Sistem Pakar Deteksi Dini Status Stunting Pada Balita Menggunakan Metode Naive Bayes
Marina Indah Prasasti*, Dwi Normawati
Fakultas Teknologi Industri, Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia Email: 1,*[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Anak didefenisikan Stunting jika tinggi badan anak menurut usia kurang dari -2 Standar Deviasi (SD) dibawah Median kriteria pertumbuhan WHO dan Stunting disebabkan oleh gizi yang tidak mencukupi, penyakit yang berulang, dan faktor multidimensi lainnya. Berdasarkan permasalahan tersebut, maka dilakukan sebuah penelitian yang mengembangkan Sistem Pakar deteksi dini status Stunting pada balita menggunakan metode Naive Bayes. Pengumpulan data dilakukan dengan studi pustaka dan wawancara pada Dinas Kesehatan Kabupaten Bantul. Tahap pengembangan sistem meliputi akuisisi pengetahuan, membuat basis pengetahuan, menentukan basis aturan, membuat model keputusan dengan Naive Bayes, membuat desain perancangan sistem yang selanjutnya diimplementasikan kedalam program komputer. Tahap terakhir adalah penguji kelayakan seluruh fungsional dan non-fungsional sistem melalui pendekatan black-box test, expert judgement dan system usability scale. Penelitian ini menghasilkan Sistem Pakar yang dapat mendeteksi dini Stunting pada balita dan memberikan solusi penanganan yang tepat serta memberikan nilai kemungkinan terhadap status Stunting pada balita. Berdasarkan pengujian dengan pendekatan black-box menunjukkan bahwa semua fungsional sistem dapat berjalan sesuai dengan kebutuhan dan akurasi dengan expert judgment menghasilkan tingkat keakuratan sebesar 100% serta score system usability scale yaitu 90 atau dapat disimpulkan bahwa Sistem Pakar yang telah dibangun layak untuk digunakan.
Kata Kunci: Balita; Deteksi Dini; Naive Bayes; Sistem Pakar; Stunting
Abstract−A child is defined as stunted if their height for their age is less than -2 Standard Deviations (SD) below the WHO growth criteria Median, and Stunting is caused by inadequate nutrition, frequent illness, and other multidimensional factors.
Based on this problem, a study was conducted to develop an early detection Expert System for Stunting status in toddlers using Naive Bayes Method. Data collection was done through a literature review and interviews at the Bantul Health Office. The system development stage includes knowledge acquisition, creating a knowledge base, determining rule bases, creating a decision model with Naive Bayes, and designing the implementation of the system into a computer program. The final stage is to test the feasibility of all functional and non-functional systems through black-box testing, expert judgment, and the system usability scale. The research conducted resulted in an expert system that can detect early Stunting in toddlers and provide appropriate handling solutions and provide probability values for the status of Stunting in toddlers. Based on black-box testing, all functional systems run according to requirements and accuracy with expert judgment produces an accuracy rate of 100%
and a system usability scale score of 90, it can be concluded that the expert system that has been built is feasible to use.
Keywords: Toddler; Early Detection; Naive Bayes; Expert System; Stunting
1. PENDAHULUAN
Dewasa ini, melalui data Survei Status Gizi Indonesia (SSGI) pada 2021 menunjukkan angka Stunting sebesar 24,4% atau setara 5,33 juta balita, dimana 1 dari 3 anak di Indonesia mengalami Stunting [1][2]. Stunting merupakan permasalahan tumbuh kembang yang dialami anak disebabkan oleh gizi yang tidak mencukupi, penyakit berulang dan kurangnya stimulasi psikososial, dan anak-anak didefinisikan sebagai Stunting jika tinggi badan anak menurut usia kurang dari -2 Standar Deviasi (SD) dibawah Median kriteria pertumbuhan World Health Organization (WHO) [3][4]. Stunting adalah suatu keadaan balita gagal tumbuh kembang akibat kekurangan gizi pada 1000 hari pertama kehidupan [5].
Daerah Istimewa Yogyakarta (DIY) merupakan salah satu provinsi prioritas intervensi pengurangan Stunting nasional [6]. Berdasarkan data SSGI 2021, prevalensi Stunting di DIY sebesar 17,3% yang menunjukkan nilai masih diatas target capaian nasional yaitu 14%, sedangkan prevalensi Stunting di Kabupaten Bantul menunjukkan angka 19,1% [1]. Kurangnya pengetahuan masyarakat terkait Stunting serta keterbatasan layanan kesehatan menjadi alasan lambatnya penanggulangan Stunting [7][8]. Penelitian ini mengembangkan Sistem Pakar deteksi dini status stunting pada balita menggunakan metode Naive Bayes.
Sistem Pakar merupakan sistem yang dirancang dan diimplementasikan berdasar pada pengetahuan, fakta, dan teknik penalaran dengan menggunakan bahasa pemrograman tertentu untuk memecahkan permasalahan seperti yang dilakukan oleh pakar atau ahli [9]. Sistem Pakar telah banyak diimplementasikan pada berbagai bidang seperti kesehatan, industri, pendidikan, maupun bisnis. Pada bidang kesehatan Sistem Pakar banyak digunakan untuk mendiagnosa suatu penyakit [10] [11] [12] [13] [14].
