Berkala MIPA, 23(3), September 2013
Sistem Pakar Menggunakan Teorema Bayes untuk Mendiagnosa Penyakit Kehamilan Expert System using Bayesian Theorem to Diagnose Pregnancy Diseases 1
Arief Kelik Nugroho dan Retantyo Wardoyo1 Fakultas MIPA Universitas Gadjah Mada Yogyakarta e-mail:
[email protected],
[email protected]
Abstrak Sistem pakar adalah cabang kecerdasan buatan yang menggunakan pengetahuan/ knowledge khusus untuk memecahkan masalah pada level human expert/pakar. Salah satu penerapan sistem pakar dalam bidang kedokteran adalah untuk melakukan diagnosa penyakit. Pada penelitian ini dilakukan perancangan dan pembuatan sistem pakar yang digunakan untuk membantu menentukan diagnosa suatu penyakit yang diawali dari gejala utama penyakit pada proses kehamilan serta menentukan saran terapi yang harus diberikan. Masalah ketidakpastian pengetahuan dalam sistem pakar ini diatasi dengan menggunakan metode probabilitas Bayesian. Proses penentuan diagnosa dalam sistem pakar ini diawali dengan sesi konsultasi, dimana sistem akan mengajukan pertanyaan-pertanyaan yang relevan kepada pasien sesuai gejala utama penyakit kehamilan yang dialami pasien. Hasil akhir dari penelitian ini adalah sebuah sistem pakar untuk melakukan diagnosa penyakit kehamilan beserta nilai probabilitas dari penyakit hasil diagnosa, yang menunjukkan tingkat kepercayaan sistem terhadap penyakit tersebut dan saran terapi yang harus diberikan. Kata kunci: sistem pakar, kecerdasan buatan, pengetahuan, diagnosa, probabilitas.
Abstract Expert system is one of area in an artificial intelligence using knowledge special solve a human expert level. One of expert system applications in medical area is to diagnose any diseases. This research is conducted by scheme and making of an expert system used to assist to determine the diagnosa of any diseases which is preceded by main symptom of pregnancy diseases, and also to determine the therapy suggestions which must be given. Problems of uncertainty knowledge in this expert system is overcome by using Bayesian probability method. The process of diagnosing the patient diseases carried out in the consultancy session, will be preceded by the system raising the relevant questions to patient according to main symptom of natural by pregnancy diseases. The result of this research is the expert system which capable to assist diagnosing any pregnancy diseases. The output system is the patient’s respiratoty disease along with its probability value showing the degree of belief system of it resulting disease and its therapy suggestions for the suffered disease. This expert system to diagnose pregnancy diseases have been equiped by the facility to conduct the knowledge manipulation Keywords: expert system, artificial intellegence, knowledge, diagnose, probability.
1. Pendahuluan Sistem pakar adalah cabang kecerdasan buatan yang menggunakan pengetahuan/knowledge khusus untuk memecahkan masalah pada level human expert/pakar(Giarratano dan Riley,1994). Sistem pakar banyak dikembangkan dalam berbagai ilmu, salah satu diantaranya dalam bidang kedokteran untuk melakukan diagnosa penyakit. Sistem pakar digunakan untuk menentukan diagnosa penyakit akan membantu mengkonfirmasi diagnosa dan menentukan saran dan terapinya. 247
Arief Kelik Nugroho dan Retantyo Wardoyo, Expert System using Bayesian Theorem to Diagnose...
Perubahan fisiologi terjadi pada ibu hamil dalam upaya memenuhi kebutuhan homeostatis dan pertumbuhan janin tanpa membahayakan kesehatan. Kejadian itu dapat dicapai melalui penyesuaian berbagai sistem dalam tubuh calon ibu sehingga dapat mencukupi kebutuhan energi dan substrat-substrat untuk pertumbuhan janin serta menyingkirkan panas berlebih dan produk-produk sisa dari pertumbuhan janin. Pengetahuan mengenai perubahan anatomi, fisiologi serta biokemistri yang terjadi pada ibu hamil merupakan pengetahuan dasar yang amat penting dalam upaya memahami berbagai jenis penyakit yang dapat diderita oleh ibu hamil serta dapat mengamcam keselamatan ibu dan janin. Perubahan fisiologis kerap diinterpretasikan sebagai suatu yang patologis yang dapat menyebabkan gejala pada kehamilan. Penerapan metode bayes yang digunakan merupakan variabel berdasarkan nilai ketidakpastian pakar obstetri dan ginekologi kemudian dirumuskan menjadi data. Nilai ketidakpastian data pada gejala dan penyakit digunankan sebagai masukan sistem saat melakukan akuisisi pengetahuan penyakit oleh dokter menjadi masukan sistem saat melakukan akuisisi pengetahuan kaidah penyakit.
