identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

6
Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015 ISSN : 2302-3805 3.7-49 IDENTIFIKASI INDEPENDENSI VARIABEL PENGOBATAN PENYAKIT TUBERKULOSIS DI NEGARA ASEAN BERDASARKAN STRUKTUR DYNAMIC BAYESIAN NETWORKS Betha Nurina Sari 1) 1) Ilmu Komputer Universitas Indonesia Kampus UI Depok,Indonesia 16424 Email : [email protected] 1) Abstrak Penyakit tuberkulosis merupakan salah satu masalah yang serius di Asia Tenggara, karena jumlah kematian mencapai 450 ribu dari 940 ribu jiwa. Hal ini merupakan jumlah yang tertinggi di dunia pada tahun 2012. Selain itu, ada 6 negara ASEAN yang masuk dalam daftar 22 negara dengan kategori beban tinggi dalam penyakit tuberkulosis. Penelitian ini dilakukan untuk mempelajari keterkaitan antar variabel pada pengobatan penyakit tuberkulosis di negara ASEAN dengan mengkonstruksikannya ke dalam bentuk graf dynamic bayesian networks. Pada penelitian ini digunakan software CaMML (Causal discovery via Minimum Message Length) versi 1.4.1, opensource software untuk pembelajaran bayesian network yang dikembangkan di Monash University, Australia. Evaluasi struktur Dynamic Bayesian Networks dilakukan dengan menggunakan Netica-J API yang berbasis Java untuk modifikasi visualisasi graf yang dilengkapi oleh CPT (Conditional Probability Table) serta pengujian graf. Hasil eksperimen menujukkan bahwa struktur dynamic bayesian networks dapat mengidentifikasi independensi variabel pengobatan penyakit tuberkulosis di negara ASEAN, yaitu adanya keterkaitan antara variabel jumlah kasus positif TB dan jumlah penduduk dengan nilai prevalensi TB per 100.000 penduduk, keterkaitan antara tipe pelayanan diagnosis penyakit TB terhadap jumlah pasien TB yang meninggal, dan keterkaitan variabel nilai prevalensi TB terhadap variabel tipe pemberian obat TB pada pasien. Hasil evaluasi struktur dynamic bayesian networks pada data uji menunjukkan tingkat akurasi 93,3%, hal ini menunjukkan bahwa struktur yang terbangun dapat digunakan untuk model dalam mengidentifikasi keterkaitan variabel dalam data pengobatan TB di negara ASEAN. Kata kunci: Penyakit TB, ASEAN, dynamic bayesian networks, independensi variabel 1. Pendahuluan Tuberkulosis merupakan penyakit menular yang disebabkan oleh Mycobacterium tuberculosis. Setiap tahunnya, WHO memperkirakan 8,7 juta kasus baru dan 1,4 juta kasus meninggal karena tuberkulosis. WHO melaporkan jumlah kematian akibat tuberkulosis, jumlah kematian HIV positif dan tuberkulosis, estimasi kejadian, prevalensi di beberapa wilayah pada tahun 2012 dapat dilihat pada tabel 1. Jumlah kematian akibat tuberkulosis di wilayah Asia Tenggara mencapai 450 ribu dari 940 ribu jiwa di dunia, dan jumlah tersebut merupakan jumlah yang tertinggi dibandingkan dengan jumlah kematian di wilayah yang lain. Hal ini menunjukkan bahwa masalah penyakit tuberkulosis menjadi salah satu masalah yang serius di Asia Tenggara. Selain itu dari laporan WHO terdaftar 22 negara dengan beban tinggi dalam hal penyakit tuberkulosis, ada enam negara ASEAN di antaranya: Kamboja, Indonesia, Myanmar, Filipina, Thailand dan Vietnam (WHO,2012) [1]. Tujuan penelitian ini adalah mempelajari keterkaitan antar variabel pada pengobatan penyakit tuberkulosis di negara ASEAN dengan mengkonstruksikannya ke dalam bentuk graf Dynamic Bayesian Networks. Selain itu, penelitian ini mengidentifikasi hubungan indepedensi variabel melalui pendekatan Dynamic Bayesian Networks yang mempengaruhi hasil pengobatan penyakit tuberkulosis. Metode yang digunakan dalam penelitian ini adalah Dynamic Bayesian Networks, karena metode ini berkapasitas untuk mengintegrasikan pengetahuan pakar dengan data empirik untuk memodelkan dari beberapa variabel data penyakit. Metode ini menterjemahkan hubungan dependensi kondisional dan indepedensi diantara variabel yang kemudian digambarkan dengan struktur graf. Penggambaran dalam bentuk graf memberi kemudahan dalam memahami hubungan yang saling mempengaruhi satu variabel dengan variabel lainnya (Larranaga,et al, 2013)[2]. Dynamic Bayesian Networks (DBN) merupakan model grafis dari joint probability distribution dari set variabel stokastik yang secara eksplisit mencari hubungan temporal antar variabel. DBN terdiri dari 2 tuple (B1,B2)

