PENGGUNAAN METODE BAYESIAN NETWORK DALAM SISTEM PAKAR

UNTUK DIAGNOSIS PENYAKIT LEUKEMIA

Indyana Meigarani

Program Ilmu Komputer

Universitas Pendidikan Indonesia
Jl. Dr Setiabudhi 229 Bandung

Dr. Wawan Setiawan, M.Kom.

Program Ilmu Komputer
Universitas Pendidikan Indonesia
Jl. Dr Setiabudhi 229 Bandung

Lala Septem Riza, MT.

Program Ilmu Komputer

Universitas Pendidikan Indonesia
Jl. Dr Setiabudhi 229 Bandung

kasus dapat menghasilkan kesimpulan lebih cepat daripada

pakar.
Terdapat dua ciri utama sistem pakar, yaitu pengetahuan
dan penalaran. Untuk memenuhi keduanya, dalam suatu sistem
pakar harus memiliki basis pengetahuan dan mesin inferensi.
Basis pengetahuan berisi pengetahuan yang dikhususkan pada
area permasalahan tertentu, dalam basis pengetahuan terdapat
fakta, aturan-aturan, konsep dan hubungan antar fakta. Proses ini
membutuhkan 4 aktifitas, yaitu: tambahan pengetahuan,
representasi pengetahuan, inferensi pengetahuan dan pengalihan
pengetahuan ke pengguna. Mesin inferensi mengolah isi dari
basis pengetahuan yang dibuat menggunakan penalaran yang
serupa dengan manusia untuk menarik kesimpulan. Mesin
inferensi menggabungkan fakta pada memori dengan
pengetahuan yang terdapat pada basis pengetahuan. Dengan cara
inilah mesin inferensi dapat menarik kesimpulan menjadi
informasi baru tentang suatu masalah tertentu.
Dengan pengembangan sistem pakar, diharapkan bahwa
orang awam pun dapat menyelesaikan masalah yang cukup rumit
yang sebenarnya hanya dapat diselesaikan dengan bantuan para
ahli. Bagi para ahli, sistem pakar ini juga akan membantu
aktifitasnya sebagai asisten yang sangat berpengalaman.
Sistem pakar banyak dikembangkan dalam berbagai
bidang, termasuk dalam bidang diagnosis medis. Saat ini
kebutuhan manusia akan pelayanan medis yang lebih baik sangat
mendesak, yang berarti dukungan instrumentasi dan informatika
medis modern (telemedis) menjadi sangat dibutuhkan termasuk
metode untuk membantu analisisnya sehingga dihasilkan
diagnosis yang lebih optimal.
Salah satu dari sekian banyak penyakit adalah leukemia.
Leukemia adalah suatu jenis kanker yang dimulai dari sel darah
putih. Dalam keadaan normal, sel darah putih, berfungsi sebagai
pertahanan tubuh, akan terus membelah dalam suatu kontrol
yang teratur. Pada penderita leukemia, terjadi pembentukkan sel
darah putih abnormal (sel leukemia) yang berbeda dan tidak
berfungsi seperti sel darah putih normal. Leukemia umumnya
muncul pada diri seseorang sejak dimasa kecilnya, sumsum
tulang tanpa diketahui dengan jelas penyebabnya telah
memproduksi sel darah putih yang berkembang abnormal.
Normalnya, sel darah putih mereproduksi bila tubuh
memerlukannya atau ada tempat bagi sel darah itu sendiri. Tubuh
manusia akan memberikan tanda atau signal secara teratur
kapankah sel darah diharapkan bereproduksi kembali.
Perkembangan dunia medis terkini banyak menggunakan
komputer untuk membantu diagnosis maupun pencegahan dan
penanganan suatu penyakit. Penelitian ini bertujuan menyusun
sebuah sistem pakar yang digunakan untuk mendiagnosis
penyakit leukemia, dimana pengguna dapat mendiagnosis
berdasarkan gejala yang dialami. Sehingga output sistem adalah
apakah pasien tersebut menderita leukemia atau tidak dan apabila
ya, jenis leukemia apa yang diderita pasien tersebut.

