Fakultas Ilmu Komputer
4333
Sistem Pakar Deteksi Dini Penyakit Stroke Menggunakan Metode
Naïve
Bayes-Certainty Factor
Renaldy Senna Hutama1, Nurul Hidayat2, Edy Santoso3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1sennahutama@gmail.com, 2ntayadih@ub.ac.id, 3edy144@ub.ac.id
Abstrak
Stroke menjadi salah satu penyakit yang memiliki angka kematian yang tinggi di Indonesia dan juga di dunia. Penyakit ini bisa menjadi berbahaya jika tidak cepat ditangani karena gangguan dari darah yang memasok ke otak secara tiba-tiba dan jika tidak ditangani dengan cepat dapat menyebabkan cacat permanen ataupun kematian. Di Indonesia penyakit stroke dalam beberapa tahun terakhir mengalami peningkatan, akan tetapi pemerintah masih belum memiliki solusi dalam menyelesaikan permasalahan penyakit tersebut. Padahal proses penanganan penyakit stroke butuh waktu yang cukup dalam pendeteksiannya, apabila tidak ditangani dengan cepat bisa mengakibatkan cacat atau bahkan kematian. Dengan adanya permasalahan tersebut maka dibutuhkan sebuah sistem yang dapat mempercepat dan mempermudah dalam mendeteksi resiko untuk mengurangi angka seseorang terserang penyakit stroke. Metode yang digunakan dalam proses pendeteksian adalah Naïve Bayes-Certainty Factor. Metode Naïve Bayes digunakan untuk mencari peluang kemunculan dari tingkat resiko penyakit stroke. Untuk metode certainty factor digunakan untuk mencari nilai keyakinanya. Sistem ini dibangun dengan berbasis android dengan Bahasa pemrograman java. Untuk pengujian yang dilakukan yakni dengan melakukan perbandingan hasil deteksi dari pakar dengan hasil deteksi yang dilakukan oleh sistem dimana dari 25 data uji yang dilakukan didapatkan hasil akurasi sebesar 84%.
Kata kunci: penyakit stroke, sistem pakar; deteksi, naïve bayes, certainty factor
Abstract
Stroke became one of the diseases that have a high mortality rate in Indonesia and also in the world. It can be dangerous if it is not handled quickly because of a sudden disruption of blood that supplies the brain and if not handled quickly can cause permanent disability or death. In Indonesia, stroke disease in recent years has increased, but the government still has no solution in solving the disease problem. Though the process of handling stroke disease takes sufficient time in detection, if not handled quickly can lead to disability or even death. With the existence of these problems then required a system that can accelerate and simplify the detection of risk to reduce the number of people suffering from stroke. The method used in the detection process is Naïve Bayes-Certainty Factor. The Naïve Bayes method is used to look for an opportunity to appear from the risk of stroke. For certainty factor method is used to find the value of his belief. This system is built with android based with Java programming language. For the test is done by doing a comparison of detection results from experts with the results of detection conducted by the system where from 25 test data obtained obtained accuracy of 84%.
Keywords: stroke disease, expert system, detection, naïve bayes, certainty factor
1. PENDAHULUAN
Stroke merupakan salah satu penyakit yang dapat menyebabkan kematian dimana penyakit ini merupakan penyakit syaraf mematikan yang memasok darah ke otak secara tiba-tiba sehingga mengalami gangguan(Roger et al, 2011). Penyakit ini kerap dijumpai pada usia senja dan
penyakit stroke butuh waktu tidak sedikit dalam melakukan pendeteksian, masalahnya adalah apabila dalam proses penangannya mengalami penundaan atau keterlambatan bisa mengakibatkan cacat atau bahkan kematian. Dengan adanya permasalahan tersebut maka dibutuhkan sebuah sistem yang dapat mempercepat dan mempermudah dalam mendeteksi resiko untuk mengurangi angka seseorang terserang penyakit stroke. Dan bisa juga dimanfaatkan dalam meringankan tugas seorang dokter dalam mendeteksi penyakit yang diderita oleh pasien.