2. Tinjauan Teori 2.1
Sistem Pakar Sistem pakar adalah cabang kecerdasan buatan yang menggunakan pengetahuan/knowledge khusus untuk memecahkan masalah pada level human expert/pakar (Giarratano dan Riley, 2005). Sistem pakar banyak dikembangkan dalam berbagai ilmu, salah satu diantaranya dalam bidang kedokteran untuk melakukan diagnosa penyakit. Sistem pakar digunakan untuk menentukan diagnosa penyakit akan membantu mengkonfirmasi diagnosa dan menentukan saran dan terapinya. Menurut Turban (2005), sistem pakar adalah sistem informasi berbasis komputer yang menggunakan pengetahuan pakar untuk mencapai performa keputusan tingkat tinggi dalam domain persoalan sempit. Bagian dalam sistem pakar terdiri dari 2 komponen utamayakni berisi knowledge base yang berisi basis pengetahuan dan mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan respons dari sistem pakar atas permintaan pengguna. Gambar 1 berikut menggambarkan konsep dasar suatu sistem pakar knowledge based menurut Turban (2005).
Gambar 1. Konsep dasar sistem pakar (Turban,2005)
Komponen yang harus dimiliki dalam membangun sistem pakar adalah sebagai berikut (Giarratano dan Riley,2005): (i) Antar Muka pengguna, (ii) Basis pengetahuan; (iii) Mesin Inferensi; (iv) Memori kerja. Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dilengkapi dengan fasilitas berikut (Giarratano dan Riley,2005), fasilitas Penjelasan (Explanation Facility), 248
Berkala MIPA, 23(3), September 2013
fasilitas Akuisisi Pengetahuan (Knowledge Acquisition Faciility). Hal ini terlihat dalam struktur sistem pakar pada Gambar 2.
Gambar 2. Struktur sistem pakar (Giarratano dan Riley,2005)
2.2
Probabilitas Bayesian Probabilitas bayes adalah salah satu cara untuk mengatasi ketidakpastian data dengan menggunakan formula Bayes yang dinyatakan sebagai berikut: P(Hk|E) =
P(E|Hk)P(Hk) ∑ k=1,n P(E|Hk) P(Hk)
(1)
Dimana P(Hk|E) : Probabilitas hipotesa Hk jika diberikan evidence E. P(E|Hk) : Probabilitas munculnya evidence E jika diketahui hipotesa H k benar. : Probabilitas hipotesa Hk , tanpa memandang evidence apapun. P(Hk) : Jumlah hipotesa yang mungkin n Dari teorema Bayes dapat dikembangkan jika dilakukan pengujian terhadap hipotesa muncul lebih dari sebuah evidence, maka persamaanya menjadi (Kusumadewi,2003): P(H|E,e) =
Dimana: e E P(H|E,e) P(e|E,H) P(e|E) P(E|H)
P(H|E)P(e|E,H) P(e|E)
: evidence lama : evidence baru : probabilitas hipotesa H, jika muncul evidence baru E dari evidence lama e : probabilitas kaitan antara e dan E jika hipotesa H benar : Probabilitas kaitan antara e dan E tanpa memandang hipotesa apapun. : Probabilitas munculnya evidence E jika diketahui hipotesa H
3. Analisis Sistem Langkah-langkah yang akan dilakukan untuk permasalahan ini adalah: 1. Identifikasi Masalah dan Pengetahuan Pembuatan sistem pakar ini adalah diawali dengan penentuan domain kemudian dilanjutkan dengan mengidentifikasi masalah dan analisa pengetahuan yang akan dimasukkan ke dalam sistem pendiagnosa. Identifikasi masalah dan pengetahuan dilakukan dengan langkah awal menggambarkan operasi keseluruhan dari sistem pakar. 249
Arief Kelik Nugroho dan Retantyo Wardoyo, Expert System using Bayesian Theorem to Diagnose...
