Jurnal

Fauzi, Akbar, Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes 1
Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes
Expert System Of Trauma Diagnosis With Bayes Theorem Method
Imron Fauzi1, Mutaqin Akbar2
Program Studi Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana

Yogyakarta, Jl. Wates Km. 10 Yogyakarta 55753, Indonesia
Email: imronkencunez@gmail.com, mutaqin@mercubuana-yogya.ac.id
ABSTRAK
Pada penelitian mengenai rancangan sistem pakar untuk mendiagnosa trauma pada manusia dengan
mengimplementasikan metode teorema bayes sebagai alat ukurnya. Teorema Bayes adalah teorema yang
digunakan dalam statistika untuk menghitung peluang suatu hipotesis. Basis pengetahuan sistem pakar diperoleh
dari akuisisi pengetahuan pakar yaitu psikolog. Pada penelitian ini menggunakan 50 data yang didapat melalui
kuisoner, lalu kuisoner yang ada diimplementasikan kedalam sistem dan dicocokan antara hasil sistem dan pakar
hingga mendapatkan angka kecocokan maksimal dan hasil identifikasi yang mendekati.
Berdasarkan dari 50 data yang telah diujikan terhadap pakar dan sistem, sistem dapat mendeteksi 4 jenis trauma
yaitu psikologis, neurosis, psikosis dan diseases. Untuk pasien yang mengalami trauma dan sesuai dengan validasi
pakar adalah 42 pasien dan yang tidak sesuai adalah 8 pasien. Sehingga untuk tingkat akurasi sistem berdasarkan
hasil validasi pakar dan sistem adalah 84%.
Kata Kunci : Trauma; Sistem Pakar; Teorema Bayes.
ABSTRACT
Keywords: Trauma; Expert System; Bayes Theorem.
1. PENDAHULUAN
Trauma adalah pengalaman yang terjadi berdebar-debar, pusing-pusing, menjadi lebih
secara tiba-tiba (tak terduga dan tak diharapkan) emosional, sulit berkonsentrasi, mudah curiga
dan sangat menyakitkan atau mengecewakan, atau membenci sesuatu dan selalu ketakutan
yang melebihi situasi stress yang dialami peristiwa buruk yang sama akan terulang (Hatta,
manusia sehari-hari dalam kondisi wajar. 2016).
Trauma juga bersifat massal seperti akibat dari Seseorang yang cenderung menekan
terjadinya bencana alam, perang dan kerusuhan. rasa traumanya hingga terpendam di bawah alam
Dalam kehidupan sehari-hari mengalami sadar dan di permukaan terlihat normal-normal
peristiwa yang tidak mengenakan atau saja. Hal ini biasa terjadi bila ada upaya
mengecewakan adalah hal yang biasa atau malah penghindaran atau penolakan secara sadar
cukup sering terjadi. Tapi rasa kecewa, terpukul maupun tidak sadar dari orang yang
atau rasa takut terulang lagi. Seseorang disebut bersangkutan untuk menghindari rasa sakit.
mengalami trauma bila menunjukkan sejumlah Trauma yang ditahan ini akan menjadi bom
gejala baik fisik maupun psikologi yang terus waktu bila dikemudian hari terjadi sebuah
berlangsung meskipun peristiwa traumatis itu peristiwa yang sama atau mirip, maka trauma
sudah lama berlalu. Mulai dari kehilangan selera masa lalu akan bangkit kembali dan merusak
makan atau justru makan berlebihan, jantung kehidupan seseorang. Inilah yang disebut
Jurnal Multimedia & Artificial Intelligence, Volume X, Nomor X, Agustus 2019 2
Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta
dampak trauma jangka panjang (Mendatu, training yang ada (Dewi, Soebroto, & Furqon,
2010). 2015).
Bila trauma tidak segera diatasi, Dalam penelitian mengenai Sistem
dikhawatirkan bisa berkembang menjadi Pakar Mendiagnosa Penyakit Herpes Zoster
gangguan kejiwaan yang lebih serius Dengan Menggunakan Metode Teorema Bayes
dikemudian hari seperti fobia, hysteria, hingga didapat proses dengan hasil yang akurat. Nilai
depresi. Untuk mengetahui seorang mengalami keyakinan jenis penyakit pada uji coba system
trauma kadang harus berkonsultasi kepada pakar untuk konsultasi pasien dengan jawaban
seorang yang ahli atau seorang pakar. Namun gejala 1, gejala 2, gejala 3, gejala 5, gejala 7,
tidak semua orang mau terbuka terhadap gejala 9 dan gejala 10 mendapatkan hasil 62,22
masalah traumanya. % atau lebih tingkat keyakinan penyakit pasien
Mengingat hal itu maka penelitian ini pada sistem. Sistem pakar ini dapat mendiagnosa
akan mengembangkan suatu aplikasi, “Sistem penyakit herpes zoster, namun masih belum bisa
Pakar Diagnosa Trauma Menggunakan dijadikan acuan karena ini hanya membantu
Teorema Bayes”. Sehingga diharapkan pasien dengan hasil proses metode teorema
penelitian ini dapat digunakan untuk membantu bayes, untuk lebih pasti konsultasi langsung
seseorang yang mengalami trauma untuk dengan dokter special (Sihotang, Panggabean, &
mendeteksi gejala awal dan dapat melakukan Zebua, 2018).
terapi awal untuk menghilangkan traumanya. Dalam penelitian mengenai Aplikasi
2. TINJAUAN PUSTAKA & LANDASAN Probabilitas Bayes Dalam Sistem Pakar Untuk
TEORI Mendiagnosis Gangguan Kejiwaan Bipolar,
2.1. Tinjauan Pustaka sistem ini menggunakan basis pengetahuan dan
Penelitian mengenai Sistem Pakar mesin inferensi berdasarkan pengetahuan dari