Metode Naive Bayes digunakan untuk proses perhitungan pada nilai probabilitas di setiap classnya dan diambil nilai yang terbesar sebagai hasil deteksi. Untuk metode Certainty Factor digunakan untuk proses perhitungan nilai presentase keyakinan terhadap hasil deteksi pada metode naive bayes. Pada proses perhitungan metode Certainty Factor dilakukan perhitungan dengan memasukkan nilai keyakinan pakar dan nilai keyakinan dari pengguna yang sesuai dengan inputan jenis-jenis penyakit yang memengaruhi terserangnya penyakit stroke oleh pengguna.
Penggunaan smartphone saat ini sudah semakin banyak dimana alat ini menjadi salah satu kebutuhan yang dapat mendukung komunikasi antar masyarakat. Dengan menggunakan smartphone pengguna dapat memperoleh informasi dengan mudah. Oleh karena itu sistem yang dikembangkan dengan berbasis android dalam menyesuaikan dengan keadaan pengguna yang ada (Al Ihsan, 2012).
Pada penelitian sebelumnya yakni dengan judul Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naïve Bayes-Certainty Factor di mana pada penelitian ini menghasilkan akurasi sebesar 80% (Affan, 2017). Kemudian penelitian selanjutnya yakni Sistem Pendukung Keputusan Deteksi Dini pada Penyakit Stroke menggunakan metode Dempster Shafer dimana penelitian ini menghasilkan akurasi sebesar 89%( Putri, 2015).
Dalam penggunaan sistem pakar ini diharapkan dapat mempermudah bagi pengguna untuk mengetahui dengan cepat dalam mendeteksi secara dini tanpa harus memiliki perangkat komputer atau selalu terkoneksi dengan jaringan komputer (Al Ihsan, 2012). Penggunaan aplikasi ini akan lebih praktis dan efisien selain melalui perangkat mobile yang
sudah banyak digunakan oleh masyarakat luas, pengguna aplikasi ini juga dapat digunakan dimana saja dan kapan saja (Ardiyanto et al, 2012). Oleh karena itu pada penelitian ini akan dikembangkan sebuah sistem pakar yang dapat mendeteksi secara dini resiko penyakit stroke dengan menggabungkan antara metode Naïve Bayes dan Certainty Factor dengan harapan sistem pakar ini dapat memberikan solusi yang tepat dalam proses pendeteksiannya.
2. TINJAUAN PUSTAKA
2.1 Stroke
Penyakit stroke adalah penyakit yang ditandai dengan tanda gejala kehilangan fungsi otak karena terhentinya suplai darah ke otak. Penyakit stroke ini merupakan salah satu dari adanya penyebab kematian dan juga kecacatan neurologis yang utama yang ada di Indonesia. Untuk jenis-jenis resiko terserang penyakit stroke yang digunakan pada penelitian ini adalah tekana darah, diabetes, riwayat keluarga, merokok, aktifitas fisik, kolesterol, tinggi badan, berat badan, dan riwayat fibrrilasi atrium. Untuk proses deteksi tingkat resikonya dibedakan menjadi tiga yakni tinggi, sedang, dan rendah.
2.2 Sistem Pakar
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih.
Sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan dengan basis pengetahuan tertentu yang kemudian kombinasi tersebut disimpan ke dalam komputer yag selanjutnya akan digunakan dalam proses pengambilan keputusan untuk meneyelesaikan masalah yang lebih spesifik (Prihatini, 2011).
2.3 Naïve Bayes
perhitungan metode Naïve Bayes dapat dilakukan dengan menggunakan langkah-langkah berikut ini:
1. Mencari niali prior untuk tiap-tiap kelas dnegan menghitung rata-rata tiap kelas dengan menggunakan Persamaan 1.
P =Ax
Di mana, P = Nilai Prior
X = Jumlah data tiap kelas A = Jumlah data seluruh kelas
2. Mencari nilai likehood untuk tiap-tiap kelas dengan menggunakan Persamaan 2.
L =BF
Di mana,
L = Nilai Likehood
F = Jumlah data fitur tiap kelas B = Jumlah seluruh data tiap kelas
3. Mencari nilai posterior dari tiap kelas yang dengan menggunakan Persamaan 3.
𝑃(𝑐)ℿ𝑃(𝑎|𝑐) Di mana,
P(c) = Nilai prior tiap kelas P(a|c) = nilai likehood
Hasil klasifikasi dengan menggunakan metode Naive Bayes dilakukan dengan membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang akan terpilih sebagai hasil klasifikasi.
