Fakultas Ilmu Komputer
Universitas Brawijaya 3855
Implementasi Metode Bayesian Network untuk Diagnosis Penyakit Telinga Hidung dan Tenggorokan (THT)
Mustofa Robbani1, Nurul Hidayat2, Budi Darma Setiawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Penyakit Telinga Hidung dan Tenggorokan salah satu penyakit berbahaya, kurangnya dalam menjaga kebersihan serta sulitnya masyarakat mendiagnosis akibat banyaknya kemiripan gejala serta penyakit Telinga Hidung dan Tenggorokan, Selain itu kondisi di desa yang letaknya jauh dari rumah sakit – rumah sakit besar mengakibatkan lambannya penanganan penyakit Telinga Hidung dan Tenggorokan.
Memungkinkan terjadinya penyakit yang lebih buruk sehingga merugikan masyarakat ataupun pasien itu sendiri. Maka dibutuhkan suatu perangkat lunak yang dapat membantu masyarakat ataupun pasien sehingga diharapkan perangkat lunak tersebut dapat membantu masyarakat untuk mendiagnosis penyakit Telinga Hidung dan Tenggorokan. Maka dibuatlah perangkat lunak menggunakan metode Bayesian Network, Dan untuk memudahkan pengoperasiannya maka dibuatlah perangkat lunak dengan sistem operasi berbasis Android. Pada perangkat lunak ini mempunyai inputan berdasarkan gejala – gejala penyakit yang dipilih oleh pengguna dan diproses oleh metode Bayesian Network sehingga menghasilkan output berupa penyakit yang diderita dan dari hasil pengujian akurasi dari 42 data didapatkan akurasi sebesar 93,75%.
Kata kunci: Android, Bayesian Network, Telinga Hidung dan Tenggorokan.
Abstract
Ear nose and throat disease one of the harmful disease, lack of hygiene and the difficulty in keeping the communities to diagnose due to the similarity of symptoms and diseases of the ear nose and throat, in addition to the conditions in the village It is located far from hospitals – major hospitals lead to sluggish handling of the ear nose and throat. Allow the occurrence of the disease is worse so detrimental to society or to patients themselves. Then it takes a software which can help the community or patient so expect that software can help communities to diagnose diseases of the ear nose and throat. Then the software was made using Bayesian Network methods, and to facilitate operation then made software with Android-based operating system. This software has the input based on the symptoms – symptoms of the disease that is selected by the user and is processed by methods of Bayesian Network so as to generate output in the form of disease and suffered from the results of testing the accuracy of data 42 It brings the accuracy of 93.75%.
Keywords: Android, Bayesian Network, Ear Nose and Throat.
1. PENDAHULUAN
Telinga, hidung dan tenggorokan merupakan salah satu dari organ tubuh yang sangat vital fungsinya dalam kehidupan sehari – hari. Telinga misalnya yang mempunyai fungsi untuk mendengarkan suara yang ada di sekitar kita serta tenggorokan dan hidung yang mempunyai fungsi untuk bernafas. Eustachian tube adalah saluran yang menghubungkan telinga, hidung dan tenggorokan satu sama lain.
Penyakit THT sendiri di Indonesia merupakan salah satu penyakit yang cukup berbahaya. Pada tahun 2006 terdapat setidaknya 190-230 penderita penyakit THT dari jumlah penduduk yang mencapai 1000 penduduk. Data tersebut didapat dari hasil survey badan SKRT (Survey Kesehatan Rumah Tangga) ditahun yang sama yaitu tahun 2006 (Fachir, Qamariah,
& Marisa, 2014). Dari hasil tersebut membuktikan bahwa penyakit THT merupakan salah satu penyakit yang cukup tinggi.
Penyakit telinga, hidung dan tenggorokan ini adalah salah satu penyakit yang banyak kita jumpai di Indonesia khususnya dipedalaman karena banyak masyarakat yang kurang begitu memperhatikan kebersihan dan sering mengabaikan bila terjadi gejala – gejala infeksi yang terdapat pada telinga, hidung dan tenggorokan (Hakim 2017). Selain itu karena banyaknya ciri – ciri gejala dan jenis penyakit THT yang membuat masyarakat kesulitan untuk melakukan diagnosis penyakit membuat masyarakat harus datang ke dokter spesialis.
Selain itu kondisi di desa yang jauh dari rumah sakit menyebabkan masyarakat mengalami kendala untuk berkonsultasi pada pakar penyakit THT atau dokter spesialis THT yang berada di rumah sakit – rumah sakit besar (Hakim 2017).
Sehingga banyak masyarakat yang membiarkannya dan mengobati sekedarnya saja.