Transcript of identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Page 1: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-49

IDENTIFIKASI INDEPENDENSI VARIABEL PENGOBATAN PENYAKITTUBERKULOSIS DI NEGARA ASEAN BERDASARKAN STRUKTUR

DYNAMIC BAYESIAN NETWORKS

Betha Nurina Sari1)

1) Ilmu Komputer Universitas IndonesiaKampus UI Depok,Indonesia 16424

Email : [email protected] 1)

Abstrak

Penyakit tuberkulosis merupakan salah satumasalah yang serius di Asia Tenggara, karena jumlahkematian mencapai 450 ribu dari 940 ribu jiwa. Hal inimerupakan jumlah yang tertinggi di dunia pada tahun2012. Selain itu, ada 6 negara ASEAN yang masuk dalamdaftar 22 negara dengan kategori beban tinggi dalampenyakit tuberkulosis. Penelitian ini dilakukan untukmempelajari keterkaitan antar variabel pada pengobatanpenyakit tuberkulosis di negara ASEAN denganmengkonstruksikannya ke dalam bentuk graf dynamicbayesian networks.

Pada penelitian ini digunakan software CaMML(Causal discovery via Minimum Message Length) versi1.4.1, opensource software untuk pembelajaran bayesiannetwork yang dikembangkan di Monash University,Australia. Evaluasi struktur Dynamic Bayesian Networksdilakukan dengan menggunakan Netica-J API yangberbasis Java untuk modifikasi visualisasi graf yangdilengkapi oleh CPT (Conditional Probability Table)serta pengujian graf.

Hasil eksperimen menujukkan bahwa strukturdynamic bayesian networks dapat mengidentifikasiindependensi variabel pengobatan penyakit tuberkulosisdi negara ASEAN, yaitu adanya keterkaitan antaravariabel jumlah kasus positif TB dan jumlah pendudukdengan nilai prevalensi TB per 100.000 penduduk,keterkaitan antara tipe pelayanan diagnosis penyakit TBterhadap jumlah pasien TB yang meninggal, danketerkaitan variabel nilai prevalensi TB terhadapvariabel tipe pemberian obat TB pada pasien. Hasilevaluasi struktur dynamic bayesian networks pada datauji menunjukkan tingkat akurasi 93,3%, hal inimenunjukkan bahwa struktur yang terbangun dapatdigunakan untuk model dalam mengidentifikasiketerkaitan variabel dalam data pengobatan TB di negaraASEAN.

