SISTEM PAKAR DIAGNOSIS PENYAKIT REMATIK
Ahmad Sayadi | 140451100008
SISTEM PAKAR DIAGNOSIS PENYAKIT REMATIK
MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
1
2
Ahmad Sayadi
Program Studi Manajemen informatika
3
Universitas Trunojoyo madura
4
Adipedias@gmail.com
ABSTRAK
Rematik merupakan penyakit yang menyerang bagian tubuh pada anggota gerak, seperti pada sendi,
otot, tulang dan jaringan sekitar sendi. Keluhan yang lain yang sering muncul adalah rasa nyeri, kaku,
bengkak sampai keterbatasan pergerakan anggota tubuh. Nyeri rematik hampir sama pada saat nyeri
keseleo. Namun, pada rematik disertai peradangan pada persendian dan kulit terlihat memerah yang
diakibatkan karena peradangan.
Penelitian ini membahas tentang aplikasi sistem pakar untuk mendiagnosis penyakit remtik yang
digunakan untuk penelitian terdiri dari 13 gejala dan 3 penyakit remtik. Sistem pakar yang dibangun
menggunakan metode Naïve Bayes Classifier. Terdapat dua tahapan kerja dari aplikasi ini. Pertama,
sistem memberikan jawaban berdasarkan gejala yang dialami. Kedua, sistem akan secara otomatis
menampilkan hasil diagnosis dari penyakit remtik yang diderita oleh orang melalui perhitungan Naïve
Bayes Classifier.
Kata kunci: Naïve Bayes Classifier, Rematik, Sistem pakar
I. PENDAHULUAN
Perkembangan teknologi yang begitu pesat
terutama dalam bidang komputer, tidak berlebihan
apabila komputer dijadikan alasan orang untuk
memperingan
beban kerja
mereka.
Makin
berkembangnya teknologi menyebabkan makin
banyaknya pekerjaan yang memerlukan keahlian
tertentu. Dalam menciptakan tenaga ahli atau seorang
pakar diperlukan waktu yang relatif cukup lama serta
biaya yang tidak sedikit. Salah satu usaha alternatif
untuk menanggulangi kebutuhan ini adalah dengan
menciptakan suatu sistem yang berbasis pengetahuan
yang dikenal dengan kecerdasan buatan.
Naïve Bayes
Naïve Bayes Classifier merupakan pengklasifikasi
probabilitas sederhana berdasarkan pada teorema Bayes.
Teorema Bayes dikombinasikan dengan “Naïve” yang
berarti
setiap
atribut/variabel
bersifat
bebas
(independent). Naïve Bayes Classifier dapat dilatih
dengan efisien dalam pembelajaran terawasi (supervised
learning). Keuntungan dari klasifikasi adalah bahwa ia
hanya membutuhkan sejumlah kecil data pelatihan untuk
memperkirakan parameter (sarana dan varians dari
variabel) yang diperlukan untuk klasifikasi. Karena
variabel independen diasumsikan, hanya variasi dari
variabel untuk masing-masing kelas harus ditentukan,
bukan seluruh matriks kovarians. Dalam prosesnya,
Naïve Bayes Classifier mengasumsikan bahwa ada atau
tidaknya suatu fitur pada suatu kelas tidak berhubungan
dengan ada atau tidaknya fitur lain di kelas yang sama.
Perhitungan Naïve Bayes Classifier yang
digunakan:
Menghitung P(ai | vj) dengan rumus :
P(ai | vj)
Dimana:
Nc = jumlah record pada data learning yang v = vj dan a
= ai
p = 1/ banyaknya jenis class / penyakit
m = jumlah parameter / gejala
n = jumlah record pada data learning yang v = vj / tiap
class
I.
Persamaan diselesaikan melalui perhitungan sebagai
berikut:
1. Menentukan nilai nc untuk setiap class
2. Menghitung nilai P (ai|vj) dan menghitung nilai
P
3. Menghitung P(ai|vj) x P(vj) untuk tiap v
4. Menentukan hasil klasifikasi yaitu v yang
memiliki hasil perkalian yang terbesar
II. Metodologi Penelitian
Metodologi Penelitian yang digunakan adalah
sebagai berikut :
2.1 Identifikasi
Identifikasi merupakan tahapan pendefinisian
sistem, tujuan, perumusan masalah, sumber
daya, data yang digunakan serta biaya untuk
dapat membangun sistem.