Beberapa penelitian sebelumnya telah melakukan implementasi Sistem Pakar terkait malnutrisi pada balita diantaranya yaitu penelitian tentang penerapan Sistem Pakar untuk deteksi dini gizi buruk pada balita dengan mengimplementasikan Dempster Shafer yang memberikan kecocokan sebesar 85% sistem dapat digunakan dengan baik untuk melakukan deteksi dini gangguan gizi buruk pada balita [10]. Pada penelitian lain terkait Sistem Pakar penentuan gizi buruk pada anak menggunakan metode Case Based Reasoning (CBR), sistem berjalan
dengan mencari nilai kemiripan pada penyakit berdasarkan pada kasus–kasus sebelumnya, menggunakan metode CBR didapatkan nilai keakuratan sistem yaitu 95% [11].
Dilakukan penelitian yang sama mengenai Sistem Pakar penentuan gizi buruk dengan metode Certainty Factor, metode Certainty Factor dimanfaatkan untuk menelusuri gejala gizi buruk pada anak dibawah usia lima tahun. Penelitian ini mencakup 28 gejala untuk 10 penyakit yang terdapat dalam sistem. Nilai kesesuaian pada Sistem Pakar ini sebesar 80% [12]. Penelitian yang lain membahas tentang Sistem Pakar diagnosis penyakit Stunting pada balita dengan metode Forward Chaining.Metode Forward Chaining didasarkan pada setiap langkah penalaran diuji secara berurutan untuk mencapai tujuan akhir. Penalaran bekerja dengan memulai dari mencatat informasi awal hingga mencapai penyelesaian akhir yang diinginkan, setiap tahap dilakukan secara berurutan untuk mengikuti alur pemikiran yang terstruktur. Sistem Pakar ini didasarkan pada variabel panjang badan, jenis kelamin dan memori belajar anak, hingga hasil diagnosa berupa Stunting, tidak Stunting dan masalah hormon pertumbuhan. Hasil penelitian tersebut menunjukkan bahwa Sistem Pakar ini dapat mendiagnosis penyakit Stunting pada balita dengan nilai keakuratan 91% [13].
Penelitian juga dilakukan terkait Stunting didapatkan kasus Stunting pada anak yaitu Gizi Lebih, Marasmik- kwashiorkor, Gizi Kurang, Kwashiorkor (Busung Lapar) dan Marasmus serta terdapat 36 gejala. Berdasarkan data penyakit tersebut dilakukan penerapan menggunakan metode Teorema Bayes. Teorema Bayes digunakan untuk menghitung probabilitas gabungan dari kejadian yang saling terkait, yang diperoleh melalui pengamatan. Pada penelitian ini didapat persentase kepercayaan 50.47% pada salah satu penyakit dan mempunyai nilai keakuratan sistem sebesar 99% [14]. Penelitian terdahulu dengan penerapan Sistem Pakar dengan menggunakan metode Naive Bayes yaitu untuk diagnosis penyakit Infeksi Saluran Pernafasan Akut (ISPA), terdapat 6 jenis penyakit ISPA yaitu: Sinusitis, Radang Tenggorokkan, Bronkitis, Bronkiolitis, Pneumonia dan Pleuritis, menggunakan metode Naive Bayes didapatkan nilai keakuratan 92.3% [15].
Dilakukan penelitian lain terkait penerapan Sistem Pakar yaitu diagnosis penyakit Karies pada gigi manusia dengan metode Naive Bayes, sistem ini dapat mengidentifikasi penyakit Karies pada manusia dan memberikan solusi yang tepat untuk menangani kerusakan pada gigi, dengan tingkat akurasi sistem sebesar 83,61% atau sistem layak digunakan [16]. Penelitian lainnya berupa implementasi Sistem Pakar untuk diagnosa penyakit pada tanaman hias Aglaonema sp menggunakan metode Naive Bayes. Sistem ini terdapat 7 jenis hama dan 7 penyakit yang menyerang tanaman Aglaonema sp, dengan menguji 30 data uji, didapat akurasi sistem cukup akurat dengan nilai 90% [17].
Berdasar pada kajian penelitian terdahulu terkait penerapan sistem pakar deteksi Stunting dengan menggunakan metode Forward Chaining [13] dan Teorema Bayes [14], didapat nilai akurasi terbaik dengan metode Teorema Bayes yaitu mencapai 99%, serta penerapan Sistem Pakar dengan Naive Bayes dengan tingkat akurasi sistem diatas 80 % [15] [16] [17], maka penelitian ini mengembangkan Sistem Pakar untuk deteksi dini status Stunting pada balita menggunakan metode Naive Bayes dengan 16 data gejala (faktor risiko) dan 3 status Stunting, dengan variabel pertama yang digunakan yaitu penentuan kategori tinggi badan berdasarkan jenis kelamin dan usia balita menggunakan perhitungan Z-Score TB/U berdasarkan Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 Tentang Standar Antropometri Anak [18]. Metode Naive Bayes digunakan didasarkan pada peluang setiap gejala yang dialami untuk menentukan kemungkinan terbesar pada suatu hasil dengan membandingkan nilai hasil akhir peluang setiap status Stunting. Penelitian ini bertujuan untuk mengoptimalkan sistem berdasar pada kajian penelitian terdahulu dan mengetahui perbandingan hasil akhir dengan menggunakan metode Naive Bayes. Inovasi Sistem Pakar pada penelitian ini berupa pengembangan knowledge base pada gejala atau faktor risiko, status Stunting dan solusi yang akan dihasilkan, sehingga diharapkan dari penelitian ini dapat membantu orang tua untuk mendeteksi dini status Stunting pada balita dan sebagai salah satu upaya untuk percepatan penurunan prevalensi Stunting.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian ini terdiri dari studi literatur, pengumpulan data, akuisisi pengetahuan, analisis kebutuhan sistem, perancangan sistem, tahapan implementasi dan pengujian sistem.Tahapan penelitian dapat dilihat seperti pada Gambar 1.
