SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KISTA OVARIUM MENGGUNAKAN METODE BAYESIAN

(1)

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT

KISTA OVARIUM MENGGUNAKAN METODE

BAYESIAN

EXPERT SYSTEM TO DIAGNOSE OVARIAN CYSTS USING BAYESIAN METHOD

Ayu Septi Permana1_{Edy Mulyanto, SSi, M.Kom}2

1_{Mahasiswa Teknik Informatika, Universitas Dian Nuswantoro Semarang} 2_{Dosen Pembimbing Teknik Informatika, Universitas Dian Nuswantoro Semarang}

Email :ayuseptipermana@gmail.com1_,_{edymul007@gmail.com}2

Abstrak

Terjadinya kasus kista ovarium yang tinggi disebabkan oleh kurangnya pengetahuan masyarakat khususnya wanita mengenai kesehatan reproduksi, kurangnya kesadaran untuk memeriksakan kesehatan pribadinya. Oleh karena itu, melalui penelitian ini, dilakukan perancangan aplikasi sistem pakar untuk mengidentifikasi kista ovarium dengan berbasis web, sebagai solusi untuk penderita kista ovarium yaitu para wanita yang malu dan tertutup untuk berkonsultasi mengenai kesehatan pribadinya secara langsung. Selain itu, aplikasi ini juga dapat digunakan oleh para dokter sebagai bahan pertimbangan dalam mendiagnosis kista ovarium. Metode bayesian yang digunakan adalah naive bayes. Metode ini dipilih untuk mengatasi ketidakpastian dalam pelacakan. Output dari aplikasi ini adalah jenis dari penyakit kista ovarium dan solusinya.

(2)

Abstract

The occurrence of cases of ovarian cysts is high due to the lack of public knowledge about reproductive health , especially women , lack of awareness of personal health check . Therefore , through this research, application design expert system for identifying ovarian cysts with a web-based , as a solution for patients with ovarian cysts are the women who shy to consult on personal health directly. In addition , this application can also be used by doctors as a material consideration in the diagnosis of ovarian cysts . Bayesian method used is naive Bayes . This method was chosen to address the uncertainties in tracking . The output of this application is a type of ovarian cyst disease and its solution.

(3)

1. PENDAHULUAN

Kesehatan merupakan hal yang sangat penting bagi kehidupan manusia, kesadaran diri seseorang akan pola hidup sehat sangat kurang dan sering terabaikan. Karena pola hidup dan pola makan yang tidak teratur akan mengakibatkan timbulnya berbagai macam penyakit, salah satunya adalah penyakit kista ovarium. Agar tubuh tetap sehat dapat dilakukan beberapa cara diantaranya adalah makan makanan yang sehat, berolah-raga dan menjaga kebersihan.

Kista adalah suatu rongga atau ruangan patologis yang biasanya berkapsul atau berdinding epitel dan berisi cairan kental (semi solid) yang secara mikroskopis terdiri dari kolesterin atau ester yang dapat berada dalam jaringan lunak atau jaringan keras [1].

Kista ini dapat tumbuh dimana saja dan jenisnya juga bermacam-macam. Kista ovarium atau dapat disebut juga tumor ovarium merupakan kista yang berada di dalam atau permukaan ovarium (indung telur). Penyakit ini banyak menyerang wanita pada masa reproduksi. Penyakit kista ovarium sebenarnya merupakan tumor jinak yang dalam penanganannya kebanyakan tidak melalui operasi besar. Beberapa keluhan yang timbul saat menderita penyakit kista ovarium adalah nyeri perut menjelang dan saat haid serta nyeri perut yang dirasakan saat dihari-hari biasa, nyeri pada pinggang dan haid terus menerus. Posisi dan ukuran kista ovarium pada setiap orang yang menderita penyakit ini pun berbeda-beda [2].

Kista ovarium dapat menunjukkan suatu proses keganasan ataupun kondisi yang lebih berbahaya, seperti kehamilan ektopik, torsi ovarium, atau usus buntu. Selain itu, terdapat kemungkinan adanya hubungan terbalik antara kista ovarium dan kanker payudara [3]. Penanganan kista ovarium, baik neoplastik maupun non-neoplastik, dapat dilakukan dengan tindakan operasi. Untuk itu, deteksi dini mengenai kista ovarium pada pasien merupakan hal yang sangat penting untuk kelangsungan hidup mereka.