Kata kunci: Penyakit TB, ASEAN, dynamic bayesiannetworks, independensi variabel

1. PendahuluanTuberkulosis merupakan penyakit menular yangdisebabkan oleh Mycobacterium tuberculosis. Setiaptahunnya, WHO memperkirakan 8,7 juta kasus baru dan1,4 juta kasus meninggal karena tuberkulosis. WHOmelaporkan jumlah kematian akibat tuberkulosis, jumlahkematian HIV positif dan tuberkulosis, estimasi kejadian,prevalensi di beberapa wilayah pada tahun 2012 dapatdilihat pada tabel 1. Jumlah kematian akibat tuberkulosisdi wilayah Asia Tenggara mencapai 450 ribu dari 940 ribujiwa di dunia, dan jumlah tersebut merupakan jumlahyang tertinggi dibandingkan dengan jumlah kematian diwilayah yang lain. Hal ini menunjukkan bahwa masalahpenyakit tuberkulosis menjadi salah satu masalah yangserius di Asia Tenggara. Selain itu dari laporan WHOterdaftar 22 negara dengan beban tinggi dalam halpenyakit tuberkulosis, ada enam negara ASEAN diantaranya: Kamboja, Indonesia, Myanmar, Filipina,Thailand dan Vietnam (WHO,2012) [1].

Tujuan penelitian ini adalah mempelajari keterkaitanantar variabel pada pengobatan penyakit tuberkulosis dinegara ASEAN dengan mengkonstruksikannya ke dalambentuk graf Dynamic Bayesian Networks. Selain itu,penelitian ini mengidentifikasi hubungan indepedensivariabel melalui pendekatan Dynamic Bayesian Networksyang mempengaruhi hasil pengobatan penyakittuberkulosis.

Metode yang digunakan dalam penelitian ini adalahDynamic Bayesian Networks, karena metode iniberkapasitas untuk mengintegrasikan pengetahuan pakardengan data empirik untuk memodelkan dari beberapavariabel data penyakit. Metode ini menterjemahkanhubungan dependensi kondisional dan indepedensidiantara variabel yang kemudian digambarkan denganstruktur graf. Penggambaran dalam bentuk graf memberikemudahan dalam memahami hubungan yang salingmempengaruhi satu variabel dengan variabel lainnya(Larranaga,et al, 2013)[2].

Dynamic Bayesian Networks (DBN) merupakan modelgrafis dari joint probability distribution dari set variabelstokastik yang secara eksplisit mencari hubungantemporal antar variabel. DBN terdiri dari 2 tuple (B1,B2)

Page 2: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-50

dimana B1 adalah bayesian networks yang mewakilidistribusi prior untuk variabel-variabel pada saat bagianpertama V1, dan B2 mendefinisikan hubungan transisiantara variabel dalam dua bagian waktu berturut-turut(Charitos,2009)[3]. Sandri juga menyatakan bahwadynamic bayesian networks juga berisi dependensi atauhubungan ketergantungan temporal tambahan, dimanadirepresentasikan dengan penunjuk arah antara irisanwaktu (Sandri,et all, 2014)[4].

Jika diasumsikan bahwa properi Markov tersembunyi,maka formula DBN dapat ditulis menjadi :( ) = ( ( )| ( ( )))( )∈ ( )∈dimana X(t) = {X(t) : X X}. Jika struktur dari DBNberbeda untuk sepanjang waktu pengamatan t {1,2,…}maka bisa dispesifikasikan menjadi 2 model, yaitu modelsebelum (a prior model) dan model transisi. Model priormenetapkan inisial distribusi pada proses joint pada waktu0 dan model transisi menetapkan evolusi dari proses dariwaktu awal, t-1 sampai dengan waktu t untuk t {1,2,…}

a. Model sebelum (a prior model)( (0)) = ( (0)| ( (0))( )∈ ( )b. Model transisi( ( )| ( − 1)) = ( ( )| ( ( ))( )∈ ( )

Berikut ini contoh DBN pada gambar 1, dimana pengaruhantara penyakit, komplikasi, dan kesehatan ditunjukkandalam model prior dan model transisi. (Van Gerven,2008) [5].

