Penggunaan Metode Bayesian Network Dalam Sistem Pakar Untuk Diagnosis Penyakit Leukemia

(1)

PENGGUNAAN METODE BAYESIAN NETWORK DALAM SISTEM PAKAR

UNTUK DIAGNOSIS PENYAKIT LEUKEMIA

Indyana Meigarani

Program Ilmu Komputer

Universitas Pendidikan Indonesia

Jl. Dr Setiabudhi 229 Bandung

Dr. Wawan Setiawan, M.Kom.

Program Ilmu Komputer

Universitas Pendidikan Indonesia

Jl. Dr Setiabudhi 229 Bandung

Lala Septem Riza, MT.

Program Ilmu Komputer

Universitas Pendidikan Indonesia

Jl. Dr Setiabudhi 229 Bandung

ABSTRAK

Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Leukemia atau kanker darah adalah jenis kanker yang menyerang sel darah putih. Leukemia dikelompokkan menjadi empat jenis. Gejala yang hampir sama untuk setiap jenisnya mempersulit untuk menentukan jenis penyakit leukemia yang diderita pasien. Pada skripsi ini, peneliti bertujuan untuk merancang aplikasi sistem pakar untuk diagnosis penyakit leukemia menggunakan metode bayesian network dengan memperhatikan gejala-gejala yang dialami. Bayesian network dapat digunakan untuk menghitung probabilitas dari kehadiran berbagai gejala penyakit. Sulitnya menentukan jenis penyakit leukemia karena rumitnya berbagai gejala yang mengiringinya, dapat dibantu dengan merepresentasikan gejala penyakit ini ke dalam sebuah model grafis dalam bayesian network. Implementasi sistem pakar berbasis web ini menggunkan bahasa pemrograman php.

Kategori dan Deskripsi Subjek

I.2.1 [Artificial Intellegence] Expert System

Ketentuan Umum

Teori

Kata Kunci

Penggunaan metode bayesian network untuk sistem pakar diagnosis penyakit leukemia

1. PENDAHULUAN

Sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti layaknya para pakar. Sistempakar adalah “a computer program designed to model the problem-solving ability of a human expert.”[3]. Sistem pakar dibangun untuk mencoba menyerupai kemampuan manusia dalam menyelesaikan masalah tertentu dalam bentuk heuristik. Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama dari sistem pakar. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para pakar. Sistem pakar memiliki potensi memperluas kemampuan memecahkan persoalan.

Kepakaran manusia tidak bertahan lama, dapat hilang karena kematian, pensiun, atau berpindah tempat kerja. Dalam pengambilan kesimpulan, pakar dapat dipengaruhi oleh beberapa faktor yang dapat memepengaruhi hasil pengambilan kesimpulan tersebut. Sistem pakar memberikan hasil yang lebih konsisten daripada pakar. Sistem pakar juga dapat melakukan pengambilan kesimpulan dalam waktu yang konsisten, bahkan dalam beberapa

kasus dapat menghasilkan kesimpulan lebih cepat daripada pakar.

Terdapat dua ciri utama sistem pakar, yaitu pengetahuan dan penalaran. Untuk memenuhi keduanya, dalam suatu sistem pakar harus memiliki basis pengetahuan dan mesin inferensi. Basis pengetahuan berisi pengetahuan yang dikhususkan pada area permasalahan tertentu, dalam basis pengetahuan terdapat fakta, aturan-aturan, konsep dan hubungan antar fakta. Proses ini membutuhkan 4 aktifitas, yaitu: tambahan pengetahuan, representasi pengetahuan, inferensi pengetahuan dan pengalihan pengetahuan ke pengguna. Mesin inferensi mengolah isi dari basis pengetahuan yang dibuat menggunakan penalaran yang serupa dengan manusia untuk menarik kesimpulan. Mesin inferensi menggabungkan fakta pada memori dengan pengetahuan yang terdapat pada basis pengetahuan. Dengan cara inilah mesin inferensi dapat menarik kesimpulan menjadi informasi baru tentang suatu masalah tertentu.

Dengan pengembangan sistem pakar, diharapkan bahwa orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman.

