This work is licensed under a Creative Commons Attribution 4.0
JESCE
(Journal of Electrical and System Control Engineering)
Available online http://ojs.uma.ac.id/index.php/jesce
Penerapan Metode Theorema Bayes dalam Mendiagnosa Penyakit Hepatitis Berbasis Web
Application of Bayes Theorem Method in Diagnosing Web- Based Hepatitis
Wilhelmina Rita Malo1) *, Andreas Ariyanto Rangga2) & Felysitas Ema Ose Sanga3) 1), 2), 3) Studi Teknik Informatika, Sekolah Tinggi Informatika Komputer (STIMIKOM) Stella
Maris Sumba, Indonesia
Diterima: Mei 2023; Direview: Juli 2023; Dipublikasi: Agustus 2023
*Coresponding Email: [email protected] Abstrak
Hepatitis disebabkan oleh berbagai faktor seperti infeksi virus, zat beracun misalnya alkohol, obat- obatan tertentu. Banyak kasus hepatitis memiliki gejala tidak nyata atau subklinis. Di Indonesia bagian Nusa Tenggara Timur penyakit hepatitis rendah, dikarenakan kebanyakan orang yang penderita hepatitis ringan hepatitis C positif pada ibu hamil yang kebanyakan relatif tinggi. Lebih dari dua kali lipat rata-rata nasional yang 2,2%. Berdasarkan masalah diatas sehingga dibutuhkan suatu aplikasi berupa sistem pakar dalam mendiagnosa penyakit gangguan hati diantaranya adalah metode teorema Bayes. Teorema Bayes adalah metode yang menerapkan aturan yang berkaitan dengan probabilitas atau nilai probabilitas. Pasien hepatitis bisa meninggal dalam beberapa minggu jika tidak segera diobati. Ini akan digunakan sebagai inisiatif untuk melakukan studi tentang sistem cerdas untuk mendiagnosis hepatitis. Maka dari itu, penelitian ini membuat suatu sistem yang dapat membantu dokter mengobati penyakit hepatitis. Dengan konsep sistem pakar mampu menganalisis masalah dan menarik kesimpulan tentang transfer pengetahuan pakar ke sistem. Hasil dari penelitian yang diuji telah menunjukkan hasil perkalian dari nilai klasifikasi tertinggi dengan metode bayes dan merupakan jenis penyakit gangguan hati yang diderita oleh pasien.
Kata Kunci: Metode Theorema Bayes, Penyakit Hepatitis, Web Abstract
Hepatitis is caused by various factors such as viral infections, toxic substances such as alcohol, certain drugs. Many cases of hepatitis have subtle or subclinical symptoms. In Indonesia, the part of East Nusa Tenggara, hepatitis disease is low, because most people who suffer from mild hepatitis C positive in pregnant women are mostly relatively high. More than double the national average of 2.2%. Based on the above problems, an application in the form of an expert system is needed to diagnose liver disorders, one of which is the Bayes theorem method. Bayes' theorem is a method that applies rules relating to probabilities or probability values. Hepatitis patients can die within a few weeks if not treated immediately. It will be used as an initiative to conduct studies on intelligent systems for diagnosing hepatitis. Therefore, this research creates a system that can help doctors treat hepatitis.
With the concept of an expert system able to analyze problems and draw conclusions about the transfer of expert knowledge to the system. The results of the studies tested have shown the multiplication result of the highest classification value with the Bayes method and is a type of liver disorder that the patient suffers from.
Keywords: Bayes Theorem Method, Hepatitis, Web
Berbasis Web
26 PENDAHULUAN
Semua orang menginginkan yang namanya kesehatan, dengan adanya kesehatan jiwa dan raga maka, setiap orang yang memilikinya akan merasa senang. Kesehatan sebagai satu kondisi kondisi fisik, mental dan social yang sejaterah secara utuh, dan tidak bebas dari penyakit atau kelamahan/ disibilitas (Martin & Lemon, 2006). Kerap orang menyepelekan kesehatan, dengan hal tesebut mereka sudah terkena beberapa gejala penyakit salah satunya penyakit hepatitis (Ramdhani dkk., 2015).
