3 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka
Pada penelitian Sistem Pakar Diagnosa Awal Kanker Serviks Menggunakan Metode Naive Bayes Berbasis Android Dalam penelitian ini, untuk mengidentifikasi diagnosa kanker serviks metode yang digunakan adalah Metode Naive Bayes. Kegunaan dari penelitian ini adalah untuk membantu penderita kanker Serviks menentukan kemungkinan terjangkit kanker Serviks yang diderita sehingga dapat dilakukan penanganan sejak dini. Dari hasil pembuatan aplikasi Sistem Pakar Diagnosa Awal Kanker serviks Berbasis Android yang diujikan ke 20 orang penderita kanker serviks dan Erosi Portio, diperoleh bahwa sistem dapat berjalan dengan baik dan mampu mendiagnosa kanker serviks dengan tingkat akurasi sebesar 85% (Arisandi & Izzuddin, 2016).
Pada penelitian Diagnosis Penyakit Gigi Periodontal Menggunakan Sistem Pakar Fuzzy. Dalam penelitian ini, mengembangkan sistem pakar fuzzy untuk mendiagnosis penyakit gigi periodontal. Pengukuran relatif digunakan untuk mendapatkan nilai akurasi dengan Mean Percentage Absolute Error (MAPE). MAPE merupakan nilai tengah kesalahan persentase absolut dari suatu peramalan atau prediksi. Hasil perhitungan nilai galat diperoleh sebesar 9,91% sehingga akurasi penelitian ini diperoleh sebesar 90,09% (Nisa & Primartha, 2014).
Pada penelitian Penerapan Fuzzy Inference System Takagi-Sugeno-Kang Pada Sistem Pakar Diagnosa Penyakit Gigi. Dalam penelitian ini dilakukan penambahan tingkat keparahan penyakit. Metode yang diterapkan dalam perhitungan tingkat keparahan ini yaitu Metode Fuzzy Inference System Takagi-Sugeno-Kang (Metode Sugeno). Penelitian ini bertujuan untuk mengetahui apakah metode Fuzzy Inference System Takagi-Sugeno-Kang dapat diterapkan pada sistem pakar dalam memberikan diagnosa penyakit gigi. Hasil dari penelitian ini didapatkan tingkat keparahan untuk penyakit Pulpitis Reversibel 38,53%, Pulpitis Irreversibel 59,64%, Periodontitis 69,62%, Periodontitis Akut 51,43%, Gingivitis 45,5%, Perikoronitis Akut 53,93%, Perikoronitis Sub Akut 52,14%, Perikoronitis
Kronis 46,05%, Karies Denties Tahap Awal 37,61%, Karies Dentis Menuju Tahap Lanjut 43,89%, Karies Denties Tahap Lanjut 51,76%, Gangren Pulpa 42,5%. Pulpa Polip 56,43% dan Periostitis 58,55%. Kesimpulan yang didapatkan dari penelitian ini yaitu metode Fuzzy Inference System Takagi-Sugeno-Kang dapat diterapkan pada sistem pakar gigi (Setiawati et al., 2016).
Pada penelitian Sistem Pakar Diagnosis Penyakit Mata Menggunakan Naive Bayes Classifier. Dalam penelitian ini, membahas tentang aplikasi sistem pakar untuk mendiagnosis penyakit mata. Data yang digunakan untuk penelitian terdiri dari 52 gejala dan 15 penyakit mata. Sistem pakar yang dibangun menggunakan metode Naive Bayes Classifier. Terdapat dua tahapan kerja dari aplikasi ini. Pertama, sistem meminta pasien untuk menginputkan gejala-gejala yang dialami. Kedua, sistem akan secara otomatis menampilkan hasil diagnosis dari penyakit mata yang diderita oleh pasien melalui perhitungan Naive Bayes Classifier. Hasil diagnosis sistem selanjutnya dibandingkan dengan hasil diagnosis dari pakar yang sebenarnya. Uji coba sistem menggunakan data sebanyak 12 pasien yang mempunyai penyakit mata. Dari hasil percobaan, prosentase kesesuaian diagnosis sebesar 83% (Setiawan & Ratnasari, 2014).
Pada penelitian Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Naive Bayes. Dalam penelitian ini, akan dibangun sebuah aplikasi sistem pakar berbasis web untuk diagnosa penyakit pada sapi potong dengan metode Naive Bayes. Metode ini dipilih karena fitur-fitur pada metode Naive Bayes dapat bekerja secara independen. Aplikasi sistem pakar ini bekerja dengan cara menerima input data gejala yang terjadi pada ternak. Melalui data-data tersebut akan dilakukan penalaran berdasarkan pengetahuan pakar yang dikombinasikan dengan algoritma Naive Bayes. Hasil dari pengolahan sistem pakar ini adalah diagnosa jenis penyakit yang sedang menyerang ternak dan saran terapi untuk menanggulangi penyakit ternak. Berdasarkan kelima skenario pengujian akurasi terhadap variasi data menghasilkan nilai rata-rata akurasi masing-masing skenario sebesar 93,08%, 93,85%, 93,85%, 92,31% dan 92,31%. Sehingga didapatkan rata-rata akurasi sistem sebesar 93,08%. Tingkat akurasi tertinggi didapat ketika variasi data training berjumlah 40% dan 60% dari keseluruhan jumlah data training yang ada. Hal ini
membuktikan bahwa komposisi data kasus berpengaruh dalam hasil akurasi sistem. Semakin banyak data training belum tentu dapat menjamin sistem pakar yang dihasilkan akan semakin baik. Jadi dalam menentukkan data training harus komposisi data kasus masing-masing class untuk menghasilkan sistem pakar yang baik (Dewi et al., 2015).
