Aplikasi Diagnosa Penyakit Asma Menggunakan Bayesian Network
Berbasis Web
Yunitha Nancy Roselina1, Sugeng Purwantoro E.S.G.S,S.T,M.T2 & Memen Akbar,S.Si3
1
Program Studi Sistem Informasi Politeknik Caltex Riau, Pekanbaru 28265, email:cc_nancy@yahoo.com 2Program Studi Teknik Komputer Politeknik Caltex Riau, Pekanbaru 28265, email:sugeng@pcr.ac.id 3Program Studi Teknik Komputer Politeknik Caltex Riau, Pekanbaru 28265, email:memen@pcr.ac.id
Abstrak
Penyakit asma merupakan suatu penyakit kronis (menahun) yang menyerang saluran pernapasan pada paru dimana terdapat peradangan (inflamasi) dinding rongga bronchiale sehingga mengakibatkan penyempitan saluran napas yang akhirnya seseorang mengalami sesak napas. Penelitian bertujuan untuk membangun aplikasi menggunakan metode bayesian network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asma. Dengan aplikasi ini, pasien tidak harus menunggu lama untuk mendapatkan perawatan oleh dokter, namun dapat menjadi alternative untuk mengantisipasi pengobatan secara cepat dan tepat. Cara menggunakan aplikasi ini yaitu admin menginputkan pertanyaan berupa gejala-gejala yang akan dijawab oleh user, selanjutnya sistem akan mengolah semua jawaban user menggunakan metode bayesian network dan sistem akan mengeluarkan output berupa hasil diagnosa berupa jenis penyakit asma dan tanaman obat sebagai solusinya. Aplikasi ini menggunakan bahasa pemograman PHP serta MYSQL sebagai database. Sistem yang telah dibangun dapat membantu pasien dalam mengetahui jenis penyakit asma yang sedang diderita pasien dan sesuai dengan analisa pakar penyakit asma yaitu sebesar 83.33%.
Kata Kunci : penyakit asma, tanaman obat, bayesian network, MySQL, PHP
Abstract
Asthma is a chronic disease (chronic) that attacks the respiratory tract to the lungs where there is inflammation (inflammatory) bronchiale cavity walls causing narrowing of the airways that eventually someone is experiencing shortness of breath. The study aims to build an expert system application using the web-based bayesian networks as a tool for the diagnosis of asthma. With this application, The patient does not have to wait a long time to get treatment by the doctors, but could be an alternative to anticipate the rapid and appropriate treatment. To use this application is an admin will asked question about the symptoms and will be answered by the user, then the system will process all the answers using bayesian network and the output from the system will issue a diagnosis of asthma and the types of medicinal plants as a solution. This applications using the programming language PHP and MYSQL as a database. The system has been built to help patients know what type of asthma that is being suffered by the patient and according to expert analysis of asthma that is equal to 83.33%.
Keywords: asthma, medicinal plants, bayesian network, MySQL, PHP
1 Pendahuluan
1.1 Latar Belakang
Kesehatan merupakan hal yang sangat penting bagi manusia. Beberapa gangguan kesehatan di sebabkan oleh polusi udara dan lingkungan sekitar yang membuat tubuh manusia sangat rentan terhadap penyakit, terutama penyakit pernapasan yaitu penyakit asma. Asma adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara tersumbat atau
menyempit. Hal ini biasanya sementara, tetapi dapat menyebabkan sesak napas, kesulitan bernapas, dan gejala lainnya (Pratyahara,2011). Apabila terjadi gangguan kesehatan terhadap tubuh manusia maka setiap orang lebih mempercayakannya kepada pakar atau dokter ahli yang sudah mengetahui lebih banyak tentang kesehatan, tanpa memperdulikan apakah penyakit tersebut masih dalam tingkat rendah atau kronis. Namun dengan adanya para pakar atau dokter ahli, terkadang terdapat pula beberapa kendalanya seperti jam kerja (praktek) dokter yang terbatas serta banyaknya pasien, sehingga harus menunggu antrian [4].