Hepatitis merupakan urutan pertama dari berbagai penyakit hati di seluruh dunia. Penyakit tersebut ataupun gejala sisanya bertanggung jawab atas 1-2 juta kematian setiap tahunnya. Banyak episode hepatitis dengan klinik anikterik, tidak nyata atau subklinis. Secara global virus hepatitis merupakan penyebab utama viremia yang persisten (Gultom, 2021). Di Indonesia berdasarkan data yang berasal dari rumah sakit, hepatitis A masih merupakan bagian terbesar dari kasuskasus hepatitis akut yang dirawat yaitu berkisar dari 39,8-68,3%.
Peningkatan prevalensi anti HAV yang berhubungan dengan umur mulai terjadi dan lebih nyata di daerah dengan kondisi kesehatan di bawah standar. Lebih dari 75% anak dari berbagai benua Asia, Afrika,
India, menunjukkan sudah memiliki antibody anti-HAV pada usia 5 tahun.
Sebagian besar infeksi HAV didapat pada awal kehidupan, kebanyakan asimtomatik atau sekurangnya aniktertik (Sanityoso, 2010).
Tingkat prevalensi hepatitis B di Indonesia sangat bervariasi berkisar dari 2,5% di Banjarmasin sampai 25,61% di Kupang, sehingga termasuk dalam kelompok negara dengan endemisitas sedang sampai tinggi. Di negara-negara Asia diperkirakan bahwa penyebaran dari ibu pengidap hepatitis merupakan jawaban atas prevalensi infeksi virus hepatitis B yang tinggi (Boy & Yakup, 2021). Hampir semua bayi yang dilahirkan dari ibu dengan HB positif akan terkena infeksi pada bulan kedua dan ketiga kehidupannya. Adanya HbeAg pada ibu sangat berperan penting untuk penularan.
Walaupun ibu mengandung HB positif namun jika HBeAg dalam darah negative, maka daya tularnya menjadi rendah. Data di Indonesia telah dilaporkan oleh Suparyatmo, pada tahun 1993, bahwa dari hasil pemantauan pada 66 ibu hamil pengidap hepatitis B, bayi yang mendapat penularan secara vertical adalah sebanyak 22 bayi (45 ,9% ) (Dewi dkk., 2015).
Prevalensi anti-HCV pada donor darah di beberapa tempat di Indonesia menunjukkan angka di antara 0,5%-
3,37%. Sedangkan prevalensi anti HCV pada hepatitis menunjukkan bahwa hepatitis C (15,5%-46,4%) menempati urutan kedua setelah hepatitis A akut (39,8%-68,3%) sedangkan urutan ketiga ditempati oleh hepatitis B (6,4%-25,9%).
Untuk hepatitis D, walaupun infeksi hepatitis ini erat hubungannya dengan infeksi hepatitis B, di Asia Tenggara dan Cina infeksi hepatitis D tidak biasa dijumpai pada daerah dimana prevalensi HBsAg sangat tinggi (Rachmatulloh &
Eviyanti, 2021). Laporan dari Indonesia pada tahun 1982 mendapatkan hasil 2,7%
(2 orang) anti HDV positif dari 73 karier hepatitis B dari donor darah. Pada tahun 1985, Suwignyo dkk melaporkan, di Mataram, pada pemeriksaan terhadap karier hepatitis B, terdapat satu anti HDV positif (1,1% ) (Sanityoso, 2010; Saragih, 2022).
Di Indonesia bagian Nusa Tenggara Timur penyakit hepatitis rendah, dikarenakan kebanyakan orang yang penderita hepatitis ringan hepatitis C positif pada ibu hamil yang kebanyakan relatif tinggi. Lebih dari dua kali lipat rata- rata nasional yang 2,2%. Memang, secara persentase, angka positif hepatitis B pada ibu menurun dari 2,21% pada 2017 ke 1,61% pada 2021. Namun, secara absolut angkatnya naik dalam lima tahun terakhir.