Menurut WHO tahun 2005, Kanker merupakan penyebab kematian kedua setelah penyakit kardiovaskuler. Kista ovarium merupakan 6 kasus kanker terbanyak dan merupakan penyebab kematian oleh karena keganasan ginekologi. Menurut data statistics by country for ovarian cancer tahun 2011 mengatakan bahwa insiden kanker ovarium di Indonesia adalah 20.426 kasus dari 238.452.952 populasi [4]. Berdasarkan Survei Demografi Kesehatan Indonesia angka kejadian kista ovarium di Indonesia mencapai 37,2%, dan paling sering terdapat pada wanita berusia antara 20-50 tahun dan

(4)

jarang pada pubertas [5]. Menurut data Rumah Sakit Umum Daerah pada tahun 2010 terdapat 17 penderita kista ovarium dan pada tahun 2015 jumlah penderita kista ovarium meningkat hingga mencapai 217 penderita.

Sistem pakar untuk mendiagnosa penyakit kista ovarium berbasis web ini dapat mempermudah masyarakat khususnya kaum wanita utuk mengetahui penyakit kista secara dini sesuai dengan gejala-gejala yang muncul.

Pada tugas akhir ini penulis akan mengimplmentasikan sebuah sistem pakar untuk mendiagnosa penyakit kista ovarium berbasis web dengan menggunakan metode bayesian.

2. METODOLOGI PENELITIAN 2.1 Sistem Pakar

Sistem pakar merupakan salah satu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah [6].

Sistem pakar akan memberikan pemecahan suatu masalah yang didapat dari dialog dengan pengguna. Dengan bantuan sistem pakar, seseorang yang bukan pakar dapat menjawab pertanyaan, menyelesaikan masalah serta mengambil keputusan yang biasanya dilakukan oleh seorang pakar [7].

Sistem pakar dapat dimanfaatkan untuk menirukan kemampuan seorang ahli (pakar) dalam menyelesaikan masalah yang rumit, berdasarkan dari pengetahuan yang ada. Pengetahuan sistem pakar dapat diperoleh melalui seorang pakar bidang tertentu, jurnal ilmiah, majalah, buku-buku, atau dokumen cetak lainnya. Pengetahuan tersebut kemudian dapat dilambangkan dalam format tertentu dan dikumpulkan menjadi suatu basis pengetahuan. Selanjutnya basis pengetahuan tersebut dapat digunakan dalam sistem pakar untuk menentukan penalaran terhadap suatu masalah [8].

Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi tersebut disimpan dalam komputer, kemudian digunakan dalam pengambilan keputusan untuk penyelesaian masalah tertentu.

(5)

2.2 Naïve Bayes

Metode Bayesian yang saya gunakan adalah Naive bayes classifier. Naive Bayes Classifier merupakan sebuah metode klasifikasi yang berakar pada Teorema Bayes. Metode pengklasifikasian dengan menggunakan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes. Ciri utama dari Naive Bayes Classifier ini adalah asumsi yang sangat kuat (naïf) akan independensi dari masing-masing kondisi atau kejadian.

Naive Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya. Hal ini dibuktikan oleh Xhemali, Hinde dan Stone 11 dalam jurnalnya “Naïve Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages” mengatakan bahwa “Naïve Bayes Classifier memiliki tingkat akurasi yang lebih baik dibanding model classifier lainnya” [9].

Alasan penulis menggunakan Naive Bayes Classifier karena pada sistem pakar ini mengunakan berberapa data dan metode ini merupakan metode pengklasifikasian dengan menggunakan metode probabilitas. Dimana metode probabilitas ini merupakan metode yang membutuhkan beberapa data untuk diolah lebih lanjut. Alasan lain karena menurut Prasetyo. E dalam bukunya yang berjudul “Data Mining Konsep Dan Aplikasi Menggunakan Matlab” mengatakan bahwa “Naive Bayes memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar” [10].