ABSTRAK
Sistem pakar (expert system) secara umum adalah sistem yang
berusaha mengadopsi pengetahuan manusia ke komputer, agar
komputer dapat menyelesaikan masalah seperti yang biasa
dilakukan oleh para ahli. Atau dengan kata lain sistem pakar
adalah sistem yang didesain dan diimplementasikan dengan
bantuan bahasa pemrograman tertentu untuk dapat
menyelesaikan masalah seperti yang dilakukan oleh para ahli.
Leukemia atau kanker darah adalah jenis kanker yang menyerang
sel darah putih. Leukemia dikelompokkan menjadi empat jenis.
Gejala yang hampir sama untuk setiap jenisnya mempersulit
untuk menentukan jenis penyakit leukemia yang diderita pasien.
Pada skripsi ini, peneliti bertujuan untuk merancang aplikasi
sistem pakar untuk diagnosis penyakit leukemia menggunakan
metode bayesian network dengan memperhatikan gejala-gejala
yang dialami. Bayesian network dapat digunakan untuk
menghitung probabilitas dari kehadiran berbagai gejala penyakit.
Sulitnya menentukan jenis penyakit leukemia karena rumitnya
berbagai gejala yang mengiringinya, dapat dibantu dengan
merepresentasikan gejala penyakit ini ke dalam sebuah model
grafis dalam bayesian network. Implementasi sistem pakar
berbasis web ini menggunkan bahasa pemrograman php.

Kategori dan Deskripsi Subjek

I.2.1 [Artificial Intellegence] Expert System

Ketentuan Umum
Teori

Kata Kunci
Penggunaan metode bayesian network untuk sistem pakar
diagnosis penyakit leukemia

1. PENDAHULUAN
Sistem pakar (expert system) adalah sistem yang berusaha
mengadopsi pengetahuan manusia ke komputer, agar komputer
dapat menyelesaikan masalah seperti layaknya para pakar.
Sistem pakar adalah a computer program designed to model the
problem-solving ability of a human expert. [3]. Sistem pakar
dibangun untuk mencoba menyerupai kemampuan manusia
dalam menyelesaikan masalah tertentu dalam bentuk heuristik.
Pengalihan keahlian dari para ahli ke komputer untuk kemudian
dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan
utama dari sistem pakar. Sistem pakar yang baik dirancang agar
dapat menyelesaikan suatu permasalahan tertentu dengan meniru
kerja dari para pakar. Sistem pakar memiliki potensi memperluas
kemampuan memecahkan persoalan.
Kepakaran manusia tidak bertahan lama, dapat hilang
karena kematian, pensiun, atau berpindah tempat kerja. Dalam
pengambilan kesimpulan, pakar dapat dipengaruhi oleh beberapa
faktor yang dapat memepengaruhi hasil pengambilan kesimpulan
tersebut. Sistem pakar memberikan hasil yang lebih konsisten
daripada pakar. Sistem pakar juga dapat melakukan pengambilan
kesimpulan dalam waktu yang konsisten, bahkan dalam beberapa

2. TINJAUAN PUSTAKA
2.1 Sistem Pakar
Sistem pakar merupakan sistem yang berbasis
pengetahuan, yaitu sistem yang meniru penalaran dari seorang