Kenaikan angka ini seiring meningkatnya
jumlah ibu hamil yang dideteksi dini (Surbakti, 2022).
Penyakit hepatitis adalah satu dari sekian banyak ancaman kesehatan utama di dunia. Penyakit hepatitis adalah peradangan hati yang disebabkan oleh virus hepatitis. Ada 5 jenis virus hepatitis:
A, B, C, D, E dan hipetetis yang disebabkan oleh beberapa faktor lainnya. Infeksi yang akan mengganggu kerja organ hati ini dapat menular dengan mudah, melalui makanan atau minuman yang terkontaminasi virus (Darmodiharjo, 1979; Setiawan dkk., 2018).
METODE PENELITIAN
Dalam penelitian proses pengumpulan data dilakukan dengan wawancara, angket, observasi, dan studi pustaka di Puskesmas Tanggaba yang berada di Kec. Wewewa Tengah.
Metode penelitian yang digunakan yaitu metode Dempster-Shafer yakni sebuah metode perhitungan yang bertujuan untuk memperoleh nilai densitas terbesar dari gejala yang telah dimasukkan oleh user, melalui perhitungan matriks yang menghasilkan output berupa hasil diagnosa, gejala, solusi, serta penanganannya.
Penelitian ini data yang digunakan adalah data penyakit hepatitis yang didapat dari Machine Learning Repository
Berbasis Web
28 UCI (Universitas California Invene).
Adapun tahapan-tahapan dalam penelitian yaitu:
1. Pengumpulan Data, data pada penelitian ini merupakan data sekunder yang diperolah dari Machine Learning Repository UCI (Universitas California, Invene) dengan alamat web.
2. Pengolahan Data Awal, untuk mendapatkan data yang berkualitas, beberapa teknik yang dilakukan yaitu validation, integration, size reduction dan dicritization.
HASIL DAN PEMBAHASAN
Proses Perhitungan Metode Teorema Bayes
Seorang pasien menderita penyakit, lalu berkonsultasi dengan dokter dan menceritakan gejalanya termasuk:
Tabel 1. Konsultasi
Kode
Gejala Gejala Penyakit Bobot
A01 Lelah 0.8
A02 Mata dan kulit menjadi kuning
(jaundice)
0.7
A03 Mual 0.3
A04 Sakit kepala 0.5 A05 Tidak nafsu
makan
0.2 A06 Nyeri sendi 0.6 A07 Sakit perut 0.1 Proses Perhitungan Metode Teorema Bayes
n
= A1+G2+…+An k=1
1. P1 = Hepatitis A A1 = P (E|H1) = 0.8 A2 = P (E|H2) = 0.7 A5 = P(E|H8) = 0.4
∑ 𝐾 = 3 = 0.8 + 0.7 + 0.4 = 1.9 2. P2 = Hepatitis B
A2 = P (E|H2) = 0.7 A5 = P (E|H8) = 0.2 A6 = P (E|H9) = 0.6 A7 = P (E|H10) = 0.1
∑ 𝐾 = 4 = 0.7 + 0.2 + 0.6 + 0.1 = 1.6 3. P3 = Hepatitis C
A2 = P (E|H2) = 0.7 A3 = P (E|H4) = 0.3 A4 = P (E|H6) = 0.5
∑ 𝐾 = 3 = 0.7 + 0.3 + 0.5 = 1.5
Mencari Nilai Probabilitas Hipotesa H Tanpa Memandang Evidence
1. P1 = Hepatitis A
A1 = P (H1) = = 0.421 A2 = p (H2) = = 0.368 2. P2 = Hepatitis B
