Abstrak
Penyakit hati atau penyakit liver adalah penyakit yang disebabkan oleh berbagai faktor yang merusak
hati, seperti virus dan penggunaan alkohol. Obesitas juga berhubungan dengan kerusakan hati. Seiring
waktu, kerusakan hati dapat menyebabkan dampak yang serius, keberadaan pakar akan sangat
membantu dalam hal menangani permasalahan penyakit hati dengan cara mengidentifikasi gejala yang
dialami dan menyimpulkan jenis penyakit hati apa yang menyerang serta memberikan informasi untuk
menangani permasalahan. Metode Naive Bayes merupakan metode yang digunakan memprediksi
probabilitas. Sedangkan Certainty Factor adalah metode yang dapat membantu pakar yang
mendiagnosis sesuatu yang belum pasti. Variabel yang dibutuhkan dalam penelitian ini adalah gejala-
gejala penyakit hati dan jenis penyakit hati. Berdasarkan hasil pengujian dan analisis hasil penelitian ini,
maka dapat diambil beberapa kesimpulan yaitu Metode Naive Bayes dan certainty factor dapat
digunakan untuk diagnosis penyakit hati. Metode Naive Bayes dan certainty factor menghasilkan tingkat
akurasi sebesar 88%.
Kata kunci: penyakit hati, sistem pakar, naive bayes, certainty factor
Abstract
Liver disease or liver disease is a disease caused by various factors that damage the liver, such as
viruses and alcohol use. Obesity is also associated with liver damage. Over time, liver damage can
cause serious effects, the presence of experts will be very helpful in dealing with liver disease problems
by identifying the symptoms experienced and infer what type of liver disease is attacking and provide
information to deal with the problem. The Naive Bayes method is a method used to predict probabilities.
While Certainty Factor is a method that can help experts who diagnose something uncertain. Variables
needed in this study are symptoms of liver disease and liver disease type. Based on the results of testing
and analysis of the results of this study, it can be taken some conclusions that Method Naive Bayes and
certainty factor can be used for the diagnosis of liver disease. The Naive Bayes method and certainty
factor resulted in an accuracy of 88%.
Keywords: liver disease, expert system, naive bayes, certainty factor
Penyebab lain dari penyakit hati adalah akibat penelitian sebelumnya, maka penulis akan
efek toksik dari obat-obatan, mengembangkan perangkat lunak diagnosis
alkohol, racun, jamur dan lain-lain. Di samping penyakit hati menggunakan metode Naive bayes
itu juga terdapat beberapa penyakit hati yang dan certanty factor. Sistem ini diharapkan dapat
belum diketahui pasti penyebabnya. mempermudah dalam mendiagnosis penyakit
hati. Sistem menyediakan masukan berupa
Indonesia merupakan negara dengan
gejala yang dialami pengguna untuk diproses,
endemisitas tinggi Hepatitis B, terbesar kedua di
dan sistem dapat memberikan keluaran berupa
negara South East Asian Region (SEAR) setelah
informasi tentang penyakit yang menyerang.
Myanmar. Berdasarkan hasil Riset Kesehatan
Dasar (Riskesdas), studi dan uji saring darah
2. PENYAKIT HATI
donor PMI maka diperkirakan di antara 100
orang Indonesia, 10 di antaranya telah terinfeksi Hati merupakan organ yang sangat penting
Hepatitis B atau C. Sehingga saat ini dalam pengaturan homeostasis tubuh meliputi
diperkirakan terdapat 28 juta penduduk metabolisme, biotransformasi, sintesis,
Indonesia yang terinfeksi Hepatitis B dan C, 14 penyimpanan dan imunologi. Sel- sel hati
juta di antaranya berpotensi untuk menjadi (hepatosit) mempunyai kemampuan regenerasi
kronis, dan dari yang kronis tersebut 1,4 juta yang cepat. Oleh karena itu sampai batas
orang berpotensi untuk menderita kanker hati. tertentu, hati dapat mempertahankan fungsinya
Besaran masalah tersebut tentunya akan bila terjadi gangguan ringan. Pada gangguan
berdampak sangat besar terhadap masalah yang lebih berat, terjadi gangguan fungsi yang
kesehatan masyarakat, produktifitas, umur serius dan akan berakibat fatal.
harapan hidup, dan dampak sosial ekonomi Penyebab penyakit hati bervariasi, sebagian
lainnya. besar disebabkan oleh virus yang menular secara
Dengan perkembangan teknologi yang fekal-oral, parenteral, seksual, perinatal dan
semakin canggih penulis ingin memberikan sebagainya. Penyebab lain dari penyakit hati
alternatif lain dengan mengembangkan adalah akibat efek toksik dari obat-obatan,
perangkat lunak untuk melakukan diagnosis alkohol, racun, jamur dan lain-lain. Di samping
penyakit hati pada manusia. Kami memutuskan itu juga terdapat beberapa penyakit hati yang
untuk menggunakan metode naive bayes belum diketahui pasti penyebabnya.
classifier dan certainty factor karena naive bayes
dan certainty factor memiliki efisiensi 3. NAIVE BAYES DAN CERTAINTY
pembelajaran yang tinggi dan dapat FACTOR
memperkirakan semua kemungkinan hanya Metode Naive Bayes merupakan metode
dengan meninjau data latih. Naive Bayes yang digunakan memprediksi probabilitas.
