57
SISTEM PAKAR DIAGNOSIS PENYAKIT GINJAL
MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
Ricky Yudha Firmansyah, Diana Rahmawati, Haryanto Jurusan Teknik Informatika, Universitas Trunojoyo
Jl. Raya Telang, PO. BOX 2, Kamal, Bangkalan - 691962
E-mail: [email protected], , [email protected], [email protected]
ABSTRAK
Di seluruh dunia, jumlah penderita penyakit ginjal kronis diperkirakan 15 % dari
jumlah seluruh penduduk, sedangkan di Indonesia, angka tersebut mencapai 12,5 %
dari jumlah seluruh penduduk Indonesia. Banyak dari penderita penyakit ginjal
tersebut yang tidak mengetahui bahwa dirinya sebenarnya sudah mengalami gangguan
ginjal kronis. Apabila penyakit ginjal bisa dideteksi secara dini, maka resiko terjadi
gagal ginjal terminal sehingga harus melakukan hemodialisis seumur hidup dan
terjangkit penyakit lain seperti jantung bisa segera dicegah. Sistem pakar adalah
sistem berbasis komputer yang menggunakan pengetahuan fakta, dan teknik penalaran
dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang
pakar dalam bidang tertentu. Dalam sistem pakar penyakit ginjal ini user memasukkan
inputan berupa gejala atau keluhan dan hasil laboratorium setelah itu sistem akan
memprosesnya untuk mendapatkan hasil dari penyakit user. Penelitian ini
menghasilkan keluaran berupa kemungkinan penyakit ginjal yang diderita berdasarkan
gejala yang dirasakan oleh user. Sistem pakar yang dibangun ini menggunakan
metode Naive bayes classifier yang menghitung probabilitas tertinggi untuk penyakit
yang diderita oleh user. hasil dari penelitian ini adalah sistem pakar dapat
mendiagnosis resiko penyakit ginjal dengan tingkat akurasi 97%.
Kata kunci: Sistem Pakar, Metode Naïve Bayes Classifier, Sakit Ginjal.
ABSTRACT
Around the world, the number of chronic kidney disease patients is estimated 15% of
the total population, while in Indonesia, the figures were 12.5% of the total population
of Indonesia. Many of these people with kidney disease who do not know that he is
already experiencing chronic renal impairment. If kidney disease can be detected
early, the risk of terminal renal failure and should perform hemodialysis for life and
others such as heart disease can be prevented. Expert systems are computer-based
system that uses knowledge of the facts, and reasoning techniques to solve problems
that normally can only be solved by an expert in a particular field. In this kidney
expert system penyajit user to enter input in the form of symptoms or complaints and
laboratory results after that the system will process it to get the user of the disease.
This final form of the possibility of generating output that affects kidney disease based
on symptoms felt by the user. This expert system built using the Naive bayes classifier
that computes the highest probability for diseases suffered by the user. the results of
this study is an expert system to diagnose the risk of kidney disease with 97%
accuracy rate.
Key Words: Expert System, Naive bayes classifier Method, Kidney Disease
58 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Nopember 2012, hlm 57-66
PENDAHULUAN
Di Negara maju, penyakit kronik tidak menular (cronic non-communicable diseases)
terutama penyakit kardiovaskuler, hipertensi, diabetes melitus, dan penyakit ginjal kronik,
sudah menggantikan penyakit menular (communicable diseases) sebagai masalah kesehatan
masyarakat utama. Gangguan fungsi ginjal dapat menggambarkan kondisi sistem vaskuler
sehingga dapat membantu upaya pencegahan penyakit lebih dini sebelum pasien mengalami
komplikasi yang lebih parah seperti stroke, penyakit jantung koroner, gagal ginjal, dan
penyakit pembuluh darah perifer. Pada penyakit ginjal kronik terjadi penurunan fungsi ginjal
yang memerlukan terapi pengganti yang membutuhkan biaya yang mahal.
Dalam proyek tugas akhir ini akan dibangun Sistem Pakar Diagnosis Penyakit Ginjal. Dimana
user yang melakukan konsultasi akan menginputkan atribut-atribut yang telah ditentukan.