Setiap orang selaku pemakai jasa lebih membutuhkan seorang pakar yang bisa memudahkan dalam melakukan diagnosa penyakit lebih dini, agar dapat melakukan pencegahan lebih awal. Untuk mencegah penyakit yang diderita oleh pasien, maka dokter memberikan resep obat yang dapat menyembuhkan pasien, tetapi tidak semua orang cocok dengan obat yang diberikan oleh dokter, sehingga pasien mencari alternative lain dengan mengkonsumsi obat secara alami, baik itu dari jenis tanaman obat atau herbal. Dikarenakan permasalahan tersebut, sehingga mendorong membangun sebuah aplikasi diagnosa penyakit asma menggunakan metode bayesian network berbasis web.
1.2 Tujuan
Tujuan dari Penelitian ini yaitu membangun aplikasi menggunakan metode bayesian network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asma.
1.3 Perumusan Masalah
Perumusan masalah dari penelitian ini adalah :
1. Bagaimana cara merancang aplikasi untuk menentukan jenis penyakit asma berdasarkan gejala-gejala penyakit asma yang diderita oleh user.
2. Bagaimana cara menerapkan metode Bayesian Network dalam aplikasi.
1.4 Ruang Lingkup
Ruang lingkup dari penelitian ini adalah :
1. Data-data penunjang penyakit asma yang hanya berdasarkan faktor penyebab. Gejala penyakit asma diambil dari buku Panduan Pelayanan Medik Perhimpunan Dokter Spesialis Penyakit Dalam Indonesia dan melakukan konsultasi dengan dr. Anda Citra Utama, Sp.PD (spesialis penyakit dalam) praktek di Apotik Al-Huda Jl. Lintas Timur – Pangkalan Kerinci.
2. Untuk menentukan jenis penyakitnya menggunakan metode Bayesian Network. 3. Penyimpanan data-data penunjang penyakit asma menggunakan MYSQL. 4. Bahasa pemograman yang digunakan adalah PHP.
5. Hasil penyakit yang dihasilkan memiliki 4 jenis penyakit asma yaitu Asma intermiten (AI), Asma persisten ringan (APR), Asma persisten sedang (APS), Asma persisten berat (APB) menurut buku Panduan Pelayanan Medik Perhimpunan Dokter Spesialis Penyakit Dalam Indonesia.
6. Output yang dihasilkan dari aplikasi ini yaitu jenis penyakit asma dan jenis tanaman obat beserta resepnya.
1.5 Manfaat
Adapun manfaat dari penulisan penelitian ini adalah sebagai berikut:
1. User dapat mengetahui jenis penyakit yang di deritanya melalui gejala-gejala yang dirasakan secara cepat dan tepat.
2. User dapat menggunakan aplikasi untuk mengetahui jenis penyakit asma dan jenis tanaman obat.
2 Tinjauan Pustaka
2.1 Asma
Asma adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara tersumbat atau menyempit. Hal ini biasanya sementara, tetapi dapat menyebabkan sesak napas, kesulitan bernapas, dan gejala lainnya. Jika asma menjadi parah, penderita mungkin memerlukan pengobatan darurat untuk memulihkan pernapasan normal (Pratyahara, 2011) [4]. Penyakit asma terdiri dari 4 jenis penyakit, yaitu :
1. Asma intermiten disebut asma intermiten bila pasien mengalami episode batuk atau sesak (eksaserbasi) kurang dari sekali seminggu dalam jangka waktu sedikitnya 3 bulan, dan eksaserbasi hanya berlangsung beberapa jam atau hari. Gejala asma nokturnal tidak lebih dari 2 kali sebulan.
2. Asma Persisten Ringan yaitu penderita mengalami eksaserbasi paling tidak sekali seminggu, tetapi kurang dari sekali sehari dalam waktu 3 bulan dan beberapa eksaserbasi mempengaruhi tidur dan aktivitas, dan atau jika pasien memiliki gejala kronis yang memerlukan pengobatan simtomatis hampir setiap hari dan kejadian gejala asma nokturnal lebih dari 2 kali sebulan.
3. Asma Persisten Sedang yaitu khas ditandai gejala harian dalam jangka waktu lama atau serangan asma nokturnal lebih dari sekali seminggu.