2.2 Pengumpulan Data
Data yang digunakan untuk percobaan,
didapatkan dari pakar dan pasien anak penyakit
rematik. Data didapatkan melalui proses
knowledge acquisition diantaranya wawancara
dengan pakar dan mendapatkan rekam medik
pasien. Data yang digunakan adalah 13 gejala
dan 3 penyakit rematik.
2.3 Pemilihan Metode
Naïve Bayes Classifier dipilih karena metode
ini merupakan salah satu metode probabilitas
statistik sederhana dan mudah diterapkan.
2.4 Rancang Bangun Sistem
Sistem dibangun dengan user friendly. Seorang
pengguna akan dengan mudah mengoperasikan
aplikasi yang dibuat, sehingga pengguna relatif
cepat dapat mengetahui hasil diagnosis
penyakit rematik..
2.5 Ujicoba Sistem
Pada tahapan ini, sistem yang sudah dibangun
akan diujicobakan dengan menginputkan
gejalagejala yang dialami pasien. Selanjutnya,
sistem pakar akan menampilkan penyakit
rematik. yang diderita pasien. Analisis hasil
didapatkan dari perbandingan antara hasil
ujicoba sistem pakar dengan hasil diagnosa
pakar (human expert).
III. Data dan Uji Coba
No
1
2
3
1. Macam-macam Penyakit
Macam
Artritis Reumatoid
Osteoartritis (Keropos Sendi)
Artritis Gout atau biasa disebut Rematik
2. Gejala-gejala
No
.Gejala
1
Kedua tangan terasa kaku.
2
3
4
5
6
7
8
9
10
11
12
13
terasa hangat.
Nyeri Sendi
Tidak enak badan
Kemerahan
Nyeri
kaku
Demam
kedinginan
lemah
bengkak semu
bengkak pada sendi
nyeri pada sendi
3. Nama penyakit rematik. dan gejalanya
No
1
2
3
Macam-macam penyakit
Artritis Reumatoid
Osteoartritis (Keropos Sendi)
Artritis Gout atau biasa disebut
Rematik
Gejala
1,4,7,6,11,2,
6,7,13
3,8,9,12,5
Perhitungan
1. Uji Coba
Contoh
perhitungan
dengan
menggunakan
klasifikasi Naïve Bayes Classifier dapat diterapkan pada
pasien ke-1 mengalami gejala nomor 2, 15, 20, 24, 31,
dan 32.
6. Nyeri
7. kaku
9. Kedinginan
13. nyari sendi
Langkah-langkah perhitungan Naïve Bayes Classifier
sebagai berikut:
2. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
n=1
p = 1/3 = 0.333333333333
m = 13
6. nc = 1
7. nc = 1
9. nc = 0
13. nc = 0
3. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
n=1
p = 1/3 = 0.333333333333
m = 13
Ahmad Sayadi | 140451100008
6. nc = 0
7. nc = 1
9. nc = 0
13. nc = 1
4. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
n=1
p = 1/3 = 0.333333333333
m = 13
6. nc = 0
7. nc = 0
9. nc = 1
13. nc = 0
5. Menghitung nilai P (ai|vj) dan menghitung
nilai P (vj)
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
P(6|AR) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(7|AR) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(9|AR) = 0+
0.3095238095235
13
x
0.333333333333=
1 + 13
P(13|AR) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(AR) = 0.333333333333
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
P(6|KS) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(7|KS) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(9|KS) =
0.333333333333
1+
13
x
0.333333333333=
1 + 13
P(13|KS) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(KS) = 0.333333333333
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
P(6|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(7|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(9|AG) =
0.333333333333
1+
13
x
0.333333333333=
1 + 13
P(13|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(A G) = 0.333333333333
6. Menghitung P(ai|vj) x P(vj) untuk tiap v
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
P(AG) x [P(6|AG) x P(7|AG) x P(9|AG) x
P(13|AG)]
= 0.333333333333 x 0.333333333333 x
0.3095238095235
x
0.3095238095235
=0.010644999
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
= P(kS) x [P(6|KS) x P(7|KS) x P(9|KS) x
P(13|KS)]
= 0.333333333333 x 0.3095238095235 x
0.333333333333 x 0.3095238095235
= 0.011463845
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
= P(AG) x [P(6|AG) x P(7|AG) x P(9|AG) x
P(13|AG)]
= 0.3095238095235 x 0.3095238095235 x
0.333333333333 x 0.3095238095235
= 0.009884642
7. Menentukan hasil klasifikasi yaitu v yang
memiliki hasil perkalian yang terbesar
No
Macam-macam penyakit
Nilai v
1
Artritis Reumatoid
0.010644999
2
Osteoartritis (Keropos Sendi)
0.011463845
3
Artritis Gout atau biasa
0.009884642
disebut Rematik
Karena nilai 0.011463845 paling besar, maka contoh
kasus pasien diklasifikasikan sebagai penyakit
Osteoartritis (Keropos Sendi)
IV. Kesimpulan dan Saran
1. Sistem mampu mendiagnosis dengan tepat
sesuai pendapat pakar sebenarnya.