2.4 Certainty Factor
Teori certainty factor (CF) mengakomodasi ketidakpastian pemikiran seorang pakar. Seorang pakar/ahli dalam hal ini biasanya dokter sering kali menganalisis informasi yang ada dengan ungkapan seperti
“mungkin”, “kemungkinan besar”, “hampir pasti”. Untuk mengakomodasi hal ini
menggunakan certainty factor guna menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi.
Di bawah ini merupakan cara untuk mendapatkan certainty factor (CF) dari sebuah
rule yakni metode “Net Belief” yang diusulkan oleh E.H. Shortlife dan B.G. Buchanan:
CF (Rule) = MB(H,E) – MD(H,E)
𝑀𝐵(𝐻, 𝐸) =max[(max[1,0]−P(H)H|E),P(H)]−P(H) P (H) = 1,
𝑀𝐷(𝐻, 𝐸) =max[P(min[1,0]−P(H)H|E),P(H)]−P(H)Pc(H)=0,
Di mana :
CF(Rule) = Faktor Kepastian
MB(H,E) = Measure of Belief (ukuran kepercayaan) terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1) MD(H,E) = Measure of Disbelief (ukuran ketidakpercayaan) terhadap evidence H, jika diberikan evidence E (antara 0 dan 1) P(H) = Probabilitas kebenaran hipotesis H P(H|E) = Probabilitas bahwa H benar karena fakta E
3. METODOLOGI
Gambar 1 Diagram Metodologi Penelitian Pada metodologi ini akan dibagi dalam beberapa tahap agar proses yang dilakukan berjalan dengan baik. Langkah pertama diawali dengan studi literatur, pengumpulan data, perancangan sistem, implementasi sistem, pengujian sistem dan penarikan kesimpulan dan saran, untuk lebih jelasnya akan dijelaskan dalam diagram alir pada Gambar 1.
Pengumpulan data diambil dari data sekunder atau dataset yaitu data pasien penyakit stroke yang telah dicatat baik dalam hal penyebab hingga hasil deteksi tingkat resiko penyakit stroke. Dari hasil pengumpulan data tersebut didapatkan data faktor resiko terserang stroke beserta atributnya yaitu:
Tabel 1. Data Faktor Resiko Penyakit Stroke
Faktor resiko
Tinggi Sedang Rendah
Tekanan
Sumber: (Association, 2009) Keterangan:
Stroke tinggi apabila terdapat >= dari 3 faktor resiko Penyakit Stroke Menggunakan Metode Naïve Bayes-Certainty Factor. Proses-proses tersebut terdiri dari tiga bagian yakni analisis kebutuhan perangkat lunak, perancangan perangkat lunak, dan perancangan sistem pakar. Tahapan analisis kebutuhan perangkat lunak terdiri dari
identifikasi aktor, Analisis kebutuhan masukan, Analisis kebutuhan proses, dan Analisis kebutuhan keluaran. Tahapan perancangan perangkat lunak terdiri dari use case, untuk perancangan sistem pakar terdiri dari akuisisi pengetahuan, basis [pengetahuan, mesin inferensi, blackboard, fasilitas penjelas dan antarmuka.
Tahapan-tahapan dari metode Naïve Bayes-Certainty Factor yang digunakan pada penelitian ini terbagi menjadi tiga proses dalam proses Niave Bayes, yakni pertama mencari nilai probabilitas prior, kedua mencari nilai likehood, kemudian terakhir mencari nilai probabilitas posterior. Untuk metode Certainty Factor sendiri digunakan untuk menghitung nilai kepastian dari hasil perhitungan metode Niave Bayes yang telah dilakukan sebelumnya.