Untuk Mendiagnosa Penyakit Anemia Dengan seorang pakar. Sistem Pakar ini digunakan untuk
Menggunakan Metode Teorema Bayes, mendiagnosis gangguan kejiwaan bipolar
penerapan aplikasi metode teorema bayes untuk berdasarkan basis pengetahuan dari penyakit
menentukan penyakit anemia yaitu dengan tersebut. Tujuan dari penelitian ini adalah untuk
menentukan gejala dan jenis penyakit yang telah mendapatkan tingkat keakuratan yang tinggi dan
ditentukan, sehingga dapat melakukan untuk membantu Pakar (dokter kejiwaan). Pada
perhitungan dan mendapatkan hasil penyakit penelitian digunakan 2 macam basis
dari perhitungan metode teorema bayes. Hasil pengetahuan yaitu dengan menggunakan data
dengan perhitungan menggunakan teorema pebelajaran bipolar saja dan dengan
bayes pada salah satu sampel data menghasilkan menggunakan data pembelajaran bipolar dan
nilai keyakinan sebesar 32,38% pada penyakit skizofrenia. Tingkat keakuratan yang dicapai
anemia aplastic (Syahputra, Dahria, & Putri, dalam penelitian ini mencapai 44.83% (Lubis,
2017). Dharmawan, & Dewi, 2017).
Penelitian dengan judul Sistem Pakar Dalam penelitian dengan judul Sistem
Diagnosa Penyakit Sapi Potong dengan Metode Pakar Diagnosa Penyakit Batu Ginjal
Naive Bayes. Dalam pengujian menggunakan Menggunakan Teorema Bayes, menjelaskan
metode Naive Bayes proses diagnosa penyakit mengenai aplikasi sistem pakar yang berguna
sapi potong dilakukan dengan cara memasukkan sebagai alat bantu untuk mendapatkan informasi
gejala klinis yang muncul pada ternak untuk dan dugaan awal dalam mendiagnosa penyakit
mendapatkan nilai probabilitas posterior setiap batu ginjal. Hasil dalam penelitian ini adalah
class jenis penyakit sapi potong. Jenis penyakit sistem pakar untuk mendiagnosa penyakit batu
yang memiliki nilai akhir tinggi akan diambil ginjal dengan menggunakan metode bayes dapat
sebagai hasil diagnosa sistem pakar. menyelesaikan masalah diagnosis penyakit batu
Berdasarkan kelima skenario pengujian akurasi ginjal, karena dapat memberikan hasil diagnosis
terhadap variasi data menghasilkan nilai rata- dengan nilai probabilitas kemunculan setiap
rata akurasi masing-masing skenario sebesar jenis penyakit (Russary, 2016).
93,08%, 93,85%, 93,85%, 92,31% dan 92,31%. Penelitian dengan judul Analisis Dan
Sehingga didapatkan rata-rata akurasi sistem Perancangan Sistem Pakar Untuk Mengatasi
sebesar 93,08%. Tingkat akurasi tertinggi Trauma Pada Anak Menggunakan Algoritma
didapat ketika variasi data training berjumlah Forward Chaining Dan Certainly Factor,
40% dan 60% dari keseluruhan jumlah data menjelaskan mengenai truma yang dialami oleh
anak-anak. Hasil dari sistem yang dibuat ini
sistem dapat memberikan kesimpulan hasil penyakit yang bersumber dari stimulus-stimulus
penyakit yang diderita, menampilkan gejala- luar yang dialami individu secara spontan atau
gejala dari setiap penyakit, hasil diagnosa berulang-ulang, seperti keracunan, terjadi
dengan perhitungan yang sesuai dan pengguna pemukulan, teror, ancaman dan sebagainya.
sistem yang dibagi menjadi 3 level (Rakhman & 2.3. Teorema Bayes
Luthfi, 2015). Teorema Bayes merupakan metode yang
2.2. Trauma baik didalam mesin pembelajaran berdasarkan
Trauma adalah sebuah kejadian atau data training, dengan menggunakan probabilitas
serangkaian kejadian yang mengancam atau bersyarat sebagai dasarnya. Metode Bayes juga
menimbulkan kematian atau luka yang merupakan suatu metode untuk menghasilkan
berbahaya, atau sebuah ancaman terhadap estimasi parameter dengan menggabungkan
integritas psikologis seseorang. Secara umum informasi dari sampel dan informasi lain yang
trauma mengakibatkan sistem syaraf mengalami telah tersedia sebelumnya (Rahayu, 2013).
over stimulasi karena rasa takut atau rasa Dalam teorema bayes langkah awal dari
terancam yang tak tertanggungkan, sehingga perhitungan yang dilakukan adalah mencari nilai
menyebabkan kinerja sistem syaraf (termasuk semesta hipotesa (H) yang terdapat pada
otak) yang mengendalikan seluruh diri seseorang evidence, kemudian dijumlahkan semua nilai
terganggu (Mendatu, 2010). probabilitas evidence dari pakar. Untuk langkah
Dalam kajian psikologi dikenal – langkah lebih jelasnya dapat dilihat pada
beberapa jenis trauma sesuai dengan penyebab Persamaan 1 sampai Persamaan 5, adalah
dan sifatnya trauma (Reber & Reber, 2010), sebagai berikut:
yaitu trauma psikologi, trauma neurosis, trauma
psikosis dan trauma diseases. Berikut jenis a. Mencari nilai semesta
trauma yang ada pada kamus psikologi: ∑𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡
𝐺𝑒𝑗𝑎𝑙𝑎 = 𝐺𝐽01 + 𝐺𝐽02 + 𝐺𝐽03 + ⋯ 𝑛 ( 1)
1. Trauma Psikologis b. Menghitung nilai semesta P(Hi)
Trauma psikologis merupakan akibat dari P(H1,2, . . . 𝑛) =
𝐻1,2,…𝑛
( 2)
𝑝01
suatu peristiwa atau pengalaman yang luar biasa, ∑𝑘=1
yang terjadi secara spontan (mendadak) pada diri c. Menghitung probabilitas H