pakar dalam bidang tertentu untuk memecahkan suatu masalah

atau untuk memberikan saran. Sistem ini menggunakan
pengetahuan manusia untuk menyelesaikan masalah yang
memerlukan kepakaran seorang ahli (Turban, 2001). Jadi sistem
pakar berbeda dengan sistem lainnya yang hanya bisa
menyimpan data, sistem pakar harus mempunyai kemampuan
penalaran untuk mencari jawaban permasalahan yang diajukan.
Ada berbagai ciri dan karakteristik yang membedakan
sistem pakar dengan sistem yang lain. Ciri dan karakteristik ini
menjadi pedoman utama dalam pengembangan sistem pakar. Ciri
dan karakteristik yang dimaksud adalah sebagai berikut:
1. Pengetahuan sistem pakar merupakan suatu konsep,
bukan berbentuk numerik. Hal ini dikarenakan
komputer melakukan proses pengolahan data secara
numerik sedangkan keahlian dari seorang pakar adalah
fakta dan aturan-aturan, bukan numerik.
2. Informasi dalam sistem pakar tidak selalu lengkap,
subjektif, tidak konsisten, subjek terus berubah dan
tergantung pada kondisi lingkungan sehingga
keputusan yang diambil bersifat tidak pasti dan tidak
mutlak "ya" atau "tidak" akan tetapi menurut ukuran
kebenaran tertentu. Oleh karena itu dibutuhkan
kemampuan sistem untuk belajar secara mandiri dalam
menyelesaikan masalah-masalah dengan pertimbanganpertimbangan khusus.
3. Kemungkinan solusi sistem pakar terhadap suatu
permasalahan adalah bervariasi dan mempunyai
banyak pilihan jawaban yang dapat diterima, semua
faktor yang ditelusuri memiliki ruang masalah yang
luas dan tidak pasti. Oleh karena itu diperlukan
fleksibilitas sistem dalam menangani kemungkinan
solusi dari berbagai permasalahan.
4. Perubahan atau pengembangan pengetahuan dalam
sistem pakar dapat terjadi setiap saat bahkan sepanjang
waktu sehingga diperlukan kemudahan dalam
modifikasi sistem untuk menampung jumlah
pengetahuan yang semakin besar dan semakin
bervariasi.
5. Pandangan dan pendapat setiap pakar tidaklah selalu
sama, yang oleh karena itu tidak ada jaminan bahwa
solusi sistem pakar merupakan jawaban yang pasti
benar. Setiap pakar akan memberikan pertimbanganpertimbangan berdasarkan faktor subjektif.
6. Keputusan merupakan bagian terpenting dari sistem
pakar. Sistem pakar harus memberikan solusi yang
akurat berdasarkan masukan pengetahuan meskipun
solusinya sulit sehingga fasilitas informasi sistem
selalu diperlukan.

Tujuan membangun sistem pakar yaitu:

Seorang pakar dapat sakit, meninggal atau pensiun.
Sasaran pengembangan sistem pakar bukan untuk
menggantikan kedudukan seorang pakar, tetapi hanya
mengadopsi kepakarannya
2. Sistem pakar dapat menjangkau tempat-tempat yang
tidak terjangkau oleh seorang pakar, misalnya tempat
terpencil atau lokasi berbahaya sekalipun
3. Buku dan panduan dapat saja menggantikan seorang
pakar, tetapi buku dan panduan tidak dapat
memberikan semua pemecahan masalah
4. Jumlah pakar lebih sedikit jika dibandingkan dengan
permasalahan yang ada
5. Sistem pakar menyediakan fasilitas penyimpanan
pengetahuan lebih banyak daripada seorang pakar
6. Inti dari pengembangan sistem pakar adalah agar orang
awam sekalipun dapat menggunakan pengetahuan
seorang pakar untuk menyelesaikan masalah
7. Sistem pakar meningkatkan produktivitas dan
memperbaiki kualitas keputusan yang diambil oleh
seorang pakar
Pengembangan sistem pakar terdiri dari beberapa tahap
yang terus berulang. Ini terjadi karena adanya perubahan atau
tambahan pengetahuan baru. Ketika sebuah pengetahuan baru
ditambahkan ke basis pengetahuan sistem pakar, sistem
mengujinya untuk mengevaluasi apakah sistem mengerti atau
tidak pengetahuan baru tersebut, sehingga sistem dapat belajar
secara mandiri untuk menyelesaikan masalah.
1.