Menurut Widiastuti dalam jurnalnya yang berjudul “Analisa Perbandingan Algoritma SVM, Naive Bayes dan Decision Tree dalam Megklasifikasikan Serangan (Attacks) pada Sistem Pendeteksian Intrusi” mengatakan bahwa “Naive Bayes Clasifier dikenal sebagai teknik yang paling baik dalam hal waktu komputasi dibandingkan dengan teknik lainnya” [11].

(6)

3. HASIL DAN PEMBAHASAN

3.1 Pangkalan Kaidah

Pangkalan kaidah ini dibuat untuk menerjemahkan tabel dataset sebagai alat bantu untuk mengetahui jenis penyakit dan gejala - gejala kista ovarium pada wanita. Adapun pangkalan kaidah sebagai berikut:

Table 3.1 Dataset Penyakit Kista Ovarium

Nama Penyakit Kode

Penyakit Gejala Penyakit Kistadenoma Ovarii Musinosum P01 G03 G05 G06 G07 G08 Kistadenoma Ovarii Serosum P02 G01 G02 G03 G04 Kista Dermoid P03 G08 G09 G10 G11 Kista Folikel P04 G01 G02 G04 G08 G14 G15 G16 Kista Korpus Luteum P05 G01 G04 G08 G18

Kista Lutein P006 G04 G08 G14 G17

Kista Endometriosis P07 G01 G03 G04 G12 G13

3.2 Perhitungan Naïve Bayes

Bila terdapat pasien yang memiliki gejala sebagai berikut :

Anita = (G01, G02, G03, G06, G07, G08)

Perhitungan Naive Bayes:

1. Hitung P(Xk | Ei) untuk setiap penyakit i :

(7)

P(Gejala 2 = “G02”|Penyakit = “P01”) = 0₇ = 0 P(Gejala 2 = “G02”|Penyakit = “P02”) = 1₇ = 0,14 P(Gejala 2 = “G02”|Penyakit = “P03”) = 0₇ = 0 P(Gejala 2 = “G02”|Penyakit = “P04”) = 1₇ = 0,14 P(Gejala 2 = “G02”|Penyakit = “P05”) = 0₇ = 0 P(Gejala 2 = “G02”|Penyakit = “P06”) = 0₇ = 0 P(Gejala 2 = “G02”|Penyakit = “P07”) = 0₇ = 0 P(Gejala 3 = “G03”|Penyakit = “P01”) = 1₇ = 0,14 P(Gejala 3 = “G03”|Penyakit = “P02”) = 1₇ = 0,14 P(Gejala 3 = “G03”|Penyakit = “P03”) = 0₇ = 0 P(Gejala 3 = “G03”|Penyakit = “P04”) = 0₇ = 0 P(Gejala 3 = “G03”|Penyakit = “P05”) = 0₇ = 0 P(Gejala 3 = “G03”|Penyakit = “P06”) = 0₇ = 0 P(Gejala 3 = “G03”|Penyakit = “P07”) = 1₇ = 0,14 P(Gejala 4 = “G04”|Penyakit = “P01”) = 1₇ = 0,14 P(Gejala 4 = “G04”|Penyakit = “P02”) = 0₇ = 0 P(Gejala 4 = “G04”|Penyakit = “P03”) = 0₇ = 0 P(Gejala 4 = “G04”|Penyakit = “P04”) = 0₇ = 0 P(Gejala 4 = “G04”|Penyakit = “P05”) = 0₇ = 0 P(Gejala 4 = “G04”|Penyakit = “P06”) = 0₇ = 0 P(Gejala 4 = “G04”|Penyakit = “P07”) = 0₇ = 0 P(Gejala 5 = “G05”|Penyakit = “P01”) = 1₇ = 0,14 P(Gejala 5 = “G05”|Penyakit = “P02”) = 0₇ = 0

(8)

