ISSN : 1979-9330 (Print) - 2088-0154 (Online) 1
IMPLEMENTASI ALGORITMA NAIVE BAYES PADA SISTEM PAKAR
UNTUK DIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE
BERBASIS WEBSITE
Elah Nurlelah1 , Ari Abdilah2, Muhamad Abdul Ghani3
1,2,3 Universitas Bina Sarana Informatika
e-mail: elah.enl@bsi.ac.id, ari.aab@bsi.ac.id, muhamad.mag@bsi.ac.id
Abstract -Dengue is an infectious disease caused by the dengue virus and is transmitted through the
bite of the Aedes aegepty and Aedes albopictus mosquitoes. Naive Bayes is a simple probabilistic classification that calculates a set of probabilities by summing the frequencies and combinations of values from a given dataset (Saleh, 2015: 209). In this study, data analysis of dengue hemorrhagic fever will be carried out using the Naive Bayes method using 9 variables. This expert system application for diagnosing dbd disease is made with web-based applications, so that it can be accessed by the public at large, besides this application can also help medical people to make decisions in diagnosing dbd disease. From 198 cases consisting of 103 cases of patients infected with dbd disease and 95 cases of patients who did not contract dbd disease obtained from the UPTD of Caringin Health Center, 12 rules were obtained from interviews with experts with a number of classes not as many as 7 rules and the number of the class is 5 rules, so it can be concluded that the research implemented in this web application can help users, especially parents, to diagnose dengue hemorrhagic fever.
Keywords: Naive bayes, expert system, dengue hemorrhagic fever
Abstrak-Penyakit demam berdarah merupakan penyakit infeksi yang disebabkan oleh virus dengue
dan ditularkan melalui gigitan nyamuk Aedes aegepty dan Aedes albopictus. Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan (Saleh, 2015:209). Dalam penelitian ini akan dilakukan analisa data penyakit demam berdarah dengue menggunakan metode naive bayes dengan menggunakan 9 variabel. Aplikasi sistem pakar untuk mendiagnosa penyakit dbd ini dibuat dengan aplikasi berbasis web, sehingga bisa diakses masyarakat secara luas, selain itu aplikasi ini dapat juga membantu para medis untuk melakukan pengambilan keputusan dalam mendiagnosa penyakit dbd. Dari 198 jumlah kasus yang terdiri dari 103 kasus pasien yang terjangkit penyakit dbd dan 95 kasus pasien yang tidak terjangkit penyakit dbd yang didapat dari UPTD Puskesmas Caringin, maka didapatkan 12 rule yang dihasilkan dari wawancara dengan para pakar dengan jumlah class tidak sebanyak 7 rule dan jumlah class ya sebanyak 5 rule, sehingga dapat disimpulkan bahwa penelitian yang diimplementasikan ke dalam aplikasi web ini dapat membantu para pengguna khususnya para orang tua dalam mendiagnosa penyakit demam berdarah dengue.