individu tanpa berkemampuan untuk mengontrol ∑𝑃01
𝐺01 = 𝑃(𝐻𝑖) × 𝑃(𝐸|𝐻𝑖 − 𝑛 ( 3)
(loss control and loss helpness) dan merusak d. Mencari nilai P(Hi|E)
𝑃(𝐸 |𝐻 )×𝑃(𝐻𝑖)
fungsi ketahan mental individu secara umum. 𝑃(𝐻𝑖|𝐸) = ( 4)
𝑃(𝐻)
Ekses dari jenis trauma ini dapat menyerang e. Menghitung total nilai bayes
individu secara menyeluruh (fisik dan psikis). ∑𝑃02
𝑘=2 𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + ⋯ 𝑛 ( 5)
2. Trauma Neurosis 3. METODOLOGI PENELITIAN
Trauma Neurosis merupakan suatu Secara garis besar jalan penelitian ini
gangguan yang terjadi pada saraf pusat (otak) menggunakan metode waterfall. Metode
individu, akibat benturan-benturan benda keras Waterfall adalah suatu proses pengembangan
atau pemukulan kepala. Penderita trauma ini perangkat lunak berurutan, dimana kemajuan
biasanya saat terjadi tidak sadarkan diri, hilang dipandang sebagai terus mengalir ke bawah
kesadaran dan lain-lainnya yang sifatnya (seperti air terjun) melewati fase-fase seperti
sementara. pada Gambar 1.
3. Trauma Psikosis
Trauma Psikosis merupakan suatu
gangguan yang bersumber dari kondisi atau
problema fisik individu, seperti cacat tubuh,
amputasi salah satu anggota tubuh dan
sebagainya yang menimbulkan shock dan
gangguan emosi. Pada saat-saat tertentu
gangguan kejiwaan ini biasanya terjadi akibat
bayang-bayang pikiran terhadap pengalaman/
peristiwa yang pernah dialaminya, yang memicu
timbulnya histeris atau fobia. Gambar 1 Alur Penelitian
4. Trauma Diseases 3.1. Akuisisi Pengetahuan
Gangguan kejiwaan jenis ini oleh para ahli Akuisisi pengetahuan merupakan
ilmu jiwa dan medis dianggap sebagai suatu kegiatan untuk mencari dan megumpulkan data
untuk analisis kebutuhan perangkat lunak yang Kode Nama Gejala/Keadaan

bersumber dari seorang pakar. GJ04 Gangguan tidur
3.2. Representasi Pengetahuan GJ05 Mengingat kembali peristiwa buruk yang dialami
GJ06 Menghindari situasi atau orang
3.2.1. Perancangan DFD GJ07 Kurang perhatian terhadap lingkungan
Data Flow Diagram (DFD) merupakan GJ08 Mudah tersinggung
diagram alir data yang menggambarkan GJ09 Mudah putus asa
bagaimana data di proses oleh sistem. Data Flow GJ10 Sulit berkonsentrasi
GJ11 Perilaku menarik diri
Diagram juga menggambar notasi aliran data di GJ12 Kurang memiliki energi fisik
dalam sistem. GJ13 Mudah Cemas
Diagram konteks ini memiliki sebuah GJ14 Sesak nafas
proses yaitu penentu trauma pada manusia GJ15 Dada tertekan
GJ16 Kepala terasa ringan
dengan dua entity yaitu admin dan user seperti GJ17 Mudah lelah
pada Gambar 3. GJ18 Keringat dingin
GJ19 Mengalami Kepanikan
GJ20 Perasaan tidak mampu melakukan sesuatu
GJ21 Histeria (emosi yang tidak terkendali)
GJ22 Rasa takut yang berlebihan
GJ23 Suka memaksa
GJ24 Sering mengalami halusinasi
GJ25 Pernah mengalami pemukulan di kepala
GJ26 Kemampuan berfikir yang menurun
GJ27 Memiliki Permasalahan fisik (cacat)
GJ28 Suka berandai-andai hal yang aneh
GJ29 Pernah mengalami keracunan
Gambar 2 Diagram Konteks GJ30 Pernah mengalami ancaman
DFD level 0 yang merupakan penjabaran dari GJ31 Pernah mengalami kekerasan, penyiksaan,& tindakan
asusila
diagram konteks, dapat dilihat pada Gambar 3. GJ32 Pernah mengalami peristiwa bencana alam
GJ33 Pernah mengalami kecelakaan ringan maupun berat
GJ34 Pernah mengalami perampokan
GJ35 Pernah melihat kejadian tragis
GJ36 Sering berkemih (Ngompol)
GJ37 Mual Muntah
GJ38 Berbicara melantur dan tidak sesuai topik
Tabel 3 Data Rule
TR01 TR02 TR03 TR04
GJ01 X X
GJ02 X X
GJ03 X X
Gambar 3 DFD level 0 GJ04 X X X
3.2.2 Basis Pengetahuan GJ05 X X
Basis pengetahuan merupakan inti GJ06 X
dari program sistem pakar karena GJ07 X
GJ08 X
merupakan presentasi pengetahuan yang GJ09 X
menyimpan dasar-dasar aturan dn data GJ10 X X
tentang trauma yang bersumber dari pakar. GJ11 X X X
Berikut ini adalah proses indexing yang GJ12 X
GJ13 X X X
digunakan dalam aplikasi dapat dilihat pada GJ14 X X
Tabel 1 sampai dengan Tabel 3.6. GJ15 X X
GJ16 X X
Tabel 1 Tabel Trauma X X X
GJ17
Kode Trauma Jenis Trauma GJ18 X X
TR01 Trauma Psikologis GJ19 X X
TR02 Trauma Neurosis GJ20 X X
TR03 Trauma Psikosis GJ21 X X
TR04 Trauma Disaseas GJ22 X X
Tabel 2 Gejala Trauma GJ23 X
Kode Nama Gejala/Keadaan GJ24 X
GJ25 X
GJ01 Mengalami bullying
GJ02 Mengalami konflik kekeluargaan GJ26 X X
GJ03 Menjadi pemarah
GJ27 X
TR01 TR02 TR03 TR04