Gambar 1. Tahap Penelitian
2.1.1 Studi Literatur
Penelitian ini diawali dengan studi literatur sebagai dasar untuk mendapatkan teori pendukung penelitian. Literatur diperoleh dari jurnal ilmiah, buku, dan ebook yang mencangkup teori mengenai Sistem Pakar, metode Naive Bayes, dan Stunting.
2.1.2 Pengumpulan Data
Pengumpulan data didasarkan pada Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 Tentang Standar Antropometri Anak [18] dan dilakukan dengan menggunakan metode wawancara dengan staf seksi Kesehatan Keluarga dan Gizi Dinas Kesehatan Kabupaten Bantul serta kajian literatur. Hasil pengumpulan data dari Dinas Kesehatan Kabupaten Bantul yaitu berupa dataset analisa balita Stunting dan Non Stunting pada tahun 2022, dengan jumlah 48 data balita dengan retang usia 6 sampai 60 bulan, dan 25 atribut. Atribut data terdiri dari data identitas balita, analisa penyebab, dan status Stunting pada balita. Pengumpulan data yang telah dilakukan memperoleh hasil data diantaranya gejala atau faktor risiko, status Stunting dan penanganan Stunting pada balita.
2.1.3 Akuisisi Pengetahuan
Proses akuisisi pengetahuan dilakukan untuk menentukan aturan penarikan keputusan terhadap permasalahan yang terjadi dengan mengklasifikasikan basis pengetahuan tentang gejala atau faktor risiko, status Stunting dan solusi penanganan. Sumber-sumber pengetahuan diperoleh menggunakan teknik wawancara dengan staf Seksi Kesehatan Keluarga dan Gizi Dinas Kesehatan Kabupaten Bantul selaku pakar utama untuk sistem ini.
2.1.4 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem terdiri dari tiga tahap analisis yang meliputi analisis kebutuhan data, analisis kebutuhan user, dan analisis kebutuhan sistem. Analisis kebutuhan data digunakan untuk menentukan batasan data yang diperlukan dalam penelitian ini. Adapun data yang digunakan yaitu status Stunting, gejala atau faktor risiko dan solusi penanganan Stunting pada balita. Analisis kebutuhan user digunakan untuk membatasi operasional penggunaan sistem dan menentukan level pengguna dalam sistem. Level user dalam penelitian ini ada 3 yaitu admin, pakar dan pengguna yaitu orang tua balita. Analisis kebutuhan sistem digunakan sebagai rujukan dalam mengembangkan sistem, yang terdiri dari analisis kebutuhan fungsional dan non-fungsional sistem.
2.1.5 Perancangan Sistem
Perancangan sistem merupakan langkah penting dalam pembangunan suatu sistem atau perangkat lunak. Tujuan dari perancangan adalah untuk menganalisis komponen-komponen yang diperlukan oleh sistem dan merancang struktur dan fungsi yang sesuai. Tahap perancangan dalam penelitian ini mencakup beberapa aspek, antara lain basis pengetahuan, basis aturan, perancangan proses, basis data, model keputusan Naive Bayes, dan perancangan antarmuka. Model keputusan digunakan untuk menentukan hasil deteksi dini status Stunting pada balita. Penarikan kesimpulan menggunakan metode Naive Bayes.
2.1.5.1 Metode Naive Bayes
Teorema Bayes merujuk pada sistem klasifikasi yang menggunakan probabilitas dan teknik statistik yang dikembangkan oleh Thomas Bayes, seorang ilmuwan dari Inggris. Teorema ini digunakan untuk memprediksi kemungkinan masa depan berdasarkan data historis yang tersedia. Dalam konteks ini, Teorema Bayes dikombinasikan dengan pendekatan Naive, dimana diasumsikan bahwa setiap atribut secara independen berkontribusi terhadap klasifikasi [19]. Naive Bayes menggunakan probabilitas bersyarat sebagai fondasi dan tingkat kategorisasi langsung berdasarkan fitur-fitur yang diamati, mampu meramalkan peluang dari masa sebelumnya [20]. Dalam penentuan probabilitas atau peluang dapat ditemukan menggunakan Persamaan (1) sebagai berikut :
P(H|E) =P(E|H).P(H)
P(E) (1)
Keterangan :
E : Data dengan kelas yang belum diketahui H : Hipotesis suatu kelas spesifik
P(H|E) : Probabilitas hipotesis H berdasarkan kondisi E (posterior probability) P(H) : Probabilitas hipotesis H (prior probability)
P(E|H) : Probabilitas E berdasarkan kondisi pada hipotesis H P(E) : Probabilitas E
Langkah-langkah perhitungan dalam Naive Bayes:
1. Langkah pertama menghitung probabilitas prior yaitu melakukan pencarian nilai probabilitas pada setiap jenis penyakit.
2. Langkah kedua menghitung probabilitas likelihood yaitu pencarian nilai probabilitas sebuah fakta gejala pada penyakit yang mempengaruhi suatu hipotesis.
3. Langkah ketiga menghitung probabilitas posterior yaitu peluang bahwa hipotesis benar untuk data fakta gejala yang diamati.
2.1.6 Implementasi Sistem
Sistem Pakar ini dibangun menggunakan bahasa pemrograman PHP dengan menerapkan metode pengambilan keputusan Naive Bayes. Software yang digunakan untuk mendukung pembuatan sistem adalah Visual Studio Code, XAMPP, dan web browser.
