SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN TEOREMA BAYES.

(1)

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GIGI DENGAN TEOREMA BAYES

Andy Lie, Kevin Wibawa Santoso, Williace Ardesnando Sukartono

School of Computer Science, Bina Nusantara University, Jakarta, Indonesia

Email: [email protected], [email protected], [email protected]

INFORMASI ARTIKEL

Kata kunci:

sistem pakar

forward chaining

teorema Bayes

penyakit gigi

ABSTRAK

Penyakit gigi pada manusia menduduki urutan

pertama dari daftar 10 besar penyakit yang paling

sering dikeluhkan masyarakat Indonesia. Tujuan dari

penelitian ini adalah membuat aplikasi sistem pakar

untuk diagnosa penyakit gigi. Aplikasi ini akan

mendiagnosa penyakit dengan forward chaining dan

menghitung nilai kemungkinan dengan teorema

Bayes. Metode yang dilakukan adalah dengan

membuat decision tree, lalu melakukan penelusuran

dengan forward chaining, dan dihitung nilai

kemungkinannya dengan Bayes. Hasil yang dicapai

aplikasi dengan teorema Bayes dari empat belas

penyakit yang dapat terdeteksi dengan nilai rata-rata

kemungkinan 98,3%. Simpulan yang diperoleh yaitu

aplikasi sistem pakar ini dapat mendiagnosa penyakit

gigi dengan cukup akurat dan dapat membantu dalam

mengatasi

masalah

penyakit

gigi.

1. Pendahuluan

Gigi adalah salah satu organ tubuh yang sangat

penting karena berawal dari penyakit yang ada pada

organ ini dapat menimbulkan penyakit-penyakit yang

bisa membahayakan organ-organ tubuh lainnya [1].

Penyakit gigi pada manusia menduduki urutan

pertama dari daftar 10 besar penyakit yang paling

sering dikeluhkan masyarakat Indonesia. Dari data

yang didapatkan Persatuan Dokter Gigi Indonesia,

sebanyak

seratus

enam

puluh

delapan

juta

masyarakat Indonesia menderita sakit gigi dengan

rata-rata gigi berlubang hingga lima gigi orang

dewasa [2].

Persepsi dan perilaku masyarakat Indonesia

terhadap kesehatan gigi masih cenderung buruk. Hal

ini terlihat dari masih besarnya angka karies gigi di

Indonesia yang cenderung meningkat. Meskipun

dokter gigi adalah orang yang ahli dalam bidangnya,

namun dokter gigi tetap sebagai manusia biasa yang

memiliki keterbatasan daya ingat dan stamina kerja.

Tentu saja suatu saat hal ini dapat menyebabkan

kesalahan diagnosa yang bisa berlanjut pada

kesalahan solusi yang diambil [1]. Untuk gejala yang

umum,

pengobatan

dapat

dilakukan

dengan

menggunakan sistem pakar [3]. Melihat dari kondisi

tersebut diperlukannya perancangan sistem pakar

diagnosa penyakit gigi pada manusia.

2. Tinjauan Pustaka

2.1 Sistem Pakar

Sistem pakar adalah program komputer yang

berasal dari Artificial Intelligence (AI) yang

dibangun dengan tujuan untuk memahami kecerdasan

dengan cara menunjukkan perilaku cerdas itu sendiri.

Hal ini berkaitan dengan konsep dan metode inferensi

simbolik, atau penalaran olehk komputer dan

bagaimana pengetahuan yang digunakan untuk

membuat kesimpulan tersebut direpresentasikan oleh

mesin.

Terdapat

perbedaan

antara

algoritma

perangkat lunak konvensional dan sistem pakar.

Algoritma konvensional memiliki hasil yang jelas

sedangkan sistem pakar dapat memberikan jawaban

dengan tingkat probabilitas tertentu. Sistem pakar

biasanya berbasis pengetahuan umum yang dapat

didefinisikan

sebagai

sistem

komputer

yang

(2)

menyimpan pengetahuan dalam ruang lingkup solusi

masalah. [4].

Sistem pakar juga merupakan keahlian yang

dipindahkan

dari

pakar

ke

suatu

komputer.

Pengetahuan ini kemudian disimpan dalam komputer.

Pada saat pengguna menjalankan komputer untuk

mendapatkan informasi, sistem pakar menanyakan

fakta-fakta dan dapat membuat penalaran sampai

pada sebuah kesimpulan. Dengan sistem pakar ini,

orang awam pun dapat menyelesaikan masalahnya

atau hanya sekedar mencari suatu informasi

berkualitas yang sebenarnya hanya dapat diperoleh

dengan bantuan para ahli di bidangnya.Sistem pakar

ini juga dapat membantu aktivitas para pakar sebagai

asisten

yang

mempunyai

pengetahuan

yang

dibutuhkan [5].