A2 = P (H2) = = 0.437 A8 = P (H8) = = 0.125 A9 = P (H9) = = 0.375 A10 = P (H10) = = 0.062 G8 = P (H8) = = 0.210
3. P3 = Hepatitis C
A2 = P (H2) = = 0.466 A4 = P (H4) = = 0.215 A6 = P (H6) = = 0.333
Mencari Nilai Probabilitas Hipotesa H Memandang Evidence
1. P1 = Hepatitis A
= (0.8 ∗ 0.421) + (0.7 ∗ 0.368) + (0.4 ∗ 0.210)
= 0.336 + 0.257 + 0.084
= 0,677
2. P3 = Hepatitis B
= (0.7 ∗ 0.437) + (0.2 ∗ 0.125) + (0.6 ∗ 0.375) + (0.1 ∗ 0.062)
= 0.305 + 0.025 + 0.225 + 0.006
= 0.561
3. P2 = Hepatitis C
= (0.7 ∗ 0.466) + (0.3 ∗ 0.215) + (0.5 ∗ 0.333)
= 0.326 + 0.064 + 0.166
= 0.556
Mencari Nilai Hipotesa H Benar Jika Diberi Evidence
1. P1 = Hepatitis A
P (H1\E) = = 0,397 P (H2\E) = = 0.265
P (H8\E) = . = 0,049 2. P2 = Hepatitis B
P (H2\E) = = 0.545 P (H8\E) = . = 0.891 P (H9\E) = . = 0. 240 P (H10\E) = = 0,001 3. P3 = Hepatitis C
P (H2\E) = . = 0.410 P (H4\E) = . = 0,028 P (H6\E) = . = 0,245
Mencari Nilai Bayes
1. P1 = Hepatitis A
= (0.8 ∗ 0.397) + (0.7 ∗ 0.256) + (0.4 ∗ 0.049)
= 0,317 + 0.179 + 0.019
= 0.515
2. P2 = Hepatitis B
= (0.7 ∗ 0.545) + (0.2 ∗ 0.891) + (0.6 ∗ 0.240) + (0.1∗ 0.001)
= 0,381 + 0.178 + 0.144 + 0,001
= 0.704
3. P3 = Hepatitis C
= (0.7 ∗ 0.410) + (0.3 ∗ 0.028) + (0.5 ∗ 0.245)
Berbasis Web
30
= 0,287 + 0.008 + 0.122
= 0.417
Ditunjukkan dari hasil perhitungan teorema Bayes di atas bahwa pasien yang didiagnosis dengan hepatitis B memiliki skor keamanan 0,704, atau 70,4%, dan solusi untuk menjaga kebersihan lingkungan bukanlah hubungan seksual.
Jangan gunakan jarum berulang kali.
Gambar 1. Perancangan Aplikasi Penyakit Hepatitis
Implementasi Program
Implementasi adalah langkah yang digunakan untuk mengoperasikan sistem yang akan dibangun. Rancangan untuk sistem mendiagnosa penyakit gastritis pada anak. Dibawah ini merupakan tampilan dari implementasi sistem pakar metode Theorema Bayes dalam mendiagnosa Penyakit Hepatitis (Radang Hati).
1. Tampilan Form Login
Halaman ini berfungsi sebagai tempat awal admin untuk masuk ke halaman utama.
Gambar 2. Tampilan Form Login
2. Tampilan Form Menu Utama
Tampilan Form Menu Utama adalah tampilan awal web saat aplikasi dijalankan. Gambar di bawah ini menunjukkan tampilan halaman Menu Utama.
Gambar 3. Tampilan Form Menu Utama
3. Tampilan Form Data Pasien
Tampilan Form Data Pasien adalah halaman yang digunakan untuk mengisi data pasien.
Gambar 4. Tampilan Form Data Pasien
4. Tampilan Form Data Gejala
Tampilan Form Data Gejala merupakan tampilan yang digunakan untuk menginput data gejala.
Gambar 5. Tampilan Form Data Gejala
5. Tampilan Form Data Penyakit
Tampilan Form Data Penyakit merupakan tampilan yang digunakan untuk menginput data penyakit.