Sistem pakar banyak dikembangkan dalam berbagai bidang, termasuk dalam bidang diagnosis medis. Saat ini kebutuhan manusia akan pelayanan medis yang lebih baik sangat mendesak, yang berarti dukungan instrumentasi dan informatika medis modern (telemedis) menjadi sangat dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan diagnosis yang lebih optimal.

Salah satu dari sekian banyak penyakit adalah leukemia. Leukemia adalah suatu jenis kanker yang dimulai dari sel darah putih. Dalam keadaan normal, sel darah putih, berfungsi sebagai pertahanan tubuh, akan terus membelah dalam suatu kontrol yang teratur. Pada penderita leukemia, terjadi pembentukkan sel darah putih abnormal (sel leukemia) yang berbeda dan tidak berfungsi seperti sel darah putih normal. Leukemia umumnya muncul pada diri seseorang sejak dimasa kecilnya, sumsum tulang tanpa diketahui dengan jelas penyebabnya telah memproduksi sel darah putih yang berkembang abnormal. Normalnya, sel darah putih mereproduksi bila tubuh memerlukannya atau ada tempat bagi sel darah itu sendiri. Tubuh manusia akan memberikan tanda atau signal secara teratur kapankah sel darah diharapkan bereproduksi kembali.

Perkembangan dunia medis terkini banyak menggunakan komputer untuk membantu diagnosis maupun pencegahan dan penanganan suatu penyakit. Penelitian ini bertujuan menyusun sebuah sistem pakar yang digunakan untuk mendiagnosis penyakit leukemia, dimana pengguna dapat mendiagnosis berdasarkan gejala yang dialami. Sehingga output sistem adalah apakah pasien tersebut menderita leukemia atau tidak dan apabila ya, jenis leukemia apa yang diderita pasien tersebut.

2. TINJAUAN PUSTAKA

2.1 Sistem Pakar

Sistem pakar merupakan sistem yang berbasis pengetahuan, yaitu sistem yang meniru penalaran dari seorang

(2)

pakar dalam bidang tertentu untuk memecahkan suatu masalah atau untuk memberikan saran. Sistem ini menggunakan pengetahuan manusia untuk menyelesaikan masalah yang memerlukan kepakaran seorang ahli (Turban, 2001). Jadi sistem pakar berbeda dengan sistem lainnya yang hanya bisa menyimpan data, sistem pakar harus mempunyai kemampuan penalaran untuk mencari jawaban permasalahan yang diajukan.

Ada berbagai ciri dan karakteristik yang membedakan sistem pakar dengan sistem yang lain. Ciri dan karakteristik ini menjadi pedoman utama dalam pengembangan sistem pakar. Ciri dan karakteristik yang dimaksud adalah sebagai berikut:

1. Pengetahuan sistem pakar merupakan suatu konsep, bukan berbentuk numerik. Hal ini dikarenakan komputer melakukan proses pengolahan data secara numerik sedangkan keahlian dari seorang pakar adalah fakta dan aturan-aturan, bukan numerik.

2. Informasi dalam sistem pakar tidak selalu lengkap, subjektif, tidak konsisten, subjek terus berubah dan tergantung pada kondisi lingkungan sehingga keputusan yang diambil bersifat tidak pasti dan tidak mutlak "ya" atau "tidak" akan tetapi menurut ukuran kebenaran tertentu. Oleh karena itu dibutuhkan kemampuan sistem untuk belajar secara mandiri dalam menyelesaikan masalah-masalah dengan pertimbangan-pertimbangan khusus.

3. Kemungkinan solusi sistem pakar terhadap suatu permasalahan adalah bervariasi dan mempunyai banyak pilihan jawaban yang dapat diterima, semua faktor yang ditelusuri memiliki ruang masalah yang luas dan tidak pasti. Oleh karena itu diperlukan fleksibilitas sistem dalam menangani kemungkinan solusi dari berbagai permasalahan.

4. Perubahan atau pengembangan pengetahuan dalam sistem pakar dapat terjadi setiap saat bahkan sepanjang waktu sehingga diperlukan kemudahan dalam modifikasi sistem untuk menampung jumlah pengetahuan yang semakin besar dan semakin bervariasi.

5. Pandangan dan pendapat setiap pakar tidaklah selalu sama, yang oleh karena itu tidak ada jaminan bahwa solusi sistem pakar merupakan jawaban yang pasti benar. Setiap pakar akan memberikan pertimbangan-pertimbangan berdasarkan faktor subjektif.