Gambar 1. Contoh DBN sederhana

Pada penelitian ini digunakan software CaMML (Causaldiscovery via Minimum Message Length) versi 1.4.1 [6],software pembelajaran bayesian network yangdikembangkan oleh Kevin B.Korb, Rodney O’Donnell,dan para peneliti di Monash University, Australia.CaMML mempelajari struktur kausal (sebab akibat)dengan menemukan model data (h) yang memaksimalkanmetrik posterior MML, yaitu yang didefinisikan sebagaiberikut (Korb,2010) [7].(ℎ) = ( ) untuk(ℎ) = log ! − ∑ − ∑ log(1 − )dimana :h : dataN : jumlah variabel dalam h

pi : probabilitas prior dari arah busur ii : indeks busur yang ada pada hj : indeks busur yang tidak ada pada h

Perbedaan penerapan dynamic bayesian networkmenggunakan CaMML dengan Bayes Net ToolboxMurphy, bahwa CaMML melakukan tahap structure danparameter learning sekali, tetapi Bayes Net Toolboxmelakukannya dua langkah dan hanya menghasilkanhubungan antar irisan waktu tanpa hubungan di irisanwaktu. Berikut ini contoh transformasi datamenggunakan konsep Bayesian Networks yang statik kebentuk Dynamic Bayesian Networks dapat dilihat padagambar 2 (Black, 2013) [8].

Gambar 2. Transformasi Data

Cora Beatriz P’erez-Ariza, dkk telah menerapkanCaMML untuk mempelajari struktur kausal (sebabakibat) dari data observasi. Hasil penelitian tersebutmenunjukkan bahwa DBN dapat merepresentasikansebuah sistem yang mengalami perubahan sesuai denganperubahan waktu. DBN dapat dispesifikasikan dengan 5komponen, yaitu sebagai berikut :a. Himpunan nama node yang terdefinisi denganb. Intra-slice links, yaitu yang menghubungkan variabel

di dalam irisan waktu yang samac. Temporal (inter-slice) link, yaitu yang mehubungkan

variabel antar irisan waktud. CPT untuk irisan waktu pertamae. CPT untuk irisan waktu kedua (ketika parent berasal

dari irisan waktu yang berbeda) (P’erez-Ariza,et all,2012) [9].

Pada penelitian ini, digunakan metode score based yangmemperhatikan pembelajaran sebagai masalah pemilihanmodel, dimana didefinisikan fungsi skor yang spesifikuntuk bagaimana memodelkan data dengan tepat.Structure learning yang digunakan algoritma heuristikMCMC (Markov Chain Monte Carlo) denganmenggunakan fungsi skor Minimum Message Length(MML). Setelah mendapatkan hasil dari structurelearning berupa graf dengan skor yang tertinggi, prosesselanjutnya adalah melakukan parameter learning.

Data laporan penanganan penyakit tuberkulosis inidiambil dari data yang dipublikasikan WHO di ASEANselama 10 tahun (dari 2002-2011) (WHO,2014) [10].Data yang digunakan sebanyak 110 data yang terdiri dari11 negara di ASEAN (Brunei, Cambodia, Indonesia,Laos, Malaysia, Myanmar, Philipina, Singapura, Thailan,Timor-Timor, dan Vietnam). Data tersebut sebagian besarberupa data numerik yang menunjukkan kuantitasvariabel data, sehingga hal ini kurang sesuai untuk

Page 3: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-51

langsung diterapkan dengan metode dynamic bayesiannetworks yang sesuai dengan data kategorik. Hal inilahyang membuat peneliti untuk menambahkan prosesclustering dengan algoritma k-Means clustering sebagaiproses transformasi data numerik menjadi data kategorik.

