JTRISTE, Vol.1, No.1, Februari 2014, pp.

1~9
ISSN:

PENERAPAN METODE BAYESIAN NETWORK MODEL

UNTUK MENDIAGNOSA PENYAKIT SESAK NAFAS
PADA BAYI

William Philip
Junaedy
Hasniati

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
STMIK KHARISMA MAKASSAR
2017

 2
■ ISSN:

JTRISTE Vol. 1, No. 1, 2014

 3
JTRISTE ISSN: 1693-6930 ■

William Philip

 4
■ ISSN:

JTRISTE Vol. 1, No. 1, 2014

 5
JTRISTE ISSN: 1693-6930 ■

William Philip

 6
■ ISSN:

JTRISTE Vol. 1, No. 1, 2014

 7
JTRISTE ISSN: 1693-6930 ■

William Philip

 8
■ ISSN:

PENERAPAN METODE BAYESIAN NETWORK MODEL

UNTUK MENGHITUNG PROBABILITAS PENYAKIT
SESAK NAFAS BAYI

1WilliamPhilip, 2Junaedy, 3Hasniati

123STMIK Kharisma Makassar
e-mail: 1whillys09@gmail.com, 2junaedy@kharisma.ac.id, 3hasniati@kharisma.ac.id

Abstrak
Penelitian ini bertujuan untuk menerapkan Bayesian Network untuk menghitung
probabilitas penyakit sesak nafas pada bayi dan tentunya seluruh data diambil dari dokter
spesialis yang sangat profesional di bidang kesehatan khususnya pada bayi dan anak. Hampir
semua orang tua pasti khawatir jika bayinya terkena penyakit, apalagi penyakit itu adalah
gangguan pada pernafasan bayi yang sangat sering dan banyak bayi alami. Disaat yang
bersamaan orang tua bayi bukan seorang perawat pasti kekhawatiran pasti akan semakin kuat,
sistem ini bertindak layaknya seorang pakar atau dokter, dimana pada sistem ini terdapat
gejala-gejala dari gangguan pernafasan pada bayi yang penulis dapatkan langsung dari hasil
wawancara dengan dokter spesialis anak di tempat penulis melakukan penelitian. Metode
Bayesian Network digunakan untuk menghitung probabilitas dari kehadiran berbagai gejala
penyakit dengan memperhatikan gejala-gejala yang dialami. Hasil dari penelitian ini yaitu
Metode Bayesian Network dapat diterapkan untuk menghitung probabilitas penyakit sesak
nafas bayi dan hasil perhitungan ini sebagai prediksi tetapi hasil akhir diagnosa tersebut ada
dalam pemeriksaan langsung yang dilakukan oleh dokter spesialis anak.

Kata kunci: Bayesian Network, Diagnosa, Probabilitas

Abstract
This analysis was mainly aimed to apply the Bayesian Network, to calculate the
probability of shortness of breath disease in infants and all the data were taken from specialist
doctors, who are very professional in the field of health especially in infants and children. All
parents must be worried if their children is affected by the disease, even more if the disease is
shortness of breath. At the same time, the parents are not a medical person because of that
parents must be worried. This system acts like an expert or a doctor and in this system there
are symptoms of shortness of breath in infants, that I get from the results of interviews with
pediatrician in the place that I do the research. Bayesian network method is used to calculate
the probability of the presence of various symptoms by observing them. The result of this
research is Bayesian network method can be applied to calculate the probability of shortness of
breath disease in infants and the calculation of the results only a prediction but the final result of
diagnosis will be checked by pediatrician.