GJ28 X X
GJ29 X X
GJ30 X X
GJ31 X X
GJ32 X X
GJ33 X X
GJ34 X X
GJ35 X X X
GJ36 X X
GJ37 X
GJ38 X
Nilai 1 1 1 1
Probabilitas
Tabel 4 Aturan Bayes
No Nilai Bayes Teorema Bayes
1 0 – 0.2 Tidak ada
2 0.3 – 0.4 Mungkin
3 0.5 – 0.6 Kemungkinan Besar
4 0.7 – 0.8 Hampir Pasti
5 0.9 - 1 Pasti
3.2.3. Perancangan Database Gambar 5 Flowchart sistem

Perancangan database dapat dilihat pada 4. PEMBAHASAN
Gambar 4. 4.1. Proses Inferensi
Dalam perancangan sistem pakar ini
menggunakan metode teorema bayes dan
forward chaining. Teorema bayes dimulai dari
mencari nilai semesta total bobot gejala dari tiap
penyakit lalu menghitung nilai semesta P(Hi) di
lanjutkan dengan menghitung probabilitas (H)
tanpa memandang evidence apapun barulah
mencari nilai P(Hi|E) dan langkah terakhir
menjumlahkan nilai bayes.
Dalam proses perhitungan teorema
bayes pada sistem pakar diagnosa trauma adalah
sebagai berikut:
Tabel 5 Data Sampel
No. Nama Umur Gejala
XX XXXX XX GJ01, GJ03, GJ05,
Gambar 4 Relasi Antar Tabel
GJ06, GJ08, GJ10,
3.2.4. Flowchart sistem GJ13, & GJ33
Flowchart sistem dapat dilihat pada Gambar 5. Keterangan :
Langkah-langkah perhitungannya adalah
sebagai berikut:
a. Step 1 Permasalahan
Diketahui daftar trauma pada Tabel 1.
 Rule Sistem
- Rule gejala yang dipilih adalah :
 GJ01, GJ03, GJ05, GJ08, GJ10, & GJ13
pada rule TR01.
 GJ10 & GJ13 pada rule TR02.
 GJ33 pada rule TR03.
 GJ01, GJ03, GJ05, GJ06, GJ13, & GJ33
pada rule TR04.
- Rule sistem
Diketahui rule sistem pada Tabel 3.
- Dimana
 GJ01 = Mengalami bullying.  𝑃(𝐻3) =