K-Means Clustering dengan k = 2 diterapkan pada 10variabel data, kecuali pada variabel yang sudahterkategorikan (pulm_tb_rep_meth, free_dx free, danfld_ntp). Clustering diterapkan dengan menggunakanteknik K-means yang terdiri dari 3 langkah, yaitu:1.Menentukan centroid/titik tengah setiap cluster denganrandom.2.Menentukan jarak setiap obyek terhadap koordinat titik

tengah.Penghitungan “dissimilarity” atau jarak antaraparameter dengan centroid menggunakan Euclideandistance, A dan B :( , ) = (( − ) ) / (1)dimana A dan B adalah nilai variabel yang akan dihitungjaraknya dan d adalah jarak setiap obyek terhadapkoordinat titik tengah.3.Mengelompokkan obyek‐obyek tersebut berdasarkanpada jarak minimumnya (Teknomo,2007) [11].Karakteristik data yang siap digunakan dalam penelitian

ini dapat dilihat pada tabel 1, yang menunjukkankarakteristik data.

Tabel 1. Karakteristik Data

Nama variabel Kategori data n (%)new_sp_2

(jumlah kasusTB positif)

v_1:tinggi(>46.000)

29 (26%)

v_2:rendah(<46.000)

81 (74%)

new_sn (jumlahkasus TB negatif)

v_1:tinggi(>46.000)

5 (5%)

v_2:rendah(<46.000)

105 (95%)

new_ep (jumlahkasus TB

ekstraparu)

v_1: tinggi(>32.000)

12 (11%)

v_2:rendah(<32.000)

98 (89%)

pulm_tb_rep_meth(metode

melaporkan hasilpengobatan

kasus)

v_1: Smear 94 (85%)v_2: Smear or

culture16 (15%)

new_sp_cmplt(Hasil

pengobatan TBpositif: lengkap)

v_1: rendah(<4.600)

89 (81%)

v_2: tinggi(>4.600)

21 (19%)

new_sp_died (Hasilpengobatan TB yangpositif: meninggal)

v_1: rendah(<1.100)

60 (55%)

v_2: tinggi(>1.100)

50 (45%)

new_sp_cur(Hasil pengobatan

TB positif:selamat)

v_1:tinggi(>30.000)

36(33%)

v_2:rendah(<30.000)

74(67%)

new_sp_fail(Hasil pengobatan

TB positif: gagal)

v_1: rendah(<480)

60(55%)

v_2: tinggi(>480)

50 (45%)

new_sp_def(Hasil pengobatan

TB positif:default/putuspengobatan)

v_1: tinggi(>1800)

33 (30%)

v_2: rendah(<1800)

77(70%)

e_pop_num(Perkiraan jumlah

penduduk)

v_1:tinggi(>1,5juta)

10(9%)

v_2:rendah(<1,5juta)

100(91%)

e_prev_100k(Perkiraan

prevalensi TB perpenduduk100.000)

v_1:rendah(<100)

8(80%)

v_2: rendah(>100)

22(20%)

free_dx free(Diagnosis pada

pasien TB)

v_0:Diagnosistidak gratis

11 (10%)

v_1: Diagnosisgratis untuk

semuapasien

88 (80%)

V_2: Diagnosisgratis

dengankriteriatertentu

11 (10%)

fld_ntp (Pemberianobat pada pasien

TB)

v_0:Obat Tidakgratis

11(10)%

v_1: ObatGratis

99 (90%)

Eksperimen dalam penelitian ini menggunakan skenario80% data untuk membangun graf dan 20% untuk evaluasigraf. Hasil evaluasi akan ditampilkan dengan matrikskonfusi dengan membandingkan nilai yang diprediksidengan nilai yang sebenarnya.Hasil evaluasi akanditampilkan dengan matriks konfusi denganmembandingkan nilai yang diprediksi dengan nilai yangsebenarnya. Matriks konfesi terdiri dari 4 bagian, yaitudapat dilihat pada Tabel 3.