Maka pada penelitian ini digunakan metode Bayesian Network, hal tersebut dikarenakan pada penelitian penelitian yang sebelumnya metode Bayesian Network mempunyai tingkat akurasi yang cukup tinggi. Penelitian-penelitian tersebut anataralain adalah Andika Eka Putra dengan tingkat akurasi 88.9% (2018). Untuk penelitian dengan tema terkait dengan diagnosis penyakit THT sebelumnya telah dilakukan oleh Faris Abdi EL Hakim dengan hasil akurasi yaitu 92% (Hakim,2017).
Sebagai contoh metode Bayesian Network (BN) dapat digunakan untuk mewakili hubungan Probabilistic antara gejala dengan penyakit.
Metode Bayesian Network (BN) merupakan salah satu metode yang baik karena metode Bayesian Network (BN) adalah salah satu metode yang terdapat di dalam Machine Learning berdasarkan data training, dengan menggunakan Probabilistic sebagai salah satu syaratnya (Lukman,2013).
Smartphone android merupakan suatu perangkat yang telah banyak dimiliki oleh banyak masyarakat luas, dan sudah umum setiap masyarakat dapat mengakses informasi dari perangkat smartphone tersebut. Oleh karena itu aplikasi diagnosis ini ditunjukkan untuk perangkat smartphone android.
Dari pembahasan tersebut, maka diperlukan aplikasi untuk mendiagnosis penyakit THT.
Dengan harapan sistem ini dapat digunakan dengan baik, dan mudah oleh pengguna serta memudahkan masyarakat dalam mengenali tanda tanda penyakit cara mendiagnosis penyakit serta nantinya dapat menanggulangi penyakit THT tersebut. Metode yang digunakan dalam
memodelkan data menggunakan Bayesian Network. Maka diambil judul
“IMPLEMENTASI METODE BAYESIAN
NETWORK UNTUK DIAGNOSIS
PENYAKIT TELINGA HIDUNG DAN TENGGOROKAN ”.
2. LANDASAN KEPUSTAKAAN 2.1 Penyakit THT
Penyakit Telinga Hidung dan Tenggorokan (THT) mempunyai 22 gejala yaitu pusing, nyeri leher, tenggorokan panas, pendengaran menurun, dal lain lain. Serta terdapat 6 penyakit antara lain adalah Otitis Media Serosa, Polip Hidung, Faringitis Akut, Infeksi Leher dalam, Abses Retrofaring, Karsinoma Netofaring.
2.2 Android
Android merupakan sebuah system operasi dengan menggunakan kernel Linux sebagai telepone seluler seperti smartphone atau computer tablet. Android sangatlah flexsibel dan mudah untuk di operasikan serta platform yang terbuka kepada pengembang aplikasi digunakan sebagai piranti bergerak karena mempunyai sifat open source. Dikembangkan oleh Android Inc yang merupakan sebuah perusahaan yang bergerak dalam bidang perangkat lunak untuk Smartphone yang nantinya perusahaan ini diakuisisi oleh perusahaan besar lainnya yaitu perusahaan Google Inc (Safaat H, 2012).
Android Development Tools atau disingkat dengan ADT merupakan sebuah plugin yang dapat dirancang dan digunakan untuk Integrated Development Environtment atau disingkat dengan IDE yang memberikan kemudahan akses untuk melakukan pengembangan pada Android.
Tools ini juga dapat bermanfaat untuk membantu membuat Graphical User Interface atau bisa disingkat dengan GUI pada perangkat lunak, menambahkan komponen pada Android, melakukan running pada perangkat lunak, serta juga dapat melakukan pembuatan Package Android (.apk) untuk mendistribusi perangkat lunak yang telah kita kembangkan (Safaat H, 2012).
2.3 Bayesian Network
Bayesian Network merupakan salah satu metode untuk mengklasifikasi probabilitas yang sederhana yang beracuan pada Teorema Beyes.
Metode ini menjadi popular pada ekade terakhir karena digunakan sebagai mesin pembelajaran dan untuk berbagai aplikasi.
Bayesian Network juga merupakan salah
satu dari Probabilistic Graphical Model (PGM) yang dibagun berdasarkan dengan teori graf dan probabilitas. Teori graf dalah teori yang berhubungan langsung dengan bentuk representasi yang didapatkan sedangkan teori probabilitas adalah teori yang berhubungan langsung dengan data (Heckerman, 1995).
Metode Bayesian Network merupakan suatu metode yang baik dalam mesin pembelajaran (Machine Learning) berdasarkan data training, dengan probabilitas bersyarat tentunya. Metode Bayesian Network dapat juga digunakan untuk melakukan fungsi deskriptif dan prediktif.
Deskriptif memiliki fungsi untuk mempelejari hubungan yang terjadi pada setiap variabel atau juga disebut dengan pembelajaran struktur.