Pada dasarnya konsep sistem pakar adalah

pengguna memasukkan atau memberikan fakta atau

informasi lainnya ke dalam sistem pakar dan

mendapatkan sebuah kesimpulan sebagai jawaban.

Sistem pakar terdiri dari 2 komponen utama, yaitu

knowledge base dan inference engine. Kesimpulan

yang diterima oleh pengguna merupakan konklusi

yang didapatkan inference engine dari knowlege base

yang berisi pengetahuan khusus.

Gambar 1 Konsep Dasar Fungsi Sistem Pakar

Konsep

dasar

sistem

pakar

dapat

direpresentasikan dalam banyak cara. Salah satunya

adalah representasi pengetahuan dalam aturan

IF-THEN seperti IF the light is red IF-THEN stop. Jika ada

fakta yang menyatakan bahwa lampu merah menyala

dan aturan sesuai maka akan dilakukan sebuah aksi

berhenti [6].

2.2 Decision Tree

Pohon keputusan (decision tree) merupakan

salah satu metode klasifikasi yang menggunakan

representasi struktur pohon (tree) yang setiap

internalnode (non-leaf node) merepresentasikan

atribut, cabangnya merepresentasikan nilai dari

atribut dan daun (leaf node atau terminal node)

merepresentasikan kelas. Node yang paling atas dari

decision tree disebut sebagai root [7].

2.3 Forward Chaining

Secara umum ada dua teknik utama yang

digunakan dalam inference engine untuk menguji

aturan, yaitu penalaran maju (forward chaining) dan

penalaran mundur (backward chaining) [8].

Forward chaining pada dasarnya adalah

data driven, yang bearti sistem memulai dengan set

elemen awal dalam memori dan terus menembak

sampai tidak ada aturan lagi yang dapat diterapkan

atau tujuan telah tercapai. Efeknya, sistem ini akan

bergerak maju dari kondisi sekarang ke keadaan

tujuan. Metode ini cocok digunakan untuk jumlah

tujuan yang besar. Tidak ada tujuan tunggal ataupun

tujuan yang unik. Tugas perencanaan, desain dan

sintesis pada umumnya cocok menggunakan metode

forward chaining [6].

2.4 Teorema Bayes

Teorema Bayes memberikan cara untuk

memperbarui probabilitas hipotesis H dengan

mengingat data D. Cara berpikir teorema Bayes

ini

dapat

disebut

sebagai

diachronic

interpretation. “Diachronic” yang berarti bahwa

ada sesuatu yang terjadi dari waktu ke waktu,

yang kemungkinan membuat adanya perubahan

hipotesis [9]. Secara matematik persamaan

teorema Bayes ditulis :

di mana :

-

p(H) adalah probabilitas hipotesis sebelum

melihat data disebut juga probabilitas prior

atau hanya prior

-

p(H|D) adalah apa yang ingin dihitung,

probabilitas hipotesis setelah melihat data,

disebut posterior

-

p(D|H) adalah probabilitas data di bawah

hipotesis yang benar disebut dengan

likehood

-

p(D) adalah probabilitas data di bawah

semua

hipotesis,

disebut

normalizing

constant

2.5 Gigi

Gigi manusia terdiri dari enamel, dentine,

cementum, dan pulp.

• Enamel adalah lapisan luar gigi atau

mahkota yang menutupi bagian ujung atas

gigi. Enamel biasanya bervariasi dalam

warna tembus cahaya yang kekuningan

sampai putih keabu-abuan. Enamel adalah

struktur biologis yang paling keras dalam

tubuh hewan. Enamel akan mencapai

ketebalan penuh sebelum muncul ke

permukaan rongga gigi.

• Dentine adalah bagian ujung atas gigi yang

ditutupi

oleh

enamel.

Dentine

akan

(3)

melindungi bagian pulp ketika terjadi

kerusakan pada enamel.

• Cementum adalah lapisan luar bagian bawah

dentin yang tidak tertutupi oleh enamel.

Cementum terdapat pada sepanjang akar

gigi dan umumnya memanjang kearah email.

Cementum diproduksi oleh cementoblasts

yang membentuk dua jenis cementum yaitu

cellular dan acellular. Cementum seluler

kurang keras dibandingkan dengan email

atau dentin. Cementum seluler lebih mirip

dengan tulang tetapi tidak reformasi seperti

tulang. Cementum menambah ukuran dan

kekuatan gigi serta melindungi dentin. Garis

cementum juga terbukti berguna sebagai

sarana untuk memperkirakan usia pada

seseorang.

