jumlah data tiap kelas kepercayaan) terhadap hipotesis H, jika A = Jumlah data seluruh kelas diberikan evidence E (antara 0 dan 1)

  MD(H,E) = Measure of Disbelief (ukuran 2. Mencari nilai likehood untuk tiap-tiap kelas ketidakpercayaan) terhadap evidence H, jika dengan menggunakan Persamaan 2. diberikan evidence E (antara 0 dan 1)

  F

  P(H) = Probabilitas kebenaran hipotesis H L =

  B

  P(H|E) = Probabilitas bahwa H benar karena Di mana, fakta E L = Nilai Likehood

  3. METODOLOGI

  F = Jumlah data fitur tiap kelas B = Jumlah seluruh data tiap kelas 3.

  Mencari nilai posterior dari tiap kelas yang dengan menggunakan Persamaan 3.

  ( )ℿ ( | ) Di mana, P(c) = Nilai prior tiap kelas P(a|c) = nilai likehood Hasil klasifikasi dengan menggunakan metode Naive Bayes dilakukan dengan membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang akan terpilih sebagai hasil klasifikasi.

2.4 Certainty Factor

  Teori certainty factor (CF) mengakomodasi ketidakpastian pemikiran Gambar 1 Diagram Metodologi Penelitian seorang pakar. Seorang pakar/ahli dalam hal ini biasanya dokter sering kali menganalisis

  Pada metodologi ini akan dibagi dalam informasi yang ada dengan ungkapan seperti beberapa tahap agar proses yang dilakukan

  “mungkin”, “kemungkinan besar”, “hampir berjalan dengan baik. Langkah pertama diawali pasti”. Untuk mengakomodasi hal ini dengan studi literatur, pengumpulan data, menggunakan certainty factor guna perancangan sistem, implementasi sistem, menggambarkan tingkat keyakinan pakar pengujian sistem dan penarikan kesimpulan dan terhadap masalah yang sedang dihadapi. saran, untuk lebih jelasnya akan dijelaskan dalam diagram alir pada Gambar 1. Di bawah ini merupakan cara untuk mendapatkan certainty factor (CF) dari sebuah

  3.1 Data Penelitian Berat badan sehat

  Sedikit melebihi berat badan

  Ya Tidak Pasti

  Bayes-Certainty Factor

  yang digunakan pada penelitian ini terbagi menjadi tiga proses dalam proses Niave Bayes, yakni pertama mencari nilai probabilitas prior, kedua mencari nilai likehood, kemudian terakhir mencari nilai probabilitas posterior. Untuk metode Certainty Factor sendiri digunakan untuk menghitung nilai kepastian dari hasil perhitungan metode Niave Bayes yang telah dilakukan sebelumnya.

  Diagram Alir Naïve Bayes-Certainty Factor pada Gambar 2.

   Stroke tinggi apabila terdapat >= dari 3 faktor resiko  Stroke sedang apabila terdapat 4-6 faktor resiko  Stroke rendah apabila terdapat 6-8 faktor resiko

  Sumber: (Association, 2009) Keterangan:

  Tidak Tahu beraturan

  Fibrilasi atrium Tidak Beraturan

  Pengumpulan data diambil dari data sekunder atau dataset yaitu data pasien penyakit stroke yang telah dicatat baik dalam hal penyebab hingga hasil deteksi tingkat resiko penyakit stroke. Dari hasil pengumpulan data tersebut didapatkan data faktor resiko terserang stroke beserta atributnya yaitu:

  Kelebiha n berat badan

  Tidak Berat badan

  Riwayat Keluarg a

  Tahapan-tahapan dari metode Naïve

  3-4 kali dalam semingg u

  Tidak 1-2 kali dalam semingg u

  Aktifitas Fisik

  Ya Kadang- kadang Tidak

  Tidak Meroko k

  Diabetes Ya Digaris Batas

  89 <120/80

  >140/90 120- 139/80-

  Tekanan Darah

  Faktor resiko Tinggi Sedang Rendah

  Tabel 1. Data Faktor Resiko Penyakit Stroke

  Analisis kebutuhan proses, dan Analisis kebutuhan keluaran. Tahapan perancangan perangkat lunak terdiri dari use case, untuk perancangan sistem pakar terdiri dari akuisisi pengetahuan, basis [pengetahuan, mesin inferensi, blackboard, fasilitas penjelas dan antarmuka.