2.1.7 Pengujian Sistem
Pengujian sistem dilakukan untuk memastikan bahwa sistem dapat beroperasi sesuai dengan harapan yang telah ditetapkan dan juga untuk mengidentifikasi kesalahan yang mungkin terjadi dalam sistem. Pengujian sistem dilakukan dengan pendekatan black-box test, expert judgement dan system usability scale. Pengujian black-box dilakukan dengan melihat fungsionalitas sistem dan melihat apakah hasil yang diberikan sistem sudah sesuai dengan yang diharapkan [21]. Expert judgement dilakukan dengan membandingkan temuan diagnosis sistem dengan hasil diagnosis pakar merupakan salah satu cara untuk menguji keakuratan sistem menggunakan validitas pakar [22]. System Usability Scale (SUS) untuk mengukur tingkat kebergunaan (usability) aplikasi menurut penilaian subyektif pengguna [23].
3. HASIL DAN PEMBAHASAN
Hasil dan pembahasan ini menjelaskan tentang implementasi Sistem Pakar dan analisis hasil implementasi Sistem Pakar dalam mendeteksi dini status Stunting pada balita menggunakan metode Naive Bayes. Sistem Pakar ini telah dikembangkan dengan menggunakan metode Naive Bayes untuk menghitung nilai peluang status Stunting pada balita berdasarkan nilai kemungkinan pada setiap gejala yang dialami balita. Penerapan metode Naive Bayes dengan menggunakan probabilitas bersyarat sebagai fondasi dan mampu meramalkan peluang dari masa sebelumnya membuat sistem ini menghitung nilai probabilitas setiap gejala menjadi sebuah keputusan status Stunting.
3.1 Basis Pengetahuan
Berdasarkan hasil pengumpulan data yang didapatkan dari Dinas Kesehatan Kabupaten Bantul tentang Stunting pada lingkup Kabupaten Bantul, Dibuatlah tabel gejala (faktor risiko) dan tabel status Stunting.
3.1.1 Basis Pengetahuan Gejala
Dari beberapa status Stunting pada balita terdapat 16 gejala. Adapun gejala-gejala tersebut dilihat pada Tabel 1.
Tabel 1. Gejala Stunting pada Balita
Kode Gejala Stunting
G1 Balita dengan tinggi badan Pendek G2 Balita dengan tinggi badan Sangat Pendek G3 Balita tidak ASI eksklusif
G4 Riwayat makan balita kurang G5 Balita sering sakit
G6 Balita memiliki penyakit penyerta G7 Status ekonomi keluarga rendah G8 Kenaikan berat badan balita tidak sesuai G9 Riwayat kehamilan ibu KEK
G10 Riwayat kehamilan ibu Anemia G11 Ibu dengan tinggi badan Pendek
G12 Konsumsi suplemen kehamilan tidak teratur G13 Kesehatan lingkungan kumuh
G14 Imunisasi balita tidak lengkap G15 Balita mengalami kecacingan
G16 Balita memiliki gangguan motorik dan kognitif 3.1.2 Basis Pengetahuan Status Stunting
Berdasarkan data yang diambil, status Stunting pada balita berjumlah 3 status. Data status Stunting dapat dilihat pada Tabel 2.
Tabel 2. Status Stunting pada Balita Kode Status Stunting P1 Balita Pendek
Kode Status Stunting P2 Balita Sangat Pendek P3 Balita Stunting 3.2 Basis Aturan
Tabel 3 berisi aturan untuk mengetahui keputusan pada sistem untuk menentukan status Stunting.
Tabel 3. Basis Aturan Keputusan Kode Status Stunting Kode Gejala
P1 Balita Pendek G1,G3,G4,G5,G6, G7,G8,G9,G10,G1,G12, G13,G14,G15, G16 P2 Balita Sangat
Pendek
G2,G3,G4,G5,G6, G7,G8,G9,G10,G1,G12, G13,G14,G15,G16 P3 Balita Stunting G1,G2,G3,G4,G5,
G6,G7, G8,G9,G10, G11,G12,G13,G14, G15,G16
Tabel 4 menunjukkan hubungan atau relasi antara gejala dengan status Stunting yang telah didapat dari seorang pakar.
Tabel 4. Tabel Relasi P
G
P1 P2 P3
G1 ✓ ✓
G2 ✓ ✓
G3 ✓ ✓ ✓
G4 ✓ ✓ ✓
G5 ✓ ✓ ✓
G6 ✓ ✓ ✓
G7 ✓ ✓ ✓
G8 ✓ ✓ ✓
G9 ✓ ✓ ✓
G10 ✓ ✓ ✓
G11 ✓ ✓ ✓
G12 ✓ ✓ ✓
G13 ✓ ✓ ✓
G14 ✓ ✓ ✓
G15 ✓ ✓ ✓
G16 ✓
3.3 Basis Aturan Perhitungan Naive Bayes
Penerapan metode Naive Bayes dengan menggunakan probabilitas bersyarat sebagai fondasi dan tingkat kategorisasi langsung berdasarkan fitur-fitur yang diamati, mampu meramalkan peluang dari masa sebelumnya, membuat sistem ini menghitung nilai probabilitas setiap gejala menjadi sebuah keputusan status Stunting.