• Pulp adalah bagian tengah gigi yang terdiri

dari jaringan lunak yang mengandung

pembuluh

darah

dan

saraf

yang

menghubungkan gigi dengan apikal. Pulp

gigi menempati rongga pulpa dan dikelilingi

oleh dentin. Pulp terdiri dari berbagai

jaringan diantaranya adalah pembuluh arteri,

vena, saraf dan pembuluh limfatik [10].

Gambar 2 Komponen Gigi Manusia

3 Metodologi

Metode yang digunakan adalah decision tree,

penelusuran

dengan

forward

chaining

dan

perhitungan nilai kemungkinan dengan teorema

Bayes.

Berdasarkan gejala yang didapatkan untuk

penyakit gigi maka dibuatlah decision tree seperti

pada gambar 1.

(4)

A

Sulit Mengunyah OR Bau busuk keluar

dari mulut

B

Tidak tumbuhnya semua atau beberapa gigi

baik gigi susu maupun gigi permanen

C

Pembengkakan pada gusi atau gusi berwarna

merah

D

Gusi atau gigi bernanah OR Ada luka antara

gigi dan gusi

E

Rasa sakit saat membuka mulut

F

Gusi mudah berdarah OR Gusi menjadi lebih

lunak

G

Gigi tampak lebih panjang dari normal

H

Rasa sakit atau nyeri di sekitar gusi (bila atau

tanpa disentuh)

I

Rahang terjadi pembengkakan

J

Gusi mudah berdarah OR Ujung gusi tertutup

lapisan abu-abu

K

Demam OR Pembengkakan kelenjar getah

bening OR Gigi terasa sakit atau berdenyut

L

Pembengkakan kelenjar getah bening OR

Hilangnya bekuan darah di lokasi bekas

pencabutan gigi OR Terlihatnya tulang dalam

daerah bekas pencabutan

M

Gigi terasa ngilu dan lebih sensitif

N

Sensitif atau ngilu saat minum air dingin OR

Tidak

terlalu

ngilu

jika

minum

air

panas/hangat

O

Sakit gigi tiba-tiba dan bisa berjam-jam terasa

sakitnya

P

Bentuk gigi tampak terkikis

Q

Sensitif terhadap rasa manis

R

Ada benjolan pada gigi yang sakit

R1 : Anodonsia

R2 : Abses Periodental

R3 : Periodontitis

R4 : Parit mulut

R5 : Gingivitis

R6 : Trench Teeth

R7 : Gangguan gigi bungsu

R8 : Abses Periapikal

R9 : Alveolar Osteitis

R10 : Irreversible Pulpitis

R11 : Reversible Pulpitis

R12 : Dental abrasion

R13 : Bruxism

R14 : Necrotic Pulp

R15 : Sehat

R16 : Penyakit Tidak Terdeteksi

Dari decision tree yang sudah ada maka dibuat

rules yang sesuai dan dari rules tersebut dilakukan

penelusuran dengan forward chaining. Sistempakar

menggunakan

penalaran

manusia

dan

membutuhkan beberapa rules (kaidah) untuk

membuat sistem tersebut berjalan [11].

Jika gejalanya adalah sensitif atau ngilu

saat minum air dingin atau tidak terlalu ngilu jika

minum air panas atau hangat serta sakit gigi

tiba-tiba dan bisa berjam-jam terasa sakitnya, Jika ya

maka kemungkinan penyakitnya adalah Irreversible

Pulpitis, sedangkan tidak maka kemungkinan

penyakitnya adalah Reversible Pulpitis.

Jika gejalanya adalah bentuk gigi tampak

terkikis maka kemungkinan penyakitnya adalah

Dental abrasion.

Jika gejalanya adalah sensitif terhadap

rasa manis maka kemungkinan penyakitnya adalah

Bruxism.

Jika gejalanya adalah ada benjolan pada

gigi yang sakit maka kemungkinan penyakitnya

adalah Necrotic Pulp.

Setelah

ditelesuri

dengan

forward

chaining dan ditemukan penyakitnya berdasarkan

gejala yang diderita maka nilai kemungkinan

terkena

penyakit

akan

dihitung

dengan

menggunakan teorema Bayes. Keuntungan dari

Bayes adalah bisa memprediksikan inferensi

algoritma dalam menangani data yang hilang dan

lazim dalam sistem klinis [12].