4. PERANCANGAN

  . Proses-proses tersebut terdiri dari tiga bagian yakni analisis kebutuhan perangkat lunak, perancangan perangkat lunak, dan perancangan sistem pakar. Tahapan analisis kebutuhan perangkat lunak terdiri dari identifikasi aktor, Analisis kebutuhan masukan,

  Bayes-Certainty Factor

  Bab ini akan menjelaskan tentang alur- alur dari proses perancangan yang akan dilakukan pada Sistem Pakar Deteksi Dini Penyakit Stroke Menggunakan Metode Naïve

  Gambar 2 Diagram Alir Naive Bayes

• – Certainty Factor

  5. IMPLEMENTASI

  5.1 Antarmuka

  Antarmuka Sistem Pakar Deteksi Penyakit Stroke ini digunakan oleh pengguna untuk

  mengetahui apakah sistem yang dibangun

  berinteraksi dengan sistem. Antarmuka untuk sudah sesuai dengan kebutuhan atau tidak. tampilan dari system sendiri terbagi menjadi

  Proses pengujian ini dilakukan dengan

  enam halaman yakni halaman utama, halaman

  menggunakan kasus uji untuk mengetahui

  mulai deteksi, halaman informasi penyakit,

  apakah kinerja sistem sesuai dengan daftar

  halaman informasi perangkat, halaman

  kebutuhan. Berikut merupakan hasil

  informasi pengembang, dan halaman hasil

  pengujian kebutuhan fungsional halaman

  deteksi penyakit stroke nya. Implementasi

  mulai deteksi dan halaman info penyakit: antarmuka ditunjukkan pada Gambar 3.

  Tabel 2 Kasus Uji Halaman Mulai Deteksi

  Nama Kasus Menampilkan halaman Uji pertanyaan proses pendeteksian Tujuan Untuk memastikan sistem Pengujian dapat menampilkan pertanyaan dalam proses pendeteksian penyakit stroke prosedur

  1. Sistem dijalankan Pengujian 2.

  Memilih menu Mulai Deteksi

  Hasil yang Sistem dapat menampilkan diharapkan tampilkan pertanyaan yang telah disediakan oleh sistem dalam proses mendeteksi penyakit stroke. Status Valid

  Gambar 3 Implementasi Antarmuka

  6. PENGUJIAN Tabel 3 Kasus Uji Halaman Info penyakit

  Pada hasil pengujian ini terdiri dari pengujian blackbox, pengujian angket dan Nama Kasus Menampilkan halaman info pengujian akurasi. Untuk pengujian blackbox ini Uji penyakit dilakukan dengan melakukan proses pengujian

  Tujuan Untuk memastikan sistem fungsionalitas sistem apakah berjalan sesuai Pengujian dapat menampilkan halaman dengan yang diharapkan atau tidak. Pengujian informasi tentang penyakit angket dilakukan dengan

  membuat sebuah stroke. kuisioner untuk diisi oleh pengguna yang

  prosedur

  1. Sistem dijalankan

  telah menguji atau menggunakan sistem

  Pengujian

  yang telah dibuat apakah sistem yang dibuat 2.

  Memilih menu info

  layak atau tidak untuk digunakan. Pengujian

  penyakit

  akurasi dilakukan dengan melakukan

  3. Sistem menampilkan

  perbandingan hasil deteksi dari pakar

  halaman info penyakit

  dengan hasil deteksi yang dilakukan oleh

  Hasil yang Sistem dapat menampilkan sistem, apakah hasilnya sama atau tidak. diharapkan tampilkan halaman informasi penyakit yang telah disediakan oleh sistem.

  Status Valid

6.1 Pengujian Blackbox

  Pengujian Blackbox ini merupakan

  6.3 Pengujian Angket pengujian yang digunakan untuk Pengujian usability dilakukan dengan cara sistem pakar deteksi dini penyakit stroke membuat sebuah kuisioner untuk diisi oleh menggunakan metode Naïve Bayes_Certainty pengguna yang telah menguji atau menggunakan Factor , maka didapatkan beberapa kesimpulan sistem yang telah dibuat. Setiap pertanyaan yang sebagai berikut: ada akan diberikan sebuah nilai, yakni satu 1.

  Sistem yang dihasilkan sesuai dengan sampai dengan lima dan totalnya nanti akan perancangan sistem secara keseluruhan dibagi dengan jumlah pertanyaan yang ada. sebagai solusi dari permasalahan dalam Hasil dari perhitungan tersebut akan menjadi mendeteksi dini penyakit stroke yang dapat acuan apakah sistem layak atau tidak, semakin membantu masyarakat dalam mendeteksi tinggi nilai yang didapatkan maka semakin baik secara dan tepat. sistem tersebut.