2. Proses akuisisi pengetahuan Pengumpulan data penelitian yang berhubungan dengan data gejala, data penyebab, data penyakit yang disebabkan oleh gejala tertentu dan saran terapi yang harus dilakukan. 3. Mekanisme inferensi Forward chaining Metode untuk menentukan saran dan terapidari penyakit hasil diagnosa adalah dengan runut maju. Runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang menyakinkan menuju konklusi akhir. Sistem akan mencari obat dari daftar obat yang sesuai dengan penyakit hasil diagnosa. Proses runut balik dapat dijelaskan menggunakan contoh sebagai berikut: Terdapat 3 kaidah: R1: If Kista Indung Telur Then obatnya = ‘IJK’ R2: If Kanker Indung Telur Then obatnya = ‘XYZ’ R3: If Kanker Leher Rahim Then obatnya = ‘KLM’
Backward chaining Runut balik merupaka proses perunutan yang arahnya kebalikan dari runut maju. Proses penalaran runut balik dimulai dengan tujuan/goal kemudian merunut balik ke jalur yang akan mengarahkan ke goal tersebut, mencari bukti-bukti bahwa bagian kondisi terpenuhi. Jadi secara umum runut balik itu diaplikasikan ketika tujuan atau hipotesa yang dipilih itu sebagai titik awal penyelesaian masalah. Penalaran Runut Balik disebut juga goal driven search. Proses runut balik dapat dijelaskan menggunakan contoh sebagai berikut: Terdapat 3 kaidah: R1: IF A and B Then hasil diagnosa = Kista Indung Telur R2: IF A and C Then hasil diagnosa = Kanker Indung Telur R3: IF A and D Then hasil diagnosa = Kanker Indung Telur
Fakta yang ada menyatakan bahwa A dan C benar, hasil diagnosa adalah Kanker Indung Telur.Perancangan antarmuka pengguna 4. Fasilitas penjelasan Fasilitas penjelasan dalam sistem pakar yang akan dikembangkan berfungsi memberi penjelasan penderita bagaimana sistem pakar menyimpulkan penyakit yang diderita pasien. Penjelasannya akan menampilkan rangkaian diagnosa mulai dari adanya sebuah gejala yang tampak hingga semua gejala–gejala yang diderita pasien. 5. Masukan dan Keluaran Masukan dirancang untuk dua macam pengguna: pasien, dan pakar medis (dokter, paramedis). Untuk pasien masukan sistem pakar dari penderita penyakit kehamilan berupa: • • • • • • •
250
Gejala penyakit yang dirasakan oleh penderita. Tingkat kepastian terhadap gejala yang dirasakan oleh penderita. Sedang untuk pakar medis, masukan sistem digunakan untuk keperluan updating knowledge yakni: Jenis penyakit Gejala–gejala jenis penyakit kehamilan Probabilitas bersyarat jenis penyakit kehamilan jika diketahui gejala gejalanya. Pengertian jenis penyakit kehamilan. Saran dan terapi dari hasil diagnosa.
