Sistem Pakar Diagnosis Penyakit Schizophrenia Menggunakan Metode Bayesian Network
Vol. 1, No. 11, November 2017, hlm. 1416-1424 http://j-ptiik.ub.ac.id
Sistem Pakar Diagnosis Penyakit Schizophrenia Menggunakan Metode
1 Bayesian Network 2 3 Rima Diah Wardhani , Rekyan Regasari Mardi Putri , Budi Darma SetiawanProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
2 Email: rimadwardhani@gmail.com, rekyan.rmp@ub.ac.id, s.budidarma@ub.ac.id
Abstrak
Schizophrenia adalah gangguan parah mental, yang ditandai dengan gangguan pikiran, bahasa, persepsi,
dan kesadaran diri. Ada beberapa jenis dari schizophrenia. Hubungan antara jenis schizophrenia dan gejala-gejalanya memiliki ketidakpastian. Suatu gejala A belum tentu hanya mengakibatkan schizophrenia jenis X, melainkan bisa mengakibatkan schizophrenia jenis Y. Pada daerah pedesaan fasilitas kesehatan jiwa masih belum memadai, sehingga masyarakat memperlakukan penderita
schizophrenia
ini dengan tidak wajar seperti di kurung bahkan dipasung. Sebenarnya penderita schizophrenia dapat di obati dan di terapi dengan teratur. Berdasarkan permasalahan tersebut, penulis membuat sistem pakar yang mampu mencari solusi sebagaimana yang dilakukan seorang pakar dalam mendiagnosis dan memberikan solusi pengobatan pada penderita schizophrenia. Sehingga, dokter umum di puskesmas atau rumah sakit kecil di daerah kecil dapat mendiagnosis pasien yang menderita schizophrenia tersebut. Sistem pakar ini menggunakan metode Bayesian Network, bahasa pemrograman
PHP dan database MySQL. Hasil pengujian fungsional sistem pakar menunjukkan semua kebutuhan
fungsional dapat berjalan dengan baik. Selain itu, hasil pengujian akurasi paling tinggi dalam pengujian variasi data latih adalah 92,86%. Dengan hasil akurasi tersebut, sistem pakar ini memiliki performa yang baik untuk melakukan diagnosis penyakit schizophrenia.
Kata kunci : sistem pakar, schizophrenia, gangguan jiwa, bayesian network
Abstract
Schizophrenia is a severe mental disorder that contains thoughts, language, perceptions, and self-
awareness. There are several types of schizophrenia. The relationship between the type of schizophrenia
and its symptoms has uncertainty, where a symptom A is not necessarily only result in schizophrenia
type X, but can lead to schizophrenia type Y. In rural areas, mental health facilities are still inadequate,
so that the people there treat patients with schizophrenia with unnatural as at the brackets even in
stocks. Actually, people with schizophrenia can be handled with the provision of drugs and
psychological therapy with regular. Based on these problems, the authors create expert systems that are
able to find solutions as do an expert in diagnosing and providing treatment solutions in patients with
schizophrenia. Thus, general practitioners in small community clinics or hospitals in small areas can
diagnose patients suffering from the schizophrenia. This expert system uses Bayesian Network method,
PHP programming language and MySQL database. Experimental functional test results show all
functional requirements can run well. In addition, the highest accuracy test results in testing the
variation of training data is 92.86%. With the results of such accuracy, this expert system has a good
performance to make the diagnosis of schizophrenia disease Keywords : expert system, schizophrenia, mental disorders, bayesian networkdelusi. Pada umumnya scizophrenia dimulai 1.
PENDAHULUAN pada akhir masa remaja atau dewasa awal (WHO, 2017).
Schizophrenia
merupakan salah satu Jenis gangguan jiwa schizophrenia ini gangguan jiwa yang mana penderita mengalami termasuk gangguan jiwa berat. Menurut Riset gangguan parah mental, yang ditandai dengan Kesehatan Dasar (Riskesdas) pada tahun 2013, gangguan pikiran, bahasa, persepsi, dan prevalensi gangguan jiwa berat, seperti kesadaran diri. Ini sering mencakup gangguan
schizophrenia
sebesar 1,7 per 1000 penduduk psikotik, seperti mendengar suara-suara atau
Fakultas Ilmu Komputer Universitas Brawijaya
1416 atau sekitar 400.000 orang. 14.3 % dari jumlah tersebut pernah atau sedang dipasung dengan jumlah 18.2% pemasungan dilakukan di pedesaaan sedangkan di perkotaan 10.7% penderita dipasung (Pusat Komunikasi Publik Sekretariat Jenderal Kementerian Kesehatan RI, 2014).