6. Keputusan merupakan bagian terpenting dari sistem pakar. Sistem pakar harus memberikan solusi yang akurat berdasarkan masukan pengetahuan meskipun solusinya sulit sehingga fasilitas informasi sistem selalu diperlukan.

Gambar 1 Skema Sistem Pakar

Tujuan membangun sistem pakar yaitu:

1. Seorang pakar dapat sakit, meninggal atau pensiun. Sasaran pengembangan sistem pakar bukan untuk menggantikan kedudukan seorang pakar, tetapi hanya mengadopsi kepakarannya

2. Sistem pakar dapat menjangkau tempat-tempat yang tidak terjangkau oleh seorang pakar, misalnya tempat terpencil atau lokasi berbahaya sekalipun

3. Buku dan panduan dapat saja menggantikan seorang pakar, tetapi buku dan panduan tidak dapat memberikan semua pemecahan masalah

4. Jumlah pakar lebih sedikit jika dibandingkan dengan permasalahan yang ada

5. Sistem pakar menyediakan fasilitas penyimpanan pengetahuan lebih banyak daripada seorang pakar 6. Inti dari pengembangan sistem pakar adalah agar orang

awam sekalipun dapat menggunakan pengetahuan seorang pakar untuk menyelesaikan masalah

7. Sistem pakar meningkatkan produktivitas dan memperbaiki kualitas keputusan yang diambil oleh seorang pakar

Pengembangan sistem pakar terdiri dari beberapa tahap yang terus berulang. Ini terjadi karena adanya perubahan atau tambahan pengetahuan baru. Ketika sebuah pengetahuan baru ditambahkan ke basis pengetahuan sistem pakar, sistem mengujinya untuk mengevaluasi apakah sistem mengerti atau tidak pengetahuan baru tersebut, sehingga sistem dapat belajar secara mandiri untuk menyelesaikan masalah.

2.2 Bayesian Network

Bayesian networkadalah “graphical model for probabilistic relationships among a set of variabels.”[5]. Bayesian network merupakan salah satu probabilistic graphical model (PGM) yang sederhana yang dibangun dari teori probabilistik dan teori graf. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin didapatkan. Bayesian network dapat merepresentasikan hubungan sebab akibat diantara variabel-variabel yang terdapat pada struktur bayesian network [4], [12]. Sebagai contoh, sebuah bayesian network dapat mewakili hubungan probabilistik antara penyakit dan gejala. Bayesian network dapat digunakan untuk menghitung probabilitas dari kehadiran berbagai gejala penyakit.

Bayesian network merupakan probabilistic graphical model (PGM) dengan edge berarah yang digunakan untuk merepresentasikan pengetahuan tentang hubungan ketergantungan atau kebebasan diantara variabel-variabel domain persoalan yang dimodelkan. Pengetahuan tersebut direpresentasikan secara kualitatif menggunakan struktur graf dan secara kuantitatif menggunakan parameter-parameter numerik. Bayesian network terdiri dari dua bagian utama, yaitu:

1. Struktur graf

Struktur graf bayesian network disebut dengan directed acyclic graph (DAG) yaitu graf berarah tanpa siklus berarah [4]. DAG terdiri dari node dan edge. Node merepresentasikan variabel acak dan edge merepresentasikan adanya hubungan kebergantungan langsung (dapat pula diinterpretasikan sebagai pengaruh (sebab-akibat) langsung antara variabel yang dihubungkannya). Tidak adanya edge menandakan adanya hubungan kebebasan kondisional di antara variabel.

2. Himpunan parameter

Himpunan parameter mendefinisikan distribusi probabilitas kondisional untuk setiap variabel.

(3)

Pada bayesian network, nodes berkorespondensi dengan variabel acak. Tiap node diasosiasikan dengan sekumpulan peluang bersyarat, p(xi|Ai) dimana xi adalah variabel yang diasosiasikan dengan node dan Ai adalah set dari parent dalam graf.