4. Asma Persisten Berat yaitu penderita mengalami variabilitas yang besar, gejala yang terus menerus dan gejala nokturnal yang sering, mempunyai aktivitas yang terbatas, dan kadang mengalami eksaserbasi berat walaupun sedang dalam pengobatan.
Tabel 1 Gejala-gejala penyakit asma
No. Gejala Asma
AI APR APS APB
1. Sesak Napas √ √ √ √
2. Mengi √ √ √ √
3. Batuk √ √ √ √
4. Dada terasa berat √ √ √ √
5. Pilek dan bersin √ √ √ √
6. Sesak napas < 1 kali seminggu √ 7. Sesak napas malam <= 2 kali sebulan √ 8. Sesak napas >= 1 kali seminggu tapi < 1 kali
perhari
√
9. Sesak napas malam > 2 kali sebulan √
10. Sesak napas tiap hari √
11. Sesak napas malam > 1 kali seminggu √
12. Sesak napas terus-menerus √
13. Sesak napas malam sering √
Sumber: Panduan Pelayanan Medik Perhimpunan Dokter Spesialis Penyakit Dalam Indonesia.
2.2 Tanaman Obat (Herbal)
Dalam kehidupan sehari-hari, banyak pasien yang memeriksakan diri pada dokter karena menderita suatu penyakit. Banyak juga di antara dokter tidak peduli tentang penyebab penyakit pasien. Penderita yang memeriksakan diri ke tempat praktek dokter tersebut umumnya menginginkan kesembuhan yang cepat (spontan). Seharusnya, sebelum dokter memberikan resep obat-obatan, dokter melakukan pemeriksaan teliti terhadap penyebab sakit yang diderita oleh pasien.
Dokter kemudian akan memberikan resep obat-obatan kimia, meskipun di era sekarang, dapat ditemui juga beberapa tempat praktek dokter yang menawarkan obat herbal yang diramu dari tumbuh-tumbuhan tertentu. Obat-obatan herbal khasiatnya tidak kalah dengan obat-obatan kimia dalam menyembuhkan penyakit. Bahkan, obat-obatan herbal tidak memiliki efek samping, berbeda dengan mengkonsumsi obat-obat kimia yang selalu memiliki efek samping tertentu jika pemakainya tidak sesuai dosis yang dianjurkan.
Menyadari akan efek samping yang tidak di inginkan akibat pengguna obat-obatan kimia, maka inilah alasan obat-obatan herbal mulai terkenal. Selain tidak memiliki efek samping, bahan-bahannya juga mudah ditemukan dan dibudidayakan di lingkungan sekitar.
Tabel 2 Tanaman obat penyakit asma
No. Tanaman Obat Asma
AI APR APS APB
1. Bunga kenop √ √ 2. Daun Jinten √ √ 3. Patikan kebo √ √ 4. Pegagan √ √ 5. Rangga dipa √ √ 6. Tembelekan √ √
7. Akar putri malu √ √
8. Jahe √ √ √ √
9. Bunga melati √
10. Rumput Jukut pendul √ √
11. Daun kecubung √
12. Akar brojo lintang √
Sumber : Sumatera herbal center
2.3 Teorema Bayes
Bentuk teorema bayes untuk evidence tunggal E dan hipotesis tunggal H, (Sutojo, 2011) [5] adalah :
...(1)
Keterangan :
P(H|E) = Probabilitas hipotesis H terjadi jika diberikan evidence E P(E|H) = Probabilitas munculnya evidence E, jika hipotesis H terjadi P(H) = Probabilitas hipotesis H tanpa memandang evidence apapun P(E) = Probabilitas evidence E tanpa memandang apa pun
Dalam sistem pakar diagnosa penyakit asma ini, maka E merupakan gejala penyakit asma sedangkan H merupakan penyakitnya.