Jika penderita Schizophrenia ini tidak segera ditangani dan diperhatikan secara cepat dan tepat maka akan sangat berdampak buruk antara lain, dikucilkan dari lingkungannya, penderita dapat melakukan tindakan bunuh diri atau juga dapat melakukan tindakan pembunuhan dan hal yang tidak wajar lainnya.
2.1. Kajian Pustaka
Network Diagnosis penyakit anjing yang dikelompo kkan menjadi 19 jenis penyakit anjing
Perancanga n dan Implementa si Sistem Pakar Pendukung Diagnosa Penyakit Anjing Dengan Metode Bayesian Network Gejala- gejala yang terjadi pada anjing Bayesian
Bayesian Network Hasil diagnosis sistem yang mengelom pokkan pasien ke dalam 3 kelas jenis penyakit yaitu telinga, hidung dan tenggorok an
Gejala- gejala yang dirasaan oleh pasien atau pengguna mengenai telinga, hidung maupun tenggorokan nya
ENTDEx: ENT Diganosis Expert System Using Bayesian Networks
Bayesian Network Memberik an diagnosis apakah pasien menderita depresi atau tidak
Gejala- gejala yang dirasaan oleh pasien atau pengguna
Mobile Cloud- based Depression Diagnosis Using an Ontology and a Bayesian Network
Tabel 1. Kajian Pustaka Judul Objek Metode Keluaran Masukan dan Parameter Proses Hasil Penelitian
Berdasar topik penelitian skripsi yang dibahas, penulis akan menjelaskan beberapa penelitian-penelitian terdahulu yang relevan dengan topik penelitian. Uraian dari penelitian- penelitian tersebut dapat dilihat pada tabel 1.
daripada Naive Bayes karena setiap penyakit memiliki gejala yang berbeda-beda yang antar variabel-variabelnya tidak saling bebas. Sistem pakar diharapkan mampu mencari solusi sebagaimana yang dilakukan oleh seorang pakar, seperti memberikan diagnosis dan saran pengobatan penderita schizophrenia 2.
LANDASAN PUSTAKA
Sampai saat ini di Indonesia, pengobatan, fasilitas dan layanan kesehatan dibidang kejiwaan masih belum memadai. Hal tersebut menyebabkan sebagian besar penduduk memperlakukan orang yang memiliki gangguan jiwa dengan tindakan yang tidak layak, contohnya dikurung, dipasung dan masih banyak lainnya.
Bayes . Pada kasus sistem pakar ini juga Bayesian O Network lebih cocok digunakan
juga memiliki akurasi yang cukup bagus dan juga dapat mengurangi kompleksitas jika dibandingkan dengan Naive
Bayesian O Network
hubungan probabilistik antara satu set variabel (Heckerman, 1995). Bayesian O Network juga dapat digunakan untuk menghitung kehadiran berbagai gejala yang nantinya dapat memudahkan diagnosis penyakit mengingat adanya ketidakpastian gejala terhadap penyakit.
Bayesian O Network adalah sebuah model grafis
Menggunakan Metode Bayesian O Network ”.
Schizophrenia
Dengan adanya permasalahan tersebut maka penulis membuat sebuah aplikasi “Sistem Pakar Diagnosis Penyakit
dengan mengetahui gejala-gejala yang ada pada pasien. Dokter akan mendaftar gejala-gejala yang dialami oleh pasien, dan dari daftar gejala tersebut dapat dilakukan proses diagnosis. Sindrom Schizophrenia memiliki beberapa jenis dan umumnya memiliki gejala yang hampir sama antar satu jenis dengan jenis yang lainnya sehingga gejala X belum tentu hanya menyebabkan Schizophrenia jenis A, bisa saja gejala X juga menyebabkan Schizophrenia jenis B dan lainnya. Hal tersebut (ketidakpastian) menyebabkan dokter umum pada puskesmas atau rumah sakit kecil di daerah yang minim akan fasilitas kesehatan jiwa kesulitan dalam mendiagnosis schizophrenia dengan cepat dan tepat.