Perhitungan

kemungkinan

terkena

irreversible pulpitis dengan gigi ngilu dan sensitif

AND gigi sensitif atau ngilu saat minum air dingin

AND gigi tidak terlalu ngilu jika minum air

panas/hangat adalah:

p(irreversible pulpitis | gigi ngilu dan sensitif, gigi

sensitif atau ngilu saat minum air dingin, gigi tidak

terlalu ngilu jika minum air panas/hangat)

Kemungkinan gigi ngilu dan sensitif jika

terkena irreversible pulpitis

-

p(gigi ngilu dan sensitif | irreversible

pulpitis) = 0.4

Kemungkinan gigi sensitif atau ngilu saat

minum air dingin jika terkena irreversible pulpitis

-

p(gigi sensitif atau ngilu saat minum air

dingin | irreversible pulpitis) = 0.9

Kemungkinan gigi tidak terlalu ngilu jika

minum air panas/hangat jika terkena irreversible

pulpitis

-

p(gigi tidak terlalu ngilu jika minum air

panas/hangat | irreversible pulpitis) = 0.3

Kemungkinan sakit gigi tiba-tiba dan bisa

berjam-jam terasa sakitnya jika terkena irreversivle

pulpitis

-

p(sakit gigi tibatiba dan bisa berjam-jam

terasa sakitnya | irreversible pulpitis) =

p(sgtb|ip) = 0.7

Kemungkinan terkena irreversible pulpitis

tanpa memandang gejala apapun

-

p(irreversible pulpitis) = 0.25

Jadi p(irreversible pulpitis | gigi ngilu dan

sensitif, gigi sensitif atau ngilu saat minum air

(5)

dingin, gigi tidak terlalu ngilu jika minum air

panas/hangat) =

25 .

0 *

7 .

0

25 .

0 *

3 .

0

25 .

0 *

9 .

0

025 .

*

4 .

0

25 .

0 *

3 .

0

25 .

0 *

9 .

0

25 .

0 *

4 .

0 +

+

=

= 0.69

4 Evaluation

Setelah

melakukan

implementasi

dari

metodologi ke dalam aplikasi maka sistem diuji

apakah sistem sudah berjalan dengan baik atau

tidak dengan pakar sebagai pengujinya. Dari 14

penyakit yang terdeteksi didapatkan nilai rata-rata

kemungkinan 98,3%.

No

Gejala

Hasil

Diagnosis

Sistem

Pakar

Hasil

Diagnosis

Pakar

1

• A

• B

81,82 %

terkena

Anodonsia

2

• A

• C

• D

• E

100 %

terkena

Abses

Periodental

Abses

Periodental

3

• A

• C

• D

• F

• G

100%

terkena

Periodontiti

s

Periodontitis

4

• A

• C

• H

• F

88.89%

terkena Parit

mulut

Parit mulut

5

• A

• C

• I

• J

100%

terkena

Gingivitis

6

• A

• K

• L

100%

terkena

Trench

Teeth

• I

• M

Teeth

7

• A

• K

• L

• H

100%

terkena

Gangguan

gigi bungsu

Gangguan

gigi bungsu

8

• A

• L

• N

• O

• P

100 %

terkena

Abses

Periapikal

Abses

Periapikal

9

• K

• O

• Q

• R

100 %

terkena

Alveolar

Osteitis

Alveolar

Osteitis

10

• S

• T

• U

• V

100%

terkena

Irreversible

Pulpitis

Irreversible

Pulpitis

11

• S

• T

• U

100%

terkena

Reversible

Pulpitis

Reversible

Pulpitis

12

• S

• W

100 %

terkena

Dental

Abrasion

Dental

Abrasion

13

• S

• X

100 %

terkena

Bruxism

14

• S

• Y

100%

terkena

Necrotic

Pulp

Necrotic

Pulp

(6)

Keterangan

A

Sulit mengunyah

B

Tidak tumbuhnya semua atau beberapa gigi

baik gigi susu maupun gigi permanen

C

Pembengkakan pada gusi atau gusi berwarna

merah

D

Gusi atau gigi bernanah

E

Rasa sakit saat membuka mulut

F

Adanya luka antara gigi dan gusi

G

Gigi tampak lebih panjang dari normal

H

Rasa sakit atau nyeri di sekitar gusi (bila atau

tanpa disentuh)

