Penerapan Metode Bayesian Network Model Untuk Mendiagnosa Penyakit Sesak Nafas Pada Bayi
Penerapan Metode Bayesian Network Model Untuk Mendiagnosa Penyakit Sesak Nafas Pada Bayi
1~9
ISSN:
William Philip
Junaedy
Hasniati
2
■ ISSN:
3
JTRISTE ISSN: 1693-6930 ■
William Philip
4
■ ISSN:
5
JTRISTE ISSN: 1693-6930 ■
William Philip
6
■ ISSN:
7
JTRISTE ISSN: 1693-6930 ■
William Philip
8
■ ISSN:
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.
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.
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
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.
.
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:
diilustrasiakan seperti gambar 1 dalam hal ini dan saling bebas bersyarat. Node
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)
dituliskan :
...................................................(4)
G01 Sesak
G02 Kulit Kebiruan
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
Kode
Nama Penyebab
Penyebab
S01 Kekurangan Cairan Surfaktan
S02 Terjadinya Infeksi Pada darah
S03 Terjadinya Infeksi Pada Paru-paru
William Philip
12
■ ISSN:
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 .
13
JTRISTE ISSN: 1693-6930 ■
Kulit
Bayi Lemah kebiruan
Sesak
BB
Hyaline Membran
Desease
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
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
15
JTRISTE ISSN: 1693-6930 ■
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
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
William Philip
16
■ ISSN:
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
17
JTRISTE ISSN: 1693-6930 ■
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.
William Philip
18
■ ISSN:
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.
19
JTRISTE ISSN: 1693-6930 ■
William Philip