0.5
= 0.1316
3.8
 GJ03 = Menjadi pemarah. 0.7
 𝑃(𝐻4) = = 0.1842
 GJ05 = Mengingat kembali peristiwa buruk 3.8
0.5
yang dialami.  𝑃(𝐻5) = = 0.1316
3.8
 GJ06 = Menghindari situasi atau orang.  𝑃(𝐻6) =
0.7
= 0.1842
3.8
 GJ08 = Mudah tersinggung. - Menghitung probabilitas H tanpa
 GJ10 = Sulit berkonsentrasi. memandang evidence apapun
 GJ13 = Mudah cemas. Setelah seluruh nilai P(H|i) diketahui,
 GJ33 = Pernah mengalami kecelakaan dilanjutkan menghitung probabilitas H
ringan atau berat. tanpa memandang evidence apapun
b. Step 2 nilai probabilitas pakar gejala terhadap seperti pada Persamaan 3, maka langkah
penyakit. selanjutnya adalah:
Nilai probabilitas yang diberikan pakar untuk  𝑃(𝐻1) × 𝑃(𝐸|𝐻1) = 0.2105 × 0.8 =
masing-masing gejala terhadap penyakit. 0.1684
- Nilai probabilitas gejala pada TR01  𝑃(𝐻2) × 𝑃(𝐸|𝐻2) = 0.1579 × 0.6 =
 GJ01 = 0.8. 0.0947
 𝑃(𝐻3) × 𝑃(𝐸|𝐻3) = 0.1316 × 0.5 =
 GJ03 = 0.6. 0.0658
 GJ05 = 0.5.  𝑃(𝐻4) × 𝑃(𝐸|𝐻4) = 0.1842 × 0.7 =
 GJ08 = 0.7. 0.1289
 GJ10 = 0.5.  𝑃(𝐻5) × 𝑃(𝐸|𝐻5) = 0.1316 × 0.5 =
 GJ13 = 0.7. 0.0658
 𝑃(𝐻6) × 𝑃(𝐸|𝐻6) = 0.1842 × 0.7 =
- Nilai probabilitas gejala pada TR02 0.1289
 GJ10 = 0.7. Total Hipotesa (H) = 0.6526
 GJ13 = 0.6. - Mencari nilai P(Hi|E)
- Nilai probabilitas gejala pada TR03 - Untuk menghitung P(Hi|E) mengacu
 GJ33 = 0.5. pada Step 1 dengan rumus seperti
- Nilai probabilitas gejala pada TR04 persamaan 4.
 GJ01 = 0.7. 𝑃(𝐻1)×𝑃(𝐸 |𝐻1) 0.2105×0.8
 𝑃(𝐻1|𝐸) = = =
 GJ03 = 0.5. 𝐻 0.6526
0.2580
 GJ05 = 0.6. 𝑃(𝐻2)×𝑃(𝐸 |𝐻2) 0.1579×0.6
 GJ06 = 0.5.  𝑃(𝐻2|𝐸) = = =
𝐻 0.6526
 GJ13 = 0.5. 0.1451
𝑃(𝐻3)×𝑃(𝐸 |𝐻3) 0.1316×0.5
 GJ33 = 0.7.  𝑃(𝐻3|𝐸) =
𝐻
=
0.6526
=
c. Langkah perhitungannya adalah sebagai 0.1008
berikut. 𝑃(𝐻4)×𝑃(𝐸 |𝐻4) 0.1842×0.7
 𝑃(𝐻4|𝐸) = = =
 GJ01, GJ03, GJ05, GJ08, GJ10, & GJ13
𝐻 0.6526
0.1975
pada rule TR01.  𝑃(𝐻5|𝐸) =
𝑃(𝐻5)×𝑃(𝐸 |𝐻5)
=
0.1316×0.5
=
- Mencari nilai semesta 𝐻 0.6526
0.1008
Mencari nilai semesta dengan 𝑃(𝐻6)×𝑃(𝐸 |𝐻6) 0.1842×0.7
 𝑃(𝐻6|𝐸) = = =
menjumlahkan nilai probabilitas setiap 𝐻 0.6526
gejala terhadap masing-masing penyakit 0.1975
dengan rumus pada Persamaan 1, adalah Pada Step 1 data gejala terpilih untuk
sebagai berikut: TR01 adalah GJ01, GJ03, GJ05, GJ08,
Nilai semesta = 0.8 + 0.6 + 0.5 + 0.7 + GJ10, dan GJ13 begitu juga dengan
0.5 + 0.7 rule gejala terpilih, maka dihitung pada
= 3.8 P(Hi|E) adalah gejala terpilih GJ01,
- Menghitung nilai semesta P(Hi) GJ03, GJ05, GJ08, GJ10, dan GJ13 lalu
Setelah hasil penjumlahan nilai semesta dilanjutkan dengan menghitung total
diketahui nilai semesta, maka nilai bayes.
didapatkan rumus nilai semesta P(Hi) - Menghitung total nilai bayes
pada Persamaan 2, adalah sebagai Setelah seluruh nilai P(Hi|E) diketahui,
berikut: jumlahkan seluruh nilai bayes dengan
0.8 rumus seperti pada persamaan 5 adalah
 𝑃(𝐻1) = = 0.2105
3.8
0.6
sebagai berikut:
 𝑃(𝐻2) = = 0.1579
3.8
𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = (0.8 × 0.2580) terpilih GJ10 dan GJ13 lalu dilanjutkan
+ (0.6 × 0.1451) dengan menghitung total nilai bayes.
+ (0.5 × 0.1008)
+ (0.7 × 1975)
- Menghitung total nilai bayes
+ (0.5 × 0.1008) Setelah seluruh nilai P(Hi|E) diketahui,
+ (0.7 × 0.1975) jumlahkan seluruh nilai bayes dengan
𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.2064 + 0.0870 + 0.0504 rumus seperti pada Persamaan 5 adalah
+ 0.1383 + 0.0504 sebagai berikut:
+ 0.1383 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = (0.7 × 0.5764)
𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.6709 + (0.6 × 0.4235)
Pada GJ01, GJ03, GJ05, GJ08, GJ10, 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.4035 + 0.2541
dan GJ13 pada rule TR01 diperoleh 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.6576
nilai 0.6710, jika dicocokkan dengan Pada GJ10 dan GJ13 pada rule TR02
tabel aturan bayes hasilnya 0.5 – 0.6 diperoleh nilai 0.6576, jika dicocokkan
yang artinya “Kemungkinan Besar”. dengan tabel aturan bayes hasilnya 0.5
 GJ10 & GJ13 pada rule TR02 – 0.6 yang artinya “Kemungkinan
- Mencari nilai semesta Besar”.
Mencari nilai semesta dengan  GJ33 pada rule TR03
menjumlahkan nilai probabilitas setiap - Mencari nilai semesta
gejala terhadap masing-masing Mencari nilai semesta dengan
penyakit dengan rumus pada menjumlahkan nilai probabilitas setiap
Persamaan 1, adalah sebagai berikut: gejala terhadap masing-masing
Nilai semesta = 0.7 + 0.6 penyakit dengan rumus pada
= 1.3 Persamaan 1, adalah sebagai berikut:
- Menghitung nilai semesta P(Hi) Nilai semesta = 0.5
Setelah hasil penjumlahan nilai semesta = 0.5
diketahui nilai semesta, maka - Menghitung nilai semesta P(Hi)
didapatkan rumus nilai semesta P(Hi) Setelah hasil penjumlahan nilai semesta
pada Persamaan 2, adalah sebagai diketahui nilai semesta, maka
berikut: didapatkan rumus nilai semesta P(Hi)
0.7
 𝑃(𝐻1) = = 0.5384 pada Persamaan 2, adalah sebagai
1.3
0.6 berikut:
 𝑃(𝐻2) = = 0.4615 0.5
1.3 𝑃(𝐻1) = =1
- Menghitung probabilitas H tanpa 0.5
- Menghitung probabilitas H tanpa
memandang evidence apapun
Setelah seluruh nilai P(H|i) diketahui,
Setelah seluruh nilai P(H|i) diketahui,
dilanjutkan menghitung probabilitas H
dilanjutkan menghitung probabilitas H
tanpa memandang evidence apapun
tanpa memandang evidence apapun
seperti pada Persamaan 3, maka
seperti pada Persamaan 3, maka
langkah selanjutnya adalah:
 𝑃(𝐻1) × 𝑃(𝐸|𝐻1) = 0.5384 × 0.7 = langkah selanjutnya adalah:
0.3769  𝑃(𝐻1) × 𝑃(𝐸|𝐻1) = 1 × 0.5 = 0.5
 𝑃(𝐻2) × 𝑃(𝐸|𝐻2) = 0.4615 × 0.6 = Total Hipotesa (H) = 0.5
0.2769 - Mencari nilai P(Hi|E)
Total Hipotesa (H) = 0.6538 Untuk menghitung P(Hi|E) mengacu
- Mencari nilai P(Hi|E) pada Step 1 dengan rumus seperti
Untuk menghitung P(Hi|E) mengacu persamaan 4.
pada Step 1 dengan rumus seperti 𝑃(𝐻1)×𝑃(𝐸 |𝐻1) 1×0.5
 𝑃(𝐻1|𝐸) = = =1
persamaan 4. 𝐻 0.5
𝑃(𝐻1)×𝑃(𝐸 |𝐻1) 0.5384×0.7 Pada Step 1 data gejala terpilih untuk
 𝑃(𝐻1|𝐸) = = =
𝐻 0.6538 TR03 adalah GJ33 begitu juga dengan
0.5764 rule gejala terpilih, maka dihitung pada
𝑃(𝐻2)×𝑃(𝐸 |𝐻2) 0.4615×0.6
 𝑃(𝐻2|𝐸) = = = P(Hi|E) adalah gejala terpilih GJ33 lalu
𝐻 0.6538
0.4235 dilanjutkan dengan menghitung total
Pada Step 1 data gejala terpilih untuk nilai bayes.
TR02 adalah GJ10 dan GJ13 begitu - Menghitung total nilai bayes
juga dengan rule gejala terpilih, maka Setelah seluruh nilai P(Hi|E) diketahui,
dihitung pada P(Hi|E) adalah gejala jumlahkan seluruh nilai bayes dengan
rumus seperti pada Persamaan 5 adalah 𝑃(𝐻1)×𝑃(𝐸 |𝐻1) 0.2000×0.7

