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 Setiawan

  Program 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 network

  delusi. 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 Impairme

  Mild 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.