Perhitungan dengan menggunakan Naive Bayes dimulai dengan melakukan perhitungan probabilitas prior, kemudian menghitung probabilitas likelihood, hingga pada menghitung probabilitas posterior atau peluang hipotesis benar untuk data fakta gejala yang diamati. Contoh perhitungan dengan Metode NaiveiBayes dilakukan dengan studi kasus seorang balita Perempuan berusia 30 bulan dan hasil pengukuran tinggi badan balita 82 cm dan memiliki gejala seperti pada Tabel 5. Penentuan tinggi balita didasarkan pada nilai Z-Score TB/U seperti Persamaan (2).
(𝑇𝐵 / 𝑈) = 𝑇𝐵 𝐴𝑛𝑎𝑘−𝑇𝐵 𝑀𝑒𝑑𝑖𝑎𝑛
𝑇𝐵 𝑀𝑒𝑑𝑖𝑎𝑛−(𝑡𝑎𝑏𝑒𝑙−1𝑠𝑑) (2)
= 82 𝑐𝑚−90.7 𝑐𝑚
90.7 𝑐𝑚−87.1 𝑐𝑚= −8,8
3.2
= −2.42 𝑆𝐷 (𝑃𝑒𝑛𝑑𝑒𝑘)
Tabel 5 menunjukan gejala yang dialami balita untuk nantinya dianalisis untuk mengetahui status Stunting yang merujuk pada contoh studi kasus.
Tabel 5. Gejala yang Dialami Balita
Kode Gejala Stunting
G1 Balita dengan tinggi badan Pendek G3 Balita tidak ASI eksklusif
G6 Balita memiliki penyakit penyerta G8 Kenaikan berat badan balita tidak sesuai G10 Riwayat kehamilan ibu Anemia
3.3.1 Menghitung Probabilitas Prior
Mencari nilai probabilitas pada setiap status Stunting dengan jumlah seluruh data adalah 48 balita. Perhitungan probabilitas setiap kelas dapat dilihat pada Tabel 6.
Tabel 6. Total kelas Status Stunting No Status Stunting/Keseluruhan Data
1 (X= Balita Pendek) = 17/48 = 0,4 2 (X= Balita Sangat Pendek) = 16/48 = 0,3 3 (X= Balita Stunting) = 15/48 = 0,3 3.3.2 Menghitung Probabilitas Likelihood
Menghitung Jumlah kasus yang sama dengan kelas sama berdasarkan status Stunting atau P (Ei|iH)i:
Tabel 7. Perhitungan P (E | H)
Gejala
PerhitunganiProbabilitas Jumlah Kasusidengan kelas samai/
P’(E’|’H)
GG1
(G1 | P1) = 17/23 = 0,74 (G3 | P1) = 5/15 = 0,33 (G6 | P1) = 7/27 = 0,26 (G8 | P1) = 12/29 = 0,41 (G10 | P1) = 9/20 = 0,45
GG2
(G1 | P2) = 0/23 = 0 (G3 | P2) = 6/15 = 0,27 (G6 | P2) = 7/27 = 0,33 (G8 | P2) = 11/29 = 0,38 (G10 | P2) = 8/20 = 0,4
GG3
(G1 | P3) =6/23 = 0,26 (G3 | P3) = 4/15 = 0,4 (G6 | P3) = 11/27 = 0,41 (G8 | P3) =6/29 = 0,21 (G10 | P3) =6/20 = 0,15 3.3.3 Menghitung Probabilitas Posterior
Perhitungan P(H|E) berdasarkan pada rumus Persamaan (1).
𝑃(𝑃1|𝐺𝐺1) =(0,74 ∗ 0,33 ∗ 0,26 ∗ 0,41 ∗ 0,45) ∗ 0,4
0,0048 + 0 + 0,0004 =0,0048
0,0052= 0,92 𝑃(𝑃2|𝐺𝐺2) =(0 ∗ 0,27 ∗ 0,33 ∗ 0,38 ∗ 0,4) ∗ 0,3
0,0048 + 0 + 0,0004 = 0
0,0052= 0 𝑃(𝑃3|𝐺𝐺3) =(0,26 ∗ 0,4 ∗ 0,41 ∗ 0,21 ∗ 0,15) ∗ 0,3
0,0048 + 0 + 0,0004 =0,0004
0,0052= 0,08
Hasil perhitungan probabilitas dilakukan dengan mencari nilai probabilitas terbesar dengan membandingan nilai setiap probabilitas setiap status Stunting yang menjadi keputusan sistem. Berdasarkan contoh studi kasus dengan menggunakan 5 data gejala yang dialami balita yaitu balita dengan tinggi badan Pendek, balita tidak ASI eksklusif, balita memiliki penyakit penyerta, kenaikan berat badan balita tidak sesuai, dan riwayat kehamilan ibu Anemia maka dihasilkan perhitungan probabilitas terbesar adalah 0,92 atau 92% hasil deteksi dini anak dengan status Stunting yaitu Balita Pendek.
3.4 Use Case Diagram
Representasi use case diagram dari Sistem Pakar ini dapat dilihat pada Gambar 3.
Gambar 2. Use Case Diagram
Pada Gambar 2 terdapat 3 aktor diantaranya pengguna atau orang tua balita, pakar dan admin. Admin dapat melakukan login, logout, kelola user, dan lihat daftar konsultasi. Pakar dapat melakukan input data gejala(faktor resiko), input penyakit (status Stunting), input aturan (rule), dan lihat daftar konsultasi. Sedangkan pengguna dapat melakukan konsultasi dan dapat melihat informasi.