Kata Kunci : Naive bayes, Sistem pakar, Demam berdarah dengue
1. Pendahuluan
Penyakit demam berdarah merupakan penyakit infeksi yang disebabkan oleh virus
dengue dan ditularkan melalui gigitan nyamuk Aedes aegepty dan Aedes albopictus. Demam
berdarah dengue merupakan salah satu penyakit menular yang sering menimbulkan
wabah dan menyebabkan kematian. (Sari, 2013:100). Jumlah kasus DBD banyak tidak dilaporkan dan terjadi kesalahan klasifikasi pada kasus ini. Peneletian terbaru menunjukkan 390 juta infeksi dengue pertahun, dimana 96 juta bermanifestasi klinis dengan berbagai derajat. Penelitian lain
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 2
menyatakan, prevalensi DBD diperkirakan mencapai 3,9 milyar orang di 128 negara berisiko terinfeksi virus dengue (WHO,2015). Demam Berdarah Dengue banyak ditemukan di daerah tropis dan sub-tropis dimana Asia menempati urutan pertama di dunia dalam jumlah penderita DBD setiap tahunnya. Sementara itu, terhitung sejak tahun 1968 hingga tahun 2009, WHO mencatat negara Indonesia sebagai negara dengan kasus DBD tertinggi di Asia Tenggara (Pusat Data dan Surveilans Epidemiologi KemenKes RI, 2010). Di Indonesia Demam Berdarah pertama kali ditemukan di kota Surabaya pada tahun 1968, dimana sebanyak 58 orang terinfeksi dan 24 orang diantaranya meninggal dunia (Angka Kematian (AK) : 41,3 %). Dan sejak saat itu, penyakit ini menyebar luas ke seluruh Indonesia. (Pusat Data dan surveilans Epidemiologi Kementrian Kesehatan RI, 2010). Berdasarkan data diatas dapat diketahui bahwa DBD (Demam Berdarah Dengue) mempunyai prevalensi yang sangat tinggi dan
mempunyai andil yang besar dalam
meningkatkan angka kematian di Indonesia. Faktor yang mempengaruhi kejadian DBD (Demam Berdarah Dengue), antara lain yang paling sering adalah: pH air dan suhu udara tidak signifikan sedangkan kelembaban udara tidak mempunyai hubungan yang signifikan dengan kejadian DBD (Demam Berdarah
Dengue).
Naive Bayes merupakan sebuah
pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas
dengan menjumlahkan frekuensi dan
kombinasi nilai dari dataset yang diberikan. Algoritma menggunakan teorema Bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas (Saleh, 2015:209).
Agar mendapatkan nilai informasi yang lebih cepat dan fleksibel, aplikasi sistem pakar untuk mendiagnosa penyakit DBD (Demam Berdarah
Dengue) ini dibuat dengan aplikasi berbasis web, sehingga bisa diakses masyarakat secara
luas, selain itu aplikasi ini dapat juga membantu para medis untuk melakukan pengambilan keputusan dalam mendiagnosa penyakit DBD (Demam Berdarah Dengue).
2. Landasan Pemikiran
A. Pengertian Demam Berdarah Dengue
Sugiyono & Darnoto S (2016:84) megemukakan bahwa “penyakit demam berdarah dengue merupakan penyakit akibat infeksi virus dengue yang masih menjadi masalah kesehatan masyarakat Indonesia
yang jumlah penderitanya cenderung meningkat dan penyebarannya semakin luas ”.
B. Teori Sistem Pakar
Sistem pakar atau Expert System biasa
disebut juga dengan Knowledge Based System yaitu suatu aplikasi computer yang ditujukan untuk membantu pengambilan keputusan atau pemecahan persoalan dalam bidang yang spesifik. Sistem ini bekerja dengan menggunakan pengetahuan dan metode analisis yang telah didefinisikan terlebih dahulu oleh pakar yang sesuai dengan bidang keahliannya (Hayadi, 2017:19).
B. Teori Naive Bayes
Menurut Bustami dalam Saleh (2015:209) Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Metode Naïve Bayes juga dinilai berpotensi baik dalam mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain dalam hal akurasi dan efisiensi komputasi (Saleh, 2015:208).
Bustami dalam Saleh (2015:209) menyatakan bahwa persamaan dari teorema Bayes adalah: Dimana:
X: Data dengan class yang belum diketahui H: Hipotesis data merupakan suatu class yang
spesifik
P(H\X): Probabilistik hipotesis H berdasar
kondisi X (posteriori probabilistik)
P(H): Probabilistik hipotesis H (prior
probabilitas)
P(X\H): Probabilistik hipotesis X berdasar
kondisi pada hipotesis H
P(X): Probabilitas X
Untuk menjelaskan metode Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naïve Bayes di atas disesuaikan sebagai berikut:
Dimana variable C merepresentasikan kelas, sementara variableF1 …Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sample berkarakteristik tertentu kedalam kelas
C (Posterior) adalah peluang munculnya kelas C (sebelum masuk sampel tersebut, seringkali
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 3
disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan kemunculan karakteristik-karakteristik sampel secara global (disebut juga evidence). Karena itu rumus diatas dapat ditulis secara sederhana sebagai berikut:
Berikut adalah alur dari metode Naïve Bayes menurut Saleh (2015:211): Start Jumlah dan Probabilitas Apakah Data Numerik? Baca Data Training Tabel Probabilitas Mean tiap parameter Standar Deviasi Tiap parameter Tabel Mean dan Standar Deviasi
Solusi
Stop
Tidak Ya
Sumber: Saleh (2015:211)
Gambar 1. Alur Metode Naïve Baiyes
Adapun keterangan dari gambar diatas sebagai berikut:
1. Baca data training
2. Hitung jumlah dan probabilitas, namun apabila data numerik maka:
a. Cari nilai mean dan standar deviasi dari masing-masing parameter yang merupakan data numerik.
Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung (mean) dapat dilihat sebagai berikut:
Atau Di mana:
µ : rata-rata hitung (mean) : nilai sample ke i n : jumlah sampel
Dan persamaann untuk menghitung
simpangan baku (standar deviasi) dapat dilihat sebagai berikut: Dimana: σ : standar deviasi xi : nilai x ke –i µ : rata-rata hitung n : jumlah sampel
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
3. Mendapatkan nilai dari tabel mean, standar deviasi dan probabilitas
4. Solusi kemudian dihasilkan.
C. Pengertian Website
Website adalah halaman informasi yang disediakan melalui jalur internet sehingga bisa diakses di seluruh dunia selama tekoneksi dengan jaringan internet. Website merupakan komponen atau kumpulan komponen yang terdiri dari teks, gambar, suara animasi sehingga lebih merupakan media informasi yang menarik untuk dikunjungi (Azis, 2013:75). Jadi website dapat di artikan sebagai keseluruhan halaman-halaman web yang terdapat dalam sebuah domain yang mengandung banyak informasi.
D. Penelitian Terkait
Pada penelitian terkait, dilakukan peninjauan kembali berdasarkan jurnal dan penelitian-penelitian yang sebelumnya telah dilakukan, diantaranya:
Penelitian dari Anjas Sari (2013) yang berjudul “Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainly
Faktor”, menjelaskan bahwa sistem pakar
sangat membantu dalam mendiagnosa
penyakit demam berdarah. Dengan
menggunakan penerapan metode certainly
factor dapat mempermudah dalam
mendiagnosa penyakit demam berdarah dan memberikan perhitungan penyelesaian seberapa pasti para user atau pasien menderita penyakit demam berdarah yang kemudian diolah dan dituangkan dalam sebuah program aplikasi agar dapat lebih mudah digunakan untuk mendeteksi penyakit demam berdarah.
Kemudian menurut Wulan et al (2014) didalam penelitiannya yang berjudul “Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali”, menjelaskan bahwa metode naive bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Naive bayes memiliki asumsi bahwa hubungan antara atribut yang satu dengan atribut yang lainnya adalah bebas bersyarat untuk kelas Y. Disebut naive karena asumsi ini cukup sulit dipenuhi dalam kehidupan nyata, walau demikian ternyata metode ini memiliki
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 4
tingkat akurasi yang cukup tinggi untuk sebagian besar kasus.
Hal ini menjadi dasar penulis untuk menggunakan metode naive bayes dalam mendiagnosa penyakit demam berdarah
dengue.
Selanjutnya menurut Ramadhani et al (2012) didalam penelitiannya yang berjudul “Sistem Pakar Diagnosa Infeksi Penyakit Tropis
Berbasis Web”, menyebutkan bahwa
pembangunan Sistem Pakar Diagnosa Infeksi penyakit tropis berbasis web tersebut berdasarkan kuesioner dapat memudahkan pengguna untuk mendiagnosa infeksi penyakit tropis khususnya DBD, Malaria dan Typhoid dimana 71,4% pakar setuju dan 86,7% responden lainnya sangat setuju.