2.4 Metode Bayesian Network
Bayesian network menurut Heckerman (1995) adalah “A Bayesian network is a graphical model that encodes probabilistic relationships among variables of interest”. Bayesian network merupakan salah satu probabilistic graphical model (PGM) yang sederhana yang dibangun dari teori probabilistik dan teori graf [2]. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin
didapatkan. Menurut Neapolitan (Ginting, 2008), bayesian network dapat merepresentasikan hubungan sebab akibat diantara variabel-variabel yang terdapat pada struktur bayesian network. 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 dan juga dapat digunakan sebagai alat pengambilan keputusan untuk memperbaharui tingkat kepercayaan suatu informasi. [1]
Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan. Teori Bayesian mempunyai beberapa kelebihan, yaitu:
1. Mudah untuk dipahami.
2. Hanya memerlukan pengkodean yang sederhana. 3. Lebih cepat dalam penghitungan.
Kekurangan dari Teori probabilitas Bayesian yang banyak dikritisi oleh para ilmuwan adalah karena pada teori ini, satu probabilitas saja tidak bisa mengukur seberapa dalam tingkat keakuratannya. Dengan kata lain, kurang bukti untuk membuktikan kebenaran jawaban yang dihasilkan dari teori ini.
Bayesian network merupakan metode yang digunakan untuk menarik kesimpulan dalam aplikasi diagnosa penyakit asma. Terdapat langkah-langkah dalam penerapan bayesian network (Meigarani,2010) [3] , diantaranya :
1. Membangun struktur bayesian network
Struktur bayesian network dapat digambarkan berdasarkan data gejala dan data penyakit yang diperoleh dari proses akuisisi pengetahuan ataupun pakar yang ahli dalam bidangnya.
2. Menentukan parameter (prior probability table)
Setelah struktur bayesian network penyakit asma terbentuk, langkah selanjutnya adalah menentukan nilai prior probability dari setiap gejala, yaitu derajat kepercayaan untuk suatu gejala. Prior probability digunakan ketika tidak ada informasi lain yang dapat digunakan untuk melihat kemungkinan suatu event terjadi, tetapi begitu informasi baru diketahui maka probabilitas yang baru harus dilihat berdasarkan informasi yang baru diketahui tersebut.
3. Membuat conditional probability table (CPT)
Conditional probability adalah perhitungan probabilitas suatu kejadian B terjadi apabila kejadian A sudah terjadi. Probabilitas dari setiap kemungkinan nilai dari A dan B disebut dengan Conditional Probability Table (CPT).
4. Membuat joint probability distribution (JPD)
Joint probability distribution (JPD) adalah probabilitas kemunculan semua kejadian yang terjadi secara bersamaan. Sama seperti CPT, joint probability distribution dari suatu variable A dan B adalah sebuah tabel yang berisi probabilitas untuk setiap nilai A dan B yang dapat terjadi. Notasi P(A,B) dapat ditulias dalam persamaan:
……….………(2)
Berdasarkan persamaan diatas, cara menghitung joint probability distribution suatu Gejala adalah dengan mengalikan nilai conditional probability dengan prior probability.
5. Menghitung posterior probability
Untuk mendapatkan nilai posterior probability, dapat dihitung dari hasil joint probability distribution yang telang diperoleh, lalu nilai inilah yang digunakan untuk menghitung nilai probabilitas kemunculan suatu gejala.
6. Inferensi probabilistik
Data yang digunakan dalam melakukan inferensi diperoleh dari jawaban yang diberikan pengguna atas pertanyaan mengenai gejala yang diajukan oleh sistem.
Langkah-langkah penerapan Bayesian Network dapat dilihat pada flowchart Gambar 1. mulai Membangun struktur Bayesian Network penyakit asma Menentukan parameter (prior probability table) Menentukan Conditional probability table (CPT) Menghitung Joint probability distribution (JPD) Menghitung posterior probability Inferensi probabilistik selesai Input gejala dan penyakit Tampil hasil diagnosa, jenis tanaman obat dan resep
Gambar 1 Flowchart Bayesian network.
3 Perancangan
Pada laporan Penelitian ini dilakukan perancangan untuk melakukan diagnosa penyakit asma. Termasuk di dalamnya yaitu Sistem arsitektur, Usecase Diagram, ERD (Entity Relationship Diagrams).
Gambar 2 Arsitektur sistem keseluruhan.