Dalam membangun bayesian network, struktur dibangun dengan pendekatan statistik yang dikenal dengan teorema bayes yaitu conditional probability (peluang bersyarat). Conditional probability yaitu perhitungan peluang suatu kejadian Y bila diketahui kejadian X telah terjadi, dinotasikan dengan P(Y|X). Teorema ini digunakan untuk menghitung peluang suatu set data untuk masuk ke dalam suatu kelas tertentu berdasarkan inferensi data yang sudah ada. Dalam kaitan dengan dignosis penyakit leukemia, X dapat mengacu pada gejala penyakit leukemia dan Y adalah jenis penyakit leukemia. Rumus teori bayes yaitu:

P(Y | X) = P X ^ Y_{P X} = P(X | Y) P(Y)_P(X)

Bayesian network dapat melakukan pengambilan keputusan (inferensi) probabilistik. Inferensi probabilistik adalah memprediksi nilai variabel yang tidak dapat diketahui secara langsung dengan menggunakan nilai-nilai variabel lain yang telah diketahui [10]. Contoh inferensi probabilistik adalah menentukan probabilitas kondisional pasien mengidap leukemia jika diketahui pasien tersebut mengalami anemia dan mudah memar.

Inferensi probabilistik dapat dilakukan jika terlebih dahulu diperoleh joint probabillity distribution (JPD) dari semua variabel yang dimodelkan (Krause, 1998). JPD adalah probabilitas semua kejadian variabel yang terjadi secara bersamaan.

Inferensi probabilistik dapat dilakukan jika bayesian network telah dibangun, sehingga yang perlu dilakukan terlebih dahulu adalah membangun struktur bayesian network. Dalam kasus diagnosis penyakit leukemia, hubungan antar variabel dan probabilitas nilai-nilai variabel belum diketahui, oleh karena itu bayesian network dibangun berdasarkan data kejadian mengenai variabel-variabel atau disebut dengan konstruksi bayesian network dari data. Konstruksi bayesian network dari data terdiri dari dua tahap, yaitu:

1. Konstruksi struktur atau disebut juga tahap kualitatif, yaitu mencari keterhubungan antara variabel-variabel yang dimodelkan.

2. Estimasi parameter atau disebut juga tahap kuantitatif, yaitu menghitung nilai-nilai probabilitas.

2.3 Leukemia

Leukemia adalah penyakit ganas dan progresif pada organ pembentuk darah yang ditandai dengan perubahan proliferasi (reproduksi sel) dan perkembangan leukosit dalam darah dan sumsum tulang [2]. Leukemia atau yang biasa disebut kanker darah merupakan jenis kanker yang menyerang sel-sel darah putih yang diproduksi oleh sumsum tulang (bone marrow). Sumsum tulang dalam tubuh manusia memproduksi tiga tipe sel darah diantaranya sel darah putih, yang berfungsi sebagai daya tahan tubuh melawan infeksi, sel darah merah, yang berfungsi membawa oksigen kedalam tubuh dan platelet, yaitu bagian kecil sel darah yang membantu proses pembekuan darah.

Pada kasus leukemia, sel darah putih tidak merespon kepada tanda yang diberikan oleh tubuh untuk mereproduksi sel darah putih. Akhirnya produksi yang berlebihan dan tidak terkontrol akan keluar dari sumsum tulang dan dapat ditemukan di dalam darah perifer atau darah tepi. Jumlah sel darah putih yang abnormal ini bila berlebihan dapat mengganggu fungsi normal

sel lainnya, seseorang dengan kondisi leukemia akan menunjukkan beberapa gejala umum seperti:

1. Anemia. Penderita akan menampakkan cepat lelah, pucat dan bernafas cepat. Sel darah merah dibawah normal menyebabkan oksigen dalam tubuh kurang, akibatnya penderita bernafas cepat sebagai kompensasi pemenuhan kekurangan oksigen dalam tubuh. 2. Perdarahan. Ketika platelet (sel pembeku darah) tidak

terproduksi dengan wajar karena didominasi oleh sel darah putih, maka penderita akan mengalami perdarahan dijaringan kulit (banyaknya jentik merah lebar atau kecil dijaringan kulit).

3. Terserang Infeksi. Sel darah putih berperan sebagai pelindung daya tahan tubuh, terutama melawan penyakit infeksi. Pada penderita leukemia, sel darah putih yang diterbentuk adalah tidak normal (abnormal) sehingga tidak berfungsi semestinya. Akibatnya tubuh penderita rentan terkena infeksi virus atau bakteri, bahkan dengan sendirinya akan menampakkan keluhan adanya demam, keluar cairan putih dari hidung (meler) dan batuk.