Classifier adalah pengklasifikasian sederhana Sedangkan klasifikasi Bayes adalah klasifikasi
berdasarkan penerapan teorema bayes dengan statistik yang dapat memprediksi kelas suatu
asumsi independensi (An, Yunjing, Shutao Sun, anggota probabilitas. Untuk klasifikasi Bayes
Shujuan Wang. 2017). sederhana yang lebih dikenal sebagai naive
Banyak penelitian mengenai perangkat Bayesian Classifier dapat diasumsikan bahwa
lunak untuk diagnosis penyakit menggunakan efek dari suatu nilai atribut sebuah kelas yang
naive bayes dan certantly factor yang telah diberikan adalah bebas dari atribut-atribut lain.
dilakukan, salah satunya yang dilakukan oleh Naive Bayes Classifier merupakan sebuah
Ahmad Affan Suprayogi. Penelitiannya metoda klasifikasi yang berakar pada teorema
menghasilkan tingkat akurasi sebesar 86% Bayes. Ciri utama dari Naive Bayes Classifier ini
dalam mendiagnosa penyakit kucing. adalah asumsi yang sangat kuat (naif) akan
independensi dari masing-masing kondisi /
Pada penelitian ini, proses pada perangkat kejadian (Fahrurozi, Achmad. 2014).
lunak diawali dengan masukan data oleh
pengguna, kemudian data akan diolah komputer Secara garis besar model naive bayes
menggunakan metode Naive Bayes dan certanty classifier seperti pada Persamaan (1) (Sutojo. T.,
factor untuk mendapatkan klasifikasi jenis Mulyanto. E, Suhartono V., 2011):
penyakit yang menyerang. 𝑝(𝐸 |𝐻 ) 𝑥 𝑝(𝐻)
𝑝(𝐻|𝐸) = (1)
𝑝(𝐸)
Berdasarkan pemaparan dari penelitian-
Dengan:
1. p(H|E) = probabilitas hipotesis H terjadi tidak pasti disebabkan oleh dua faktor, yaitu
jika evidence E terjadi aturan yang tidak pasti dan jawaban pengguna
2. p(E|H) = probabilitas munculnya evidence yang tidak pasti atas suatu pertanyaan yang
E jika hipotesis H terjadi diajukan oleh sistem. Hal ini sangat mudah
3. p(H) = probabilitas hipotesis H tanpa dilihat pada sistem diagnosis penyakit, dimana
memandang evidence apapun pakar tidak dapat mendefinisikan hubungan
4. p(E) = probabilitas evidence E tanpa antara gejala dengan penyebabnya secara pasti,
memandang apapun dan pasien tidak dapat merasakan suatu gejala
dengan pasti pula. Pada akhirnya akan
Atau dengan kata lain persamaan (1) dapat
ditemukan banyak kemungkinan diagnosis.
digambarkan persamaan (2):
𝑃𝑟𝑖𝑜𝑟 𝑥 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 Sistem pakar harus mampu bekerja dalam
𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = (2) ketidakpastian. Sejumlah teori telah ditemukan
𝐸𝑣𝑖𝑑𝑒𝑛𝑐𝑒
44
Hitung nilai Penyakit 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥100
posterior Hati 50
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 88 %
Setelah dihitung dapat disimpulkan bahwa
A END pada penelitian ini metode naive bayes dan
certainty factor menghasilkan tingkat akurasi
Gambar 1. Diagram Alir Penghitungan sebesar 88 %.
Naive Bayes dan Certainty Factor
6. KESIMPULAN DAN SARAN
4. AKURASI Berdasarkan hasil pengujian dan analisis
Akurasi merupakan derajat ketepatan antara hasil penelitian ini, maka dapat diambil beberapa
nilai yang diukur dengan nilai sebenarnya. Nilai kesimpulan sebagai berikut:
replika analis semakin dekat dengan sampel 1. Metode Naive Bayes dan Certainty Factor
yang sebenarnya maka semakin akurat metode dapat digunakan untuk diagnosis penyakit
tersebut (Sutojo. T., Mulyanto. E, Suhartono V., hati.
2011). Persamaan akurasi dapat dilihat pada
persamaan (7). 2. Metode Naive Bayes dan Certainty Factor
menghasilkan tingkat akurasi sebesar
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥100 (7) 88%.
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛
7. DAFTAR PUSTAKA
Anugroho, Prasetyo. 2010. Klasifikasi Email
Spam dengan Metode Naive Bayes
Classifier Menggunakan Java
Programming
An, Yunjing, Shutao Sun, Shujuan Wang. 2017.
Naive Bayes Classifiers for Music
Emotion Classification Based on Lyrics
Fahrurozi, Achmad. 2014. Klasifikasi Kayu
dengan Menggunakan Naive Bayes
Classifier
Kusumadewi, Sri. 2009. klasifikasi status gizi
menggunakan naive bayesian
classification
Sutojo. T., Mulyanto. E, Suhartono V., 2011.
Kecerdasan Buatan. C.V Andi Offset.