Kemudian sistem akan mengolah data tersebut dan akan menghasilkan keputusan mengenai resiko
penyakit yang dihadapi oleh pasien/user tersebut. Sehingga dapat segera dilakukan antisipasi dan
penanganan yang tepat..
Sistem ini dibangun menggunakan metode Naïve Bayes Classifier, memprediksi probabilitas
penyakit ginjal. Kriteria-kriteria yang digunakan terdiri dari atribut kontinu dan atribut kategorial,
Naïve Bayes Classifier merupakan salah satu metode yang bisa memproses baik itu atribut
kontinyu maupun kategorial. Metode Naïve Bayes Classifier akan menghitung probabilitas
penyakit berdasarkan masukan dari user. Setelah diketahui probabilitas terbesar maka sistem akan
memberikan saran pencegahan dan saran pengobatan untuk user. Sistem ini dibuat untuk
mendeteksi secara dini penyakit ginjal.
TINJAUAN PUSTAKA
Penelitian untuk diagnosis penyakit ginjal sebelumnya adalah penelitian sistem pendukung
keputusan diagnosis penyakit ginjal dengan Rule Based Tree yang dilakukan oleh Nur Rosyid M,
S.Kom dan kawan-kawan. Dimana user memilih gejala-gejala awal dari penyakit ginjal yang telah
ada dalam sistem, selanjutnya sistem akan menampilkan hasil diagnosa.
Data keluaran dari sistem ini adalah hasil diagnosa dari gejala yang dirasakan user yang
berupa dugaan kerusakan ginjal, dugaan penurunan fungsi ginjal, dugaan kerusakan ginjal dan
penurunan fungsi ginjal, mempunyai resiko kerusakan ginjal dan anda sehat. Hasil diagnosa
tersebut berdasarkan gejala yang user berikan pada saat melakukan diagnosa.
Penelitian menggunakan Naïve Bayes digunakan untuk mendiagnosa penyakit jantung
koroner yang dilakukan oleh Deviyanti, penelitian ini dilakukan untuk menentukan jenis penyakit
Penyakit yang diderita oleh user. Dimana inputan gejala dari user digunakan untuk menentukan
jenis penyakit yang diderita.
Selanjutnya penelitian terbaru dilakukan oleh Mrs. G Subbalakshmi M.Tech, Mr K
Ramesh M.Tech dan Mr M Chinna Rao M.Tech. Dimana para peneliti melakukan penelitian
Firmansyah, Rahmawati, & Haryanto. Sistem Pakar Diagnosis Penyakit Ginjal..... 59
tentang prediksi penyakit hati menggunakan metode Naïve Bayes Classifier. Dan hasilnya dalam
penelitian ini metode Naïve Bayes Classifier efektif untuk melakukan diagnosa penyakit hati.
1. Metode Naive bayes classifier
Naive bayes classifier adalah suatu classifier probabilistik simpel yang berdasarkan pada
teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat
(Naive). Naïve Bayes merupakan salah satu contoh dari metode supervised document classification.
Metode ini menggunakan perhitungan probabilitas. Naïve Bayes tidak memperhatikan urutan
kemunculan kata pada dokumen teks dan menganggap sebuah dokumen teks sebagai kumpulan
dari kata-kata yang menyusun dokumen teks tersebut. Metode ini memiliki tingkat akurasi yang
tinggi dengan penghitungan sederhana.
Dalam bidang kedokteran teorema bayes sudah dikenal tetapi teorema ini lebih banyak
diterapkan dalam logika kedokteran modern. Teorema ini lebih banyak diterapkan pada hal-hal
yang berkenaan dengan diagnosis secara statistik yang berhubungan dengan probabilitas serta
kemungkinan dari penyakit dan gejala-gejala yang berkaitan.
Pada saat klasifikasi, pendekatan bayes akan menghasilkan label kategori yang paling
tinggi probabilitasnya (VMAP) dengan masukan atribut a1, a2, a3....an.