2. Perancangan Usecase diagram admin, user, dan guest dapat dilihat pada Gambar 3.
m elakukan login
m engubah data adm in
m enam bah gejala
m engubah gejala
m enam bah jenis tanam an obat
m engubah jenis tanam an obat
m enam bah nilai prior
m engubah nilai prior
m enam bah nilai CPT
m engubah nilai CPT m elakukan diagnos a
m elihat his tory Admin
(i)
melakukan login
melakukan diagnos a
melihat keterangan penyakit
melihat keterangan tanaman obat
melihat his tory
User
(ii)
mendaftar Guest
(iii)
Gambar 3 (i) Usecase diagram admin, (ii) Usecase diagram user, (iii) Usecase diagram guest
3. Perancangan Entity Relationship Diagram (ERD) dapat dilihat pada Gambar 4.
penyakit nilai gejala
id_penyakit Nama_penyakit Id_gejala Id_nilai CPT_present CPT_absen Nama_gejala m m solusi Tanaman_obat Id_tanamanobat Nama_tanamanobat m m keterangan prior_absen resep Ket_penyakit User password Alamat_user No_tlp username Id_history tanggal history m Prior_present Status gambar nilai m
4 Hasil dan Pembahasan
Dalam melakukan pengujian terhadap sistem yang telah dibuat, dilakukan tiga cara yaitu dengan pengujian sistem, pengujian metode dengan perhitungan manual, dan pengujian dengan hasil kuesioner. Pengujian sistem dilakukan dengan melakukan proses diagnosa pada halaman user. Di halaman user, sistem menyediakan beberapa menu. User dapat melakukan diagnosa dengan cara menjawab pertanyaan yang ditampilkan oleh sistem. Banyaknya pertanyaan yang ditampilkan oleh sistem berdasarkan jawaban yang di pilih oleh user.
Gambar 5 User memilih gejala
Setelah user selesai menjawab semua pertanyaan yang di tampilkan oleh sistem, maka user mendapatkan hasil diagnosa berupa jenis penyakit asma yang diderita oleh user, besar probabilitas penyakit, tanaman obat dan resep.
Hasil perhitungan sistem di atas, dapat dilihat perhitungan manualnya dari nilai prior probability table dan conditional probability table (CPT). Dari nilai prior dan CPT, maka didapat nilai posterior probability. Nilai posterior probability dapat dilihat pada Tabel 3.
Tabel 3 Posterior probability gejala penyakit asma
No. Nama Gejala Present Absen
1. Sesak Napas 0.90 0.41
2. Mengi 0.97 0.31
3. Batuk 0.70 0.70
4. Dada terasa berat 0.36 0.67
5. Pilek dan bersin 0.20 0.46
6. Sesak napas < 1 kali seminggu 0.18 0.34
7. Sesak napas malam <= 2 kali sebulan 0.27 0.14 8. Sesak napas >= 1 kali seminggu tapi < 1
kali perhari
0.54 0.19
9. Sesak napas malam > 2 kali sebulan 0.25 0.47
10. Sesak napas tiap hari 0.11 0.21
11. Sesak napas malam > 1 kali seminggu 0.10 0.34
12. Sesak napas terus-menerus 0.03 0.17
13. Sesak napas malam sering 0.80 0.30
Contoh perhitungan manual : 1. Asma Intermiten
Gejalanya Sesak napas, batuk, Sesak napas malam <= 2 kali sebulan.
2. Asma Persisten Ringan
Gejalanya yaitu Sesak napas, batuk, Sesak napas malam > 2 kali sebulan.
3. Asma Persisten Sedang
Gejalanya yaitu Sesak napas, batuk, Sesak napas tiap hari.
4. Asma Persisten Berat
Gejalanya yaitu Sesak napas, batuk, Sesak napas malam sering.