Keywords: Bayesian Network, Diagnosis , Probability

1. Pendahuluan
Kesehatan merupakan hal yang sangat berharga bagi seluruh umat manusia tanpa
terkecuali, baik orang dewasa, anak-anak, sampai kepada bayi sekalipun dapat mengalami

JTRISTE Vol. 1, No. 1, 2014

 9
JTRISTE ISSN: 1693-6930 ■

gangguan kesehatan. Terlebih pada seorang bayi sangat rentan terhadap penyakit. Pada bayi
Gangguan pernafasan merupakan suatu penyakit yang sering dialami oleh bayi, baik bayi yang
baru lahir maupun bayi yang mungkin sudah berumur satu bulan sangat rentan dengan
gangguan pernafasan. Hal ini yang sangat dikhawatirkan oleh orang tua, terlebih jika orang tua
bayi tersebut bukan seorang dokter atau bukan seorang perawat hal ini dapat menjadi
pergumulan besar bagi orang tua bayi.[1]
Orang tua terkadang tidak memperdulikan apakah gangguan pernafasan pada bayi
tersebut masih dalam tingkat rendah atau kronis. Oleh sebab itu diperlukan mekanisme yang
dapat memudahkan dalam mendiagnosa penyakit pernafasan pada bayi. Oleh sebab itu penulis
akan menerapkan metode Bayesian Network Model untuk menghitung probabilitas penyakit
sesak nafas pada bayi. Dalam penelitian ini semua dilakukan di Rumah Sakit Ibu dan Anak
Catherine Booth.

2. Sesak Nafas (Dyspnea)

Sesak nafas adalah dimana kondisi kita susah bernafas biasanya terjadi ketika kita
melakukan aktivitas fisik dan bisa terjadi pada orang dewasa maupun anak-anak dan bayi
sekalipun, sesak nafas juga suatu gejala dari beberapa penyakit yang dapat bersifat kronis.
Kesulitan bernafas tersebut merupakan hasil dari kombinasi impuls yang diteruskan ke otak dari
ujung saraf di paru-paru, tulang rusuk, otot dada, atau diafragma kemudian dikombinasikan
dengan persepsi pasien dan interpretasi.[1]
Ada banyak hal di lingkungan sekitar yang dapat memicu sesak nafas pada anak dan
bayi. Pemicu ini bervariasi, tetapi yang sering terjadi adalah udara dingin, alergi seperti debu,
jamur, bulu binatang dan kotoran serangga, serta infeksi virus. Ketika saluran udara
bersentuhan dengan alergen, jaringan di dalam bronkus dan bronkiolus menjadi meradang,
pada saat yang sama, otot-otot di bagian luar saluran udara mengalami penyempitan dan hal ini
menyebabkan sesak nafas.[1]

.
3. Bayi
Bayi adalah anak dengan rentang usia 0-12 bulan. Masa bayi merupakan bulan
pertama kehidupan kritis karena bayi akan mengalami adaptasi terhadap lingkungan,
perubahan sirkulasi darah, serta organ-organ tubuh mulai berfungsi, dan pada usia 29 hari
sampai 12 bulan, bayi akan mengalami pertumbuhan yang sangat cepat. Pertumbuhan
berkaitan denganmaslah perubahan ukuran, besar, jumlah atau dimensi pada tingkat sel, organ
maupun individu. Pertumbuhan bersifat kuantitatif yang diukur dalam satuan berat (gram,
kilogram), satuan panjang (centimeter, meter), umur tulang dan keseimbangan metabolik
(retensi kalsium dan nitrogen dalam tubuh).[2]

4. Bayesian Network
Bayesian Network (BN) adalah model grafis probabilitik yang merepresentasikan
serangkaian variabel dan keterkaitan antar variabel tersebut. Di dalam Bayesian Network dapat
menunjukan probabilitas hubungan antara kejadian-kejadian yang saling berhubungan maupun
tidak berhubungan.
Bayesian Network menjadi sangat populer pada dekade terakhir ini karena digunakan
untuk berbagai aplikasi cerdas seperti mesin pembelajaran, pengolahan teks, pengolahan
bahasa alami, pengenalan suara, pengolahan sinyal, bioinformatika, error-control codes,
diagnosis medis, peramalan cuaca, jaringan seluler, dan aplikasi sistem cerdas lainnya.
Sebagai contoh, Bayesian Network dapat mewakili hubungan probabilistik antara penyakit dan
gejala. Bayesian Network dapat juga digunakan untuk menghitung probabilitas dari kehadiran
berbagai gejala penyakit.
Bayesian Network (BN) merupakan sebuah pasangan dari ( ) dengan
merupakan Directed Acyclic Graph (DAG) atau graf berarah yang tidak memiliki siklus dimana
node ( ) sebagai peubah dan edge ( ) sebagai penghubung bebas bersyarat antar peubah,
sedangkan adalah sebarang peluang bersyarat. Node pada BN tidak harus sebagai peubah
namun dapat seperti bentuk yang lain, sebagai ukuran parameter, peubah laten maupun
hipotesis[7]