2.2 Bayesian Network

Bayesian network adalah graphical model for probabilistic
relationships among a set of variabels. [5]. Bayesian network
merupakan salah satu probabilistic graphical model (PGM) yang
sederhana yang dibangun dari teori probabilistik dan teori graf.
Teori probabilistik berhubungan langsung dengan data
sedangkan teori graf berhubungan langsung dengan bentuk
representasi yang ingin didapatkan. Bayesian network dapat
merepresentasikan hubungan sebab akibat diantara variabelvariabel yang terdapat pada struktur bayesian network [4], [12].
Sebagai contoh, sebuah bayesian network dapat mewakili
hubungan probabilistik antara penyakit dan gejala. Bayesian
network dapat digunakan untuk menghitung probabilitas dari
kehadiran berbagai gejala penyakit.
Bayesian network merupakan probabilistic graphical model
(PGM) dengan edge berarah yang digunakan untuk
merepresentasikan
pengetahuan
tentang
hubungan
ketergantungan atau kebebasan diantara variabel-variabel domain
persoalan
yang
dimodelkan.
Pengetahuan
tersebut
direpresentasikan secara kualitatif menggunakan struktur graf
dan secara kuantitatif menggunakan parameter-parameter
numerik. Bayesian network terdiri dari dua bagian utama, yaitu:
1. Struktur graf
Struktur graf bayesian network disebut dengan directed
acyclic graph (DAG) yaitu graf berarah tanpa siklus
berarah [4]. DAG terdiri dari node dan edge. Node
merepresentasikan
variabel
acak
dan
edge
merepresentasikan adanya hubungan kebergantungan
langsung (dapat pula diinterpretasikan sebagai
pengaruh (sebab-akibat) langsung antara variabel yang
dihubungkannya). Tidak adanya edge menandakan
adanya hubungan kebebasan kondisional di antara
variabel.
2. Himpunan parameter
Himpunan parameter mendefinisikan distribusi
probabilitas kondisional untuk setiap variabel.

Gambar 1 Skema Sistem Pakar

Pada bayesian network, nodes berkorespondensi dengan

variabel acak. Tiap node diasosiasikan dengan sekumpulan
peluang bersyarat, p(xi|Ai) dimana xi adalah variabel yang
diasosiasikan dengan node dan Ai adalah set dari parent dalam
graf.
Dalam membangun bayesian network, struktur dibangun
dengan pendekatan statistik yang dikenal dengan teorema bayes
yaitu conditional probability (peluang bersyarat). Conditional
probability yaitu perhitungan peluang suatu kejadian Y bila
diketahui kejadian X telah terjadi, dinotasikan dengan P(Y|X).
Teorema ini digunakan untuk menghitung peluang suatu set data
untuk masuk ke dalam suatu kelas tertentu berdasarkan inferensi
data yang sudah ada. Dalam kaitan dengan dignosis penyakit
leukemia, X dapat mengacu pada gejala penyakit leukemia dan Y
adalah jenis penyakit leukemia. Rumus teori bayes yaitu:
P(Y | X) =