Gambar 6. Tampilan Form Data Penyakit
6. Tampilan Form Basis Aturan
Tampilan Form Basis Aturan merupakan tampilan yang digunakan untuk menginput nilai probabilitas sesuai data Pasien yang ada.
Gambar 7. Tampilan Form Basis Aturan
7. Tampilan Form Diagnosa
Tampilan Form Diagnosa merupakan tampilan yang bertujuan untuk memproses hasil dari gejala-gejala yang dialami pasien tersebut.
Gambar 8. Tampilan Form Diagnosa
8. Tampilan Form Laporan
Berikut ini tampilan halaman daftar riwayat yang telah melakukan diagosa pasien dan Form laporan.
Gambar 9. Tampilan Form Laporan
SIMPULAN
Setelah implementasi program yang dilakukan, maka dapat ditarik kesimpulan yaitu sebagai berikut:
Berbasis Web
32 1. Penyakit Hepatitis (Radang Hati)
didiagnosa menggunakan sistem pakar dan metode teorema bayes.
2. Implementasi sistem pakar untuk mendiagnosa hepatitis (radang hati) menggunakan teorema Bayes dirancang dengan baik menggunakan pemodelan sistem, terutama flowchart dan UML.
3. Sistem pakar mampu mendiagnosa penyakit hepatitis (radang hati).
DAFTAR PUSTAKA
Boy, A. F., & Yakup, S. (2021). Penerapan Metode Metode Teorema Bayes Mendiagnosa Penyakit Hepatitis (Radang Hati). Jurnal Cyber Tech, 4(1).
Darmodiharjo, D. (1979). Pancasila: suatu orientasi singkat: dilengkapi dengan Pedoman penghayatan dan pengamalan Pancasila (Ketetapan MPR no. II/MPR/1978). Balai Pustaka.
Dewi, I. C., Soebroto, A. A., & Furqon, M. T. (2015).
Sistem pakar diagnosa penyakit sapi potong dengan metode naive bayes. Journal of Environmental Engineering and Sustainable Technology, 2(2), 72–78.
Gultom, T. T. (2021). Penerapan Metode Demster Shafer Pada Sistem Pakar Terhadap Penyakit Rabies Hewan. SATESI: Jurnal Sains Teknologi Dan Sistem Informasi, 1(2), 92–98.
Martin, A., & Lemon, S. M. (2006). Hepatitis A virus:
from discovery to vaccines. Hepatology, 43(S1), S164–S172.
Rachmatulloh, F., & Eviyanti, A. (2021). Expert System for Diagnosing Liver Disease Using Web-Based Bayes Theorem Method Metode Sistem Pakar Diagnosa Penyakit Hati Menggunakan Metode Teorema Bayes Berbasis Web. Procedia of Engineering and Life Science Vol, 1(2).
Ramdhani, A., Isnanto, R. R., & Windasari, I. P.
(2015). Pengembangan sistem pakar untuk diagnosis penyakit hepatitis berbasis web menggunakan metode Certainty Factor.
Jurnal Teknologi Dan Sistem Komputer, 3(1), 58–64.
Sanityoso, A. (2010). Hepatitis virus akut. Buku ajar ilmu penyakit dalam. Interna Publishing:
Jakarta.
Saragih, N. B. (2022). Sistem Pakar Mendiagnosa Penyakit Gangguan Hati Pada Manusia Menggunakan Metode Naïve Bayes Berbasis WEB. Jurnal Ilmu Komputer Dan Sistem Informasi (JIKOMSI), 5(1), 11–19.
Setiawan, R., Suhery, C., & Bahri, S. (2018).
Implementasi Metode Dempster Shafer Pada Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web. Coding Jurnal Komputer Dan Aplikasi, 6(3).
Surbakti, J. (2022). Implementasi Metode Naïve Bayes Untuk Diagnosa Penyakit Hati. Jurnal Ilmu Komputer Dan Sistem Informasi (JIKOMSI), 5(1), 34–40.