William Philip

 10
■ ISSN:

Gambar 1. Graf berarah dengan node dan edge [7]

BN yang terdiri atas sejumlah node dengan dapat

diilustrasiakan seperti gambar 1 dalam hal ini dan saling bebas bersyarat. Node

merupakan node dengan syarat node yang dapat dinotasikan sebagai

. Begitu juga merupakan node dengan syarat node atau dapat

dinotasikan sebagai , sehingga peluang persamanya adalah :

P(A,B,C) = P(A|B)P(B)P(C|B) ................................................(1)

Parent didefinisikan sebagai node yang dijadikan syarat, sedangkan child merupakan node
yang diberikan syarat. Gambar 2.1 dapat dijelaskan bahwa merupakan parent dari dan

atau bisa juga bahwa dan merupakan child dari . Jika merupakan node ke-i sedangkan

adalah parent dari node maka secara umum persamaan 2 dapat ditulis :

..................................(2)

BN merupakan sebuah metode yang didasarkan pada torema Bayes (Bayes’s theorem), yang
menggambarkan hubungan bersyarat :
..............................................................(3)

Jika kejadian-kejadian merupakan sekatan dari ruang contoh dengan

untuk sedangkan bersifat , maka persamaan 3 dapat

dituliskan :
...................................................(4)

Persamaan 4 merupakan persamaan yang dikenal dengan teorema Bayes.[7]

5. Gejala Sesak Nafas

Tabel 1. Daftar Gejala Penyakit Sesak Nafas Bayi

Kode Gejala Nama Gejala

G01 Sesak
G02 Kulit Kebiruan

JTRISTE Vol. 1, No. 1, 2014

 11
JTRISTE ISSN: 1693-6930 ■

G03 Lemah
G04 Bayi Prematur
G05 Malas Minum
G06 Berat Badan Rendah
G07 Kejang
G08 Gelisah
G09 Demam
G10 Batuk
G11 Diare
G12 Perut Kembung
G13 Tidak Kuat Menghisap

Tabel 2. Daftar Jenis Penyakit Sesak Nafas Bayi

Kode Penyakit Nama Penyakit

P01 Hyaline Membran Desease

P02 Sepsis Neonatorum
P03 Pneumoni Neonatal

Tabel 3. Daftar Penyebab Penyakit Sesak Nafas Bayi

Kode
Nama Penyebab
Penyebab
S01 Kekurangan Cairan Surfaktan
S02 Terjadinya Infeksi Pada darah
S03 Terjadinya Infeksi Pada Paru-paru

William Philip

 12
■ ISSN:

Tabel 4. Daftar Penaganan Penyakit Sesak Nafas Bayi

Kode
Penanganan Penanganan
T01 Pada Hyaline Membran Desease harus dilakukan
pemasangan CPAP (Continuous Positive Airway
Pressure),CPAP adalah alat kesehatan yang
digunakan untuk bayi yang memiliki masalah
pernafasan, penambahan cairan surfaktan pada bayi
dan juga cairan infuse.
T02 Pada Sepsis Neonatorum diberikan penambahan
cairan infus, perlu juga pemberian antibiotik dan
Oksigen (O2) seperlunya.
T03 Pada Pneumoni Neonatal dapat diberikan
penambahan Oksigen (O2) seperlunya , lalu perlu
juga pemberian cairan infus, dan juga pemberian
antibiotik .