Diagram Alir Naïve Bayes-Certainty Factor pada Gambar 2.
Gambar 2 Diagram Alir Naive Bayes – Certainty Factor
5. IMPLEMENTASI
5.1 Antarmuka
Stroke ini digunakan oleh pengguna untuk berinteraksi dengan sistem. Antarmuka untuk tampilan dari system sendiri terbagi menjadi enam halaman yakni halaman utama, halaman mulai deteksi, halaman informasi penyakit, halaman informasi perangkat, halaman informasi pengembang, dan halaman hasil deteksi penyakit stroke nya. Implementasi antarmuka ditunjukkan pada Gambar 3.
Gambar 3 Implementasi Antarmuka
6. PENGUJIAN
Pada hasil pengujian ini terdiri dari pengujian blackbox, pengujian angket dan pengujian akurasi. Untuk pengujian blackbox ini dilakukan dengan melakukan proses pengujian fungsionalitas sistem apakah berjalan sesuai dengan yang diharapkan atau tidak. Pengujian angket dilakukan dengan
membuat sebuah
kuisioner
untuk diisi oleh pengguna yang
telah menguji atau menggunakan sistem
yang telah dibuat apakah sistem yang dibuat
layak atau tidak untuk digunakan. Pengujian
akurasi dilakukan dengan melakukan
perbandingan hasil deteksi dari pakar
dengan hasil deteksi yang dilakukan oleh
sistem, apakah hasilnya sama atau tidak.
6.1 Pengujian Blackbox
Pengujian
Blackbox
ini merupakan
pengujian
yang
digunakan
untuk
mengetahui apakah sistem yang dibangun
sudah sesuai dengan kebutuhan atau tidak.
Proses pengujian ini dilakukan dengan
menggunakan kasus uji untuk mengetahui
apakah kinerja sistem sesuai dengan daftar
kebutuhan.
Berikut
merupakan
hasil
pengujian kebutuhan fungsional halaman
mulai deteksi dan halaman info penyakit:
Tabel 2 Kasus Uji Halaman Mulai Deteksi
Nama Kasus Uji
Menampilkan halaman pertanyaan proses pendeteksian
Tujuan Pengujian
Untuk memastikan sistem dapat menampilkan pertanyaan dalam proses pendeteksian penyakit stroke
prosedur Pengujian
1. Sistem dijalankan 2. Memilih menu Mulai
Deteksi Hasil yang
diharapkan
Sistem dapat menampilkan tampilkan pertanyaan yang telah disediakan oleh sistem dalam proses mendeteksi penyakit stroke.
Status Valid
Tabel 3 Kasus Uji Halaman Info penyakit
Nama Kasus Uji
Menampilkan halaman info penyakit
Tujuan Pengujian
Untuk memastikan sistem dapat menampilkan halaman informasi tentang penyakit stroke.
prosedur Pengujian
1. Sistem dijalankan 2. Memilih menu info
penyakit
3. Sistem menampilkan halaman info penyakit
Hasil yang diharapkan
Sistem dapat menampilkan tampilkan halaman
informasi penyakit yang telah disediakan oleh sistem.
Status Valid
Pengujian usability dilakukan dengan cara membuat sebuah kuisioner untuk diisi oleh pengguna yang telah menguji atau menggunakan sistem yang telah dibuat. Setiap pertanyaan yang ada akan diberikan sebuah nilai, yakni satu sampai dengan lima dan totalnya nanti akan dibagi dengan jumlah pertanyaan yang ada. Hasil dari perhitungan tersebut akan menjadi acuan apakah sistem layak atau tidak, semakin tinggi nilai yang didapatkan maka semakin baik sistem tersebut.
Kuisioner yang dibuat sebanyak 20 lembar yang berisi lima pertanyaan, masing-masing dari pertanyaan memiliki nilai satu sampai lima.