sel lainnya, seseorang dengan kondisi leukemia akan

menunjukkan beberapa gejala umum seperti:
1. Anemia. Penderita akan menampakkan cepat lelah,
pucat dan bernafas cepat. Sel darah merah dibawah
normal menyebabkan oksigen dalam tubuh kurang,
akibatnya penderita bernafas cepat sebagai kompensasi
pemenuhan kekurangan oksigen dalam tubuh.
2. Perdarahan. Ketika platelet (sel pembeku darah) tidak
terproduksi dengan wajar karena didominasi oleh sel
darah putih, maka penderita akan mengalami
perdarahan dijaringan kulit (banyaknya jentik merah
lebar atau kecil dijaringan kulit).
3. Terserang Infeksi. Sel darah putih berperan sebagai
pelindung daya tahan tubuh, terutama melawan
penyakit infeksi. Pada penderita leukemia, sel darah
putih yang diterbentuk adalah tidak normal (abnormal)
sehingga tidak berfungsi semestinya. Akibatnya tubuh
penderita rentan terkena infeksi virus atau bakteri,
bahkan dengan sendirinya akan menampakkan keluhan
adanya demam, keluar cairan putih dari hidung (meler)
dan batuk.
4. Nyeri tulang dan persendian. Hal ini sebagai akibat
dari sumsum tulang (bone marrow) mendesak padat
oleh sel darah putih.
5. Nyeri perut. Nyeri perut juga merupakan salah satu
indikasi gejala leukemia, dimana sel leukemia dapat
terkumpul pada organ ginjal, hati dan empedu yang
menyebabkan pembesaran pada organ-organ tubuh ini
dan timbulah nyeri. Nyeri perut ini dapat berdampak
hilangnya nafsu makan penderita leukemia.
6. Pembengkakan kelenjar getah bening (limfadenopati).
Penderita
kemungkinan
besar
mengalami
pembengkakan pada kelenjar getah bening, baik yang
dibawah lengan, leher, dada dan lainnya. Kelenjar
getah bening bertugas menyaring darah, sel leukemia
dapat
terkumpul
disini
dan
menyebabkan
pembengkakan.
7. Kesulitan bernafas (dyspnea). Penderita mungkin
menampakkan gejala kesulitan bernafas dan nyeri
dada, apabila terjadi hal ini maka harus segera
mendapatkan pertolongan medis.
Sampai saat ini penyebab penyakit leukemia belum
diketahui secara pasti, akan tetapi ada beberapa faktor yang
diduga mempengaruhi frekuensi terjadinya leukemia, yaitu:
1. Radiasi. Hal ini ditunjang dengan beberapa laporan
dari beberapa riset yang menangani kasus leukemia
bahwa para pegawai radiologi lebih sering menderita
leukemia, penderita dengan radioterapi lebih sering
menderita leukemia, leukemia juga ditemukan pada
korban hidup kejadian bom atom Hiroshima dan
Nagasaki, Jepang.
2. Leukemogenik. Beberapa zat kimia telah diidentifikasi
dapat mempengaruhi frekuensi leukemia, misalnya
racun lingkungan seperti benzena, bahan kimia industri
seperti insektisida, obat-obatan yang digunakan untuk
kemoterapi.
3. Herediter. Penderita down syndrom memiliki insidensi
leukemia akut 20 kali lebih besar dari orang normal.
4. Virus. Beberapa jenis virus dapat menyebabkan
leukemia, seperti virus Epstein Barr, retrovirus, virus
leukemia feline, HTLV-1 pada dewasa.
Berdasarkan perjalanan penyakitnya leukemia dibagi
menjadi dua golongan yaitu akut dan kronis. Leukemia akut
ditandai dengan suatu perjalanan penyakit yang sangat cepat,
memburuk, dan mematikan. Apabila hal ini tidak segera diobati,
maka dapat menyebabkan kematian dalam hitungan minggu

P X^Y
P(X | Y) P(Y)
=
P X
P(X)

Bayesian network dapat melakukan pengambilan keputusan

(inferensi) probabilistik. Inferensi probabilistik adalah
memprediksi nilai variabel yang tidak dapat diketahui secara
langsung dengan menggunakan nilai-nilai variabel lain yang
telah diketahui [10]. Contoh inferensi probabilistik adalah
menentukan probabilitas kondisional pasien mengidap leukemia
jika diketahui pasien tersebut mengalami anemia dan mudah
memar.
Inferensi probabilistik dapat dilakukan jika terlebih dahulu
diperoleh joint probabillity distribution (JPD) dari semua
variabel yang dimodelkan (Krause, 1998). JPD adalah
probabilitas semua kejadian variabel yang terjadi secara
bersamaan.
Inferensi probabilistik dapat dilakukan jika bayesian
network telah dibangun, sehingga yang perlu dilakukan terlebih
dahulu adalah membangun struktur bayesian network. Dalam
kasus diagnosis penyakit leukemia, hubungan antar variabel dan
probabilitas nilai-nilai variabel belum diketahui, oleh karena itu
bayesian network dibangun berdasarkan data kejadian mengenai
variabel-variabel atau disebut dengan konstruksi bayesian
network dari data. Konstruksi bayesian network dari data terdiri
dari dua tahap, yaitu:
1. Konstruksi struktur atau disebut juga tahap kualitatif,
yaitu mencari keterhubungan antara variabel-variabel
yang dimodelkan.
2. Estimasi parameter atau disebut juga tahap kuantitatif,
yaitu menghitung nilai-nilai probabilitas.