Dalam membangun Bayesian Network, struktur dibangun dengan pendekatan statistic yang dikenal juga dengan teorema Bayes yaitu peluang bersyarat (Conditional Probability).
Peluang bersyarat adalah sebuah perhitungan peluang dimana suatu kejadian A diketahui apabbila kejadian B telah diketahui terlebih dahulu, sehingga dinotasikan P(B). Teorema ini dugunakan untuk menghitung peluang suatu set data untuk dimasukkan ke dalam suatu kelas tertentu berdasarkan infrensi data yang sudah ada. Adapun rumus dasar dari Teorema Bayes adalah:
P(A|B) = 𝑃(𝐵|𝐴)𝑃(𝐴)
𝑃(𝐵)
Atau (1)
P(A|B) = 𝑝(𝐴)𝑃(𝐵|𝐴)
𝑃(𝐵|𝐴)𝑃(𝐴)+𝑃(𝐵|𝐴̅)𝑃(𝐴̅)
Prior Probability disimbolkan dengan notasi P(X) yang merupakan derajat belive (kepercayaan) atau sebuah infomasi Probabilistic. Prior Probability berfungsi sebagai acuan Probabilistic apabila tidak terdapat informasi lain yang bias digunakan sebagai suatu kejadian ataupun suatu kondisi.
P = 𝑋
𝐴 (2)
Keterangan:
P = Nilai Prior
X = Jumlah data pada tiap kelas A = Jumlah data pada seluruh data Conditional Probability (CPT) merupakan sebuah tabel yang berisi sebuah kemungkinan Probabilistic A dan B. Conditioanal Probability sendiri adalah bagian dari komponen kuantitatif dari Metode Bayesian Network (Putra, 2018).
Apabila pada prosesnya informasi baru atau nilai baru telah didapatkan maka nilai atau informasi
baru dari Probabilistic tersebut yang digunakan seagai acuan. Probabilitic ini disebut sebagai kemungkinan bersyarat atau juga disebut Conditional Probability.
CPT = 𝑃(𝐴|𝐵)
𝑃(𝐵) (3) Keterangan:
CPT = Conditional Probability P(A|B) = Probabilistic terjadi dengan syarat kemungkinan B terjadi
P(B) = Total banyaknya kemunculan data B
Normalizing Constant atau juga bias disebut Normalisasi Konstanta adalah suatu langkah yang digunakan pada metode bayes untuk melakukan normalisasi dari hasil Conditional Probability. Pada Teorema Bayes disebutkan bahwa perbandingan antara Posterior probability sama dengan Conditional Probability. Dimana P(A) adalah nilai dari Prior dengan asumsi nilai Prior adalah benar sedangkan P(B|A) adalah nilai dari Conditional Probability dari data ataupun gejala yang diinputkan.
3. METODOLOGI
3.1 Alur Bayesian Network
Gambar 3.1 Diagram Alir Bayesian Network 3.2 Data Penelitian
Basis pengetahuan adalah suatu komponen yang mendukung pada perangkat lunak.
Pengetahuan merupakan sekumpulan suatu informasi yang diperoleh dari seorang ahli. Basis pengetahuan mempunyai fungsi yaitu
memecahkan suatu permasalahan pada bidang tertentu, sebagai rujukan untuk melakukan perhitungan yang dibutuhkan oleh perangkat lunak. Selain itu, basis pengetahuan mempunyai sifat yang dinamis, yaitu dapat mengikuti perkembangan dikarenakan adanya pengetahuan yang terus berkembang.
Sumber data diperoleh dari hasil wawancara dan observasi, hal ini dilakukan dengan pakar atau dokter di rumah sakit kota Malang.
Wawancara yang dilakukan dengan pakar menghasilkan pengetahuan tentang keluhan ataupun gejala yang mengerucut pada penyakit THT serta meminta nilai densitas pada setiap gejala dan berikut data gejala dan peyakit THT dapat dilihat pada tabel 3.1 nama – nama penyakit dan 3.2 nama – nama gejala.