Berdasarkan beberapa penelitian tersebut, maka dilakukanlah penelitian sistem pakar yang sejenis dengan Anjas Sari, yaitu tentang Sistem Pakar Mendiagnosa Penyakit Demam Berdarah. Kemudian dalam penelitian kali ini, akan diterapkan metode Naive Bayes seperti yang telah dilakukan oleh Wulan et al serta akan diimplementasikan dalam pemrograman berbasis web seperti yang telah dilakukan oleh
Ramadhani et al, karena diharapkan program ini akan lebih mudah diakses oleh para penggunanya baik oleh para tenaga medis maupun oleh para pasien.
3. Metode Penelitian
A. Metode Pengumpulan Data
Pengumpulan data yang digunakan pada penelitian ini menggunakan data primer dengan teknik wawancara langsung terhadap pakar yang sudah memiliki pengalaman yang lama dan pengetahuan khusus dalam bidang kesehatan khususnya terhadap penyakit demam berdarah dengue, dalam hal ini yang menjadi objek wawancara adalah dokter Puskesmas Caringin Sukabumi.
B. Pemilihan Populasi dan Sample
Berdasarkan hasil pengumpulan data dari para pakar tenaga medis di UPTD Puskesmas Caringin, dapat diambil kesimpulan mengenai
sample data pasien penyakit demam berdarah
dengue. Penelitian ini menggunakan sample data dengan jumlah 198 data. Berikut sample data pasien, seperti terlihat pada tabel 1 di bawah ini:
Tabel 1. Data Pasien Demam Berdarah Dengue Puskesmas Caringin Jenis Kelamin Usia (tahun) Tingkat kesadaran Akral dingin Pendarahan (hidung/gusi/ BAB) atau BAB Berwarna hitam Bintik merah Demam tiba-tiba >2s/d<= 7 hari Nadi Lemah (<60 denyut/ menit) Muntah Hasil
Perempuan Lansia Baik Biasa Tidak Tampak Ya Ya Muntah Tidak Ya
Laki-Laki Anak Baik Biasa Tidak Tampak Ya Ya Muntah Tidak Ya
Perempuan Remaja Menurun Dingin Ya Tampak Ya Ya Muntah Tidak Ya
Laki-Laki Dewasa Menurun Dingin Tidak Tampak Ya Ya Muntah Tidak Ya
Perempuan Remaja Menurun Dingin Ya Tampak Tidak Ya Tidak Muntah Tidak Ya
Perempuan Dewasa Buruk Dingin Tidak Tampak Tidak Ya Ya Muntah Ya
Laki-Laki Dewasa Buruk Dingin Ya Tampak Tidak Ya Ya Muntah Ya
Laki-Laki Dewasa Buruk Dingin Tidak Tampak Ya Ya Muntah Ya
Perempuan Dewasa Menurun Biasa Tidak Tampak Ya Tidak Muntah Tidak Ya
Perempuan Lansia Baik Biasa Tidak Tampak Ya Ya Muntah Tidak Ya
Perempuan Dewasa Menurun Dingin Ya Tampak Tidak Ya Tidak Muntah Ya
Perempuan Remaja Buruk Dingin Ya Tampak Ya Ya Muntah Ya
Perempuan Lansia Baik Dingin Ya Tampak Tidak Ya Ya Muntah Ya
Laki-Laki Dewasa Menurun Dingin Tidak Tampak Tidak Ya Tidak Muntah Ya
Laki-Laki Dewasa Baik Dingin Tidak Tampak Tidak Ya Ya Muntah Ya
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 5
Laki-Laki Dewasa Baik Dingin Ya Tampak Tidak Ya Tidak Muntah Ya
Perempuan Dewasa Buruk Dingin Tidak Tampak Tidak Ya Tidak Muntah Ya
Perempuan Remaja Menurun Biasa Tidak Tampak Tidak Ya Ya Muntah Tidak Ya
Sumber: Data rekam medis Puskesmas Caringin
4. Hasil Dan Pembahasan
Tujuan dari penelitian ini adalah menerapkan metode naive bayes untuk memprediksi penyakit demam berdarah
dengue. Hasil dari penelitian ini berupa hasil
proses pengolahan kualitatif dan kuantitatif yang telah dikumpulkan dengan perhitungan
berdasarkan model yang diusulkan.