2.3 Leukemia
Leukemia adalah penyakit ganas dan progresif pada organ
pembentuk darah yang ditandai dengan perubahan proliferasi
(reproduksi sel) dan perkembangan leukosit dalam darah dan
sumsum tulang [2]. Leukemia atau yang biasa disebut kanker
darah merupakan jenis kanker yang menyerang sel-sel darah
putih yang diproduksi oleh sumsum tulang (bone marrow).
Sumsum tulang dalam tubuh manusia memproduksi tiga tipe sel
darah diantaranya sel darah putih, yang berfungsi sebagai daya
tahan tubuh melawan infeksi, sel darah merah, yang berfungsi
membawa oksigen kedalam tubuh dan platelet, yaitu bagian kecil
sel darah yang membantu proses pembekuan darah.
Pada kasus leukemia, sel darah putih tidak merespon kepada
tanda yang diberikan oleh tubuh untuk mereproduksi sel darah
putih. Akhirnya produksi yang berlebihan dan tidak terkontrol
akan keluar dari sumsum tulang dan dapat ditemukan di dalam
darah perifer atau darah tepi. Jumlah sel darah putih yang
abnormal ini bila berlebihan dapat mengganggu fungsi normal

hingga hari. Sedangkan leukemia kronis memiliki perjalanan

penyakit yang tidak begitu cepat sehingga memiliki harapan
hidup yang lebih lama, hingga lebih dari 1 tahun.
Sedangkan berdasarkan tipe sel pembentuknya terdapat dua
jenis, yaitu leukemia limfositik dan leukemia mielogenosa
(granulositik). Jadi secara umum leukemia dibagi menjadi 4
jenis, yaitu:
1. Leukemia Limfositik Akut (LLA)
2. Leukemia Mielositik Akut (LMA)
3. Leukemia Limfositik Kronik (LLK)
4. Leukemia Mielositik Kronik (LMK)

anoreksia (ak), infeksi saluran nafas atas (sa) dan hepatomegali

(hp). Berapakah kemungkinan pasien tersebut mengidap
leukemia (L)? Untuk menghitung probabilitas tersebut, data yang
dibutuhkan adalah posterior probability dari masing-masing
gejala yang dialami.
Dari contoh kasus diatas, setelah diperoleh posterior
probability, dapat dihitung sebagai berikut:
P L a, ak, sa, hp =

Jadi, probabilitas pasien dengan gejala tersebut mengidap

leukemia sebesar 0.3235425 (32.35%).

3. PEMBAHASAN
3.1 Pengembangan Aturan

3.2 Software Sistem Pakar

Proses akuisisi pengetahuan dilakukan untuk menyusun

basis pengetahuan. Data yang dibutuhkan dalam basis
pengetahuan sistem pakar diagnosis penyakit leukemia adalah
data gejala, data nilai peluang gejala, data jenis penyakit, dan
aturan untuk menarik kesimpulan. Data gejala dan jenis penyakit
diperoleh dari pakar melalui hasil wawancara dengan Madya
Soekarno, S.Ked. dan beberapa sumber lain seperti buku
kedokteran, jurnal, artikel dan laman internet. Melalui proses
akuisisi pengetahuan ini, disimpulkan data yang diperoleh yaitu 4
jenis penyakit leukemia dan 36 gejala yang menyertainya.
Bayesian network merupakan metode yang digunakan untuk
menarik kesimpulan dalam sistem pakar diagnosis penyakit
leukemia. Terdapat beberapa langkah untuk menerapkan
bayesian network. Langkah-langkah tersebut diantaranya:
1. Membangun struktur bayesian network penyakit
leukemia
2. Menentukan parameter
3. Membuat conditional probability table (CPT)
4. Membuat joint probability distribution (JPD)
5. Menghitung posterior probability
6. Inferensi probabilistik
Setelah sruktur bayesian network terbentuk dan parameter
ditentukan, diberikan contoh conditional probability table seperti
pada tabel berikut ini.
Anoreksia
present
absent