2. Sistem membutuhkan data pasien yang lebih
besar untuk membandingkan dengan hasil pada
penelitian ini, guna mengetahui tingkat
kehandalan sistem pakar.
V. PUTAKA
1. Sri Winiarti” SISTEM PENDUKUNG
KEPUTUSAN KLINIS UNTUK DIAGNOSA
PENYAKIT TULANG”, Program Studi
Teknik Informatika, Universitas Ahmad Dahlan,
Yogyakarta
2. Heru Husada” Artritis/Rematik
”http://herihusada.blogspot.com/2008_09_01_ar
chive.html, 2015
3. Heru Husada” Pengertian Penyebab dan
Gejala Rematik”
http://rianujatripangestu.blogspot.com/2013/05/
penyakit-rematik.html, 2015
SISTEM PAKAR DIAGNOSIS PENYAKIT REMATIK
MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
1
2
Ahmad Sayadi
Program Studi Manajemen informatika
3
Universitas Trunojoyo madura
4
Adipedias@gmail.com
ABSTRAK
Rematik merupakan penyakit yang menyerang bagian tubuh pada anggota gerak, seperti pada sendi,
otot, tulang dan jaringan sekitar sendi. Keluhan yang lain yang sering muncul adalah rasa nyeri, kaku,
bengkak sampai keterbatasan pergerakan anggota tubuh. Nyeri rematik hampir sama pada saat nyeri
keseleo. Namun, pada rematik disertai peradangan pada persendian dan kulit terlihat memerah yang
diakibatkan karena peradangan.
Penelitian ini membahas tentang aplikasi sistem pakar untuk mendiagnosis penyakit remtik yang
digunakan untuk penelitian terdiri dari 13 gejala dan 3 penyakit remtik. Sistem pakar yang dibangun
menggunakan metode Naïve Bayes Classifier. Terdapat dua tahapan kerja dari aplikasi ini. Pertama,
sistem memberikan jawaban berdasarkan gejala yang dialami. Kedua, sistem akan secara otomatis
menampilkan hasil diagnosis dari penyakit remtik yang diderita oleh orang melalui perhitungan Naïve
Bayes Classifier.
Kata kunci: Naïve Bayes Classifier, Rematik, Sistem pakar
I. PENDAHULUAN
Perkembangan teknologi yang begitu pesat
terutama dalam bidang komputer, tidak berlebihan
apabila komputer dijadikan alasan orang untuk
memperingan
beban kerja
mereka.
Makin
berkembangnya teknologi menyebabkan makin
banyaknya pekerjaan yang memerlukan keahlian
tertentu. Dalam menciptakan tenaga ahli atau seorang
pakar diperlukan waktu yang relatif cukup lama serta
biaya yang tidak sedikit. Salah satu usaha alternatif
untuk menanggulangi kebutuhan ini adalah dengan
menciptakan suatu sistem yang berbasis pengetahuan
yang dikenal dengan kecerdasan buatan.
Naïve Bayes
Naïve Bayes Classifier merupakan pengklasifikasi
probabilitas sederhana berdasarkan pada teorema Bayes.