Eksperimen dan pengujian dalam penelitian melakukan prediksi terhadap dataset dengan metode naive bayes. Eksperimen akan dilakukan terhadap dataset yang telah divalidasi.
A. Dataset
Data dalam penlitian ini diambil dari data rekap medik UPTD Puskesmas Caringin Sukabumi, yang terdiri dari 10 atribut predictor dan 1 atribut hasil. Data yang didapat dari rumah sakit sebanyak 198 record.
Untuk keperluan penelitian selanjutnya, dari 198 data terkumpul, hanya ditampilkan 20 data seperti di atas.
Tabel 2. Probabilitas Kelas
Kelas
Ya Tidak
Ya 103 Tidak 95
P(Ya)=103/
198 0.520 P(Tidak)=95/198 0.479
Sumber: Data hasil olahan
Tabel di atas merupakan nilai probabilitas untuk setiap kelas berdasarkan data yang ada. Dalam membuat model Naive Bayes terlebih dahulu kita mencari probabilitas hipotesis untuk masing-masing Kelas P (H). Hipotesis yang ada yaitu pasien yang menderita penyakit demam berdarah dengue dan pasien yang tidak menderita penyakit demam berdarah
dengue. Data yang digunakan adalah data
utama yang diperoleh dari UPTD Puskesmas Caringin, dengan total data yaitu 198 data. 103 pasien yang menderita penyakit demam berdarah dengue dan 95 pasien yang tidak menderita penyakit demam berdarah dengue, perhitungan probabilitas yaitu seperti dibawah ini:
P(Ya) = 103:198 = 0,520 P(Tidak) = 95:198 = 0,479
Setelah probabilitas untuk tiap hipotesis diketahui, langkah selanjutnya adalah menghitung probabilitas kondisi tertentu (probabilitas X) berdasarkan probabilitas tiap hipotesis (probabilitas H) atau dinamakan
probabilitas prior. Hasil perhitungan
probabilitas prior dengan menggunakan Naïve Bayes dapat dilihat pada tabel dibawah ini:
Tabel 3. Probabilitas Prior
Atribut Jml Ya Tidak P(X|Ci) Kasus (Si) Ya Tidak (S) (Si) Total 198 103 95
Jenis Kelamin Laki-laki 92 45 47 0,436 0,494
Perempuan 106 58 48 0,563 0,505 Usia Anak 10 6 4 0,058 0,042 Dewasa 113 57 56 0,553 0,589 Lansia 34 18 16 0,174 0,168 Remaja 41 22 19 0,213 0,2
Tingkat Kesadaran Baik 139 44 95 0,427 1
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 6
Menurun 35 35 0 0,339 0
Akral Dingin Biasa 129 34 95 0,330 1
Dingin 69 69 0 0,669 0
Pendarahan(hidung/gusi/BAB atau BAB Berwarna hitam
Ya 72 72 0 0,699 0
Tidak 126 31 95 0,300 1
Bintik Merah Tampak 73 73 0 0,708 0
Tidak Tampak 125 30 95 0,291 1 Demam tiba-tiba >2s/d<=7 hari Ya 142 103 39 1 0,410 Tidak 56 0 56 0 0,589 Nadi Lemah (<60 denyut/menit) Ya 93 65 28 0,631 0,294 Tidak 105 38 67 0,368 0,705 Muntah Muntah 117 59 58 0,572 0,610 Tidak Muntah 81 44 37 0,427 0,389
Sumber: Data hasil olahan
Perhitungan diatas dapat dibuatkan model
Naïve Bayes dengan Framework Rapidminer
yaitu seperti terlihat pada gambar dibawah ini:
Gambar 2. Desain Model Naive Bayes Sehingga jika model tersebut dijalankan maka akan didapatkan hasil seperti gambar 3 dibawah ini:
Gambar 3. Hasil perhitungan probabilitas dengan RapidMiner
Pada probabilitas prior terdapat dua class yang dibentuk, yaitu:
Kelas hasil = Ya Kelas hasil = Tidak
Probabilitas prior digunakan untuk menentukan
kelas pada kasus baru yang terlebih dahulu dihitung probabilitas posterior nya. Jika ada kasus baru yang terlihat seperti dibawah ini: Misalnya ada data pasien dengan gejala bintik merah (tidak tampak), akral dingin (biasa), tingkat kesadaran (buruk), pendarahan atau BAB Berwarna Hitam (Ya). Pasien tersebut mengalami penyakit demam berdarah atau tidak?