Setelah menerapkan metode bayesian network pada sistem

pakar diagnosis penyakit leukemia, teknik tersebut
diimplementasikan ke dalam sebuah perangkat lunak yang diberi
nama SISPAMIA (Sistem Pakar Diagnosis Penyakit Leukemia).
Berikut ini adalah tampilan utama dari SISPAMIA:

Gambar 2 Halaman Utama SISPAMIA

4. PENGUJIAN

Leukemia
present absent
0.4
0.43
0.6
0.57

Pengujian hasil diagnosis dilakukan dengan menguji aturan

yang diterapkan pada sistem ini. Aturan penarikan kesimpulan
yang digunakan adalah metode bayesian network. Agar
pengujian sistem lebih optimal, maka pengujian langsung
dilakukan kepada pemakai (sample). Pengujian dilakukan untuk
mengetahui seberapa besar keakuratan sistem. Pengujian sistem
dilakukan kepada 20 orang sebagai sample. Pengujian terhadap
sample tersebut dijelaskan secara singkat melalui tabel berikut.

Cara menghitung joint probability distribution suatu gejala

adalah mengalikan nilai conditional probability dengan prior
probability. Prior probability gejala anoreksia present adalah
0.1, sedangkan absent 0.9. Jadi, dapat diperoleh joint probability
distribution dari gejala anoreksia yaitu
Anoreksia
present
absent

0.57143 + 0.09368 + 0.27695 + 0.35211

4
= 0.3235425

Leukemia
present
absent
0.04
0.387
0.06
0.513

1
2
3
4
5
6
7
8
9
10

Hasil Diagnosis
Sistem
Positif
Positif
Positif
Positif
Positif
Positif
Negatif
Positif
Positif
Positif

11
12

Positif
Positif

No

Langkah selanjutnya, untuk mendapatkan nilai posterior

probability, dapat dihitung dari hasil JPD yang telah diperoleh,
lalu nilai inilah yang digunakan untuk menghitung probabilitas
kemunculan suatu gejala. Berikut ini diberikan contoh cara
menghitung posterior probability gejala anoreksia, dilihat dari
tabel joint probability distribution.
Berdasarkan JPD diatas, dapat dihitung posterior
probability dari gejala anoreksia adalah
0.04
= 0.09368
0.04 + 0.387

Langkah terakhir adalah inferensi probabilistik, Untuk

memberikan gambaran lebih jelas, diberikan contoh kasus
berikut. Misalkan seorang pasien mengalami gejala anemia (a),

Nilai Sistem
LLA 35.008%
LLA 33.287%
LMA 42,898%
LMA 33,010%
LLA 39,686%
LLA 38,368%
LMK 38,522%
LLK 54,515%
LLA 38,922%
LMA 40,473%
LLK 51,914%
LMK 55,403%
LLA 29,706%
LMA 34,385%

Hasil Sebenarnya
LLA
LLA
LMA
LMA
LMA
LLA
Negatif
LMK
LLK
Negatif

LLA
LMA

13
14
15
16
17
18
19
20

Positif
Positif
Positif
Positif
Positif
Negatif
Negatif
Positif

LMK 66,191%
LLA 39,220%
LMK 66,191%
LLA 32,188%
LMK 38,522%

LMK 55,403%

[7]

LMK
LLA
LLK
LLA
LMK
Negatif
LLK
LMK

[8]

[9]
[10]

Berdasarkan tabel hasil pengujian sistem diatas, diperoleh

keterangan bahwa perhitungan persentase terhadap 20 orang
sample sebagai berikut:
1. Pengujian terhadap kesimpulan sistem positif atau
negatif leukemia:
Jumlah sample = 20 orang
Jumlah sample dengan hasil diagnosis sistem benar =
18 orang
Jumlah sample dengan hasil diagnosis sistem salah = 2
orang
Error sistem: (2/20) x 100 = 10%
Akurat: 90%
2.