Setelah user melakukan diagnosa melalui sistem, sebanyak 35 responden mengisi kuisioner, baik itu penderita penyakit asma dan yang tidak penyakit asma memberikan hasil penilaian terhadap sistem yang telah dibangun. Hasil kuesioner menunjukkan bahwa sistem yang dibangun telah tergolong baik dari segi efektifitas dan efisiensi dalam penentuan jenis penyakit asma. Dari kuisioner tersebut bahwa sistem mudah digunakan dalam mendiagnosa penyakit asma dengan nilai penskalaan sebesar 77%, sistem ini membantu dalam kenyamanan dalam pemakaian aplikasi dengan nilai penskalaan sebesar 78%, sistem berjalan dengan baik sesuai dengan fungsi-fungsinya dengan nilai penskalaan sebesar 85%, sistem memberikan data dan informasi yang bermanfaat bagi pasien dengan nilai penskalaan sebesar 84%, dan sistem ini mudah digunakan bagi pengguna dengan nilai penskalaan sebesar 85%.
Hasil rekaptulasi akurasi sistem dan analisa dokter bertujuan untuk mengetahui apakah sistem yang telah dibuat sesuai dengan analisa dokter, maka dari itu didapat kecocokan antara hasil sistem dan diagnosa dokter yaitu sebesar 83.33%. Kecocokan tersebut meliputi jenis
penyakit dari analisa dokter dan jenis penyakit serta probabilitas dari sistem yang menghasilkan tingkat kecocokan berupa persenan. Besarnya kecocokan sebesar 83.33% karena jenis penyakit dari analisa dokter tidak merata, dokter menganalisa dengan 2 atau 3 jenis penyakit sementara sistem menghasilkan 4 jenis penyakit.
5 Penutup
5.1 Kesimpulan
1. Sistem yang telah dibangun dapat membantu pasien dalam mengetahui jenis penyakit asma yang sedang diderita pasien dan sesuai dengan analisa pakar penyakit asma yaitu sebesar 83.33%.
2. Sistem yang telah dibangun dapat membantu pasien dalam mengetahui solusi dari jenis penyakit asma yang diderita pasien yaitu berupa jenis tanaman obat dan resep serta sesuai dengan analisa pakar tanaman obat.
3. Sistem yang telah dibangun membantu pengguna untuk memudahkan dalam mendiagnosa penyakit asma, memberikan data dan informasi yang bermanfaat bagi pasien dengan menyatakan bahwa :
1. Sistem memudahkan dalam mendiagnosa penyakit asma adalahsangat baik dengan nilai penskalaan sebesar 77%.
2. Sistem membantu kenyamanan dalam pemakaian aplikasi adalah sangat baik dengan nilai penskalaan sebesar 78%.
3. Gejala yang dipakai sesuai dengan gejala yang dibutuhkan dalam mendiagnosa penyakit adalahsangat baik dengan nilai penskalaan sebesar 88%.
4. Sistem memberikan data dan informasi yang bermanfaat bagi pasien adalahsangat baik dengan nilai penskalaan sebesar 84%.
5. Sistem mudah digunkakan adalahsangat baik dengan nilai penskalaan sebesar 85%.
5.2 Saran
1. Pertanyaan yang diajukan sistem sebaiknya jangan hanya berdasarkan gejala berupa penyakit saja, melainkan gejala yang bersifat psikologi.
2. Menggunakan aplikasi mobile seperti android.
Daftar Pustaka
[1] Ginting, S.L. (2008). Evaluasi Algoritma Cb* Untuk Konstruksi Struktur Bayesian Network Dalam Data Mining. Tesis Tidak Terpublikasi. Bandung: Institut Teknologi Bandung.
[2] Heckerman, David. (1995). A Tutorial Learning with Bayesian Network. Diakses pada
tanggal 14 Desember 2011 pukul 21.00 WIB dari
http://research.microsoft.com/apps/pubs/default.aspx?id=69588
[3] Meigarani, Indyana. (2010). Penggunaan Metode Bayesian Network dalam Sistem Pakar untuk Diagnosis Penyakit Leukemia. Bandung : Universitas Pendidikan Indonesia
[4] Pratyahara, Dayu A. (2011). Asma pada Balita. Yogyakarta : Javalitera
[5] Sutojo, T. Mulyanto, Edi. Suhartono, Vincent.(2011). Kecerdasan Buatan. Yogyakarta: Andi