Setelah diketahui probabilitas setiap atribut terhadap probabilitas tiap kelas atau P(X|Ci), maka langkah selanjutnya adalah menghitung nilai probabilitas akhir untuk setiap kelas:
P(X|Ya)=P(Bintik Merah=Tidak Tampak|Ya)* P(Akral Dingin = Biasa|Ya)* P(Tingkat Kesadaran= Buruk|Ya)* P(Pendarahan atau BAB Berwarna Hitam = Ya|Ya)
= 30/103 x 34/103 x 24/103 x 72/103 = 0,291 x 0,330 x 0,233 x 0,699 = 0,01564011801
P(X|Tidak)=P(Bintik Merah=Tidak Tampak| Tidak)* P(Akral Dingin = Biasa|Tidak)*
P(Tingkat Kesadaran= Buruk|Tidak)*
P(Pendarahan atau BAB Berwarna Hitam = Ya|Tidak)
= 95/95 x 95/95 x 0/95 x 0/95 = 1 x 1 x 0 x 0
= 0
Selanjutnya nilai tersebut dimasukkan untuk mendapatkan probabilitas akhir.
P(X|hasil= Ya)P(Ya) = 0,520 x 0,01564011801 = 0,00813286137
P(X|hasil=Tidak)P(Tidak) = 0,479 x 0 = 0 Karena nilai probabilitas akhir terbesar berada di kelas Ya, maka pasien tersebut mengalami penyakit Demam Berdarah Dengue (DBD). Dari perhitungan inilah kita dapat mengetahui apakah pasien tersebut mengalami penyakit demam berdarah atau tidak.
B. Hasil Pengujian Dengan Algoritma Naive Bayes
Hasil dari uji coba yang dilakukan yaitu untuk menghasilkan nilai accuracy dan nilai AUC (Area Under Curve).
1. Evaluasi Model dengan Confusion Matrix Model confusion matrix akan membentuk
matrix yang terdiri dari true positif atau tupel positif dan true negatif atau tupel negatif,
kemudian masukan data testing yang sudah disiapkan ke dalam confusion matrix sehingga didapatkan hasil pada tabel di bawah ini:
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 7
Tabel 4. Confusion matrix algoritma naive bayes accuracy: 99.50% +/- 1.50% (mikro:99.49%) true Ya true Tidak class precision pred. Ya 102 0 100.00% pred. Tidak 1 95 98.96% class recall 99.03% 100.00%
Berdasarkan tabel diatas dari data testing terdapat rincian jumlah True Positive (TP) 102,
False Negative (FN) 0, False Positive (FP)
adalah 1 dan True Negative (TN) 95. 2. Evaluasi dengan ROC Curve
Hasil pengujian terhadap data yang digunakan untuk algoritma naive bayes terhadap nilai ROC diketahui pada gambar di bawah ini:
Gambar 4. Nilai AUC Algoritma Naive bayes dalam Grafik ROC
Berdasarkan nilai AUC sebesar 0,998 yang ditunjukan gambar di atas maka akurasi memiliki tingkat Excellent Classification.
C. Pengembangan Aplikasi Model dari Algoritma Naive Bayes
Berdasarkan evaluasi pada algoritma naive
bayes, rule yang dihasilkan dari algoritma naive bayes dijadikan sebagai rule untuk
pembuatan Graphical User Interface guna membantu dokter, tim medis atau masyarakat awam dalam mendiagnosis penyakit demam berdarah dengue.