6. Penerapan Bayesian Network

Berikut langkah-langkah membangun penerapan bayesian network beserta contoh
perhitungan manual penyakit sesak nafas Hyaline Membran Desease dengan menggunakan
bayesian network jika diketahui 100 pasien yang menderita penyakit Hyaline Membran
Desease
1. Membangun struktur Bayesian Network penyakit sesak nafas bayi
Struktur graf bayesian network disebut dengan directed acyclic graph (DAG) yaitu graf
berarah tanpa siklus berarah. DAG terdiri dari node dan edge. Node merepresentasikan
variabel acak dan edge merepresentasikan adanya hubungan kebergantungan langsung dan
dapat juga diinterpretasikan sebagai pengaruh (sebab-akibat) langsung antara variabel yang
dihubungkannya. Dalam sistem ini , maka struktur bayesian network akan merepresentasikan
antara jenis penyakit sesak nafas bayi dengan gejala penyakit sesak nafas bayi, sehingga
langkah pertama dalam membangun sistem diagnosa penyakit sesak nafas bayi dengan
bayesian network adalah membuat struktur bayesian network pada penyakit sesak nafas bayi.

JTRISTE Vol. 1, No. 1, 2014

 13
JTRISTE ISSN: 1693-6930 ■

Kulit
Bayi Lemah kebiruan

Sesak
BB

Hyaline Membran
Desease

Gambar 2. Struktur bayesian network penyakit sesak nafas

2. Menentukan Parameter
Nilai prior probaility atau nilai kepercayaan dari gejala penyakit sesak nafas bayi
merupakan nilai yang muncul untuk menjelaskan besar kepercayaan dari setiap gejala pada
penyakit sesak nafas bayi. Untuk setiap gejala yang direpresentasikan pada struktur
bayesian network mempunyai estimasi parameter yang didapat dari data yang telah ada
atau pengetahuan dari dokter spesialis. Berikut adalah nilai prior probability yang didapat
langsung dari wawancara dengan dokter spesialis

Tabel 5. Prior Probability Gejala Penyakit Sesak Nafas Bayi

No Kode Gejala Nama Gejala Nilai

1. G01 Sesak 0.9
2. G02 Kulit Kebiruan 0.5
3. G03 Lemah 0.5
4 G04 Bayi Prematur 0.8
5. G05 Malas Minum 0.4
6. G06 Berat Badan Rendah 0.7
7. G07 Kejang 0.8
8. G08 Gelisah 0.6
9. G09 Demam 0.9
10. G10 Batuk 0.8
11. G11 Diare 0.5
12. G12 Perut Kembung 0.5
13. G13 Tidak Kuat Menghisap 0.6
3. Membuat Conditional Probability Table (CPT)
Langkah berikutnya adalah menentukan Conditional probability yaitu probabilitas suatu
event B terjadi apabila event A sudah terjadi. Sebuah tabel yang berisi probabilitas dari
setiap kemungkinan nilai dari A dan B disebut dengan conditional probability table (CPT).

William Philip

 14
■ ISSN:
Conditional probability table dari penyakit sesak nafas bayi Hyaline Membran Desease
terhadap gejala penyakit sesak nafas pada bayi
Tabel 6. Conditional Probability Gejala Penyakit Sesak Nafas Bayi Hyaline Membran
Desease

Hyaline Membran Desease

Lemah
Present absent
Positif 0.5 0.5
Negatif 0.5 0.5

Hyaline Membran Desease

Sesak
present absent
Positif 0.9 0.1
Negatif 0.1 0.9

Hyaline Membran Desease

Kulit
Kebiruan present absent
Positif 0.5 0.5
Negatif 0.5 0.5

Bayi Hyaline Membran Desease

Prematur Present absent
Positif 0.8 0.2
Negatif 0.2 0.8

Berat Hyaline Membran Desease

badan
rendah present absent

Positif 0.7 0.3

Negatif 0.3 0.7

4. Membuat Join Probability Distribution (JPD)

JTRISTE Vol. 1, No. 1, 2014

 15
JTRISTE ISSN: 1693-6930 ■

Langkah berikut adalah menentukan nilai joint probability distribution (JPD).