Hasilnya adalah :
���� � ������∈������∏�����|��� (1)
���� � ������∈������∏�����|���Setelah itu generalisasi dengan m-estimate :
����|���= (2)
Dimana :
n = jumlah data Training untuk v=vj
nc = jumlah contoh untuk v= vj dan a=ai
p = probabilitas estimasi untuk ��������
m = ukuran sampel ekivalen
2. 3-fold cross validation
Metode k-fold Cross Validation merupakan skenario dimana membagi sama rata dari
seluruh data yang ada untuk dijadikan sebagai data Testing pada setiap fold-foldnya. Jika k yang
digunakan adalah 3 maka metode yang digunakan metode 3-fold cross validation.
Dataset dibagi menjadi data Training dan data Testing, sebesar 70% untuk data Training
dan 30% untuk data Testing. Pembagiannya adalah sebagai berikut :
60 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Nopember 2012, hlm 57-66
a. Data awal dibagi tiga bagian yang kemudian menjadi dataset 1, dataset 2, dan dataset 3
b. Kemudian dataset 1 dan dataset 2 digabung menjadi data Training 1, dataset 1 dan dataset
3 menjadi data Training 2, serta dataset 2 dan dataset 3 menjadi data Training 3
c. Untuk dataset 1 akan menjadi data Testing 3, dataset 2 menjadi data Testing 2 dan dataset 3
menjadi data Testing 1.
Gambar 1. 3-fold cross validation
����� � � !"�#����$�%&'(%��#()�("�� �
!#*#�+"�#����,-..%
......... (3)
RANCANGAN SISTEM
Use case Diagram
Gambar 2. Use case diagram
Firmansyah, Rahmawati, & Haryanto. Sistem Pakar Diagnosis Penyakit Ginjal..... 61
Flowchart Diagram
Gambar 3. Flowchart diagram
Analisa Input
Masukan yang dibutuhkan perangkat lunak Sistem Pakar untuk mendeteksi penyakit ginjal
dengan Naive bayes classifier ini terdiri atas. Tanda atau gejala yang dialami oleh user, dan hasil
laboratorium yang dimiliki.
• Tanda atau Gejala Gagal Ginjal Akut
- Nokturia (berkemih di malam hari).
- Pembengkakan yang menyeluruh
- Kejang
- Tremor tangan
- Mual
- Muntah
- Darah di dalam air kencing (Hematuria)
- Demam
- Mudah lelah
- Ruam kulit (kulit kemerahan)
- Syok atau kaget
- Volume air kencing berkurang (Kencing keluar sedikit)
- Badan lemas
- Mencret
- Sesak
62 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Nopember 2012, hlm 57-66
• Tanda atau Gejala Gagal Ginjal Kronis
- Kejang
- Nafsu makan menurun
- Mual
- Peradangan pada lapisan mulut (gusi)
- Anemia
- Hipertensi
- Pembengkakan yang menyeluruh
- Demam
- Muntah
- Perasaan tertusuk jarum pada anggota gerak
- Mudah lelah
- Mencret
- Gatal diseluruh tubuh
- Badan lemas
- Sesak nafas
• Tanda atau Gejala Pielonefritis
- Mual
- Muntah.
- Sering berkemih
- Nyeri ketika berkemih (Disuria)
- Menggigil
- Demam
- Nyeri punggung bagian bawah
- Gelisah
- Mencret
• Tanda atau Gejala Sindroma Nefrotik
- Nafsu makan menurun
- Nyeri ketika berkemih (Disuria)
- Nyeri perut
- Pembengkakan organ tubuh tertentu (muka, kelopak mata)
- Air kemih berbusa.
- Darah di dalam air kencing
- Nyeri punggung bagian bawah
- Rambut dan kuku menjadi rapuh
- Hipertensi
- Volume air kencing berkurang
Firmansyah, Rahmawati, & Haryanto. Sistem Pakar Diagnosis Penyakit Ginjal..... 63
- Mencret
- Mual
- Muntah
- Demam
- Sesak
• Tanda atau Gejala Hidronefrosis
- Darah di dalam air kencing (Hematuria)
- Demam
- Mual
- Muntah
- Nanah di air kencing
- Nyeri di tulang pinggul
- Nyeri perut
- Nafsu makan menurun
- Badan lemas
- Hipertensi
- Anemia
• Tanda atau Gejala Nefritis Tubulointerstisialis Akut
- Demam
- Nyeri ketika berkemih
- Nanah di dalam air kemih
- Nyeri di daerah antara tulang rusuk dan tulang pinggul
- Hematuria (adanya darah dalam air kemih)
- Menggigil
- Mual
- Muntah
- Sering kencing
- Anemia
• Tanda atau Gejala Sistitis
- Hematuria (adanya darah dalam air kemih)
- Demam
- Kencing di malam hari
- Nyeri ketika berkemih (buang air kecil)
- Nyeri di daerah antara tulang rusuk dan tulang pinggul.