Berkala MIPA, 23(3), September 2013
Keluaran sistem pakar ini adalah hasil diagnosa berupa jenis penyakit yang diderita dan tingkat kepastian (probabilitas bayesian) yang diberikan sistem, petunjuk penyembuhan terapi penyakit yang diderita dan penjelasan bagaimana sistem pakar menyimpulkan penyakit kelamin yang diderita. Gejala yang mempengaruhi penyakit kehamilan. 6. Desain Sistem Desain sistem merupakan rancangan dari sistem yang akan dibuat. Proses dari rancangandibagi menjadi 3 bagian yaitu Perancangan Data Flow Diagram (DFD) Perancangan Tabel Basis Data Perancangan Antar Muka Pengguna
Gambar 3. Data Flow Diagram
Kaidah Produksi Representasi kaidah produksi dari gejala-gejala yang diperoleh dari proses akuisisi pengetahuan dari pakar dan sumber lainnya adalah sebagai berikut: Kaidah 1: IF rasa nyeri pada rongga panggul disertai rasa agak gatal AND perdarahan menstruasi tidak normal AND siklus menstruasi tidak teratur AND rasa nyeri begitu siklus menstruasi selesai AND rasa nyeri sewaktu bersetubuh AND perut membesar AND tidak terjadi ovulasi THEN KISTA INDUNG TELUR
Kaidah 2: IF rasa nyeri pada rongga panggul disertai rasa agak gatal AND perdarahan menstruasi tidak normal ANDperut membesar AND nyeri perut AND gangguan fungsi saluran cerna AND gangguan saluran kencingAND berat badan turun drastis AND nyeri punggung AND penderita bisa meraba sendiri tumor di bagian bawah perut THEN KANKER INDUNG TELUR (H2)
Kaidah 3: IF rasa nyeri pada rongga panggul disertai rasa agak gatal AND perdarahan menstruasi tidak normal AND siklus menstruasi tidak teratur AND perdarahan melalui vagina AND perdarahan spontan AND timbul perdarahan di antara siklus menstruasi AND halangan aliran air seni AND nyeri pada pinggang bagian bawah saat menstruasi AND sembab anggota bawah karena penekanan pembuluh darah balik THEN KANKER LEHER RAHIM (H3)
4. Hasil dan Pembahasan Dalam contoh akan dijelaskan cara melakukan perhitungan berdasarkan data hasil penelitian: • •
Jumlah pasien: 50 orang Penderita Kista Indung Telur: 8 orang, sehingga probabilitas terkena kista indung telur tanpa memandang gejala apapun, P(Kista indung telur) adalah 8/50
251
Arief Kelik Nugroho dan Retantyo Wardoyo, Expert System using Bayesian Theorem to Diagnose...
• •
•
Pasien dengan gejala Keputihan adalah 7 orang, sehingga probabilitas pasien dengan gejala keputihan jika menderita kista indung telur P(keputihan|Kista) = 7/8 Jika diketahui gejala keputihan dapat juga menyebabkan kanker indung telur maka probabilitas pasien dengan gejala keputihan jika menderita kanker indung telur, P(keputihan|kanker indung) adalah 5/6 Sedang probabilitas pasien yang terkena kanker indung telur tanpa memandang gejala apapun, P(Kanker indung telur) adalah 6/50.
Dengan menggunakan rumus diatas dapat dihitung: (1) probabilitas Kista indung telur jika diketahui gejala keputihan,
P(Kista|Keputihan)=
= 0.58
Nilai 0,58 utnuk semua pasien yang berjumlah 50 orang. (2) Probabilitas kanker jika diketahui gejala keputihan adalah
P(Kangker|Keputihan)=
= 0.42
Dalam kasus kista indung telur dan kanker nilai probabilitas 0.58 dan 0.42 mengandung makna bahwa probabilitas penyakit tersebut mencakup dari 50 orang pasien. Hasil perhitungan keseluran ditampilkan pada Tabel 1. Dari Tabel 2 dijelaskan bahwa dengan adanya gejala dengan pasien yang terindikasi gejala Keputihan (G003) dapat diketahui kemungkinan penyakit yang diderita oleh pasien adalah penyakit kista indung telur dan kanker indung telur. Jika pasien dengan gejala benjolan (G004) dapat diketahui kemungkinan penyakit yang akan diderita adalah