Probabilitas kemunculan bersama untuk semua kombinasi kemungkinan nilai-nilai yang
terdapat pada variabel A dan B disebut joint probability distribution (JPD). Sama seperti CPT,
joint probability distribution dari suatu variabel A dan B adalah sebuah tabel yang berisi
probabilitas untuk setiap nilai A dan B yang dapat terjadi. Untuk mendapatkan joint
probability distribution yaitu dengan cara menghitung hasil kali antara conditional probability
dengan prior probability seperti terlihat pada rumus di bawah ini

P(A ∩ B) = P(A)P(B|A)
Berdasarkan persamaan di atas, cara menghitung joint probability distribution suatu
gejala adalah mengalikan nilai conditional probability dengan prior probability. Contoh akan
dihitung joint probability distribution gejala sesak. Prior probability sesak positif adalah 0.9,
sedangkan negatif 0.1. Tabel Conditional probability sesak sbb

Hyaline Membran Desease

Sesak
present absent
Positif 0.9 0.1
Negatif 0.1 0.9

Sehingga dapat diperoleh joint probability distribution (JPD) dari penyakit sesak nafas
Hyaline Membran Desease

Tabel 7. Join Probability Gejala Penyakit Sesak Nafas Bayi Hyaline Membran Desease

Hyaline Membran Desease

Sesak
Present Absent
Positif 0.9 x 0.9 = 0,81 0,1 x 0.1 = 0,01
Negatif 0.9 x 0.1 = 0,09 0,1 x 0.9 = 0,09

Hyaline Membran Desease

Lemah
Present absent
Positif 0.5 x 0.5 = 0,25 0,5 x 0.5 = 0,25
Negatif 0,5 x 0.5 = 0,25 0,5 x 0.5 = 0,25

Kulit Hyaline Membran Desease

Kebiruan Present absent

William Philip



 16
■ ISSN:

Positif 0.5 x 0.5 = 0,25 0,5 x 0.5 = 0,25

Negatif 0,5 x 0.5 = 0,25 0,5 x 0.5 = 0,25

Bayi Hyaline Membran Desease

Prematur Present absent
Positif 0.8 x 0.8 = 0,64 0,2 x 0.2 = 0,04
Negatif 0.8 x 0.2 = 0,16 0,2 x 0.8 = 0,16

Berat Hyaline Membran Desease

Badan
Rendah Present absent

Positif 0.7 x 0.7 = 0,49 0.3 x 0.3 = 0,09

Negatif 0.7 x 0.3 = 0,21 0.3 x 0.7 = 0,21

5. Menghitung Posterior Probability

Selanjutnya adalah menghitung nilai posterior probability. Untuk mendapatkan nilai
posterior probability, dapat dihitung dari hasil joint probability distribution (JPD) yang telah
diperoleh, kemudian nilai inilah yang digunakan untuk menghitung probabilitas kemunculan
suatu gejala. Berikut contoh cara menghitung posterior probability gejala penyakit sesak
nafas bayi Hyaline Membran Desease, dilihat dari tabel joint probability distribution (JPD).
Hyaline Membran Desease
Sesak
Present Absent
Positif 0,81 0,01
Negatif 0,09 0,09

Sehingga didapatkan nilai posterior probability penyakit sesak nafas bayi

Tabel 8. Pasterior Probability Gejala Penyakit Sesak Nafas Bayi (Ya)

Kode
No Nama Gejala Nilai
Gejala
1. G01 Sesak 0,987804878
2. G02 Kulit Kebiruan 0,5
3. G03 Lemah 0,5
4. G04 Bayi Prematur 0,94117647

JTRISTE Vol. 1, No. 1, 2014

 17
JTRISTE ISSN: 1693-6930 ■

5. G05 Malas Minum 0,30769230

6. G06 Berat Badan Rendah 0,844827586
7. G07 Kejang 0,94117647
8. G08 Gelisah 0,69230769
9. G09 Demam 0,987804878
10. G10 Batuk 0,94117647
11. G11 Diare 0,55555555
12. G12 Perut Kembung 0,5
13. G13 Tidak Kuat Menghisap 0,69230769