Schizophrenia dapat dideteksi secara dini
Objek Metode Keluaran
2.3. Bayesian Network Masukan Judul Hasil Bayesian Network dan Proses adalah sebuah model Penelitian
Parameter
grafis hubungan probabilistik antara satu set
A Bayesian Bayesian Dataset Diagnosis
variabel. Metode tersebut cukup populer untuk
Network berupa Network dari 3
merepresentasikan ketidakpastian dalam sistem
Decision Kasus klinis jenis
pakar (Heckerman, 1995). Bayesian Network
Model for nyata pasien penyakit
Supporting dari yaitu terdiri dari dua bagian utama: struktur grafis
the Universitas Demensia,untuk menetapkan satu set ketergantungan dan
Diagnosis of Kedokteran Alzheimer
kemandirian hubungan antara variabel dan satu
Dementia, Duke. dan Mild
set conditional probability table (CPT) untuk
Atribut Cognitive Alzheimer’s
disease and mengukur kekuatan dari hubungan
dataset ImpairmeMild terdiri dari nt
ketergantungan. Kedua bagian tersebut dapat
Cognitive faktor (Penuruna
diperoleh dari para ahli atau belajar dari data
Impairment predisposisi, n Kognitif (Madsen, 2016). hasil tes Ringan)
Pada Bayesian Network, setiap node
neuropsikol ogis, data merepresentasikan variabel acak yang diamati, demografi
variabel laten, parameter yang tidak diketahui
pasien dan
ataupun hipotesis. Edge merepresentasikan
gejala
ketergantungan bersyarat antar node, sedangkan
2.2. Sistem Pakar node yang saling tidak terhubung menyatakan variabel bebas bersyarat.
Sistem pakar didefinisikan oleh seorang Untuk mengilustrasikan proses dari pionir teknologi sistem pakar dari Stanford
Bayesian Network, maka akan diberikan contoh University yaitu Profesor Edward Feigenbaum kasus yang disajikan dalam sebuah graf pada sebagai program komputer pintar (intelligent gambar 2. computer program) yang memanfaatkan pengetahuan dan prosedur inferensi untuk memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia.
Pengetahuan yang dapat dimasukkan dalam sistem pakar dapat berasal dari seorang pakar, buku, jurnal, majalah serta seseorang yang memiliki pengetahuan meskipun bukan ahli (Rosnelly, 2012). Struktur sistem pakar dibagi
Gambar 2. Contoh kasus
oleh 2 bagian yaitu, lingkungan konsultasi dan lingkungan pengembangan.
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
Gambar 1. Struktur Sistem Pakar
probabilitas f jika diberikan semua variabel yang ada dapat dihitung dengan:
( , , , , ) ( , , , , ) 3.
PERANCANGAN (2) ( | , , , ) = =
( , , , ) , , , , ) ∑ ( ′ ′
Pada bab ini akan dijelaskan perancangan Keterangan: dari struktur sistem pakar yang meliputi
P(f|a,s,g,j) = Probabilitas kejadian f perancangan basis pengetahuan, mesin inferensi, diberikan oleh kejadian a,s,g,j
blackboard
, fasilitas penjelas, perbaikan P(f,a,s,g,j) = Joint distribution kejadian pengetahuan dan antarmuka. f,a,s,g,j
3.1. Basis Pengetahuan
P(a,s,g,j) = Joint distribution kejadian Basis pengetahuan sistem pakar ini dibentuk a,s,g,j (Marginal probability) dengan melakukan akuisisi pengetahuan. Persamaan 2 jika diselesaikan menggunakan
Akuisisi pengetahuan yang dilakukan berupa persamaan 1 maka akan menjadi wawancara dengan pakar dan analisa protokol. Basis pengetahuan pada sistem pakar ini
( | , , , ) = ( ) ( ) ( ) ( | ) ( | )
, ,