4. Nyeri tulang dan persendian. Hal ini sebagai akibat dari sumsum tulang (bone marrow) mendesak padat oleh sel darah putih.

5. Nyeri perut. Nyeri perut juga merupakan salah satu indikasi gejala leukemia, dimana sel leukemia dapat terkumpul pada organ ginjal, hati dan empedu yang menyebabkan pembesaran pada organ-organ tubuh ini dan timbulah nyeri. Nyeri perut ini dapat berdampak hilangnya nafsu makan penderita leukemia.

6. Pembengkakan kelenjar getah bening (limfadenopati). Penderita kemungkinan besar mengalami pembengkakan pada kelenjar getah bening, baik yang dibawah lengan, leher, dada dan lainnya. Kelenjar getah bening bertugas menyaring darah, sel leukemia dapat terkumpul disini dan menyebabkan pembengkakan.

7. Kesulitan bernafas (dyspnea). Penderita mungkin menampakkan gejala kesulitan bernafas dan nyeri dada, apabila terjadi hal ini maka harus segera mendapatkan pertolongan medis.

Sampai saat ini penyebab penyakit leukemia belum diketahui secara pasti, akan tetapi ada beberapa faktor yang diduga mempengaruhi frekuensi terjadinya leukemia, yaitu:

1. Radiasi. Hal ini ditunjang dengan beberapa laporan dari beberapa riset yang menangani kasus leukemia bahwa para pegawai radiologi lebih sering menderita leukemia, penderita dengan radioterapi lebih sering menderita leukemia, leukemia juga ditemukan pada korban hidup kejadian bom atom Hiroshima dan Nagasaki, Jepang.

2. Leukemogenik. Beberapa zat kimia telah diidentifikasi dapat mempengaruhi frekuensi leukemia, misalnya racun lingkungan seperti benzena, bahan kimia industri seperti insektisida, obat-obatan yang digunakan untuk kemoterapi.

3. Herediter. Penderita down syndrom memiliki insidensi leukemia akut 20 kali lebih besar dari orang normal. 4. Virus. Beberapa jenis virus dapat menyebabkan

leukemia, seperti virus Epstein Barr, retrovirus, virus leukemia feline, HTLV-1 pada dewasa.

Berdasarkan perjalanan penyakitnya leukemia dibagi menjadi dua golongan yaitu akut dan kronis. Leukemia akut ditandai dengan suatu perjalanan penyakit yang sangat cepat, memburuk, dan mematikan. Apabila hal ini tidak segera diobati, maka dapat menyebabkan kematian dalam hitungan minggu

(4)

hingga hari. Sedangkan leukemia kronis memiliki perjalanan penyakit yang tidak begitu cepat sehingga memiliki harapan hidup yang lebih lama, hingga lebih dari 1 tahun.

Sedangkan berdasarkan tipe sel pembentuknya terdapat dua jenis, yaitu leukemia limfositik dan leukemia mielogenosa (granulositik). Jadi secara umum leukemia dibagi menjadi 4 jenis, yaitu:

1. Leukemia Limfositik Akut (LLA) 2. Leukemia Mielositik Akut (LMA) 3. Leukemia Limfositik Kronik (LLK) 4. Leukemia Mielositik Kronik (LMK)

3. PEMBAHASAN

3.1 Pengembangan Aturan

Proses akuisisi pengetahuan dilakukan untuk menyusun basis pengetahuan. Data yang dibutuhkan dalam basis pengetahuan sistem pakar diagnosis penyakit leukemia adalah data gejala, data nilai peluang gejala, data jenis penyakit, dan aturan untuk menarik kesimpulan. Data gejala dan jenis penyakit diperoleh dari pakar melalui hasil wawancara dengan Madya Soekarno, S.Ked. dan beberapa sumber lain seperti buku kedokteran, jurnal, artikel dan laman internet. Melalui proses akuisisi pengetahuan ini, disimpulkan data yang diperoleh yaitu 4 jenis penyakit leukemia dan 36 gejala yang menyertainya.