Tabel 9. Pasterior Probability Gejala Penyakit Sesak Nafas Bayi (Tidak)

Kode
No Nama Gejala Nilai
Gejala
1. G01 Sesak 0,5
2. G02 Kulit Kebiruan 0,5
3. G03 Lemah 0,5
4. G04 Bayi Prematur 0,5
5. G05 Malas Minum 0,5
6. G06 Berat Badan Rendah 0,5
7. G07 Kejang 0,5
8. G08 Gelisah 0,5
9. G09 Demam 0,5
10. G10 Batuk 0,5
11. G11 Diare 0,5
12. G12 Perut Kembung 0,5
13. G13 Tidak Kuat Menghisap 0,5
6. Inferensi Probabilistik
Data yang digunakan dalam melakukan inferensi diperoleh dari jawaban yang telah
diberikan oleh pengguna atas pertanyaan mengenai gejala yang diajukan oleh sistem.

Tabel 10. Contoh Kasus

Jawaban yang dipilih Nilai Probabiliti

Gejala
Ya Tidak Ya Tidak
Sesak √ 0,987804878 0,5

William Philip

 18
■ ISSN:

Kulit Kebiruan √ 0,5 0,5

Lemah √ 0,5 0,5
Bayi Prematur √ 0,94117647 0,5
Malas Minum √ 0,30769230 0,5
Berat Badan √ 0,844827586 0,5
Rendah
Kejang √ 0,94117647 0,5
Gelisah √ 0,69230769 0,5
Demam √ 0,987804878 0,5
Batuk √ 0,94117647 0,5
Diare √ 0,55555555 0,5
Perut Kembung √ 0,5 0,5
Tidak Kuat √ 0,69230769 0,5
Menghisap

Pada tabel 10 contoh kasus diatas, memperlihatkan dimana pasien menjawab

kuesioner dari pertanyaan gejala yang dialami oleh bayi tersebut dan hasilnya ada beberapa
gejala yang tidak dialami oleh pasien tersebut, sehingga perhitungan dari nilai
probabilitasnya seperti di bawah ini

P (Hyaline Membran Desease | Sesak: Ya, Kkebiruan: Tidak, Lemah: Ya, Prematur: Tidak,
Bbrendah: Tidak)
= 0,987804878 x 0,5 x 0,5 x 0,5 x 0,5
= 0,0617378049
P (Sepsis Neonatorum | Sesak: Ya, Kejang: Tidak, Demam: Ya, Diare: Tidak, Perut
Kembung: Tidak, Tidak Kuat Menghisap: Tidak)
= 0,987804878 x 0,5 x 0,987804878 x 0,5 x 0,5 x 0,5
= 0,0609849048
P (Pneumoni Neonatal | Sesak: Ya, Malas Minum: Tidak, Gelisah: Ya, Demam: Ya, Batuk:
Tidak)
= 0,987804878 x 0,5 x 0,69230769 x 0,987804878 x 0,5
= 0,1688812743
Dari hasil perhitungan diatas kemungkinan pasien dengan gejala yang telah dipilih
tersebut menderita Pneumoni Neonatal sebesar 0,1688812743.

6. Kesimpulan
Berdasarkan hasil penelitian yang diperoleh, maka penulis dapat menarik beberapa
kesimpulan, antara lain :
1. Metode Bayesian Network dapat diterapkan untuk menghitung probabilitas penyakit
sesak nafas bayi.
2. Probabilitas setiap penyakit sesak nafas pada bayi menggunakan metode Bayesian
network hanya sebagai prediksi, akan tetapi hasil akhir diagnosa tersebut ada dalam
pemeriksaan langsung yang dilakukan oleh dokter spesialis anak dan dilanjutkan ke
pemeriksaan penunjang medis.