Sesuai dengan hasil kuisioner yang ada maka selanjutnya adalah dilakukan proses perhitungan mean untuk mendapatkan rata-rata. Berikut adalah hasil perhitungan hasil kuisioner pengujian usabilility:
Mean =Jumlah PertanyaanTotal Nilai =478100= 4,78 Keterangan :
Jika Mean = 1 Maka Sistem dianggap sangat buruk
Jika Mean = 2 Maka Sistem dianggap buruk Jika Mean = 3 Maka Sistem dianggap biasa saja Jika Mean = 4 Maka Sistem dianggap baik Jika Mean = 5 Maka Sistem dianggap sangat baik
6.3 Pengujian Akurasi
Pengujian akurasi ini digunakan untuk mengetahui besarnya nilai akurasi sistem yang dibuat. Pada pengujian ini melakukan sebuah perbandingan hasil deteksi dari pakar dengan hasil deteksi yang dilakukan oleh sistem, apakah hasilnya sama atau tidak. Untuk data yang didapatkan sebanyak 25 data uji dan setelah dilakukan proses pengujian sebanyak 25 kali tersebut terdapat 6 dari 25 data uji yang dilakukan oleh sistem hasilnya berbeda dari hasil yang diperoleh dari pakar, maka hanya terdapat 19 data uji yang hasilnya sama antara sistem dan yang diperoleh dari pakar. Yang kemudian nilai akurasi akan didapatkan dengan rumus sebagai berikut:
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =Output yang sesuaijumlah percobaan x 100% 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =2125 x 100% = 84%
Maka Akurasi yang didapatkan adalah sebesar 84%.
7. KESIMPULAN
Berdasarkan hasil pengujian dan analisis hasil penelitian yang sudah dilakukan pada
sistem pakar deteksi dini penyakit stroke menggunakan metode Naïve Bayes_Certainty Factor, maka didapatkan beberapa kesimpulan sebagai berikut:
1. Sistem yang dihasilkan sesuai dengan perancangan sistem secara keseluruhan sebagai solusi dari permasalahan dalam mendeteksi dini penyakit stroke yang dapat membantu masyarakat dalam mendeteksi secara dan tepat.
2. Berdasarkan hasil pengujian yang telah dilakukan dan diperoleh hasil sebagai berikut:
a. Pengujian blackbox mendapatkan presentase pengujiannya sebesar 100% sehingga dapat diberikan kesimpulan bahwa fungsionalitas sistem telah berjalan dengan apa yang dharapkan.
b. Pengujian usability menghasilkan rata-rata diperoleh nilai sebesar 4,78. Dari nilai rata-rata tersebut dapat disimpulkan bahwa sistem yang dibangun sudah dianggap baik.
c. Pengujian akurasi memiliki nilai presentase akurasi sebesar 84% karena terdapat 4 data uji dari 25 data uji yang tidak sesuai dengan hasil yang diperoleh dari pakar yang disebabkan adanya kesamaan diantara beberapa resiko yang ada.
DAFTAR PUSTAKA
Al Ihsan S. H. 2012. Pengembangan Sistem Pakar Agribisnis Cabai Berbasis Android. Program Studi Ilmu Komputer Institut Pertanian Bogor.
Ardhitama, Ivan. 2014. Aplikasi Sistem Pakar Untuk Mendiagnosa Dan Penanganan Dini Gangguan Autisme Pada Anak Dengan Metode Certainty Factor Berbasis Web. Program Studi Informatika Ilmu Komputer PTIIK Universitas Brawijaya Malang.
Astuti, Puji Indah. 2016. Pengembangan Sistem Pakar Identifikasi Awal Penyakit Kedelai dengan Pendekatan Naïve Bayes Berbasis android. Skripsi. Tidak diterbitkan. Institut Pertanian Bogor, Bogor.
Stroke menggunakan algoritma Dempster Shafer. Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya Malang.
Prihatini, Putu Manik. 2011. Metode Ketidakpastian Dan Kesamaran Dalam Sistem Pakar. Staf Pengajar Jurusan Teknik Elektro Politeknik znegeri Bali. Roger, V.L. et al., 2011. AHA Heart Disease and
Stroke Statistics 2011 update: a report from the American Heart Association. Circulation 2011;123:e18-e209.) Suprayogi, Achmad Affan. 2017. Sistem Pakar