Tampilan antarmuka atau user interface untuk halaman konsultasi dari sistem pakar diagnosa penyakit demam berdarah dengue menggunakan naive bayes dapat dilihat pada gambar 5 dibawah ini:
Sumber: Hasil Perancangan (2019)
Gambar 5. Form Halaman Konsultasi Sedangkan Tampilan antarmuka atau user
interface untuk halaman hasil konsultasi dari
sistem pakar diagnosa penyakit demam berdarah dengue menggunakan naive bayes dapat dilihat pada gambar 6 dibawah ini:
Sumber: Hasil Perancangan (2019)
Gambar 6. Form Hasil Konsultasi
5. Kesimpulan
Dari hasil penelitian untuk akurasi algoritma naive bayes sebesar 99.50%. sedangkan evaluasi menggunakan ROC Curve diperoleh hasil untuk algoritma naive bayes bernilai 0.998 dengan tingkat diagnosa Excellent
Classification.
Dari pembuatan website penerapan metode naive bayes untuk diagnosa penyakit demam berdarah dengue ini dapat disimpulkan bahwa aplikasi ini dapat membantu para pengguna khususnya para orang tua dalam mendapatkan informasi mengenai penyakit demam berdarah
dengue, tanpa harus berkonsultasi langsung
dengan para tenaga medis. Selain itu, karena dibuat dalam aplikasi web, maka informasi yang didapat akan lebih real-time atau bisa didapatkan pada saat itu juga, dan bisa langsung digunakan dimanapun. Website sistem pakar ini memberikan berbagai pengetahuan mengenai penyakit demam berdarah dengue, diantaranya melakukan diagnosa penyakit demam berdarah dengue,
ISSN : 1979-9330 (Print) - 2088-0154 (Online) 8
mengenai penyakit demam berdarah dengue, saran pencegahan penyakit demam berdarah
dengue, serta tindakan pertolongan pertama
yang dilakukan untuk menangani penyakit demam berdarah dengue, yang diharapkan masyarakat (pengguna) akan lebih memahami penyakit demam berdarah dengue serta cepat tanggap dalam menangani penyakit demam berdarah.
Referensi
[1] Sari, Nur Anjas. (2013). Sistem Pakar
Mendiagnosa Penyakit Demam Berdarah
Menggunakan Metode Certainty Factor. ISSN: 2301-9425. Medan: Pelita Informatika Budi Darma Volume.IV Nomor:3, Agustus 2013.
[2] World Health Organization . Dengue and severe
dengue. (2015). Di ambil dari:
http://www.who.int/mediacentre/factsheets/fs117/en/. [3] Pusat Data dan Surveilans Epidemiologi Kementrian Kesehatan RI. (2010). Demam Berdarah Dengue Jakarta: Buletin Jendela Epidemiologi, ISSN:2087-1546 Volume 2.
[4] Saleh, Alfa. (2015). Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. ISSN: 2354-5771. Citec Journal. Vol. 2, No.3, Mei 2015-Juli 2015.
[5] Sugiyono dan Darnoto S. (2016). Pengaruh Pelatihan Pencegahan Demam Berdarah Dengue (DBD) Terhadap Tingkat Pengetahuan Dan Sikap Siswa Di SDN Wirogunan I Kartasura Kabupaten Sukoharjo. ISSN: 1979-7621. Jurnal Kesehatan. Vol. 9, No.2, Desember 2016.
[6] Hayadi, Herawan (2017). Visualisasi Konsep Umum Sistem Pakar Berbasis Multimedia. ISSN:2460-0679. Riau Journal Of Computer Science. Vol.3 No.1 Januari 2017.
[7] Azis, S. (2013). Gampang & Gratis Membuat
Website. Jakarta Pusat: Kunci Komunikasi.
[8] Sari, Nur Anjas. 2013. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainty Factor. ISSN: 2301-9425. Medan: Pelita Informatika Budi Darma Volume.IV Nomor:3, Agustus 2013.
[9] Wulan, Rayung, Mei Lestari dan Ni Wayan Parwati S. (2014). Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali. ISSN: 2089-9813. Yogyakarta: Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014).
[10] Ramadhani, Purnama, dkk. 2012. Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web. Riau: Jurnal Teknik Informatika Vol.1 September 2012.