3.5 Tampilan Sistem Pakar 3.5.4 Halaman Konsultasi
Pada Gambar 4 adalah tampilan halaman beranda web, dan Gambar 5 merupakan halaman konsultasi pengguna berupa input data diri balita yang terdiri dari nama, jenis kelamin, usia dan tinggi badan untuk kemudian user dapat memilih gejala dan faktor risiko seperti Gambar 6, setelah itu akan masuk ke halaman diagnosa Status Stunting Balita.
Gambar 3. Halaman Beranda
Gambar 4. Halaman Konsultasi
Gambar 5. Halaman Pilih Gejala 3.5.5 Halaman Diagnosa
Halaman diagnosa berisi informasi tentang data hasil deteksi dini terkait status Stunting, nilai kemungkinan, informasi status Stunting dan saran. Tampilan halaman diagnosa seperti pada Gambar 7.
Gambar 6. Halaman Hasil Diagnosa 3.5.6 Halaman Data Gejala
Halaman data gejala dikelola oleh pakar, pada halaman ini digunakan untuk menambahkan, merubah, maupun menghapus data gejala sesuai data terbaru. Tampilan halaman data gejala seperti Gambar 8.
Gambar 7. Halaman Hasil Gejala 3.5.7 Halaman Data Penyakit
Halaman data penyakit dikelola oleh pakar, pada halaman ini digunakan untuk menambahkan, merubah, maupun menghapus data aturan sesuai kondisi terbaru. Untuk menambah penyakit pakar harus memasukkan nilai probabilitas dan jumlah kemunculannya. Tampilan halaman data gejala seperti Gambar 9.
Gambar 8. Halaman Hasil Penyakit 3.5.8 Halaman Data Rule
Halaman data penyakit dikelola oleh pakar, pada halaman ini digunakan untuk menambahkan, merubah, maupun menghapus data rule sesuai kondisi terbaru. Data aturan untuk mengetahui keputusan pada sistem untuk
menentukan diagnosa status Stunting berdasar nilai probabilitas data gejala dengan penyakit. Dapat dilihat pada Gambar 10 merupakan rule berdasarkan penyakit dan Gambar 11 merupakan rule penyakit dengan gejala beserta nilai probabilitasnya.
Gambar 9. Halaman Rule Penyakit
Gambar 10. Halaman Rule Penyakit dan Gejala 3.5.10 Halaman Daftar Konsultasi
Halaman daftar konsultasi dapat diakses oleh pakar dan admin, pada halaman ini menampilkan daftar riwayat konsultasi yang dilakukan pengguna. Tampilan halaman daftar konsultasi seperti Gambar 12.
Gambar 11. Halaman Daftar Konsultasi 3.6 Pengujian Sistem
Tahap pengujian dilakukan untuk memastikan bahwa sistem yang telah dibangun dapat berfungsi dengan baik dan sesuai dengan kebutuhan yang ditetapkan. Dalam hal ini sistem diuji untuk mendiagnosa status Stunting pada Balita dengan mengimplementasikan metode Naïve Bayes. Tahapan pengujian dilakukan dengan pendekatan Black-box, Expert Judgement dan Sistem Usability Scale.
3.6.1 Black-box Test
Pengujian sistem menggunakan black-box dilakukan untuk mengetahui keluaran dari setiap masukan. Sistem dianggap baik jika seluruh fungsi berjalan dan tidak terjadi kesalahan sesuai dengan kebutuhan yang sudah ditentukan. Hasil pengujian sistem menggunakan black-box testing yang dilakukan oleh 12 tester, melibatkan pakar, admin, dan pengguna. Hasil dari pengujian black-box menunjukkan bahwa semua fungsional sistem dapat berjalan sesuai yang diharapkan.
3.6.2 Expert Judgement
Pengujian akurasi adalah proses pengujian yang bertujuan untuk menguji sejauh mana tingkat keakuratan sistem.
Metode yang digunakan dalam pengujian ini adalah dengan membandingkan hasil diagnosa yang diberikan oleh sistem dengan hasil diagnosa yang diberikan oleh pakar. Pada pengujian ini melibatkan seorang pakar staf Seksi
Kesehatan Keluarga dan Gizi Dinkes Bantul. Pengujian Expert Judgement dilakukan dengan menggunakan 10 sampel data uji. Nilai keakuratan sistem dapat dihitung dengan persamaan (3) :
𝑁𝑖𝑙𝑎𝑖 𝐾𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑎𝑠𝑢𝑠 𝑥 100% (3)
Sehingga nilai keakuratan dapat dihitung sebagai berikut : 𝑁𝑖𝑙𝑎𝑖 𝐾𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 = 10
10 𝑥 100%
𝑁𝑖𝑙𝑎𝑖 𝐾𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 = 1 𝑥 100% = 100%
Berdasarkan hasil pengujian akurasi sistem dari 10 kasus yang ada didapat tingkat keakuratan sebesar 100%
atau sistem yang dirancang sesuai dengan hasil yang direkomendasikan oleh pakar.
3.6.1 Sistem Usability Scale (SUS)
Pengujian usability yang akan dilakukan adalah dengan menggunakan metode perhitungan SUS. Pengujian dilakukan kepada seluruh user baik pengguna, pakar maupun admin. Pada pengujian ini 30 kuesioner dibagikan kepada pengguna, 1 kuesioner dibagikan kepada pakar yaitu staf Seksi Kesehatan Keluarga dan Gizi Dinas Kesehatan Bantul dan 1 kuesioner lagi dibagikan kepada staf administrasi Dinas Kesehatan Bantul. Hasil pengujian SUS dengan nilai rata rata responden sebesar 90 atau 90%. Dapat disimpulkan bahwa sistem dinyatakan berdasarkan variabel: acceptability ranges bernilai Acceptable; grade scale bernilai “B”; dan adjective ratings bernilai “Best Imaginable” untuk dapat digunakan baik oleh pengguna, pakar, dan admin.