menggunakan aturan produksi dan juga sebuah
= ′ ∑ ( ′) ( ) ( ) ( | ′) ( | )
, , ′
struktur graf Bayesian Network. Aturan
( ) ( | ) ( | ) , ,
produksi (IF-THEN) digunakan untuk
(3) ′ | ′) ( | )
∑ ( ′) ( , , ′
menentukan apakah pasien positif terkena Keterangan: schizophrenia, sedangkan untuk menentukan
P(f|a,s,g,j) = Probabilitas kejadian f pasien menderita schizophrenia jenis yang mana diberikan oleh kejadian a,s,g,j digunakan struktur graf Bayesian Network tersebut. Basis pengetahuan menggunakan
P(f) = Peluang terjadinya variabel f aturan produksi dapat dilihat pada tabel 2. P(g|f) = Peluang terjadinya variabel g diberikan variabel f Tabel 2. Aturan umum diagnosis schizophrenia
No. Aturan
P(j|f,a,s) = Peluang terjadinya variabel f
R-1
IF G01=’YA’ AND G08=’YA’ AND
diberikan variabel f,a, dan s
G02=’YA’ THEN ‘Positif’ R-2
IF G01=’YA’ AND G08=’YA’ AND
Pada persamaan 3, P(f) disebut juga sebagai
G03=’YA’ THEN ‘Positif’ prior probability
, P(g|f) dan P(j|f,a,s) disebut
R-3
IF G01=’YA’ AND G08=’YA’ AND
sebagai conditional probability, sedangkan
G04=’YA’ THEN ‘Positif’
pembagi pada rumus Bayesian Network disebut
R-4
IF G01=’YA’ AND G08=’YA’ AND
juga Marginal Probability yang fungsinya G02=’TM’ AND G03=’TM’ THEN ‘Positif’
R-5
IF G01=’YA’ AND G08=’YA’ AND sebagai normalizing constant. G02=’TM’ AND G04=’TM’ THEN ‘Positif’ R-6
2.4. Schizophrenia
IF G01=’YA’ AND G08=’YA’ AND G03=’TM’ AND G04=’TM’ THEN ‘Positif’ Schizophrenia
merupakan salah satu dari jenis gangguan jiwa yang ditandai dengan Sedangkan struktur dari bayesian network penyimpangan yang fundamental, karakteristik dapat dilihat pada gambar 3. persepsi dan pikiran, dan afek yang tidak wajar atau tumpul. Penderita schizophrenia ini umumnya memiliki kesadaran yang jernih dan kemampuan intelektual yang terpelihara, tetapi kemunduran kognitif dapat berkembang kemudian (Maslin, 2013). Berikut adalah beberapa tipe dari gangguan jiwa Schizophrenia ini antara lain (Maslim, 2013):
1. Schizophrenia Hebefrenik 2.
Schizophrenia Paranoid 3. Schizophrenia Residual 4. Schizophrenia Katatonik 5. Schizophrenia Simpleks 6. Schizophrenia Depresi Pasca Scizophrenia
Gambar 3. Struktur Graf BN Schizophrenia
3.2. Mesin Inferensi
3.3. Blackboard Blackboard
Pada sistem pakar ini, mesin inferensi yang adalah sebuah bagian dari digunakan adalah mesin inferensi dengan memori yang berfungsi sebagai basis data untuk penulusuran jawaban forward chaining. menyimpan hasil sementara dari suatu keputusan
Pada proses diagnosis penyakit sebelum mengambil keputusan. Pada sistem
schizophrenia ini, pada awalnya sistem akan pakar yang menggunakan metode Bayesian
memutuskan penderita positif mengidap Network ini nantinya akan dihasilkan
schizophrenia
atau tidak dengan menggunakan perhitungan sementara yang meliputi prior aturan IF-THEN. Jika penderita positif terkena probabilty, conditional probability dan posterior
schizophrenia , maka akan di lakukan proses probability . Ketiga nilai tersebut merupakan
perhitungan probabilitas menggunakan metode hasil perhitungan sementara yang akan disimpan Bayesian Network untuk menentukan penderita dulu ke dalam sebuah Blackboard. terkena schizophrenia jenis yang mana. Diagram blok alur metode inferensi forward chaining