Bayesian network merupakan metode yang digunakan untuk menarik kesimpulan dalam sistem pakar diagnosis penyakit leukemia. Terdapat beberapa langkah untuk menerapkan bayesian network. Langkah-langkah tersebut diantaranya:

1. Membangun struktur bayesian network penyakit leukemia

2. Menentukan parameter

3. Membuat conditional probability table (CPT) 4. Membuat joint probability distribution (JPD) 5. Menghitung posterior probability

6. Inferensi probabilistik

Setelah sruktur bayesian network terbentuk dan parameter ditentukan, diberikan contoh conditional probability table seperti pada tabel berikut ini.

Anoreksia Leukemia present absent present 0.4 0.43

absent 0.6 0.57

Cara menghitung joint probability distribution suatu gejala adalah mengalikan nilai conditional probability dengan prior probability. Prior probability gejala anoreksia present adalah 0.1, sedangkan absent 0.9. Jadi, dapat diperoleh joint probability distribution dari gejala anoreksia yaitu

Anoreksia Leukemia present absent present 0.04 0.387 absent 0.06 0.513

Langkah selanjutnya, untuk mendapatkan nilai posterior probability, dapat dihitung dari hasil JPD yang telah diperoleh, lalu nilai inilah yang digunakan untuk menghitung probabilitas kemunculan suatu gejala. Berikut ini diberikan contoh cara menghitung posterior probability gejala anoreksia, dilihat dari tabel joint probability distribution.

Berdasarkan JPD diatas, dapat dihitung posterior probability dari gejala anoreksia adalah

0.04

0.04 + 0.387 = 0.09368

Langkah terakhir adalah inferensi probabilistik, Untuk memberikan gambaran lebih jelas, diberikan contoh kasus berikut. Misalkan seorang pasien mengalami gejala anemia (a),

anoreksia (ak), infeksi saluran nafas atas (sa) dan hepatomegali (hp). Berapakah kemungkinan pasien tersebut mengidap leukemia (L)? Untuk menghitung probabilitas tersebut, data yang dibutuhkan adalah posterior probability dari masing-masing gejala yang dialami.

Dari contoh kasus diatas, setelah diperoleh posterior probability, dapat dihitung sebagai berikut:

P L a, ak, sa, hp =0.57143 + 0.09368 + 0.27695 + 0.35211₄ = 0.3235425

Jadi, probabilitas pasien dengan gejala tersebut mengidap leukemia sebesar 0.3235425 (32.35%).

3.2 Software Sistem Pakar

Setelah menerapkan metode bayesian network pada sistem pakar diagnosis penyakit leukemia, teknik tersebut diimplementasikan ke dalam sebuah perangkat lunak yang diberi nama SISPAMIA (Sistem Pakar Diagnosis Penyakit Leukemia). Berikut ini adalah tampilan utama dari SISPAMIA:

Gambar 2 Halaman Utama SISPAMIA

4. PENGUJIAN

Pengujian hasil diagnosis dilakukan dengan menguji aturan yang diterapkan pada sistem ini. Aturan penarikan kesimpulan yang digunakan adalah metode bayesian network. Agar pengujian sistem lebih optimal, maka pengujian langsung dilakukan kepada pemakai (sample). Pengujian dilakukan untuk mengetahui seberapa besar keakuratan sistem. Pengujian sistem dilakukan kepada 20 orang sebagai sample. Pengujian terhadap sample tersebut dijelaskan secara singkat melalui tabel berikut.

No Hasil Diagnosis

Sistem Nilai Sistem Hasil Sebenarnya

1 Positif LLA 35.008% LLA

2 Positif LLA 33.287% LLA

3 Positif LMA 42,898% LMA

4 Positif LMA 33,010% LMA

5 Positif LLA 39,686% LMA

6 Positif LLA 38,368% LLA

7 Negatif Negatif 8 Positif LMK 38,522% LMK 9 Positif LLK 54,515% LLK 10 Positif LLA 38,922% LMA 40,473% LLK 51,914% LMK 55,403% Negatif

(5)

13 Positif LMK 66,191% LMK

15 Positif LMK 66,191% LLK

18 Negatif Negatif

19 Negatif LLK

Berdasarkan tabel hasil pengujian sistem diatas, diperoleh keterangan bahwa perhitungan persentase terhadap 20 orang sample sebagai berikut:

1. Pengujian terhadap kesimpulan sistem “positif” atau “negatif” leukemia:

Jumlah sample = 20 orang

Jumlah sample dengan hasil diagnosis sistem benar = 18 orang

Jumlah sample dengan hasil diagnosis sistem salah = 2 orang

Error sistem: (2/20) x 100 = 10% Akurat: 90%

2. Pengujian terhadap kesimpulan sistem jenis penyakit leukemia:

Jumlah sample = 20 orang

Jumlah sample dengan hasil diagnosis benar = 16 orang

Jumlah sample dengan hasil diagnosis salah = 4 orang Error sistem: (4/20) x 100 = 20%

Akurat: 80%.