 𝑃(𝐻1|𝐸) = = =
𝐻 0.5971
sebagai berikut: 0.2344
𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.5 × 1 𝑃(𝐻2)×𝑃(𝐸 |𝐻2) 0.1428×0.5
 𝑃(𝐻2|𝐸) = = =
𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.5 𝐻 0.5971
0.1196
Pada GJ33 pada rule TR03 diperoleh 𝑃(𝐻3)×𝑃(𝐸 |𝐻3) 0.1714×0.6
nilai 0.5, jika dicocokkan dengan tabel  𝑃(𝐻3|𝐸) = = =
𝐻 0.5971
aturan bayes hasilnya 0.5 – 0.6 yang 0.1722
𝑃(𝐻4)×𝑃(𝐸 |𝐻4) 0.1428×0.5
artinya “Kemungkinan Besar”.  𝑃(𝐻4|𝐸) =
𝐻
=
0.5971
=
 GJ01, GJ03, GJ05, GJ06, GJ13, & 0.1196
GJ33 pada rule TR04. 𝑃(𝐻5)×𝑃(𝐸 |𝐻5) 0.1428×0.5
 𝑃(𝐻5|𝐸) = = =
𝐻 0.5971
- Mencari nilai semesta 0.1196
Mencari nilai semesta dengan  𝑃(𝐻6|𝐸) =
𝑃(𝐻6)×𝑃(𝐸 |𝐻6)
=
0.2000×0.7
=
menjumlahkan nilai probabilitas setiap 𝐻 0.5971
0.2344
gejala terhadap masing-masing Pada Step 1 data gejala terpilih untuk
penyakit dengan rumus pada TR04 adalah GJ01, GJ03, GJ05, GJ06,
Persamaan 1, adalah sebagai berikut: GJ13, dan GJ33 begitu juga dengan
Nilai semesta = 0.7 + 0.5 + 0.6 + 0.5 + rule gejala terpilih, maka dihitung pada
0.5 + 0.7 P(Hi|E) adalah gejala terpilih GJ01,
= 3.5 GJ03, GJ05, GJ06, GJ13, dan GJ33 lalu
- Menghitung nilai semesta P(Hi) dilanjutkan dengan menghitung total
Setelah hasil penjumlahan nilai semesta nilai bayes.
diketahui nilai semesta, maka - Menghitung total nilai bayes
didapatkan rumus nilai semesta P(Hi) Setelah seluruh nilai P(Hi|E) diketahui,
pada Persamaan 2, adalah sebagai jumlahkan seluruh nilai bayes dengan
berikut: rumus seperti pada Persamaan 5 adalah
0.7
 𝑃(𝐻1) = = 0.2000 sebagai berikut:
3.5
0.5
 𝑃(𝐻2) = = 0.1428 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = (0.7 × 0.2344)
3.5
 𝑃(𝐻3) =
0.6
= 0.1714 + (0.5 × 0.1196)
3.5
0.5 + (0.6 × 1722)
 𝑃(𝐻4) = = 0.1428
3.5
0.5
+ (0.5 × 1196)
 𝑃(𝐻5) = = 0.1428 + (0.5 × 1196) + (0.7
3.5
0.7
 𝑃(𝐻6) = = 0.2000 × 0.2344)
3.5
- Menghitung probabilitas H tanpa 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.1641 + 0.0598
+ 0.1033 + 0.0598
+ 0.0598 + 0.1641
Setelah seluruh nilai P(H|i) diketahui, 𝑁𝑖𝑙𝑎𝑖 𝑏𝑎𝑦𝑒𝑠 = 0.6110
dilanjutkan menghitung probabilitas H Pada GJ01, GJ03, GJ05, GJ06, GJ13,
tanpa memandang evidence apapun dan GJ33 pada rule TR04 diperoleh
seperti pada Persamaan 3, maka nilai 0.6110, jika dicocokkan dengan
langkah selanjutnya adalah: tabel aturan bayes hasilnya 0.5 – 0.6
 𝑃(𝐻1) × 𝑃(𝐸|𝐻1) = 0.2000 × 0.7 =
0.1400 yang artinya “Kemungkinan Besar”.
 𝑃(𝐻2) × 𝑃(𝐸|𝐻2) = 0.1428 × 0.5 = Dari hasil perhitungan data sampel
0.0714 pengujian diatas didapat bahwa
 𝑃(𝐻3) × 𝑃(𝐸|𝐻3) = 0.1714 × 0.6 = didiagnosa kemungkinan trauma pada
0.1028 pasien XXXX dengan dapat dilihat
 𝑃(𝐻4) × 𝑃(𝐸|𝐻4) = 0.1428 × 0.5 =
0.0714 pada Tabel 6.
 𝑃(𝐻5) × 𝑃(𝐸|𝐻5) = 0.1428 × 0.5 = Tabel 6 Hasil Hitung
0.0714 Nama Hasil Penyakit Hasil Aturan
Pasien Hitung Inferensi
 𝑃(𝐻6) × 𝑃(𝐸|𝐻6) = 0.2000 × 0.7 =
XXXX Trauma Psikologis 0.6709 Kemungkinan
0.1400 Besar
Total Hipotesa (H) = 0.5971 Trauma Neurosis 0.6576 Kemungkinan
- Mencari nilai P(Hi|E) Besar
Trauma Psikosis 0.5000 Kemungkinan
Untuk menghitung P(Hi|E) mengacu Besar
pada Step 1 dengan rumus seperti Trauma Diesaseas 0.6110 Kemungkinan
persamaan 4. Besar
Dari Tabel 6 hasil hitung diambil nilai Pasien Hasil Teorema Bayes Hasil Pakar Validasi
Penyakit Nilai Sesuai/
paling tinggi dari setiap gejala terpilih yang Tidak
dihitung berdasarkan penyakit yang ada, PSN Trauma Psikosis 0.6875 Trauma Disaseas Tidak
didapatkan bahwa “TRAUMA PSIKOLOGIS” 27 sesuai
PSN Trauma Disaseas 0.7386 Trauma Disaseas Sesuai
mendapat nilai paling tinggi yaitu 0.6709, 28
selanjutnya dicocokkan dengan tabel aturan PSN Trauma Psikosis 0.8000 Trauma Psikosis Sesuai
bayes yaitu nilai 0.5 – 0.6 adalah “Kemungkinan 29
PSN Trauma Psikosis 0.6875 Trauma Psikologis Tidak
Besar”. Maka pasien dengan nama PSN06 30 sesuai
didiagnosa mengalami “Trauma Psikologis”. PSN Trauma Psikosis 0.8056 Trauma Psikosis Sesuai
4.2. Hasil Data Uji 31
PSN Trauma Psikosis 0.7937 Trauma Psikosis Sesuai
Berikut adalah hasil data uji validasi 32
sistem dengan pakar yang dapat dilihat pada PSN Trauma Disaseas 0.7155 Trauma Disaseas Sesuai
33
Tabel 7. PSN Trauma Disaseas 0.7155 Trauma Disaseas Sesuai
Tabel 7 Hasil Data Uji 34
Pasien Hasil Teorema Bayes Hasil Pakar Validasi PSN Trauma Disaseas 0.7397 Trauma Disaseas Sesuai
Penyakit Nilai Sesuai/ 35
Tidak PS N Trauma Disaseas 0.6889 Trauma Disaseas Sesuai
PSN Trauma Psikosis 0.7803 Trauma Psikosis Sesuai 36
01 PSN Trauma Psikosis 0.7803 Trauma Psikosis Sesuai
02 PSN Trauma Disaseas 0.7248 Trauma Disaseas Sesuai
PSN Trauma Psikosis 0.7473 Trauma Disaseas Tidak 38
03 sesuai PSN Trauma Psikosis 0.8035 Trauma Psikosis Sesuai