3.4. Fasilitas Penjelas dapat dilihat pada gambar 4.
Fasilitas penjelas memberikan keterangan hasil perhitungan dari Bayesian Network, sehingga pengguna mengerti bagaimana sistem pakar menghasilkan kesimpulan. Fasilitas penjelas pada sistem pakar ini akan menampilkan bagaimana sistem dapat mencapai kesimpulan tertentu dengan menampilkan tabel hasil nilai Prior probability, Conditional
probability dan Posterior probability Gambar 4. Diagram Blok Inferensi Forward
Chaning dengan metode Bayesian Network
3.5. Perbaikan Pengetahuan
Perbaikan pengetahuan pada sistem pakar Selanjutnya dari gejala-gejala yang ada akan ini akan melakukan pembaharuan jika terdapat dilakukan proses perhitungan probabilitas pengetahuan baru yang belum ada di database. menggunakan metode Bayesian Network. Alur
Pembaharuan pengetahuan dilakukan dengan algoritma dari Bayesian Network dapat dilihat memeriksa data latih, jika ada pengetahuan baru pada gambar flowchart di bawah ini di data training maka sistem akan menambahkan pengetahuan di 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.
Gambar 5. Flowchart Bayesian Network
13. P01 P01 P01 P01 P01
14. P01 P01 P01 P01 P01
Cell yang berwarna hitam adalah cell yang hasil sistemnya tidak sesuai dengan hasil pakar. Pada tabel 3, akurasi dari masing-masing ekpserimen dapat dilihat pada tabel berikut.
Tabel 4. Akurasi Pengujian Variasi 20 Data Latih Eks. Hasil Akurasi ke- Benar 1.
12
12 14 ×100% = 85,7% Gambar 6. Antarmuka Konsultasi 2.
11
11 14 ×100% = 78,6%
3.
12
12 4.
PENGUJIAN DAN ANALISIS
14 ×100% = 85,7% Pengujian dibagi menjadi 3 yaitu pengujian
4.
12
12 validasi, pengujian akurasi variasi data latih dan 14 ×100% = 85,7% pengujian akurasi variasi data uji.
Kemudian hasil pengujian dari 27 data
4.1. Pengujian Validasi dapat dilihat pada tabel 5.
Tabel 5. Pengujian dengan 27 Data Latih
Blackbox merupakan teknik pengujian validasi yang digunakan untuk mengetahui
No. Hasil Hasil Sistem Eksperimen ke-
apakah sistem yang dibangun sudah benar sesuai
Pakar
1
2
3
4
dengan yang dibutuhkan baik untuk kebutuhan
1. P02 P02 P02 P02 P02
2. P02 P02 P02 P02 P02
fungsional. Hasil pengujian validasi dengan
3. P02 P02 P02 P02 P02
menggunakan blackbox menunjukkan hasil
4. P02 P01 P01 P01 P01
akurat dengan nilai 100% karena semua fungsi
5. P02 P02 P02 P02 P02
pada sistem telah berjalan sesuai dengan apa
6. P03 P03 P03 P03 P03
7. P03 P03 P03 P03 P03
yang dirancang
8. P04 P04 P04 P04 P04
9. P04 P01 P04 P04 P04
4.2. Pengujian Akurasi Variasi Data Latih
10. P05 P01 P04 P04 P04
11. P01 P01 P01 P01 P01
Pengujian variasi dari data latih ini
12. P01 P01 P01 P01 P01
dilakukan dengan merubah jumlah dan variasi
13. P01 P01 P01 P01 P01
dari data latih. Data latih secara keseluruhan
14. P01 P01 P01 P01 P01
berjumlah 34. Pada pengujian ini akan dilakukan 3 kali pengujian yang mana setiap pengujian Berdasar tabel pada 5, maka akurasi dari menggunakan data latih berjumlah 20, 27 dan sistem dapat dilihat pada tabel 6.
34. Selain itu, pengujian variasi data latih juga dilakukan menggunakan jumlah setiap kelas
Tabel 6. Akurasi Pengujian Variasi 27 Data Latih
sama. Pada tabel-tabel berikut dapat dilihat hasil
Eks. Hasil Akurasi dari pengujian varasi data latih. ke- Benar Tabel 3. Pengujian dengan 20 Data Latih 1.
12
12 14 ×100% = 78,6% No. Hasil Hasil Sistem Eksperimen ke- 2.