Berdasar pada perbandingan Sistem Pakar deteksi Stunting pada balita dengan metode Forward Chaining, mengidentifikasi faktor risiko yang berkontribusi pada Stunting. Hasil penelitian menunjukkan bahwa metode Forward Chaining efektif dalam mengidentifikasi status Stunting pada balita dengan akurasi 91% [13]. Pada penelitian lain implementasi Sistem Pakar deteksi Stunting dengan menggunakan Teorema Bayes, menerapkan analisis probabilitas untuk menghitung kemungkinan status Stunting berdasarkan gejala dan faktor risiko yang diamati. Hasil penelitian ini menunjukkan bahwa metode Teorema Bayes memiliki kinerja yang baik dalam mengidentifikasi status Stunting, dengan tingkat akurasi sekitar 99% [14]. Hasil penelitian menunjukkan bahwa Teorema Bayes memberikan estimasi probabilitas yang akurat dalam deteksi Stunting pada balita. Teorema Bayes memberikan keunggulan dalam memperbarui probabilitas posterior dengan informasi baru, sementara Forward Chaining lebih efisien dalam inferensi berbasis aturan.
Pada penelitian ini, berhasil mengembangkan Sistem Pakar untuk deteksi dini status Stunting pada balita menggunakan metode Naive Bayes. Sistem ini menggunakan 16 data gejala (faktor risiko) dan 3 kategori status Stunting pada balita. Metode Naive Bayes memanfaatkan probabilitas bersyarat sebagai fondasi dalam penerapannya, memungkinkan proses kategorisasi yang sederhana, dengan menggunakan data sebelumnya, sistem ini memiliki kemampuan untuk memprediksi peluang dan menghitung nilai probabilitas untuk setiap gejala yang terkait, sehingga dapat menghasilkan keputusan status Stunting balita.
4. KESIMPULAN
Penelitian ini berhasil membangun sebuah aplikasi Sistem Pakar deteksi dini status Stunting pada balita menggunakan metode Naive Bayes, dengan knowledge base terdiri dari 16 gejala dan 3 status Stunting yaitu Balita Pendek, Balita Sangat Pendek dan Balita Stunting. Penerapan metode Naive Bayes dengan menggunakan probabilitas bersyarat sebagai fondasi dan tingkat kategorisasi langsung berdasarkan fitur-fitur yang diamati, dan mampu meramalkan peluang dari masa sebelumnya, membuat sistem ini menghitung nilai probabilitas setiap gejala menjadi sebuah keputusan status Stunting. Sistem Pakar yang dibangun dapat mendeteksi dini dan memberikan solusi penanganan yang tepat serta memberikan nilai kemungkinan terhadap status Stunting pada balita. Hasil uji akurasi sistem dengan pendekatan expert judgement menggunakan 10 sampel data uji yang divalidasi oleh pakar didapat keberhasilan Sistem Pakar ini mencapai 100%. Berdasarkan pengujian dengan pendekatan black-box menunjukkan bahwa semua fungsional sistem berjalan sesuai dengan kebutuhan dan sistem layak digunakan dengan nilai system usability scale yaitu 90 atau interpretasi terhadap variabel: acceptability ranges bernilai Acceptable; grade scale bernilai “B”; dan adjective ratings bernilai “Best Imaginable”. Pada penelitian ini dapat disimpulkan bahwa Sistem Pakar yang telah dibangun layak untuk digunakan dan telah mencapai tujuan untuk membantu pengambilan keputusan terhadap permasalahan Stunting. Diharapkan pada penelitian selanjutnya dapat melakukan penambahan gejala atau faktor risiko Stunting yang lebih beragam dan melibatkan informasi tambahan terkait Stunting, agar sistem yang dikembangkan dapat memberikan manfaat yang lebih baik bagi para pengguna website.
REFERENCES
[1] Kemenkes RI, “Buku Saku Hasil Studi Status Gizi Indonesia (SSGI) Tahun 2021,” Jakarta Pusat, 2021.
[2] A. Daracantika, A. Ainin, and B. Besral, “Pengaruh Negatif Stunting terhadap Perkembangan Kognitif Anak,” J. Biostat.
Kependudukan, dan Inform. Kesehat., vol. 1, no. 2, p. 113, Mar. 2021, doi: 10.51181/bikfokes.v1i2.4647.
[3] Y. W. Migang, M. J. Rarome, M. Heriteluna, and M. Dawam, “Intervention of Specific Nutrition and Sensitive Nutrition
with Nutritional Status of Under Two-Year Infants in Family Planning Village as Efforts to Face the Demographic Bonus,” J. Kesehat. Masy., vol. 16, no. 1, pp. 101–110, Jul. 2020, doi: 10.15294/kemas.v16i1.23172.
[4] F. Wicaksono and T. Harsanti, “Determinants of Stunted Children in Indonesia: A Multilevel Analysis at the Individual, Household, and Community Levels,” Kesmas Natl. Public Heal. J., vol. 15, no. 1, p. 48, Feb. 2020, doi:
10.21109/kesmas.v15i1.2771.
[5] I. F. Yuliati, “Segmentasi Wilayah Untuk Menekan Stunting Melalui Program 1000 Hari Pertama Kehidupan (HPK),” J.
