Dengan munculnya berbagai penyakit menular baru seperti H7N9, H5N1, Ebola dan kemunculan penyakit yang ada misalnya, demam berdarah; penyakit tangan, kaki, dan mulut; campak; dan wabah disentri basiler, prevalensi penyakit menular merupakan ancaman serius bagi kesehatan dan kehidupan manusia. Beberapa penyakit menular memiliki angka kematian dan kematian yang tinggi, dan beberapa penyakit ini tidak memiliki perawatan atau vaksin. Oleh karena itu, kejadian penyakit ini penting untuk memberikan peringatan dini tepat waktu tentang potensi wabah penyakit. Langkah-langkah ini menghasilkan informasi yang cukup tentang epidemi penyakit, mengurangi wabah penyakit menular, dan mengendalikan efek penyakit pada populasi tertentu. 2,3. Tujuan dilakukan penelitian ini, adalah untuk deteksi distribusi penyakit yang tidak normal dan penilaian yang akurat dari risiko wabah penyakit adalah yang terpenting.
Model Bayesian Belief Network (BBN)
BBN merepresentasikan hirarki dan hubungan timbal balik antar variabel, berbeda dengan model regresi yang hanya dapat merepresentasikan ketergantungan variabel outcome berdasarkan variabel predictor. Metode ini terdiri dari tiga bagian: (1) menentukan tingkat risiko dan memilih faktor risiko; (2) membangun konstruksi BBN; dan (3) menghitung probabilitas gabungan variabel target di BBN dan menilai risiko wabah.Hal pertama yang dilakukan adalah pembangunan jaringan kepercayaan Bayesian. BBN menggunakan grafik asiklik terarah (DAG) untuk mewakili variabel dan ketergantungan kausal probabilistik antara variabel. Setiap variabel di BBN disajikan sebagai node dengan tautan berarah. Isi informasi dari setiap variabel disajikan sebagai satu atau beberapa distribusi probabilitas. Jika sebuah variabel tidak memiliki busur masuk, ia tidak bergantung pada variabel lain dalam model semesta, dan jika memiliki orang tua, ia memiliki satu distribusi probabilitas per kombinasi kemungkinan nilai induk. Oleh karena itu, jaringan hubungan yang andal sangat penting untuk memprediksi risiko wabah penyakit dengan menggunakan BBN. Yan kedua adalah analisis kuantitatif. Setelah membangun jaringan kepercayaan Bayesian, inferensi probabilistik diambil untuk menjelaskan hubungan ketergantungan antara node variabel dalam jaringan. Dalam penelitian kami, kesimpulan probabilistik dicapai dengan menghitung distribusi probabilitas bersyarat bersama antara variabel berdasarkan hubungan sebab dan akibatnya. Untuk setiap node BBN, rumus atau tabel probabilitas bersyarat, yang mewakili probabilitas setiap nilai node diberikan kondisi orang tuanya, disediakan P (X 1 = x 1, …, X n = x n) = P ( x 1, …, x n) = P ( x n) ∏ P (x i | Orang Tua (X saya)) Selanjutnya adalah Metode Rough Set yakni teori himpunan kasar digerakkan oleh data, yang dibagi menjadi empat langkah: (1) diskritisasi data, yang dalam hal ini, untuk memastikan komparabilitas model yang berbeda, sama dengan persiapan data yang memiliki telah digunakan dalam model Jaringan Bayesian; (2) menemukan reduksi minimal dari atribut bersyarat, menghapus atribut yang berlebihan, dan mengurangi kompleksitas sistem; (3) menghasilkan aturan sesuai dengan pengurangan, yang dapat memberikan dasar aturan untuk inferensi dan prediksi; dan (4) menerapkan aturan untuk memprediksi tingkat risiko wabah epidemi. Dan yang terakhir adalah melakukan persiapan data dan dihasilkan salah satu kasus yang diuji dengaN BBN yakni analisis risiko wabah campak. Dalam hal ini algoritma pembelajaran struktur jaringan diterapkan untuk membangun jaringan, kemudian struktur jaringan tersebut dimodifikasi berdasarkan pengetahuan ahli. Tingkat risiko wabah campak adalah hal penting dari faktor lingkungan tempat tinggal, suhu minimum harian, kisaran barometrik diurnal, dan jumlah sinar matahari harian. Kisaran barometrik diurnal bergantung pada kecepatan angin maksimum harian. Selain itu, baik suhu minimum harian dan jumlah harian sinar matahari merupakan simpul anak dari kelembaban minimum harian. Kesimpulan Dalam jurnal ini, pendekatan umum yang mengintegrasikan konsep jaringan Bayesian dengan penilaian risiko penyakit menular telah diusulkan dan didemonstrasikan, merinci bagaimana menilai risiko wabah campak dan HFMD menggunakan BBN berdasarkan kasus dan gejala penyakit pada skala spasial yang berbeda. Terakhir, membandingkan akurasi dan kelayakan metode BBN dan metode rough set. Hasil menunjukkan bahwa kinerja BBN lebih baik daripada metode rough set, baik dalam hal akurasi dan stabilitas. Selain itu, setelah jaringan hubungan antara risiko dan faktor wabah ditentukan, BBN secara akurat memprediksi risiko lebih lanjut dari wabah penyakit menular tanpa beberapa faktor yang dipilih. Ada banyak keuntungan menggunakan BBN untuk menilai risiko wabah penyakit. Pertama, BBN menggambarkan hubungan probabilitas kausal antara risiko wabah penyakit dan variabel faktor risiko, termasuk variabilitas, ketidakpastian, dan subjektivitas. Kedua, karena BBN adalah grafik, maka mudah untuk memperbarui dan memahami hubungan antar variabel. Terakhir, menurut distribusi probabilitas gabungan dari berbagai tingkat risiko wabah penyakit, BBN tidak hanya menentukan tingkat risiko yang paling mungkin, tetapi juga memberikan probabilitas bahwa tingkat risiko ini akan muncul dan memberikan penilaian risiko rinci kepada departemen kesehatan masyarakat untuk surveilans penyakit.