11
11 Pakar
1
2
3
4 14 ×100% = 85,7%
1. P02 P02 P02 P02 P02 3.
12
12
2. P02 P02 P02 P02 P02 14 ×100% = 85,7%
3. P02 P02 P02 P02 P02 4.
12
12
4. P02 P02 P01 P01 P01 14 ×100% = 85,7%
5. P02 P02 P02 P02 P02
6. P03 P02 P03 P03 P03
Selanjutnya, pada tabel 7 berikut berisi
7. P03 P03 P03 P03 P03
8. P04 P04 P03 P04 P04 tentang hasil pengujian dengan 34 data latih.
9. P04 P04 P04 P04 P04
10. P05 P04 P04 P04 P04
11. P01 P01 P01 P01 P01
12. P01 P01 P01 P01 P01
Tabel 7. Pengujian dengan 34 Data Latih
4.3. Analisis Pengujian Variasi Data Latih No. Hasil Hasil
Berdasar hasil pengujian pada tabel 3, 5 dan
Pakar Sistem
7 menghasilkan nilai akurasi yang berbeda-beda, dengan nilai akurasi paling tinggi yaitu 0,857
1. P02 P02
(85,7%). Nilai akurasi yang berbeda-beda
2. P02 P02
tersebut membuktikan bahwa variasi dari data
3. P02 P02
latih mempengaruhi akurasi dari sistem. Dapat
4. P02 P01
5. P02 P02
dilihat juga, kesalahan pada akurasi juga
6. P03 P03
kebanyakan pada data uji yang sama. Pada data
7. P03 P03
uji ke 10, pakar mendiagnosis bahwa pasien
8. P04 P04
menderita penyakit P05 sedangkan sistem
9. P04 P04
10. P05 P04 menyimpulkan pasien menderita P04. Hal
11. P01 P01
tersebut dikarenakan antara P04 dan P05
12. P01 P01
memiliki gejala-gejala yang mirip, sedangkan di
13. P01 P01
data latih jumlah dari P04 adalah 6 sedangkan
14. P01 P01
P05 hanya 2 saja. Perbedaan yang cukup besar tersebut membuat sistem menyimpulkan bahwa Hasil akurasi dengan 34 data latih yang pasien menderita P04. terlihat pada tabel 7 adalah:
Pengujian dengan jumlah setiap kelas
12 20 =
dibuat sama (tabel 8), menghasilkan akurasi
14 ×100% = 85,71%
Kemudian, untuk hasil pengujian data latih paling tinggi berjumlah 92,86%. Data uji ke 10 dengan jumlah data tiap kelasnya sama dapat yang pada pengujian sebelumnya hasilnya selalu dilihat pada tabel 8 berikut. tidak sesuai, pada pengujian dengan perbandingan jumlah kelas yang sama pada