P(Gejala 5 = “G05”|Penyakit = “P03”) = 0₇ = 0 P(Gejala 5 = “G05”|Penyakit = “P04”) = 0₇ = 0 P(Gejala 5 = “G05”|Penyakit = “P05”) = 0₇ = 0 P(Gejala 5 = “G05”|Penyakit = “P06”) = 0₇ = 0 P(Gejala 5 = “G05”|Penyakit = “P07”) = 0₇ = 0 P(Gejala 6 = “G06”|Penyakit = “P01”) = 1₇ = 0,14 P(Gejala 6 = “G06”|Penyakit = “P02”) = 0₇ = 0 P(Gejala 6 = “G06”|Penyakit = “P03”) = 1₇ = 0,14 P(Gejala 6 = “G06”|Penyakit = “P04”) = 1₇ = 0,14 P(Gejala 6 = “G06”|Penyakit = “P05”) = 1₇ = 0,14 P(Gejala 6 = “G06”|Penyakit = “P06”) = 1₇ = 0,14 P(Gejala 6 = “G06”|Penyakit = “P07”) = 0₇ = 0

2. Hitung P(X|Ei) untuk setiap penyakit:

Jika nilai P=0, maka digantikan dengan p=0,01 (karena apabila p=0, menyebabkan perkalian menjadi 0)

𝑃(𝑋|𝐸𝑖) = ∏ 𝑃(𝑥𝑘 |𝐸𝑖) 𝑛 𝑘=1 P(X| penyakit 1) = 0,1 x 0,1 x 0,14 x 0,14 x 0,14 x 0,14 = 0,00000384 P(X| penyakit 2) = 0,14 x 0,14 x 0,14 x 0,1 x 0,1 x 0,1 = 0,00000274 P(X| penyakit 3) = 0,1 x 0,1 x 0,1 x 0,1 x 0,1 x 0,14 = 0,0000014 P(X| penyakit 4) = 0,14 x 0,14 x 0,1 x 0,1 x 0,1 x 0,14 = 0,00000274 P(X| penyakit 5) = 0,14 x 0,1 x 0,1 x 0,1 x 0,1 x 0,1 = 0,0000014

(9)

P(X| penyakit 6) = 0,1 x 0,1 x 0,1 x 0,1 x 0,1 x 0,14 = 0,0000014 P(X| penyakit 7) = 0,14 x 0,1 x 0,14 x 0,1 x 0,1 x 0,1 = 0,00000196 3. P(X|Ei)*P(Ei): 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 1) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 1) = 0,00000384 × 0,14 = 0,000000538 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 2) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 2) = 0,00000274 × 0,14 = 0,000000384 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 3) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 3) = 0,0000014 × 0,14 = 0,000000196 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 4) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 4) = 0,00000274 × 0,14 = 0,000000384 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 5) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 5) = 0,0000014 × 0,14 = 0,000000196 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 6) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 6) = 0,0000014 × 0,14 = 0,000000196 𝑃(𝑋|𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 7) × 𝑃(𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 7) = 0,00000196 × 0,14 = 0,000000274

4. Maka Anita memiliki “penyakit = P001“ karena P(X|penyakit 1) memiliki nilai maksimum pada perhitungan tahap 3.

(10)

3.3 Implementasi Sistem

Implementasi dan pembahasan ini berisi informasi dari hasil sistem yang dibuat dan implementasinya diterapkan ke dalam sistem berbasis web.

Gambar 3.1 Halaman Home

(11)

Gambar 3.3 Halaman Hasil Diagnosa Penyakit

3.4 Hasil Kuisioner

Hasil kuisioner dengan 15 sample untuk mengetahui kualitas sistem, berdasarkan hasil perhitungan dibawah ini maka dapat disimpulkan kualitas sistem pakar ini adalah

Sangat Baik = ₁₅₀33 × 100 % = 22 % Baik = ₁₅₀58 × 100 % = 39 % Kurang Baik = ₁₅₀12 × 100 % = 8 % Tidak Baik = ₁₅₀7 × 100 % = 4,67 % Cukup = 39 150 × 100 % = 26 % 4. KESIMPULAN

Dari hasil pengujian sistem dan pembahasan pada tahap sebelumnya, maka di ambil kesimpulan sebagai berikut :

1. Sistem pakar ini di rancang untuk membantu mengenali lebih dini tentang jenis-jenis penyakit kista ovarium dari gejala-gejala yang muncul serta memberikan solusi dari tiap jenis penyakit kista ovarium.