Kel. Berencana, vol. 5, no. 1, pp. 38–47, Dec. 2020, doi: 10.37306/kkb.v5i1.35.
[6] TNP2K, “Strategi Nasional Percepatan Pencegahan Anak Kerdil (Stunting),” 2018.
[7] F. A. Regita and A. Prathama, “Peran Pemerintahan Desa Dalam Upaya Pencegahan dan Penurunan Stunting Terintegrasi,” J. Ilmu Administarsi dan Sos., vol. 12, no. 27–40, 2023, doi: https://doi.org/10.35724/sjias.v12i1.4704.
[8] Y. Setiawan and M. I. Sari, “Kajian Determinasi Angka Stunting,” Natl. Multidiscip. Sci., vol. 1, no. 1, pp. 1–5, Jan.
2022, doi: 10.32528/nms.v1i1.2.
[9] Y. Yuliana, P. Paradise, and K. Kusrini, “Sistem Pakar Diagnosa Penyakit Ispa Menggunakan Metode Naive Bayes Classifier Berbasis Web,” CSRID (Computer Sci. Res. Its Dev. Journal), vol. 10, no. 3, pp. 127–138, Mar. 2021, doi:
10.22303/CSRID.10.3.2018.127-138.
[10] R. A. Pamungkas and L. D. Farida, “Implementasi Dempster Shafer Untuk Deteksi Dini Gizi Buruk Pada Balita,” J.
Pseudocode, vol. 10, no. 1, pp. 21–29, 2023, doi: https://doi.org/10.33369/pseudocode.10.1.21-28.
[11] Sandi Alam and G. widi Nurcahyo, “Sistem Pakar dalam Mendiagnosis Gizi Buruk pada Balita dengan Menggunakan Metode CBR,” J. Sistim Inf. dan Teknol., Sep. 2022, doi: 10.37034/jsisfotek.v4i4.140.
[12] K. Chandra, L. Tommy, and M. I. Wijaya, “Sistem Pakar Diagnosa Penyakit Gizi Buruk Pada Balita Dengan Metode Certainty Factor,” e-Jurnal JUSITI (Jurnal Sist. Inf. dan Teknol. Informasi), vol. 82, pp. 141–154, Oct. 2019, doi:
10.36774/jusiti.v8i2.615.
[13] F. Wajidi and D. N. Nur, “Sistem Pakar Diagnosis Penyakit Stunting pada Balita menggunakan Metode Forward Chaining,” J. Inform. Univ. Pamulang, vol. 6, no. 2, pp. 401–407, 2021, doi: http://dx.doi.org/10.32493/informatika.
v6i2.11938.
[14] B. Sapriatin and F. A. Sianturi, “Penerapan Teorema Bayes Mendeteksi Stunting pada Balita,” J. Media Inform., vol. 3, no. 1, pp. 24–37, 2021.
[15] F. Ramadhana, F. Fauziah, and W. Winarsih, “Aplikasi Sistem Pakar untuk Mendiagnosa Penyakit ISPA menggunakan Metode Naive Bayes Berbasis Website,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 4, no. 3, p. 320, Apr.
2020, doi: 10.30998/string.v4i3.5441.
[16] T. R. S. Hari and S. Sumijan, “Sistem Pakar dengan Menggunakan Metode Naive Bayes dalam Mengidentifikasi Penyakit Karies pada Gigi Manusia,” J. Sistim Inf. dan Teknol., pp. 233–238, Aug. 2021, doi: 10.37034/jsisfotek.v3i4.71.
[17] F. Z. Ramadhan, G. Aditya, P. D. Y. Nainggolan, and F. D. Adhinata, “Sistem Pakar Diagnosa Penyakit pada Hewan Kucing Berbasis Web,” J. Komtika (Komputasi dan Inform., vol. 5, no. 2, pp. 122–131, Nov. 2021, doi:
10.31603/komtika.v5i2.5301.
[18] Menteri Kesehatan Republik Indonesia, Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 Tentang Standar Antropometri Anak. Indonesia, 2020.
[19] M. R. Handoko and N. Neneng, “Sistem Pakar Diagnosa Penyakit Selama Kehamilan Menggunakan Metode Naive Bayes Berbasis Web,” J. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 50–58, Mar. 2021, doi: 10.33365/JTSI.V2I1.739.
[20] F. Karim, G. W. Nurcahyo, and S. Sumijan, “Sistem Pakar dalam Mengidentifikasi Gejala Stroke Menggunakan Metode Naive Bayes,” J. Sistim Inf. dan Teknol., pp. 221–226, Aug. 2021, doi: 10.37034/jsisfotek.v3i4.69.
[21] V. K. Dwinanda, C. Ramdani, and S. T. Safitri, “Digitalisasi Proses Bisnis UMKM Fotografi Melalui Aplikasi Berbasis Web Menggunakan Metode RAD,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 7, no. 3, p. 101, Oct. 2022, doi:
10.31328/jointecs.v7i3.3873.
[22] P. Hasan, E. W. Sholeha, Y. N. Tetik, and K. Kusrini, “Sistem Pakar Diagnosa Penyakit Kolesterol dan Asam Urat Menggunakan Metode Certainty Factor,” SISFOTENIKA, vol. 9, no. 1, p. 47, Feb. 2019, doi: 10.30700/jst.v9i1.448.
[23] D. W. Ramadhan, “Pengujian Usability Website Time Excelindo Menggunakan System Usability Scale (SUS) (Studi Kasus: Website Time Excelindo),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 4, no. 2, p. 139, 2019, doi:
10.29100/jipi.v4i2.977.