Tabel 8. Pengujian Ratio Kelas Data Latih Seimbang
percobaan ke 2 hasilnya bisa tepat dengan
No. Hasil Hasil Sistem Eksperimen ke-
diagnosis pakar. Dari pengujian tersebut dapat
Pakar
1
2
3
4
dianalisa bahwa perbandingan jumlah kelas
1. P02 P02 P02 P02 P02
dalam data training juga mempengaruhi tingkat
2. P02 P02 P02 P02 P02
akurasi dari sistem pakar ini. Namun dengan
3. P02 P02 P02 P02 P02
4. P02 P03 P01 P02 P01
membuat jumlah setiap kelas dalam data latih
5. P02 P02 P02 P02 P02
sama, dapat merubah pengetahuan sebenarnya
6. P03 P03 P03 P03 P03
sehingga data latihnya tidak sesuai. Akan lebih
7. P03 P03 P03 P03 P03
tepat jika menambah data latih namun dengan
8. P04 P03 P04 P04 P04
9. P04 P04 P04 P04 P04 rasio sesuai realitas yang ada, sehingga variasi
10. P05 P04 P05 P04 P04
dari P05 nantinya juga akan semakin banyak
11. P01 P01 P01 P01 P01 tanpa mengubah pengetahuan sebenarnya.
12. P01 P01 P01 P01 P01
Dengan nilai akurasi 92,86% tersebut,
13. P01 P01 P01 P01 P01
sistem dikatakan baik dalam mendiagnosis
14. P01 P01 P01 P01 P01
karena dalam bidang kedokteran maupun Berdasar hasil pengujian pada tabel 8, maka psikologi-pun nilai akurasi tersebut juga cukup akurasi dari sistem dapat dilihat pada tabel baik. Selain itu, penanganan dari data uji yang berikut. salah tersebut juga tidak jauh berbeda
Tabel 9. Akurasi Pengujian Variasi 27 Data Latih
4.4. Pengujian Akurasi Variasi Data Uji Eks. Hasil Akurasi
Tujuan dari pengujian akurasi dengan
ke- Benar
variasi data uji ini adalah untuk mengetahui 1.
11
11
pengaruh dari data uji terhadap nilai akurasi
14 ×100% = 78,6% 2.
13 13 sistem pakar diagnosis schizophrenia 14 ×100% = 92,9% menggunakan metode Bayesian Network ini.
3.
13
13 Hasil dari pengujian akurasi variasi data uji 14 ×100% = 92,9%
dapat dilihat pada tabel 10.
4.
12
12 14 ×100% = 85,7% Tabel 10. Pengujian Akurasi Variasi Data Uji
dipengaruhi oleh terjadinya probabilitas penyakit (prior) dan probabilitas gejala jika
Eksperimen ke-
diketahui penyakitnya (conditional)
NO
1
2
3
berdasar data latih yang ada. Dari nilai Pkr Sist. Pkr Sist. Pkr Sist. posterior penyakit yang ada, akan dipilih nilai yang paling terbesar untuk dijadikan
1. P01 P01 P01 P01 P01 P01
hasil diagnosis serta saran pengobatan
2. P01 P01 P01 P01 P01 P01 berdasar jenis schizophrenia.
3. P01 P01 P01 P01 P01 P01 2.
Nilai akurasi sistem paling tinggi yang
4. P01 P01 P01 P01 P01 P01
dihasilkan adalah 92,86% yang didapatkan
5. P02 P02 P02 P02 P02 P02
ketika melakukan pengujian variasi data latih dengan perbandingan kelas yang sama.
6. P02 P01 P02 P02 P02 P02
Nilai dari akurasi dipengaruhi oleh variasi
7. P02 P02 P02 P02 P02 P02
data latih dan juga perbandingan dari setiap
8. P02 P03 P02 P02 P02 P01
kelas yang ada di data latih. Nilai 92,86%
9. P02 P02 P02 P01 P03 P03
tersebut juga cukup baik dalam diagnosis
10. P03 P03 P03 P03 P03 P03
manual yang dilakukan oleh dokter maupun
11. P03 P03 P03 P03 P04 P04 psikolog. Berdasarkan penjelasan tersebut,
sistem memiliki performa yang bagus
12. P04 P02 P04 P04 P04 P04
dalam mendiagnosis penyakit
13. P04 P04 P04 P04 P04 P02 schizophrenia .
14. P05 P03 P05 P04 P05 P04 6.
DAFTAR PUSTAKA
Berdasar hasil pengujian pada tabel 10, Alonzo, et al. 2014. ENTDEx: ENT Diagnosis maka akurasi dari sistem dapat dilihat pada tabel
Expert System Using Bayesian berikut. Networks. Journal of Advance in
Tabel 11. Akurasi Pengujian Variasi 27 Data Latih Computer Network, Vol. 2, No. 3.
Eks. Hasil Akurasi
Arifin, Restu Atmaja R. 2012. Perancangan dan
ke- Benar
Implementasi Sistem Pakar Pendukung 1.
11
11 Diagnosa Penyakit Anjing Dengan 14 ×100% = 78,6%
2.
12
12 Metode Bayesian Network. Universitas 14 ×100% = 85,7% Brawijaya Fakultas Ilmu Komputer.
3.