Teorema Bayes dikombinasikan dengan “Naïve” yang
berarti
setiap
atribut/variabel
bersifat
bebas
(independent). Naïve Bayes Classifier dapat dilatih
dengan efisien dalam pembelajaran terawasi (supervised
learning). Keuntungan dari klasifikasi adalah bahwa ia
hanya membutuhkan sejumlah kecil data pelatihan untuk
memperkirakan parameter (sarana dan varians dari
variabel) yang diperlukan untuk klasifikasi. Karena
variabel independen diasumsikan, hanya variasi dari
variabel untuk masing-masing kelas harus ditentukan,
bukan seluruh matriks kovarians. Dalam prosesnya,
Naïve Bayes Classifier mengasumsikan bahwa ada atau
tidaknya suatu fitur pada suatu kelas tidak berhubungan
dengan ada atau tidaknya fitur lain di kelas yang sama.
Perhitungan Naïve Bayes Classifier yang
digunakan:
Menghitung P(ai | vj) dengan rumus :
P(ai | vj)
Dimana:
Nc = jumlah record pada data learning yang v = vj dan a
= ai
p = 1/ banyaknya jenis class / penyakit
m = jumlah parameter / gejala
n = jumlah record pada data learning yang v = vj / tiap
class
I.
Persamaan diselesaikan melalui perhitungan sebagai
berikut:
1. Menentukan nilai nc untuk setiap class
2. Menghitung nilai P (ai|vj) dan menghitung nilai
P
3. Menghitung P(ai|vj) x P(vj) untuk tiap v
4. Menentukan hasil klasifikasi yaitu v yang
memiliki hasil perkalian yang terbesar
II. Metodologi Penelitian
Metodologi Penelitian yang digunakan adalah
sebagai berikut :
2.1 Identifikasi
Identifikasi merupakan tahapan pendefinisian
sistem, tujuan, perumusan masalah, sumber
daya, data yang digunakan serta biaya untuk
dapat membangun sistem.
2.2 Pengumpulan Data
Data yang digunakan untuk percobaan,
didapatkan dari pakar dan pasien anak penyakit
rematik. Data didapatkan melalui proses
knowledge acquisition diantaranya wawancara
dengan pakar dan mendapatkan rekam medik
pasien. Data yang digunakan adalah 13 gejala
dan 3 penyakit rematik.
2.3 Pemilihan Metode
Naïve Bayes Classifier dipilih karena metode
ini merupakan salah satu metode probabilitas
statistik sederhana dan mudah diterapkan.
2.4 Rancang Bangun Sistem
Sistem dibangun dengan user friendly. Seorang
pengguna akan dengan mudah mengoperasikan
aplikasi yang dibuat, sehingga pengguna relatif
cepat dapat mengetahui hasil diagnosis
penyakit rematik..
2.5 Ujicoba Sistem
Pada tahapan ini, sistem yang sudah dibangun
akan diujicobakan dengan menginputkan
gejalagejala yang dialami pasien. Selanjutnya,
sistem pakar akan menampilkan penyakit
rematik. yang diderita pasien. Analisis hasil
didapatkan dari perbandingan antara hasil
ujicoba sistem pakar dengan hasil diagnosa
pakar (human expert).
III. Data dan Uji Coba
No
1
2
3
1. Macam-macam Penyakit
Macam
Artritis Reumatoid
Osteoartritis (Keropos Sendi)
Artritis Gout atau biasa disebut Rematik
2. Gejala-gejala
No
.Gejala
1
Kedua tangan terasa kaku.
2
3
4
5
6
7
8
9
10
11
12
13
terasa hangat.
Nyeri Sendi
Tidak enak badan
Kemerahan
Nyeri
kaku
Demam
kedinginan
lemah
bengkak semu
bengkak pada sendi
nyeri pada sendi
3. Nama penyakit rematik. dan gejalanya
No
1
2
3
Macam-macam penyakit
Artritis Reumatoid
Osteoartritis (Keropos Sendi)
Artritis Gout atau biasa disebut
Rematik
Gejala
1,4,7,6,11,2,
6,7,13
3,8,9,12,5
Perhitungan
1. Uji Coba
Contoh
perhitungan
dengan
menggunakan
klasifikasi Naïve Bayes Classifier dapat diterapkan pada
pasien ke-1 mengalami gejala nomor 2, 15, 20, 24, 31,
dan 32.