Tabel 3. Matriks KonfusiPrediksi

Negatif PositifAktual Negatif A B

Positif C DKeterangan :- a dalah jumlah prediksi yang benar bahwa yangdiprediksi nilai negatif (TN)

Page 4: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-52

- b adalah jumlah prediksi yang salah, yang seharusnyanilai negatif diprediksi positif (FP)- c adalah jumlah prediksi yang salah, yang seharusnyanilai positif diprediksi negatif (FN)- d adalah jumlah prediksi yang benar bahwa yangdiprediksi nilai positif (TP)

Akurasi adalah proporsi dari jumlah prediksiyang benar dari semua data yang diprediksi, yaitu denganrumus : (%) = ++ + += ++ + + 100%2. Pembahasan

Struktur dynamic bayesian networks untuk datapengobatan penyakit tuberkulosis di ASEAN yang terdiridari 13 variabel dapat dilihat pada gambar 3. Dimanavariabel dengan namavariabel_0 adalah variabel padairisan waktu pertama, dan variabel dengannamavariabel_1 adalah variabel pada irisan waktu kedua.Selain struktur DBN, eksperimen juga menghasilkan tabelCPT (Conditional Probability Table) yang menunjukkanbesar nilai probabilitas dari masing-masing variabel.

Gambar 3. Graf Dynamic Bayesian Network

Dari struktur pada Gambar 1 dapat diketahui adanyaketerkaitan antar variabel data pada masalah pengobatantuberkulosis di kawasan ASEAN. Dari struktur di atas,didapatkan bahwa nilai prevalensi tuberkulosisdipengaruhi oleh jumlah penduduk dan jumlah penemuankasus pasien positif yang terkena penyakit tuberkulosis.Prevalensi adalah jumlah keseluruhan kasus penyakityangg terjadi pada suatu waktu tertentu di suatuwilayah(Kamus Besar Bahasa Indonesia, 2014)[12].

Tabel 2 adalah CPT (Conditional Probability Table) darivariabel e_prev_100_1 yang menujukkan adanyaketerkaitan dengan new_sp_2 (jumlah kasus positif TB)dan e_pop_num_0 (estimasi jumlah penduduk). Tabel 4menunjukkan penyebab tingginya nilai prevalensi TB per100.000 penduduk adalah pada 2 kondisi berikut :1. Jumlah kasus positif TB tinggi (>46.000) dan jumlah

penduduk besar (> 150 juta)

2. Jumlah kasus positif TB rendah (<46.000) dan jumlahpenduduk sedang (< 150 juta)

Tingkat prevalensi TB per 100.000 penduduk rendah jikajumlah kasusnya rendah dan jumlah penduduknya besar(>150 juta).

Tabel 2. CPT pada variabel e_prev_100k_1

Parents Variabel Probability

[new_sp_2_0,e_pop_num_0] e_prev_100k_1

v_1 v_1(tinggi,besar)

v_1 (rendah) 0.04v_2 (tinggi) 0.96

v_1 v_2(tinggi,sedang)

v_1 (rendah) 0.50v_2 (tinggi) 0.50

v_2 v_1(rendah,besar)

v_1 (rendah) 0.97v_2 (tinggi) 0.03

v_2 v_2(rendah,sedang)

v_1 (rendah) 0.06v_2 (tinggi) 0.94

Berdasarkan graf dynamic bayesian networks padagambar 1 juga dapat diidentifikasi keterkaitan variabeltipe pengobatan untuk diagnosis penyakit TB denganjumlah pasien yang meninggal akibat penyakittuberkulosis, yaitu pada variabel new_sp_died_1 yangdipengaruhi oleh free_dx_0, e_prev_100k_1,dane_prev_100k_0. Dari tabel 3 dapat diketahui bahwajumlah pasien yang meninggal karena TB di negaraASEAN rendah jika dalam 2 kondisi yaitu diagnosisdiberikan gratis sepenuhnya dan gratis dengan kriteria.Sedangkan pada pelayanan diganosis penyakit TB tidakberlakukan secara gratis bisa mempengaruhimeningkatnya jumlah kematian akibat TB. Dari tabel 3didapatkan nilai probabilitas yang paling tinggi adalahpada saat nilai prevalensi TB di negara tersebut yangsebelumnya tinggi lalu bernilai rendah dan pelayanandiagnosis diberlakukan secara gratis, yaitu probabilitasjumlah pasien meninggal rendah (<1.100) sebesar 97%.