11
11 Chang, Yue-Shan, Fan, Chih-tien, Lo, Win- 14 ×100% = 78,6%
Tsung, Hung, Wan-Chung, Yuan, Shyan-Ming. 2014. Mobile Cloud-
4.5. Analisis Pengujian Variasi Data Uji
Based Depression Diagnosis Using an Berdasar hasil pengujian akurasi variasi data Ontology And a Bayesian Network. ujidi atas, menunjukkan bahwa pengujin yang Future Generation Computer Systems . dilakukan sebanyak 3 kali tersebut menghasilkan
Tersedia di: nilai akurasi yang berdeda-beda. Sehingga, data <http://www.sciencedirect.com/science uji juga mempengaruhi nilai dari akurasi sistem /article/pii/S0167739X1400137X> pakar ini. Fahrul, Mukaddas, Alwiyah & Faustine,
INGRID. 2014. Rasionalitas 5.
KESIMPULAN
Penggunaan Antipsikotik pada Pasien Kesimpulan yang didapat dari penelitian
Schizophrenia di Instalasi Rawat Inap
yang telah dilakukan adalah: Jiwa RSD Madani Provinsi Sulawesi 1.
Untuk membangun sistem pakar ini, basis Tengah Periode Januari-April 2014. pengetahuan yang dibentuk berupa struktur
Online Jurnal of Natural Science ,
Bayesian Network. Kemudian dari basis Vol.3(2): 18-29 pengetahuan yang ada, mesin inferensi akan
Heckerman, David. 1995. A Tutorial on melakukan perhitungan bayesian network Learning With Bayesian Network. dengan mencari nilai probabillitas posterior
Tersedia di: dari setiap penyakit berdasar gejala yang <https://www.microsoft.com/en- diketahui, yang mana posterior tersebut us/research/wp- 2007. Decision Support System and content/uploads/2016/02/tr-95-06.pdf> Intelligent Systems. New Delhi: [Diakses 26 Januari 2017] Prentice-Hall of India. Kusrini. 2008. Aplikasi Sistem Pakar WHO. Tersedia di:
Menentukan Faktor Kepastian <http://www.who.int/mental_health/ma Pengguna dengan Metode Kuantifikasi nagement/schizophrenia/en/> [Diakses Pertanyaan. Yogyakarta: Penerbit Andi
26 Oktober 2016] Madsen, Anders L., et al. 2016. A Parallel Yosep, I. 2010. Keperawatan Jiwa, Ed.Revisi. Algorithm for Bayesian Network Cet. Ke-3. Bandung : PT. Refika Aditam Structure Learning from Large Data
Elsevier
Sets. . Tersedia di: < http://www.sciencedirect.com/science/a rticle/pii/S0950705116302465> [Diakses 28 Oktober 2016] Maramis, Albert A. & Maramis, W. F. 2008.
Catatan IlmuKedokteran Jiwa. 2012. Surabaya: Airlangga University
Maslim, Rusdi. 2013. Diagnosis Gangguan Jiwa (Rujukan ringkas dari PPDGJ-III dan DSM 5). Jakarta: Bagian Ilmu Kedokteran Jiwa FK-Unika Atmajaya.
Meigarani, I., Setyawan, W., & Riza, Lala. 2010.
Penggunaan Metode Bayesian Network Dalam Sistem Pakar Untuk Diagnosis Penyakit Leukimia. Universitas Pendidikan Indonesia.
Pusat Komunikasi Publik Sekretariat Jenderal Kementerian Kesehatan RI. 2014.
Lighting the Hope for Schizoprenia Warnai Peringatan Hari Kesehatan Jiwa tahun 2014. Tersedia di: http://www.depkes.go.id/article/view/2 01410270010/lighting-the-hope-for- schizoprenia-warnai-peringatan-hari- kesehatan-jiwa-tahun-2014.html [Diakses 31 Oktober 2016]
Rosnelly, Rika. 2012. Sistem Pakar Konsep dan Teori. Yogyakarta: Penerbit Andi. Sadock, Benjamin J. & Sadock, Virginia A.
2010. Buku Ajar Psikiatri Klinis Kaplan-Sadock Edisi 2. Jakarta: EGC. Sampaio, Rudini M. et al. 2008. Inference
Algorithms for Systems of Medical Diagnosis Aid Based on Bayesian Network. Federal University of Lavras - Brazil
Seixas, Flavio Luiz, et al. 2013. A Bayesian Network Decision Model for Supporting the Diagnosis of Dementia, Alzheimer’s disease and Mild Cognitive Impairment.
Computer in Biology and Medicine .
Turban, E., Aronson, Jay E. & Liang, Ting-Peng.