04 PSN Trauma 0.7549 Trauma Psikologis Sesuai
PSN Trauma Disaseas 0.6966 Trauma Disaseas Sesuai 40 Psikologis
PSN Trauma 0.6709 Trauma Psikologis Sesuai 41
06 Psikologis PSN Trauma Psikosis 0.7803 Trauma Psikosis Sesuai
PSN Trauma Psikosis 0.7473 Trauma Disaseas Tidak 42
07 sesuai PSN Trauma Disaseas 0.7336 Trauma Disaseas Sesuai
PSN Trauma Disaseas 0.7935 Trauma Psikologis Tidak 43
PSN Trauma Disaseas 0.7051 Trauma Disaseas Sesuai 45
PSN Trauma Disaseas 0.7009 Trauma Psikologis Tidak 46
PSN Trauma Disaseas 0.7263 Trauma Disaseas Sesuai 47
13 PSN Trauma Disaseas 0.6776 Trauma Psikosis Tidak
PSN Trauma Disaseas 0.7273 Trauma Disaseas Sesuai 49 sesuai
14 PSN Trauma Neurosis 0.7000 Trauma Neurosis Sesuai
15
16 5. KESIMPULAN
PSN Trauma Psikosis 0.7722 Trauma Psikosis Sesuai Dari penelitian yang dilakukan,
17
kesimpulan yang dapat diperoleh adalah sebagai
18 berikut :
PSN Trauma Disaseas 0.6900 Trauma Neurosis Tidak 1. Sistem yang dirancang dengan
19 Sesuai
implementasi metode teorema bayes dapat
20 digunakan untuk membantu dalam
PSN Trauma Psikosis 0.7905 Trauma Psikosis Sesuai diagnosis trauma.
21
2. Hasil implementasi dapat berjalan sesuai
22 dengan desain.
PSN Trauma Disaseas 0.7512 Trauma Disaseas Sesuai 3. Berdasarkan 50 data yang telah diujikan
23
terhadap pakar dan sistem, untuk pasien
24 yang menderita trauma dan sesuai dengan
PSN Trauma Disaseas 0.6956 Trauma Disaseas Sesuai validasi pakar adalah 42 pasien dan yang
25
tidak sesuai adalah 8 pasien. Sehingga
26 untuk tingkat akurasi sistem berdasarkan
hasi validasi pakar dan sistem, diperoleh Sihotang, H. T., Panggabean, E., & Zebua, H.
presentase 84% data kasus yang sesuai. (2018, Maret). Sstem Pakar
DAFTAR PUSTAKA Mendiagnosa Penyakit Herpes Zoster
Dewi, I. C., Soebroto, A. A., & Furqon, T. (2015, Dengan Menggunakan Metode Teorema
November). Sistem Pakar Diagnosa Bayes. Journal OfInformatic Pelita
Penyakit Sapi Potong Dengan Metode Nusantara, 3, 33-40.
Naive Bayes. Journal of Environmental Syahputra, T., Dahria, M., & Putri, P. D. (2017,
Engineering & Sustainable Technology, September). Sistem Pakar Untuk
II, 72-78. Mendiagnosa Penyakit Anemia
Hartati, S., & Iswanti, S. (2013). Sistem Pakar Menggunakan Metode Teorema Bayes.
Dan Pengembangannya. Yogyakarta: Jurnal Ilmiah Saintikom, 16, 284-294.
Graha Ilmu.
Hatta, K. (2016). Trauma Dan Pemulihannya.
(Tubin, Ed.) Banda Aceh: Dakwah Ar-
Raniry Press.
Hidayah, N., & Amborowati, A. (2016). Analisis
dan Perancangan Sistem Pakar
Diagnosa Penyakit Mematikan Pada
Perempuan Menggunakan Metode
Bayes. Seminar Nasional Teknologi
Informasi dan Multimedia, ISSN : 2302-
3805. Retrieved from
http://ojs.amikom.ac.id/index.php/semn
asteknomedia/article/viewFile/1229/11
68
Lubis, C., Dharmawan, A. B., & Dewi, Y. (2017,
Februari). Aplikasi Probabilitas Bayes
Dalam Sistem Pakar Untuk
Mendiagnosis Gangguan Kejiawaan
Bipolar. Seminar Nasional Teknologi
Informasi dan Multimedia 201 7, ISSN :
2302-3805, 31-36.
Mendatu, A. (2010). Pemulihan Trauma :
Strategi Penyembuhan Trauma untuk
Diri Sendiri, Anak dan Orang Lain di
Sekitar Anda (1st ed.). Panduan.
Rahayu, S. (2013). Sistem Pakar Untuk
Mendiagnosa Penyakit Gagal Ginjal
Dengan Menggunakan Metode Bayes.
Pelita Informatika Budi Darma, IV, 129-
134. Retrieved from
https://ejurnal.stmik-
budidarma.ac.id/index.php/pelita/article
/download/310/319
Rakhman, M., & Luthfi, E. T. (2015). Analisis
dan Perancangan Sistem Pakar Untuk
Mengatasi Trauma pada Anak
Menggunakan Algoritma Forward
Chaining Dan Certainly Factor. 1-5.
Reber, A. S., & Reber, E. S. (2010). Kamus
Psikologi (Vol. III). Pustaka Pelajar.
Russary, I. (2016, Februari). Sistem Pakar
Diagnosa Penyakit Batu Ginjal
Menggunakan Teorema Bayes. Jurnal
Riset Komputer, I, 18-22.

Jurnal

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jurnal

Diunggah oleh

Hak Cipta:

Format Tersedia

Fauzi, Akbar, Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes 1

Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes

Expert System Of Trauma Diagnosis With Bayes Theorem Method

Imron Fauzi1, Mutaqin Akbar2

Program Studi Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana

Kata Kunci : Trauma; Sistem Pakar; Teorema Bayes.

Keywords: Trauma; Expert System; Bayes Theorem.

yang terjadi secara spontan (mendadak) pada diri c. Menghitung probabilitas H

untuk analisis kebutuhan perangkat lunak yang Kode Nama Gejala/Keadaan

TR01 TR02 TR03 TR04

3.2.3. Perancangan Database Gambar 5 Flowchart sistem

 GJ01 = Mengalami bullying.  𝑃(𝐻3) =

rumus seperti pada Persamaan 5 adalah 𝑃(𝐻1)×𝑃(𝐸 |𝐻1) 0.2000×0.7

Anda mungkin juga menyukai