- Badan lemas
- Mual
- Muntah.
64 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Nopember 2012, hlm 57-66
Hasil Laboratorium
- BUN (Blood Urea Nitrogen)
- Kreatinin
- Uric Acid.
- Cholesterol
- Triglycerid
- Haemoglobin
- Albumin
- Leucocyte
- Erihtrocyte
- Ephitel
- Bakteri
HASIL DAN PEMBAHASAN
Data Penelitian
Data yang digunakan dalam penelitian ini terdiri dari sekumpulan data dari rekam medis RSUD
Bangkalan sebagai data pelatihan (Training data set) dan data uji coba (Testing data set).
Jumlah dataset penyakit ginjal ada 104 data tersebut 70 digunakan sebagai data pelatihan dan
selebihnya digunakan sebagai data uji coba.
Skenario Uji Coba
Untuk skenario ujicoba penulis menggunakan metode 3-fold cross validation. Jumlah data
keseluruhan adalah 104 data, 70% sebagai data Training dan 30% sebagai data Testing. Dari
keseluruhan data akan dibagi menjadi 3 dataset, seperti yang tertera pada tabel
Tabel 1. Pembagian dataset
Dataset jumlah
Dataset 1 35
Dataset 2 35
Dataset 3 34
Total 104
Setelah data keseluruhan dibagi menjadi 3, dilakukan pembagian data Training dan dataset.
Pembagian data dapat dilihat seperti data dibawah ini
Tabel 2. Pembagian data training
Data Training Data Testing
Dataset 1, dataset 2 (data Training 1) dataset 3 (data Testing 1)
Dataset 1, dataset 3 (data Training 2) dataset 2 (data Testing 2)
Dataset 2, dataset 3 (data Training 3) dataset 1 (data Testing 3)
Firmansyah, Rahmawati, & Haryanto. Sistem Pakar Diagnosis Penyakit Ginjal..... 65
Tabel 3. Hasil uji coba
Uji coba Jumlah Data Training Jumlah Data Testing Akurasi Error
Uji coba 1 70 34 97% 3%
Uji coba 2 69 35 97% 3%
Uji coba 3 69 35 94% 6%
Skenario Uji Coba
Pada proses uji coba, data yang digunakan adalah data pasien keseluruhan. Data pasien
keseluruhan dibagi menjadi 3 bagian kemudian secara bergantian akan digunakan sebagai data
Training dan data Testing. Setelah dilakukan uji coba akan didapat nilai keakuratan pada masing-
masing ujicoba. Nilai keakuratan akan menentukan kecocokan metode naïve bayes classifier
terhadap studi kasus penyakit ginjal. Dan dari nilai keakuratan tertinggi, trained record yang
digunakan untuk uji coba akan digunakan pada sistem.
Dari ketiga uji coba yang telah dilakukan dapat diambil kesimpulan bahwa keakuratan
tertinggi terletak pada uji coba ke 1 dengan nilai akurasi sebesar 97% dan nilai error sebesar 3%.
Sehingga data trained pada uji coba sistem yang ke 1 (data trained dari dataset 1 dan 2) akan
digunakan untuk sistem diagnosa penyakit pada ginjal selanjutnya.
Dari uji coba yang telah dilakukan diperoleh bahwa semakin banyak jumlah data trained,
maka semakin banyak data yang digunakan sebagai pelatihan sehingga keakuratan akan semakin
besar, tapi selama kita tetap menjaga kestabilan setiap kelasnya dalam tabel trained. Sehingga
dapat diambil kesimpulan bahwa proses sistem pakar diagnosis penyakit ginjal menggunakan
metode naïve bayes classifier tergantung dari banyaknya trained tapi harus tetap memperhatikan
keanekaragaman setiap kelasnya dan tidak boleh ada salah satu kelas yang lebih mendominasi tabel
trained lebih dari 50%, itu akan berpengaruh terhadap hasil akhir diagnosa. Banyaknya jumlah
masing-masing jenis penyakit (n) pada dataset mempengaruhi hasil akhir perhitungan. Jumlah n
yang lebih besar lebih dimungkinkan muncul sebagai hasil akhir.
KESIMPULAN
Kesimpulan yang dapat diambil dari pembuatan aplikasi ini adalah:
a. Pada Proses sistem pakar diagnosis penyakit ginjal menggunakan metode Naive bayes
classifier dengan ujiboba sebanyak 3 kali, dengan tingkat keakuratan tertinggi 97% dan
nilai error 3%. Dengan menggunakan 104 dataset yang dibagi menjadi 67,30% sebagai data
Training dan 32,69% sebagai data Testing. Sehingga data taraining pada ujicoba sistem
yang ke 1(data Training dari dataset 1 dan 2) akan digunakan untuk sistem diagnosa
penyakit ginjal selanjutnya.
66 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Nopember 2012, hlm 57-66
b. Pada proses sistem pakar diagnosis penyakit ginjal menggunakan metode Naive bayes
classifier nilai keakuratan sistem bergantung dari banyaknya data Training dan
keanekaragaman kelas. Semakin banyak data Training maka tingkat keakuratan makin
tinggi. Keanekargaman kelas adalah dalam data Training harus ada semua kelas, kalau ada
salah satu kelas yang tidak ada maka akan mempengaruhi hasil akhir diagnosa
DAFTAR PUSTAKA
[1] Fitri. N.R., dkk. Sistem Pendukung Keputusan Penentuan Resiko Penyakit Ginjal. 2008.
[2] Deviyanti. Rancang Bangun Sistem Pakar Diagnosis Penyakit Jantung Koroner Dengan
Naïve Bayes. 2010.
[3] Subbalakshmi. G., dkk. Decision support in Heart Disease Prediction System using Naïve
Bayes. 2011.
[4] Indra. Kuliah Artificial Intelligence, <URL:http://www.artificial-intelligence: Fuzzy/Artificial
Intelligence Indra EHM << Fuzzy logic –part 1.html>. 2011.
[5] Fadli, A. Sistem Pakar Dasar. 2008.
[6] Kusumadewi, Sri. Artificial Intelligence: Teknik & Aplikasinya. Yogyakarta: GrahaIlmu.
2003.
[7] Aribowo, Trilaksono. Aplikasi Inferensi Bayes pada Data Mining terutama Pattern
Recognition. Departemen Teknik Informatika, Institut Teknologi Bandung. 2009.
[8] Basnur, Prajna Wira dan Sensuse, Dana Indra. Pengklasifikasian otomatis berbasis ontologi
untuk Artikel berita berbahasa Indonesia. Fakultas Ilmu Komputer, Universitas Indonesia
Jakarta. 2010.
[9] Wibisono, Yudi. Klasifikasi Berita Berbahasa Indonesia Menggunakan Naïve Bayes
Classifier. Jurusan pendidikan Matematika FPMIPA, UPI, Bandung. 2005.
[10] Meisner, Eric. Naïve Bayes Classifier example. 2003.
[11] <URL:http://medicastore.com/penyakit/59/Gagal_Ginjal_Akut.html>
[12] <URL: http://medicastore.com/penyakit/60/Gagal_Ginjal_Kronis.html>
[13] <URL: http://medicastore.com/penyakit/89/Pielonefritis.html>
[14] <URL: http://medicastore.com/penyakit/719/Sindroma_Nefrotik.html>
[15] <URL: http://medicastore.com/penyakit/604/Hidronefrosis.html>
[16] <URL:http://medicastore.com/penyakit/721/Nefritis_Tubulointerstisialis_Akut.html
[17] <URL: http://medicastore.com/penyakit/86/Sistitis.html>
[18] Amaliah, B., Arieshanti, I., Dewi, S.N., Fatichah, C., Widyanto, M.R. “Klasifikasi Voted
Perceptron untuk Identifikasi Melanoma”. Seminar Nasional Aplikasi Teknologi Informasi
2011. 17, 18: 1907-5022 Juni 2011.
Top Related