[11]
[12]
[13]

[14]

[15]

Pengujian terhadap kesimpulan sistem jenis penyakit

leukemia:
Jumlah sample = 20 orang
Jumlah sample dengan hasil diagnosis benar = 16
orang
Jumlah sample dengan hasil diagnosis salah = 4 orang
Error sistem: (4/20) x 100 = 20%
Akurat: 80%.

[16]

[17]
[18]

5. KESIMPULAN
1.

2.

3.

Penelitian ini telah berhasil menghasilkan sistem pakar

untuk diagnosis penyakit leukemia menggunakan
metode bayesian network.
Berdasarkan hasil pengujian sistem yang dilakukan
kepada 10 orang sebagai sample, untuk mendiagnosis
positif atau negatif leukemia sistem memiliki nilai
keberhasilan sebesar 90%, sedangkan untuk
mendiagnosis
jenis
penyakit
leukemia
nilai
keberhasilannya sebesar 70%.
Sistem pakar diagnosis penyakit leukemia dengan
metode bayesian network dapat menyelesaikan
masalah diagnosis penyakit leukemia, karena dapat
memberikan hasil diagnosis dengan cepat beserta nilai
probabilitas kemunculan setiap jenis penyakit.

DAFTAR PUSTAKA
[1]

[2]
[3]
[4]

[5]

[6]

Andrew. 2009, April 15. Methodologies to Develop Expert

System.
[Online].
http://www.aboutknowledge.com/components-of-an-expert-system/. Diakses
tanggal 15 Maret 2010.
Dorland, W.A.N. 2002. Kamus Kedokteran Dorland.
Jakarta: EGC.
Durkin, John. 1994. Expert System Design and
Development. New Jersey: Prentice Hall Inc.
Ginting, S.L. 2008. Evaluasi Algoritma Cb* Untuk
Konstruksi Struktur Bayesian Network Dalam Data
Mining. Tesis Tidak Terpublikasi. Bandung: Institut
Teknologi Bandung.
Heckerman, David. 1995. A Tutorial Learning with
Bayesian Network. [Online]. http://research.microsoft.com.
Diakses tanggal 5 Februari 2010.
http://medicastore.com. [Online]. Diakses tanggal 4
Februari 2010.

http://detak.org/aboutcancer. [Online]. Diakses tanggal 31

Maret 2010.
Jasaputra, D.K.; Brataatmaja, Dani; & Sadeli, Lisawati.
2006. Hematologi dan Imunologi Kapita Selekta. Bandung:
Fakultas Kedokteran Universitas Maranatha.
Klein, Dan. 2007. Artificial Intelligence: Bayes Nets. UC
Berkeley.
Krause, P.J. 1998. Learning Probabilistic Networks. United
Kingdom: Philips Research Laboratories.
Moore, A.W. 2001. Bayes Nets for Representing and
Reasoning About Uncertainty. Carnegie Mellon University.
Neapolitan, R.E. 2004. Learning Bayesian Networks. USA:
Peason Pentice Hall.
Nugroho, Bunafit. 2008. Membuat Aplikasi Sistem Pakar
dengan PHP dan Editor Dreamweaver. Jogjakarta: Gava
Media.
Przytula, K.W.; & Thompson, Don. 2000. Construction of
Bayesian Network for Diagnostics. USA: HRL
Laboratories & Pepperdine University.
Sampaio, R.M.; Valentim, F.L.; Souza, L.A.; & Silva,
R.M. 2008. Inference Algorithms for Systems of Medical
Diagnosis Aid based on Bayesian Networks. Brazil: UFLA
- Federal University of Lavras.
Sudoyo, A.W. et. al. 2006. Ilmu Penyakit Dalam. Jakarta:
Departemen Ilmu Penyakit Dalam Fakultas Kedokteran
Universitas Indonesia.
Widmann, F.K. 1983. Clinical Interpretation of Laboratory
Tests. USA: F.A. Davis Company.
Yudkowsky, E.S. 2003. An Intuitive Explanation of
Bayesian
Network.
[Online].
http://yudkowsky.net/rational/bayes. Diakses tanggal 6
Oktober 2010.