kanker leher rahim, myoma uteri dan kista ovarium. Begitu juga jika diketahui pasien menderita gangguan haid (G001) maka kemungkinan penyakit yang diderita oleh pasien adalah endemetriosis dan kanker uterus/kanker rahim. Jika pasien menderita nyeri (G002) maka kemungkinan penyakit yang diderita oleh pasien adalah infeksi panggul, Chlamydia dan Molahidatidosa. Probabilitas terhadap penyakit jika diketahui gejala-gejala tersebut sesuai dengan Tabel 3 dapat dijelaskan pada Tabel 4. Tabel 1. Probabilitas terhadap pasien kd_penyakit P001 P002 P003 P004 P005 P006 P007 P008 P009 P010
252
kd_gejala GU003 GU003 GU004 GU004 GU001 GU001 GU002 GU002 GU002 GU004 Jumlah Pasien
Jum 8 6 3 4 7 5 6 3 4 4 50
Probabilitas gejala terhadap pasien 0,16 0,12 0,06 0,08 0,14 0,1 0,12 0,06 0,08 0,08
Berkala MIPA, 23(3), September 2013
Tabel 2. Probabilitas Penyakit jika diketahui evidence kd_penyakit P005 P006 P007 P008 P009 P001 P002 P003 P004 P010
nama_penyakit Endemetriosis Kanker Rahim (Kanker Uterus) Penyakit infeksi panggul Chlamydia Molahidatidosa Kista Indung Telur Kanker Indung Telur Kanker Leher Rahim Myoma Uteri Kista Ovarium
P(H) 0,14 0,1 0,12 0,06 0,08 0,16 0,12 0,06 0,08 0,08
P(e|H) 0,86 0,80 0,83 0,67 0,75 0,88 0,83 0,67 0,75 1,00
P(H|e) 0.6 0.4 0.5 0.2 0.3 0.58 0.42 0.22 0.33 0.44
Nilai P(H|e) diperoleh dari jumlah data sesui dengan gejala yang ditampilkan pada tabel 1 dan 2 Perhitungan sistem ditunjukkan pada Gambar 4 dan Gambar 5.
Gambar 4. Perhitungan Penyakit 1
Gambar 5. Perhitungan Penyakit 2
5. Kesimpulan dan Saran Kesimpulan Dari hasil penelitian pembuatan sistem pakar pendiagnosa penyakit pada kehamilan yang telah dilakukan dapat disimpulkan hal-hal sebagai berikut: 1 Sistem pakar yang dikembangkan dapat berfungsi sebagai alat bantu diagnosa kemungkinan penyakit pada proses kehamilan
253
Arief Kelik Nugroho dan Retantyo Wardoyo, Expert System using Bayesian Theorem to Diagnose...
2
Sistem pakar pendiagnosa penyakit kehamilan dapat digunakan sebagai pengganti seorang pakar dalam menjalankan tugas melakukan pemeriksaan kesehatan pada kehamilan. 3 Proses penalaran melalui 2 tahap, yaitu: (i) penalaran untuk mendiagnosa penyakit menggunakan penalaran runut balik, (ii) penalaran untuk menentukan saran dan terapi menggunakan runut maju. 4 Untuk mengatasi ketidakpastian dalam menyelesaikan masalah pada sistem pakar digunakan metode Bayesian. Saran Pada penelitian ini pemeriksaan yang menjadi acuan adalah pemeriksaan secara ginekologi, pengembangan lebih lanjut secara obstetric dan menyeluruh pada pasien.
Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada Bapak Arif Sudarmanto yang telah memberikan kemudahan dalam penelitian di wilayah Kabupaten Kulon Progo
Daftar pustaka Giarratano,J. dan Riley,G.,2005, Expert System Principles and Programming, PWS Publishing Company,Boston. Pearl, J., 1988. Probabilistic Reasoning In Intelegent Systems:Networks of Plausible Inference, Morgan Kaufmann,California. Prawirohardjo,S., 1999..,Ilmu Kandungan.,Yayasan Bina Pustaka, Jakarta. Prawirohardjo,S.,2005,Ilmu Kebidanan.,Yayasan Bina Pustaka,Jakarta. Rohman, F,F.,Fauzijah, A.,2008, Rancang Bangun Aplikasi Sistem Pakar Untuk Menentukan Jenis Gangguan Perkembangan Pada Anak, Media Informatika, Vol. 6, No. 1, Juni 2008, 1-23 ISSN: 08544743.Yogyakarta. Russell J.,S.,& Norvig P., 1995, Artificial Intelligence: a Modern Approach, Prentice Hall,Inc.,USA Subanar,2006, Inferensi Bayesian, Universitas Terbuka, Jakarta Turban,E.,Aronson,J. dan Peng L., 2005 Decision Support System and Intellegence System-7th Ed, Pearson education, New Jersey.
254