Kode penyakit
Nama Penyakit
Penanganan Awal
P01 Otitis Media Serosa
Miringotomi yaitu memasang
“veritilating tube”
yang berfungsi untuk meghilangkan kuasa gangguan
fungsi tuba P02 Polip Hidung Menggunakan
sinar polip, dilakukan drainase sinus
(sinus) dan etmoideing dittomi
intranasal dan exstranasal (sinus
etnoid) P03 Faringitis
Akut
Terapi simtomatic dan obat kumur P04 Infeksi Leher
Dalam
Tes kepekaan kuman, palain foto
leher AP, tes gula darah dan USG
P05 Abses
Retrofaring
Diberikan antibiotic dengan
dosis tinggi dan dilakukan trakeostomi (jika hidung tersumbat) P06 Karsinoma
Nafosaring
Radiasi dan Sitostatika Kode Gejala Nama Gejala
G1 Badan Panas G2 Bersin
G3 Telinga Gebrek – Gebrek G4 Hidung BUntu
G5 Ingus Darah G6 Iritasi Hidung G7 Tenggorokan Kering G8 Leher Kaku
G9 Mata Juling G10 Nyeri Kepala G11 Nyeri Leher
G12 Nyeri Waktu Menelan G13 Tenggororkan Panas G14 Leher Bengkak G15 Penciuman Terganggu G16 Pendengaran Menurun G17 Pusing
G18 Pilek Menahun G19 Sakit Kepala G20 Sesak Nafas G21 Sulit Buka Mulut
G22 Telinga terasa penuh cairan 4. PENGUJIAN DAN ANALISIS
Pengujian dapat dilakukan yaitu dengan menguji tingkat kesesuaian ataupun keakuratan data yang didapat dari observasi dan wawancara terhadap seorang ahli terhadap output perangkat lunak diagnosis THT. Terdapat 80 data testing yang didapatkan dari keseluruhan data latih dari seorang ahli, Setelah itu dilakukan suatu percobaan dengan menggunakan inputan sesuai data uji, kemudian nilai dari akurasi dihitung dengan cara jumlah output perangkat lunak yang sama dengan hasil diagnosis ahli.
Untuk mendapatkan nilai akurasi dari perangkat lunak maka dilakukan kecocokan antara output dari perangkat lunak dengan data uji dari seorang ahli, sehingga didapat dari 80 data uji memiliki 75 kemiripan antara output perangkat lunak dengan seorang ahli, sehingga nilai akurasinya adalah:
Nilai Akurasi = 75
80 x 100%
= 93,75%
5. KESIMPULAN
Berdasarkan dari hasil perancangan serta hasil dari pengujian yang telah dilakukan pada perangkat lunak diagnosis penyakit THT dengan menggunakan metode Bayesian Network dapat diambil kesimpulan sebagai berikut yaitu:
1. Perangkat lunak diagnosis THT dapat
diimplementasikan dengan menggunakan metode Bayesian Network.
2. Metode dari Bayesian Network mempunyai tingkat akurasi 93,75% yang artinya metode Bayesian Network baik digunakan untuk mendiagnosis penyakit THT.
DAFTAR PUSTAKA
Arhami, M., 2005. “Konsep Dasar Sistem Pakar”. Andi Offset.
Ben-Gal dan F, Ruggeri, 2007. Bayessian Network. Encyclopedia of statistics in Quality & Rehability, Wiley & Sons.
Fachir, F. S., Qamariah, N., & Marisa, D. (2014).
Hubungan Tosilitis Kronis dan Otitis Media Efusi di bagian THT RSUD Ulin Banjarmasin Tahun 2014.
Hakim, F. A. (2017). Sistem Pakar Diagnosis Penyakit Telinga Hidung Tenggorokan (THT) Menggunakan Metode Naïve Bayes Berbasis Android. Malang:
Fakultas Ilmu Komputer, Universitas Brawijaya
Listiyono, H., 2008. “Merancang dan Membuat Sistem Pakar”. Jurnal Fakultas Teknologi Informasi Universitas Stikubank.
Semarang.
Prasetyo, E., 2012. Data Mining - Konsep dan Aplikasi Menggunakan MATLAB, Andi, Yogyakarta.
Rosnelly, Rika, 2012, Sistem Pakar, Konsep dan teori. Yogyakarta: Andi.
Safaat N.H, 2012. ANDROID Pemograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. Bandung:
Informatika Bandung.
Sutojo, T., Mulyanto, E., dan Suhartono, V., 2012. Kecerdasan Buatan, Andi Offset, Yogyakarta.
Putra, A. E., 2018. Implementasi Metode Bayesian Network Untuk Diagnosis Penyakit Kambing (Studi Kasus: UPTD Pembibitan Ternak Dan Hijauan Mankanan Ternak Singosari Malang).
Malang: Fakultas Ilmu Komputer, Universitas Brawijaya.
Lukman, A., 2013. Algoritma Bayesian Network
Untuk Simulasi Prediksi Pemenang Pilkada Menggunakan MSBNX.
Makassar.
Kurniawan, R., 2011. Sistem Pakar Untuk Mendiagnosis Penyakit Mata Dengan Metode Bayesian Network. Riau.
Natalius., 2011. Metode Bayesian Network Classifier dan Penggunaannya pada Klasifikasi Dokumen Makalah II 2092 Probabilitas dan Statistika. Pp.