Daftar Pustaka

1. Auriadharma, d. (2016). wawancara langsung tentang sesak nafas pada bayi. Makassar.

JTRISTE Vol. 1, No. 1, 2014

 19
JTRISTE ISSN: 1693-6930 ■

2. Buwik, A. (2005). Ilmu Bayi.com | Definisi Bayi. Bali: Ilmu Bayi.com.

3. Dhany, S. (2009). Perancangan Sistem Pakar untuk Diagnosa Penyakit Anak. Medan:
Fakultas Matematika Universitas Sumatera Utara.
4. Fathansyah, I. (1999). Basis Data. Bandung: Penerbit Informatika Bandung.
5. Guntur, M. (2014). White Box Testing dan Black Box Testing. Makassar: Informatika.
6. Harianto, K. (1994). Konsep dan Perancangan Database. Yogyakarta: Andi Offset.
7. Hasan. (2007). A Probabilistic Relaxation Framewrok for Learning Bayesian Network
Structures from data. Kairo: Faculity of Engineering Cairo University.
8. Hermawan, J. (2000). Analisis Desain & Pemograman Berorientasi Objek UML dan VB Net.
Yogyakarta: Penerbit Andi Publisher.
9. Maria, C. L. (2014). Pembangunan Aplikasi Sistem Pakar Diagnosa Kanker Leher Rahim
dengan Metode Forward Chaining berbasis Android. Yogyakarta: Jurnal UAJY.
[10] Lukman, & Andi. (2010). Algoritma Bayesian Network untuk Simulasi Prediksi Pemenang
PILKADA menggunakan MSBNX. Makassar, Indonesia: STMIK Handayani Makassar dan
STIMED Nusa Palapa
[11] Lestari, L. S. (2013). Sistem Pakar untuk Mendiagnosa awal umor otak menggunakan
Metode Bayesian Network Berbasis Web. Riau, Pekanbaru: Fakultas Sains dan Teknologi
Universitas Islam Negri Sultan Syarif Kasim.
[12] Kurniawan, R. (2011). Sistem Pakar untuk mendiagnosa penyakit Mata dengan Metode
Bayesian Network. Pekanbaru: Fakultas Sains dan Teknologi.
[13] Komputer, W. (2010). Shourtcourse SQL Server 2008 Express. Yogyakarta: Andi.
[14] Tinaliah. (2015). Aplikasi Sistem Pakar untuk Diagnosa Penyakit Hewan Ternak Sapi
dengan Bayesian Network . Pontianak: Jurnal Sistem Informas.
[15] Siregar, Michael, & Ivan. (2010). Algoritma TPDA dan TPDA II Sebagai Alternatif Struktur
Bayesian Network. Bandung: Institut Teknologi Harapan Bangsa.
[16] Seteven, M & Kevin, B, K.,, A. (2014). Anomaly Detection in Vassel Tracks using Bayesian
networks. . International Journal of Approximate Reasoning, 55(1), p. 84-98.
[17] Sawa, M. (2014). Bayesian Network Expert System for Early Diagnosis of Heart Disease.
Malang, Indonesia: Electrical Engineering Departement of Universitas Brawijaya.
[18] Saberi Mohamad, T. d. (2011). Using Bayesia Networks to Construct Gene Regulatory
Network from Microarray Data. Malaysia Johor Bahru: Faculity of Computer Science and
Information System, Universiti Teknologi.
[19] Putra, N., & Azaria, P. (2014). Learning Bayesian Network pada Game Sport Pingpong.
Bandung, Indonesia: Program Studi Teknik Informatika, Universitas Komputer Indonesia.
[20] Philips, W., hasni, h., & fatimah, s. (2014). rekayasa Perangkat lunak. Makassar: Andi.
[21] Nugroho, a. (2005). Analisis dan Perancangan Sistem Informasi dengan Metodologi
Berorientasi Objek. Bandung: Informatika.
[22] Marlita, O. (2011). Anomaly Detection System (IDS) menggunakan metode Bayesian
Network. Bandung, Indonesia: Fakultas Informatika dan Fakultas Sains Institut Teknologi
Telkom.

William Philip