  2. Berdasarkan hasil pengujian yang telah

  Kuisioner yang dibuat sebanyak 20 lembar

  dilakukan dan diperoleh hasil sebagai yang berisi lima pertanyaan, masing-masing dari berikut: pertanyaan memiliki nilai satu sampai lima.

  a. blackbox mendapatkan Pengujian

  Sesuai dengan hasil kuisioner yang ada

  presentase pengujiannya sebesar 100%

  maka selanjutnya adalah dilakukan proses sehingga dapat diberikan kesimpulan perhitungan mean untuk mendapatkan rata-rata. bahwa fungsionalitas sistem telah berjalan

  Berikut adalah hasil perhitungan hasil kuisioner dengan apa yang dharapkan. pengujian usabilility: b.

  Total Nilai 478 Pengujian usability menghasilkan rata-

  Mean = = = 4,78

  Jumlah Pertanyaan 100 rata diperoleh nilai sebesar 4,78. Dari nilai

  Keterangan : rata-rata tersebut dapat disimpulkan

  Jika Mean = 1 Maka Sistem dianggap sangat bahwa sistem yang dibangun sudah buruk dianggap baik. Jika Mean = 2 Maka Sistem dianggap buruk

  c. Pengujian akurasi memiliki nilai Jika Mean = 3 Maka Sistem dianggap biasa saja

  presentase akurasi sebesar 84% karena

  Jika Mean = 4 Maka Sistem dianggap baik terdapat 4 data uji dari 25 data uji yang Jika Mean = 5 Maka Sistem dianggap sangat tidak sesuai dengan hasil yang diperoleh baik dari pakar yang disebabkan adanya

6.3 Pengujian Akurasi

  kesamaan diantara beberapa resiko yang Pengujian akurasi ini digunakan untuk ada. mengetahui besarnya nilai akurasi sistem yang dibuat. Pada pengujian ini melakukan sebuah

DAFTAR PUSTAKA

  perbandingan hasil deteksi dari pakar dengan hasil deteksi yang dilakukan oleh sistem, apakah Al Ihsan S. H. 2012. Pengembangan Sistem hasilnya sama atau tidak. Untuk data yang

  Pakar Agribisnis Cabai Berbasis didapatkan sebanyak 25 data uji dan setelah Android. Program Studi Ilmu Komputer dilakukan proses pengujian sebanyak 25 kali Institut Pertanian Bogor. tersebut terdapat 6 dari 25 data uji yang

  Ardhitama, Ivan. 2014. Aplikasi Sistem Pakar dilakukan oleh sistem hasilnya berbeda dari hasil Untuk Mendiagnosa Dan Penanganan yang diperoleh dari pakar, maka hanya terdapat Dini Gangguan Autisme Pada Anak 19 data uji yang hasilnya sama antara sistem dan Dengan Metode Certainty Factor yang diperoleh dari pakar. Yang kemudian nilai Berbasis Web. Program Studi akurasi akan didapatkan dengan rumus sebagai Informatika Ilmu Komputer PTIIK berikut: Universitas Brawijaya Malang.

  Output yang sesuai

  x 100% =

  jumlah percobaan

  Astuti, Puji Indah. 2016. Pengembangan Sistem

  21

  x 100% = 84% = Pakar Identifikasi Awal Penyakit

25 Kedelai dengan Pendekatan Naïve

  Maka Akurasi yang didapatkan adalah Bayes Berbasis android. Skripsi. Tidak sebesar 84%. diterbitkan. Institut Pertanian Bogor, Bogor.

7. KESIMPULAN

  Indraswari, Deby Putri. 2015. Sistem Pendukung Berdasarkan hasil pengujian dan analisis

  Keputusan Deteksi Dini pada Penyakit hasil penelitian yang sudah dilakukan pada Stroke menggunakan algoritma Dempster Shafer. Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya Malang.

  Prihatini, Putu Manik. 2011. Metode Ketidakpastian Dan Kesamaran Dalam Sistem Pakar. Staf Pengajar Jurusan Teknik Elektro Politeknik znegeri Bali.

  Roger, V.L. et al., 2011. AHA Heart Disease and Stroke Statistics 2011 update: a report from the American Heart Association.

  Circulation 2011;123:e18-e209.) Suprayogi, Achmad Affan. 2017. Sistem Pakar

  Diagnosis Penyakit Kucing Menggunakan Metode Naïve Bayes- Certainty Factor Berbasis Android.

  Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya.