AUSE LABELLAPANSA11917117
Analisa Jurnal SPKK untuk diagnosa penyakit stroke
1. Judul Using Ontologies and Probabilistic Networks to Develop a Preventive Stroke
Diagnosis System (PSDS)
PenelitiAlejandro Rodríguez-González1, Miguel A. Mayer2, Giner Alor-Hernandez3, Juan
Miguel Gomez-Berbis1, Guillermo Cortes-Robles3, Angel Lagares Lemos1.
SumberIEEE 2010
Pembahasana. Latar Belakang Masalah
Salah satu penyumbang angka kematian terbesar adalah stroke. Stroke sulit untuk
didiagnosa sampai akhirnya gejala awal timbul. Hal ini mengakibatkan perlunya dilakukan
diagnosis pencegahan yang didasarkan pada faktor-faktor resiko stroke.
b. Tujuan Penelitian
Membuat desain teoritis SPKK untuk diagnosa pencegahan penyakit stroke (PSDS)
dengan menggunakan ontologi sebagai basis pengetahuan dan penggunaan probabilistik
inferensi dalam rangka untuk mengetahui potensi seorang pasien terkena stroke atau tidak.
c. Pembahasan
Stroke merupakan penyakit serebrovaskular yang ditandai dengan adanya gangguan
suplai darah ke otak dengan gejala yang bervariasi tergantung pada daerah otak yang
dikenai. Ontologi merupakan salah satu pendekatan untuk representasi pengetahuan dalam
domain medis. Ontologi memiliki dua fungsi yang memungkinkan manusia untuk
memahami arti semua elemen dalam kosakata dan formal semantik yang mendukung
penalaran. Sementara itu probabilistik inferensi akan digunakan untuk melakukan penalaran
dibawah ketidakpastian.
1
Sistem PSDS yang diajukan merupakan pendekatan teoritis dimana didalamnya terdapat
cukup banyak detail yang bisa dikembangkan. PSDS dibagi menjadi 2 bagian, bagian
pertama adalah bagian ontologi yang bertanggung jawab terhadap penyimpanan relasi antara
faktor-faktor resiko dengan probabilitas yang terkait dengan faktor-faktor resiko tersebut
sedangkan bagian kedua merupakan bagian probabilistik yang mana berguna untuk
memperkirakan probabilitas faktor-faktor resiko.
A. EPIDEMIOLOGI DATA
Berikut ini disajikan faktor-faktor resiko yang berbeda yang dianggap oleh sistem
mampu untuk membuat diagnosa penyakit stroke:
1. Tekanan darah (BP)
Nilai probabilitas BP diadaptasi melalui studi yang telah dilakukan oleh Framingham
Heart Study (FS) [1]. Selanjutnya data yang diberikan oleh MedIndia [2] memungkinkan
untuk mendapatkan nilai konkrit BP yang diasumsikan sama untuk pria dan wanita. Usia
yang digunakan adalah 20-64 tahun. Hubungan probabilitas untuk setiap BP dihitung
berdasarkan tabel FS.
2. Usia
Sebagian besar studi yang telah dianalisis menetapkan bahwa usia minimun yang
memiliki resiko terkena stroke adalah 55 tahun. WHO [3] kemudian melakukan
penelitian bahwa resiko seseorang terkena stroke adalah dua kali lipat setiap 10 tahun
sejak usia 55 tahun dan peneliti menghitung bahwa probabilitas terkait usia adalah dari
35 sampai 64 tahun.
3. Merokok (SM)
Pada FS, merokok merupakan faktor resiko dengan range 63-65 dan 82-84 tahun.
Namun nilai yang dikeluarkan oleh the European Society of Cardiology menyatakan
bahwa faktor resiko merokok adalah dibawah 50 tahun dan hal ini dimasukkan ke dalam
sistem.
4. Atrial Fibrillation (AF)
AF merupakan ritme jantung yang tidak teratur yang bisa disertai tanpa adanya gejala
namun sering dikaitkan dengan palpitasi, pingsan, nyeri dada atau gagal jantung
kongestif. Pada [4] mengatakan bahwa resiko AF meningkat seiring bertambahnya usia.
Diperkirakan 3 % - 5 % populasi diatas 65 tahun akan mengidap AF. Penelitian lain
2
mengatakan bahwa 1.3% orang dari usia 50 - 59 tahun akan memiliki resiko terkena
stroke. Angka persentase ini akan menigkat 5% setiap tahunnya untuk orang dengan usia
80 - 89 tahun. Diperkirakan akan bertambah 2% untuk pasien dibawah 50 tahun, 15%
untuk pasien antara 70-80 tahun, 28% untuk pasien usia 80-90 tahun dan 40% untuk
pasien di atas 90 tahun.
5. Diabetes (DI)
Beberapa penelitian mengatakan bahwa diabetes adalah faktor resiko untuk setiap usia
populasi. Data mengungkapkan bahwa perkiraan probabilitas adalah 1.8% menderita
stroke karena diabetes. Resiko stroke akan meningkat 5 kali lipat pada wanita dan 3 kali
lipat pada laki-laki yang menderita diabetes.
6. Left ventricular hypertrophy (LVH)
Probabilitasnya adalah 1.79% menurut penelitian [5].
7. Ras (RC)
Angka kematian di USA akibat stroke pada kulit hitam adalah dua kali lipat
dibandingkan dengan kulit putih. Berdasarkan FS, probabilitas
untuk orang sehat dalam ras kulit putih adalah 2,6% untuk laki-laki dan
1,1% untuk perempuan sehingga dalam ras kulit hitam ditetapkan
probabilitas 5,2% dan 2,2% masing-masing.
8. Gender
Menurut FS, persentase kenaikan adlah 2.6% bagi laki-laki dan 1.1% bagi wanita.
9. Overweight (OV)
Probabilitasnya adalah 1.95%
10. Hereditary Predisposition (HP)
Menurut PROCAM [6] probabilitas HP adalah 3.8%
11. Previous Strokes (PST)
TIA merupakan indikator bahwa akan terjadi stroke berikutnya dimana seseorang
dengan TIA akan memiliki probabilitas 10 kali lebih tinggi dibanding yang tidak
mengalaminya. Oleh karena itu, probabilitas untuk orang tanpa TIA akan memiliki
probabilitas 26% untuk laki-laki dan 11% bagi wanita.
Tabel berikut ini akan merangkum probabilitas-probabilitas dan resiko-resiko stroke (S)
3
B. DESAIN ONTOLOGI DAN PENYIMPANAN PROBABILITAS
Pengenalan data dalam ontologi didasarkan pada bagaimana mencoba membedakan
faktor-faktor resiko mana yang mempengaruhi faktor resiko lainnya dan bagaimana
membuat klasifikasi dalam fungsi usia, ras dan jenis kelamin dengan yang lainnya. Kelas
Desease diwakili dengan subkelas Stroke yang merupakan stroke (ishemik dan hemoragik)
dan subkelas ishemik stroke yang berganting kepada kelas Stroke.
4
Sebuah kelas Person juga dibuat yang terdiri dari subkelas Man dan Women. Masing-
masing subkelas akan memiliki faktor-faktor resiko yang terkait dengan subkelas tersebut.
Variasi PersonUnderRisk digunakan untuk menyajikan faktor-faktor resiko yang tidak
bergantung dengan jenis kelamin. Dengan model ini maka beberapa kondisi perlu di
syaratkan. Sebagai contoh dalam kasus "ManAged64Plus", memberikan informasi fakta
bahwa seorang laki-laki dan memiliki kaitan dengan usia sebagai faktor resiko yaitu 64plus
yang akan ditulis dalam kalimat berikut:
stroke:hasRiskFactor some stroke:Age64Plus
Contoh lainnya yaitu "ManHypertension121_147" yang berarti :
stroke:hasRiskFactor some stroke:HypertensionMan121_147
Informasi probabilistik juga termasuk ke dalam ontologi dalam bentuk penjelasan yang
memunculkan probabiliti dari relasi.
C. PROBABILISTIK NETWORK
Untuk menyelesaikan masalah yang menghasilkan sistem diagnosis pencegahan stroke
maka diperlukan untuk membuat model probabilistik yang terkait dengan faktor-faktor
resiko dari masalah.
5
Berdasarkan gambar 1 tersebut maka dapat dihasilkan model probabilitas berikut:
Namun, bagian dari rumus model di mana perlu untuk mendapatkan probabilitas P (S |
F1, F2, ..., Fn) menimbulkan beberapa masalah. Untuk mengatasi masalah ini, solusi yang
ditetapkan adalah dengan membuat asumsi yang kuat tentang ketergantungan dari faktor-
faktor resiko yaitu:
Berikut rumus akhirnya:
D. USE CASE
Software yang akad digunakan untuk use case adalah GeNIe [6]. Use case merupakan
penyederhanaan dari model probabilistik dengan menggunakan 3 faktor yaitu DI, LVH dan
OV. Dengan hanya 3 faktor resiko, maka dibutuhkan hanya 23 nilai.
6
Setelah memperkenalkan nilai dalam model GeNIe, maka user dapat membuat
queries/permintaan kepada sistem untuk menghitung probabilitas terkait ada tidaknya faktor
resiko.
Sebagai contoh jika terdapat pasien dengan LVH dan tidak ada OV tapi tidak
mengetahui ada tidaknya DI maka akan disajikan dengan dan
dengan persamaan komputasi: memberikan
hasil sebagai berikut:
E. KESIMPULAN DAN SARAN
Banyak orang yang tidak mengetahui bahwa dirinya terkena stroke sebelum muncul
suatu gejala dari stroke sehingga diperlukan sistem untuk mencegah penyakit stroke. Telah
dibuat sistem diagnosa pencegahan stroke/ Preventive Stroke Diagnosis System (PSDS)
dengan menggunakan ontologi dan probabilistik yang mempelajari hubungan sebab akibat
antara faktor-faktor resiko yang ada dan diagnosa pencegahan yang akan diberikan sistem
berdasarkan faktor yang telah ada tersebut. Epidemiologi data didapat dari penelitian-
penelitian sebelumnya namun penelitian tersebut tidaklah memberikan hasil yang sama
karena faktor populasi yang dimasukkan termasuk letak geografis tidaklah sama.
Terkait dengan alasan tersebut, penelitian selanjutnya harus memasukkan faktor
probabilitas yang menyimpan fitur spesifik epidemiologi dari seseorang yang diteliti
sehingga memberikan hasil skore yang lebih tepat dan akurat.
7
DAFTAR PUSTAKA
1. D'Agostino, W. & Belanger, K. (1994). Stroke Risk Profile: Adjustment for Antihypertensive Medication. Stroke.
2. MedIndia. (2010). Blood Pressure Calculator. (Avalaible online at: http://www.medindia.net/patients/calculators/bp_chart.asp ).
3. WHO (2002). Cardiovascular Disease Atlas Risk Factors.World Health Organization 4. Association, A. H. (2010). Atrial Fibrillation ( Avalaible online at:
http://www.americanheart.org/presenter.jhtml?identifier=4451 ).5. Verdecchia, P., Porcellati, C., Reboldi, G., Gattobigio, R., Borgioni, C., Pearson, T. &
Ambrosio, G. (2001). Left Ventricular Hypertrophy as an Independent Predictor of Acute Cerebrovascular Events in Essential Hypertension. Circulation 104, 2039-2044.
6. Berger, K., Schulte, H., Stögbauer, F. & Assmann, G. (1998). Incidence and Risk Factors for Stroke in an Occupational Cohort : The PROCAM Study. Stroke 29, 1562-1566.
7. Druzdzel, M. (1999). GeNIe: A development environment for graphical decision-analytic models. Proceedings of the 1999 Annual Symposium of the American Medical Informatics Association
2. Judul DIAGNOSA KEMUNGKINAN PASIEN TERKENA STROKE DENGAN MENGGUNAKAN
METODE NAIVE BAYES DAN METODE JARINGAN SYARAF TIRUAN BERBASIS WEB
PenelitiM. Khusnul Mukhlis Jurusan Teknik Informatika, Entin Martiana K. Politeknik
Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya
SumberEEPIS Repository
PembahasanSistem diagnosa kemungkinan pasien terkena stroke telah dibuat dengan menggunakan
metode naive bayes dan metode jaringan syaraf tiruan berbasis web. Penelitian ini
menghasilkan sistem yang mampu melakukan analisa apakah seseorang diduga suspect
stroke atau tidak dengan presentase keberhasilan menganalisa sebesar 99% untuk metode
jaringan syaraf tiruan dan 97% untuk metode naive bayes.
8
NO PENULISTAHU
N JUDUL METODE KETERANGAN
1 Alejandro Rodríguez-González1, Miguel A. Mayer2, Giner Alor-Hernandez3, Juan Miguel Gomez-Berbis1, Guillermo Cortes-Robles3, Angel Lagares Lemos1
2010 Using Ontologies and Probabilistic Networks to Develop a Preventive Stroke Diagnosis System (PSDS)
Menggunakan basis penge tahuan Ontologi dan inferensi probabilistik
Penelitian untuk membuat sistem pencegahan penyakit stroke ini dilakukan berdasarkan penelitian-penelitian sebelumnya yang mempelajari hubungan sebab akibat antara faktor-faktor resiko yang ada dan diagnosa pencegahan yang akan diberikan sistem berdasarkan faktor yang telah ada tersebut. Penelitian tidak sampai kepada jenis stroke yang diderita pasein.
2 M. Khusnul Mukhlis
Diagnosa Kemungkinan Pasien Terkena Stroke dengan Menggunakan Metode Naive Bayes dan Metode Jaringan Syaraf Tiruan Berbasis Web
Naive Bayes dan Jaringan Syaraf Tiruan
Penelitian untuk mendiagnosa apakah seseorang diduga terkena stroke atau tidak dengan presentase keberhasilan menganalisa sebesar 99% untuk metode jaringan syaraf tiruan dan 97% untuk metode naive bayes. Penelitian ini tidak meneliti jenis stroke apa yang diduga diderita seseorang.
9