5. KESIMPULAN

1. Penelitian ini telah berhasil menghasilkan sistem pakar untuk diagnosis penyakit leukemia menggunakan metode bayesian network.

2. Berdasarkan hasil pengujian sistem yang dilakukan kepada 10 orang sebagai sample, untuk mendiagnosis positif atau negatif leukemia sistem memiliki nilai keberhasilan sebesar 90%, sedangkan untuk mendiagnosis jenis penyakit leukemia nilai keberhasilannya sebesar 70%.

3. Sistem pakar diagnosis penyakit leukemia dengan metode bayesian network dapat menyelesaikan masalah diagnosis penyakit leukemia, karena dapat memberikan hasil diagnosis dengan cepat beserta nilai probabilitas kemunculan setiap jenis penyakit.

DAFTAR PUSTAKA

[1] Andrew. 2009, April 15. Methodologies to Develop Expert

System. [Online].

http://www.about-knowledge.com/components-of-an-expert-system/. Diakses tanggal 15 Maret 2010.

[2] Dorland, W.A.N. 2002. Kamus Kedokteran Dorland. Jakarta: EGC.

[3] Durkin, John. 1994. Expert System Design and Development. New Jersey: Prentice Hall Inc.

[4] Ginting, S.L. 2008. Evaluasi Algoritma Cb* Untuk Konstruksi Struktur Bayesian Network Dalam Data Mining. Tesis Tidak Terpublikasi. Bandung: Institut Teknologi Bandung.

[5] Heckerman, David. 1995. A Tutorial Learning with Bayesian Network. [Online]. http://research.microsoft.com. Diakses tanggal 5 Februari 2010.

[6] http://medicastore.com. [Online]. Diakses tanggal 4 Februari 2010.

[7] http://detak.org/aboutcancer. [Online]. Diakses tanggal 31 Maret 2010.

[8] Jasaputra, D.K.; Brataatmaja, Dani; & Sadeli, Lisawati. 2006. Hematologi dan Imunologi Kapita Selekta. Bandung: Fakultas Kedokteran Universitas Maranatha.

[9] Klein, Dan. 2007. Artificial Intelligence: Bayes Nets. UC Berkeley.

[10] Krause, P.J. 1998. Learning Probabilistic Networks. United Kingdom: Philips Research Laboratories.

[11] Moore, A.W. 2001. Bayes Nets for Representing and Reasoning About Uncertainty. Carnegie Mellon University. [12] Neapolitan, R.E. 2004. Learning Bayesian Networks. USA:

Peason Pentice Hall.

[13] Nugroho, Bunafit. 2008. Membuat Aplikasi Sistem Pakar dengan PHP dan Editor Dreamweaver. Jogjakarta: Gava Media.

[14] Przytula, K.W.; & Thompson, Don. 2000. Construction of Bayesian Network for Diagnostics. USA: HRL Laboratories & Pepperdine University.

[15] Sampaio, R.M.; Valentim, F.L.; Souza, L.A.; & Silva, R.M. 2008. Inference Algorithms for Systems of Medical Diagnosis Aid based on Bayesian Networks. Brazil: UFLA - Federal University of Lavras.

[16] Sudoyo, A.W. et. al. 2006. Ilmu Penyakit Dalam. Jakarta: Departemen Ilmu Penyakit Dalam Fakultas Kedokteran Universitas Indonesia.

[17] Widmann, F.K. 1983. Clinical Interpretation of Laboratory Tests. USA: F.A. Davis Company.

[18] Yudkowsky, E.S. 2003. An Intuitive Explanation of

Bayesian Network. [Online].

http://yudkowsky.net/rational/bayes. Diakses tanggal 6 Oktober 2010.