6. Nyeri
7. kaku
9. Kedinginan
13. nyari sendi
Langkah-langkah perhitungan Naïve Bayes Classifier
sebagai berikut:
2. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
n=1
p = 1/3 = 0.333333333333
m = 13
6. nc = 1
7. nc = 1
9. nc = 0
13. nc = 0
3. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
n=1
p = 1/3 = 0.333333333333
m = 13
Ahmad Sayadi | 140451100008
6. nc = 0
7. nc = 1
9. nc = 0
13. nc = 1
4. Menentukan nilai nc untuk setiap class
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
n=1
p = 1/3 = 0.333333333333
m = 13
6. nc = 0
7. nc = 0
9. nc = 1
13. nc = 0
5. Menghitung nilai P (ai|vj) dan menghitung
nilai P (vj)
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
P(6|AR) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(7|AR) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(9|AR) = 0+
0.3095238095235
13
x
0.333333333333=
1 + 13
P(13|AR) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(AR) = 0.333333333333
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
P(6|KS) = 1 + 13 x 0.333333333333=
0.333333333333
1 + 13
P(7|KS) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(9|KS) =
0.333333333333
1+
13
x
0.333333333333=
1 + 13
P(13|KS) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(KS) = 0.333333333333
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
P(6|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(7|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(9|AG) =
0.333333333333
1+
13
x
0.333333333333=
1 + 13
P(13|AG) = 0 + 13 x 0.333333333333=
0.3095238095235
1 + 13
P(A G) = 0.333333333333
6. Menghitung P(ai|vj) x P(vj) untuk tiap v
Penyakit Rematik ke 1 : Artritis Reumatoid
(Ar)
P(AG) x [P(6|AG) x P(7|AG) x P(9|AG) x
P(13|AG)]
= 0.333333333333 x 0.333333333333 x
0.3095238095235
x
0.3095238095235
=0.010644999
Penyakit Rematik ke 2 : Osteoartritis (Keropos
Sendi) (KS)
= P(kS) x [P(6|KS) x P(7|KS) x P(9|KS) x
P(13|KS)]
= 0.333333333333 x 0.3095238095235 x
0.333333333333 x 0.3095238095235
= 0.011463845
Penyakit Rematik ke 3 : Artritis Gout atau
biasa disebut Rematik) (AG)
= P(AG) x [P(6|AG) x P(7|AG) x P(9|AG) x
P(13|AG)]
= 0.3095238095235 x 0.3095238095235 x
0.333333333333 x 0.3095238095235
= 0.009884642
7. Menentukan hasil klasifikasi yaitu v yang
memiliki hasil perkalian yang terbesar
No
Macam-macam penyakit
Nilai v
1
Artritis Reumatoid
0.010644999
2
Osteoartritis (Keropos Sendi)
0.011463845
3
Artritis Gout atau biasa
0.009884642
disebut Rematik
Karena nilai 0.011463845 paling besar, maka contoh
kasus pasien diklasifikasikan sebagai penyakit
Osteoartritis (Keropos Sendi)
IV. Kesimpulan dan Saran
1. Sistem mampu mendiagnosis dengan tepat
sesuai pendapat pakar sebenarnya.
2. Sistem membutuhkan data pasien yang lebih
besar untuk membandingkan dengan hasil pada
penelitian ini, guna mengetahui tingkat
kehandalan sistem pakar.
V. PUTAKA
1. Sri Winiarti” SISTEM PENDUKUNG
KEPUTUSAN KLINIS UNTUK DIAGNOSA
PENYAKIT TULANG”, Program Studi
Teknik Informatika, Universitas Ahmad Dahlan,
Yogyakarta
2. Heru Husada” Artritis/Rematik
”http://herihusada.blogspot.com/2008_09_01_ar
chive.html, 2015
3. Heru Husada” Pengertian Penyebab dan
Gejala Rematik”
http://rianujatripangestu.blogspot.com/2013/05/
penyakit-rematik.html, 2015