I

Gusi mudah berdarah

J

Gusi menjadi lebih lunak

K

Bau busuk keluar dari mulut

L

Rahang terjadi pembengkakan

M

Ujung gusi tertutup oleh lapisan warna

abu-abu

N

Demam

O

Pembengkakan kelenjar getah bening

P

Gigi terasa sakit atau berdenyut

Q

Hilangnya bekuan darah di lokasi bekas

pencabutan gigi

R

Terlihatnya tulang dalam daerah bekas

pencabutan

S

Gigi terasa ngilu dan lebih sensitif

T

Sensitif atau ngilu saat minum air dingin

U

Tidak terlalu ngilu jika minum air

panas/hangat

V

Sakit gigi tiba-tiba dan bisa berjam-jam

terasa sakitnya

W

Bentuk gigi tampak terkikis

X

Sensitif terhadap rasa manis

Y

Adanya benjolan pada gigi yang sakit

5 Kesimpulan

Berdasarkan implementasi dan evaluasi, maka

hal-hal yang dapat disimpulkan dari pengembangan

sistem pakar diagnosa penyakit gigi ini adalah :

1. Program dapat mendiagnosa penyakit gigi

beserta menampilkan nilai kemungkinan

sesuai dengan inputan gejala yang diderita

pengguna.

2. Empat

belas

penyakit

yang

dapat

terdeteksi

dengan

nilai

rata-rata

kemungkinan 98,3%.

3. Probabilitas Bayes membantu dalam

mengambil keputusan dari hasil diagnosa

sistem pakar.

Acknowledgment

Penulis mengucapkan terima kasih kepada drg.

Fanny Liliani yang telah bersedia membantu

memberikan data yang dibutuhkan untuk penelitian

ini.

Referensi

[1]

Nurazaman, Destiani, D & Dhamiri, D.

(2012). Pembangunan Aplikasi Sistem

Pakar untuk Diagnosis Penyakit Gigi dan

Mulut Pada Manusia. Jurnal Algoritma

Sekolah Tinggi Teknologi Garut. 09(12).

1-8.

[2]

(2012). Pusat Data dan Infomasi PERSI.

Abaikan

Kesehatan

Gigi

Penyebab

Tingginya Gigi Berlubang. [ONLINE].

Available:

http://www.pdpersi.co.id/content/news.ph

p?catid=23&mid=5&nid=931

[3]

Patel, M, Virparia, P & Patel, A. (2013).

Ruled Based Expert System for Viral

Infection Diagnosis. International Journal

of Advanced Research in Computer

Science and Software Engineering. 3(5).

591-595.

[4]

Hemmer, M. C. (2008). Expert Systems in

Chemistry Research. Florida: CRC Press.

[5]

Turban, E. (2005). Decision Support and

Expert System. New York: MacMillan.

[6]

Giarratano, J & Riley, G. (2005). Expert

Systems: Principles and Programming.

(4

th

edition). Boston: Thomson Course

Technology.

[7]

Han, J., Kamber, M.,& Pei, J. (2012).

Data Mining: Concepts and Techniques.

(3thedition). Waltham: Morgan Kaufmann.

[8]

Sasikumar, M., Ramani, S., Raman, S. M.,

Anjaneyulu, K., & Chandrasekar, R.

(2007). A Practical Introduction to Rule

Based Expert Systems. New Delhi: Narosa

Publishers.

[9]

Downey,

A. (2012).

Think

Bayes:

Bayesian Statistic Made Simple. (Version

1.0.1). Massachusetts: Green Tea Press.

[10]

Swindler, D.R. (2002). Primate Dentition:

An Introduction to the Teeth of

Non-Human Primates. Cambridge: Cambridge

University Press

[11]

Dragulescu, D & Albu, A. (2007). Medical

Prediction System. Acta Polytechnica

Hungarica. 4(3). 89-101.

[12]

Dexheimer, J.W, Brown, L.E, Leegon, J &

Aronsky, D. (2007). Comparing Decision

Support Methodologies for Identifying

Asthma Exacerbations. Journal of Study

Health

Technology

Information.

129(2).880-884.

(7)

Riwayat Hidup

Kevin Wibawa Santoso lahir

pada tanggal 12 November 1992,

dia telah menyelesaikan gelar

sarjana dari BINUS University di

awal tahun 2014. Kevin adalah

seorang website dan software

developer.

Williace Ardesnando Sukartono

lahir pada tanggal 3 Desember

1992, dia telah menyelesaikan

gelar

sarjana

dari

BINUS

University di awal tahun 2014.

Andy Lie lahir pada tanggal 20

Juni 1992, dia telah menyelesaikan

gelar

sarjana

dari

BINUS

University di awal tahun 2014.

Andy adalah seorang freelancer

(8)