Pada penelitian Sistem Pakar Diagnosa Jenis Karies Gigi Menggunakan Metode Naive Bayes Classifier. Dalam penelitian ini, membahas tentang aplikasi sistem pakar untuk mendiagnosis jenis karies gigi. Data yang digunakan untuk penelitian terdiri dari 35 gejala dan 7 jenis karies gigi. Sistem pakar yang dibangun menggunakan metode Naive Bayes Classifier. Terdapat dua tahapan kerja dari aplikasi ini. Pertama, sistem meminta pasien untuk menginputkan gejala-gejala yang dialami. Kedua, sistem akan secara otomatis menampilkan hasil diagnosis dari penyakit karies gigi yang diderita oleh pasien melalui perhitungan Naive Bayes Classifier. Hasil diagnosis sistem selanjutnya dibandingkan dengan hasil diagnosis dari pakar yang sebenarnya. Uji coba sistem menggunakan data sebanyak 20 pasien. Dari hasil pengujian diperoleh tingkat kesesuaian sebesar 100%.
2.2 Landasan Teori 2.2.1 Sistem Pakar
Sistem pakar adalah suatu sistem yang dirancang untuk dapat menirukan keahlian seorang pakar dalam menjawab pertanyaan dan memecahkan suatu masalah. Sistem pakar akan memberikan pemecahan suatu masalah yang didapat dari dialog dengan pengguna. Dengan bantuan sistem pakar seseorang yang bukan pakar/ahli dapat menjawab pertanyaan, menyelesaikan masalah serta mengambil keputusan yang biasanya dilakukan oleh seorang pakar (Sutojo dkk, 2011).
Ada dua bagian terpenting dari sistem pakar, yaitu lingkungan pengembangan dan lingkungan konsultasi. Lingkungan pengembangan digunakan oleh pembuat sistem pakar untuk membangun komponen-komponenya dan memperkenalkan pengetahuan ke dalam knowledge base (basis pengetahuan). Lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga
pengguna mendapatkan pengetahuan dan nasihat dari sistem pakar layaknya sedang berkonsultasi dengan seorang pakar. Arsitektur sistem pakar bisa dilihat pada Gambar 2.1.
Gambar 2. 1 Arsitektur Sistem Pakar (Sutojo dkk, 2011)
2.2.2 Karies Gigi
Karies gigi adalah sebuah penyakit jaringan gigi yang ditandai dengan kerusakan jaringan, dimulai dari permukaan gigi (ceruk, fisura, dan daerah interproksimal) meluas ke arah pulpa (braurer). Karies Gigi dapat dialami oleh setiap orang dan dapat timbul pada satu permukaan gigi atau lebih, serta dapat meluas ke bagian yang lebih dalam dari gigi, misalnya dari email ke dentin atau ke pulpa. Penyebab karies diantaranya adalah :
1. Karbohidrat
2. Mikroorganisme dan air ludah 3. Permukaan dan bentuk gigi
Karbohidrat yang tertinggal di dalam mulut dan mikroorganisme, merupakan penyebab karies gigi, sementara penyebab karies gigi yang tidak langsung adalah permukaan dan bentuk dari gigi tersebut. Gigi dengan fisur yang dalam mengakibatkan sisa-sisa makanan mudah melekat dan bertahan, sehingga produksi asam oleh bakteri akan berlangsung dengan cepat dan menimbulkan karies gigi (Tarigan, 2016).
2.2.3 Naive Bayes Classifier
Naive Bayes Classifier (NBC) merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan Teorema Bayes dengan asumsi ketidaktergantungan (independent) yang tinggi. Keuntungan penggunan NBC adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian. Karena yang diasumsikan sebagai variabel independent, maka hanya varians dari suatu variabel dalam sebuah kelas yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks kovarians. Probabilitas bayes merupakan salah satu cara yang baik untuk mengatasi ketidakpastian data dengan menggunakan formula bayes yang dinyatakan seperti pada Persamaan 2.1 (Sutojo dkk, 2011).
P(Hi|E) = P(E|Hi)P(Hi) ∑𝑛𝑘=𝑙P(E|Hk) P(Hk)
(2.1)
Dimana:
P(Hi|E) = Probabilitas hipotesa Hi terjadi jika evidence E terjadi.
P(E|Hi) = Probabilitas munculnya evidence E jika diketahui hipotesa Hk benar.
P(Hi) = Probabilitas hipotesa Hk , tanpa memandang evidence apapun. n = Jumlah hipotesa yang mungkin.
2.2.4 Jenis Karies Gigi
Menurut Tarigan (2016) berdasarkan stadiumnya pada klasifikasi ini, karies dibagi menjadi 3 menurut kedalamannya yaitu :
1. Karies Email.
Karies yang hanya mengenai email (lapisan terluar dan terkeras pada gigi)
2. Karies Dentin.
Karies yang sudah mengenai dentin dan telah mencapai setengah dentin yang terdiri dari 3 macam yaitu dentin insensitif, dentin sensitif dan dentin hiperemi.
3. Karies Pulpitis.
Karies yang mengenai lebih dari setengah dentin dan bahkan menembus pulpa yang terdiri dari 3 macam yaitu pulpitis akut parsialis, pulpitis akut totalis dan pulpitis akut kronis tertutup.