2. Dengan menggunakan internet, sistem pakar ini dapat di akses oleh user dengan mudah, dan di harapkan dapat membantu user untuk mendapatkan informasi tentang penyakit kista ovarium.

(12)

Berdasarkan hasil kuisioner dengan 15 sampel user penyakit kista ovarium, dapat diketahui bahwa sistem pakar kista ovarium ini baik dalam mendiagnosa penyakit kista ovarium.

5. SARAN

Adapun berbagai saran untuk melengkapi kesimpulan yang diambil adalah sebagai berikut:

1. Perawatan perlu dilakukan agar program ini dapat bekerja secara maksimal serta dilakukan evaluasi sistem agar dapat dilakukan penyesuaian sistem.

2. Program ini masih memiliki banyak kekurangan maka dari itu perlu dilakukan demi kesempurnaan program dan kemudahan dalam pengoperasiannya.

UCAPAN TERIMA KASIH

Penulis menyadari bahwa tanpa bimbingan, bantuan, dan doa dari berbagai pihak, Tugas Akhir ini tidak akan dapat diselesaikan tepat pada waktunya. Oleh karena itu, penulis mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam proses penyusunan Tugas Akhir ini, yaitukepada :

1. Tuhan Yesus Kristus atas kehendak-Nya penulis dapat melaksanakan dan menyelesaikan Tugas Akhir ini.

2. Dr. Ir. Edi Noersasongko, M.Kom selaku Rektor Universitas Dian Nuswantoro.

3. Dr. Drs. Abdul Syukur, MM selaku Dekan Fakultas Ilmu Komputer Universitas Dian Nuswantoro.

4. Heru Agus Santoso, Ph.D selaku Ketua Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro.

5. Edy Mulyanto, SSi, M.komselaku dosen pembimbing dan akademik yang dengan sabar selalu memberikan arahan, bimbingan dan motivasi dalam penyusunan Tugas Akhir ini.

6. Dosen-dosen pengampu di fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengalamannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan.

(13)

8. Ario Arnanda, teman-teman, dan semua pihak yang telah membantu sehingga Laporan Tugas Akhir ini dapat terselesaikan.

DAFTAR PUSTAKA

[1] Marpaung, Efril Handyanto. “Penatalaksanaan Kista Di Dalam Sinus Maksilaris”. 2008

[2] Safitri, Yuni. “Pengalaman Wanita Subur dengan Kista Ovarium”. 2011 [3] C. W. Helm. (Februari, 2013). Ovarian Cyst. WebMD LLC, New York,

Amerika Serikat [Online]. Tersedia : http://emedicine.medscape.com/article/255865-overview#a0101

[4] Right Diagnosis From Health Grade. “Statistics by Country For Ovarian Cancer”. 2011

[5] Wiknjosastro,H. “Ilmu Kandungan Edisi II”. Jakarta Yayasan Bina Pustaka Sarwono Prawiroharjo. 2007

[6] S, Hartati dan S, Iswanti. “Sistem Pakar dan Pengembanganya”. Yogyakarta : Graha Ilmu. 2008. hal 1-16

[7] T. Sutojo, Edy Mulyanto dan Vincent Suharto. “Kecerdasan Buatan”. Yogyakarta: Penerbit Andi. 2011

[8] Arif. Fadhlin A, Endah Purwanti dan Soegianto Soelistiono. “Perancangan Aplikasi Identfikasi Kista Ovarium Berbasis Sistem Cerdas”. 2016

[9] Digital Library Institut Teknologi Adhi Tama Surabaya. Pengantar Materi Naïve Bayes Classifier. 2015

[10]E. Prasetyo. “Data Mining: Konsep dan Aplikasi menggunakan MATLAB” 1st ed. Yogyakarta: Andi. 2012

[11]D. Widiastuti. “Analisa Perbandingan Algritma SVM, Naive Bayes, dan Decision Tree dalam Mengklasifikasikan Serangan (Attacks) pada Sistem Pendeteksi Intrusi”. Jurnal Sistem Informasi. 2008