Tabel 3. Sebagian dari CPT pada variabelnew_sp_died_1

Parents variabel Probability[e_prev_100k_1,e_prev_100k_0,

free_dx_0]new_sp_died_1

v_1 v_2 v_1(rendah,tinggi,obat

gratis)

v_1 (rendah) 0.97

v_2 (tinggi) 0.03v_2 v_1 v_0

(tinggi,rendah,tidakgratis)

v_1 (rendah) 0.06

v_2 (tinggi) 0.94

v_2 v_1 v_1(tinggi,rendah,gratis)

v_1 (rendah) 0.95v_2 (tinggi) 0.05

v_1 (rendah) 0.95

Page 5: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-53

v_2 v_2 v_2(tinggi,tinggi, gratis

dengan kriteria)v_2 (tinggi) 0.05

Adanya keterkaitan variabel e_prev_100k_0(nilai prevalensi TB) terhadap variabel free_fld_ntp_0(pemberian obat TB pada pasien) dapat diidentifikasipada struktur graf dynamic bayesian networks padagambar 1. Dari tabel 4 didapatkan bahwa nilaiprobabilitas yang paling tinggi adalah pada saat nilaiprevalensi TB tinggi maka tipe pelayanan pembagian obatTB terhadap pasien gratis. Hal ini mungkin merupakankebijakan di tiap negara yang nilai prevalensi tinggiterhadap penyakit TB.

Tabel 4. CPT pada variabel free_fld_ntp_0parents node probability

[e_prev_100k_0] free_fld_ntp_0

v_1 (rendah)v_0 (bayar) 0.50v_1 (gratis) 0.50

v_2 (tinggi)v_0 (bayar) 0.01v_1 (gratis) 0.99

Evaluasi terhadap struktur Dynamic Bayesian Networksdilakukan dengan menggunakan package Netica-J APIyang berbasis Java. Tahap evaluasi ini diharapkan dapatmenunjukkan bahwa graf dynamic bayesian networksyang dihasilkan sistem dapat dijadikan model untukprediksi tingkat prevalensi tuberkulosis di negaraASEAN. Hal inilah yang dijadikan pedoman bahwavariabel prevalensi TB per 100.000 penduduk dijadikanvariabel target atau variabel yang diprediksi.

Gambar 4. Hasil evaluasi Dynamic Bayesian Networks

Hasil dari evaluasi ditunjukkan dengan keluaran programyang berupa matriks konfusi seperti pada gambar 4. Hasilevaluasi menunjukkan graf yang terbentuk dapatmemprediksi nilai prevalensi TB di negara ASEANdengan tingkat akurasi 93,33%. Dari matriks konfusimenunjukkan dai 15 data yang diprediksi, hanya 1 datayang salah diprediksi, yang seharusnya masuk kategori 2tetapi diprediksi menjadi kategori 1 dan 14 data berhasildiprediksi sebagai data yang memiliki tingkat prevalensitersebut. Metode ini telah melalui proses pembelajaranstruktur dan pembelajaran parameter, sehingga hasilakurasi dalam memprediksi data juga baik. Hal inimenunjukkan bahwa metode dynamic bayesian networks

dapat mempresentasikan dependensi variabel pada datayang dinamis, yaitu dengan adanya perubahan waktu.Struktur graf dynamic bayesian networks dapatmenunjukkan hubungan probabilistik untuk variabel-variabel yang telah dipelajari dari data. Hasil penelitianini menunjukkan bahwa metode dynamic bayesiannetworks dapat diterapkan untuk mengidentifikasiketerkaitan antar variabel dalam kasus data TB di negaraASEAN.

3. Kesimpulan

Adapun kesimpulan yang didapatkan dari penelitianadalah bahwa dengan struktur dynamic bayesiannetworks dapat mengidentifikasi independensi variabelpengobatan penyakit tuberkulosis di negara ASEAN,yaitusebagai berikut :1. Adanya keterkaitan antara variabel jumlah kasus

positif TB dan jumlah penduduk dengan nilaiprevalensi TB per 100.000 penduduk. Tingkatprevalensi TB per 100.000 penduduk rendah jikajumlah kasusnya rendah dan jumlah penduduknyabesar (>150 juta).

2. Adanya keterkaitan antara tipe pelayanan diagnosispenyakit TB (gratis, gratis dengan kriteria, dan tidakgratis) terhadap jumlah pasien TB yang meninggalakibat penyakit TB. Jumlah pasien yang meninggalkarena penyakit TB di negara ASEAN rendah jikatipe pelayanan diagnosis TB di negara tersebut gratis,baik gratis untuk semua pasien maupun gratis dengankriteria tertentu.

3. Adanya keterkaitan variabel e_prev_100k_0 (nilaiprevalensi TB) terhadap variabel free_fld_ntp_0(pemberian obat TB pada pasien). Jika nilaiprevalensi TB tinggi di negara ASEAN maka tipepelayanan pembagian obat TB terhadap pasien gratis.

Daftar Pustaka[1] World Health Organization. Global Report Tuberculosis 2012.

http://apps.who.int/iris/bitstream/10665/75938/1/9789241564502_eng.pdf?ua=1. 2012. Diakses pada 20 Oktober 2014.

[2] Larranaga, Pedro, et all. A review on evolutionary algorithms inBayesian networks learning and inference tasks. Elsivier. 2013

[3] Charitos, Theodore, et all. A Dynamic Bayesian network fordiagnosing ventilator-associated pneumonia in ICU patients.Expert Systems with Applications 2009 : 36. 1249–1258

[4] Sandri, Micol, et all. Dynamic Bayesian Networks to predictsequences of organ failures in patients admitted to ICU. Elsivier.2014

[5] Van Gerven, Marcel A.J., Babs G.Taal, dan Peter J.F Lucas.Dynamic Bayesian networks as prognostic models for clinicalpatient management. Journal of Biomedical Informatics 2008 : 41.515–529

[6] Bayesian Intelligence - MonashUniversy. BI-CaMML 1.4.1.http://bayesian-intelligence.com/software. 30 Oktober 2014

[7] Korb,Kevin B, Ann E. Nicholson. Bayesian Artificial Inteligence2nd.Chapman & Hall /CRC Press, Boca Raton.2010

[8] Black,Alex, Kevin Korb, Ann E. Nicholson. Learning DynamicBayesian Networks: Algorithms and Issues. ABNMS 2013.

[9] P’erez-Ariza, Cora Beatriz, et all. Causal Discovery of DynamicBayesian Networks. AI 2012 : Advances in Artificial Intelligence.Springer 2012 : 902-913.

Page 6: identifikasi independensi variabel pengobatan penyakit tuberkulosis ...

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-54

[10] World Health Organization. TB Data.http://www.who.int/tb/country/data/download/en/. Diakses pada20 Oktober 2014.

[11] Tekmono, Kardi. K-means Clustering Tutorial.http://www.croce.ggf.br/dados/ K%20mean%20Clustering1.pdf.2007. (diakses tangal 19 Desember 2014).

[12] “Kamus Besar Bahasa Indonesia”, htp:/kbi.web.id/prevalensi,(diakses tangal 15 Desember 2014).

Biodata PenulisBetha Nurina Sari,memperoleh gelar Sarjana Komputer(S.Kom), Jurusan Ilmu Komputer Universitas Brawijaya,lulus tahun 2012. Saat ini menjadi mahasiswa MahasiswaMagister Ilmu Komputer (M.Kom) Program PascaSarjana Magister Ilmu Komputer Universitas Indonesia.