Implementasi Sistem Pakar dengan Algortima Naïve Bayes dengan Laplace Correction untuk Diagnosis Tuberkulosis Paru:

Yanti Apriyani; Iqbal Dzulfiqar Iskandar Iskandar; Mira Kusmira; Melisa Winda Pertiwi; Imam Amirulloh; Taufik Wibisono

doi:10.37424/informasi.v13i1.72

Yanti Apriyani Universitas Binasarana Informatika
Iqbal Dzulfiqar Iskandar Iskandar UNIVERSITAS BINA SARANA INFORMATIKA
Mira Kusmira Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
Melisa Winda Pertiwi Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
Imam Amirulloh Universitas Binasarana Informatika
Taufik Wibisono Universitas Binasarana Informatika

DOI: https://doi.org/10.37424/informasi.v13i1.72

Keywords: Laplace Correction, Naïve Bayes, Program Aplikasi, Sistem Pakar, Tuberkulosis Paru

Abstract

Tuberkulosis atau tuberculosis (TBC) merupakan salah satu penyakit menular berbahaya yang disebabkan oleh kuman dari kelompok Mycobacterium Tuberculosis. Sebagian besar kuman tuberkulosis menyerang organ paru-paru dan menyerang organ yang lainnya. Menurut WHO Indonesia menjadi salah satu negara dengan beban tuberkulosis tinggi dengan jumlah kasus terbaru Tuberkulosis di Indonesia mencapai 420.994 kasus pada tahun 2017, hal tersebut dipengaruhi oleh kurangnya pengetahuan masyarakat akan tuberculosis dan enggan untuk memeriksakan gejala-gejala awal yang diderita kepada dokter.

Dari permasalahan tersebut perlu dibangun sebuah sistem pakar yang berbasis perangkat lunak bertujuan untuk membantu dan memudahkan masyarakat dalam mendiagnosis gejala awal tuberculosis sebelum berkonsultasi kepada tenaga Kesehatan lebih lanjut. Diagnosis penyakit dengan menggunakan sistem pakar memerlukan sebuah metode algoritma dalam penyelesaiannya. Pada riset ini metode yang digunakan untuk membangun perangkat lunak sistem pakar diagnosis tuberculosis paru menggunakan waterfall, sedangakan proses klasifikasi untuk menentukan Diagnosis menggunakan algortima Naïve Bayes dengan Laplace Correction. Tujuan dari riset ini adalah untuk mendiagnosis gejala-gejala yang dialami pasien dan dapat menyimpulkan layaknya seorang pakar atau dokter saat mendiagnosis pasiennya serta memberikan pengetahuan gangguan apa yang diderita oleh pasien.

Terkait hasil riset ini adalah berupa aplikasi sistem pakar Diagnosis penyakit tuberculosis paru berbasis desktop, dan telah dilakukan Pengujian sistem. Pengujian sistem ini dilakukan menggunakan black box testing yang berfokus pada proses masukan dan keluaran dari aplikasi terhadap perangkat lunak Diagnosis penyakit tuberkulosis. Sedangkan data hasil uji aplikasi Diagnosis menunjukan Kelas Positif Tuberkulosis lebih besar dengan nilai 0.000129803, dibandingkan dengan nilai kelas Negatif Tuberkulosis dengan nilai 0.0000000018. Maka dapat dinyatakan bahwa pasien tersebut Positif Tuberkulosis atau Pasien Mengalami Tuberkulosis Paru. Dampak dari riset ini masyarakat dapat mendiagnosis secara mandiri sehingga dapat mengetahui gejala awal dari tuberculosis.

References

Azizah, I. (2020). Determinan Lama Waktu Kesembuhan pada Pengobatan Pasien Tuberkulosis Kategori I. HIGEIA (Journal of Public Health Research and …, 4(Special 3), 574–583. Retrieved from https://journal.unnes.ac.id/sju/index.php/higeia/article/view/34565

Chazar, C., & Widhiaputra, B. E. (2020a). Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine. INFORMASI (Jurnal Informatika Dan Sistem Informasi), 12(1), 67–78.

Chazar, C., & Widhiaputra, B. E. (2020b). Perancangan Program Aplikasi Pemesanan Tiket Sepak Bola Berbasis Desktop Menggunakan Visual Studio 2010. INFORMASI (Jurnal Informatika Dan Sistem Informasi), 12(1), 67–78.

Deshpande, V. K. (2015). Predictive Analytics and Data Mining. Wyman Street, Waltham, MA 02451, USA: Elsevier Inc.

Dewi, L. P. K. (2020). Pemeriksaan Basil Tahan Asam Untuk Membantu Menegakkan Diagnosis Penyakit Tuberkulosis. International Journal of Applied Chemistry Research, 1(1), 16. https://doi.org/10.23887/ijacr.v1i1.28716

Gunawan, H. (2019). APLIKASI SISTEM PAKAR PENGOPERASIAN DAN TROUBLESHOOTING PADA MESIN HEIDELBERG GTO V 52. Informasi, X(1), 44–77. Retrieved from http://informasi.stmik-im.ac.id/sistem-pendukung-keputusan-memilih-jurusan-di-perguruan-tinggi-menggunakan-metode-analytical-hierarchy-process-ahp/

Hadi, F., & Diana, Y. (2019). Sistem Pakar Diagnosa Penyakit Limfoma dengan Metode Certainty Factor Dasril. SATIN - Sains Dan Teknologi Informasi, 5(2), 44–51. Retrieved from https://core.ac.uk/download/pdf/295386972.pdf

Imanidanantoyo, A. I., Ananta, A. Y., & Kirana, A. P. (2020). Implementasi Naive Bayes Dan Pos Tagging Menggunakan Metode Hidden Markov Model Viterbi Pada Analisa Sentimen Terhadap Akun Twitter Presiden Joko Widodo Di Saat Pandemi COVID-19. Seminar Informatika Aplikatif Polinema, 235–241.

Indrajaya, D. (2018). SISTEM PENDUKUNG KEPUTUSAN PERIZINAN SANTRI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER DENGAN LAPLACE CORRECTION. 1–6.

Iskandar, I. D. (2018). Implementasi Algoritma Edit Distance Pada Pengembangan Aplikasi E-Learning Bsi.

Kemenkes RI. (2018). Infodatin Tuberkulosis. Kementerian Kesehatan RI, pp. 1–8. Retrieved from https://pusdatin.kemkes.go.id/resources/download/pusdatin/infodatin/infodatin-tuberkulosis-2018.pdf

Kusuma, S. A. K. (2019). Deteksi Dini Tuberkulosis Sebagai Upaya Pencegahan Penularan Penyakit Tuberkulosis Dan Pengolahan Herbal Antituberkulosis Berbasis Riset. Dharmakarya, 8(2), 124. https://doi.org/10.24198/dharmakarya.v8i2.19484

Lishania, I., Goejantoro, R., & Nasution, Y. N. (2019). Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision Tree Algoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Abdul Wahab Sjahranie Samarinda. Jurnal Eksponensial, 10(2), 135–142.

Mutiara, E.-. (2020). Algoritma Klasifikasi Naive Bayes Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Tuberculosis (Tb). Swabumi, 8(1), 46–58. https://doi.org/10.31294/swabumi.v8i1.7668

MZ, A. R., Wijaya, I. G. P. S., & Bimantoro, F. (2020). Sistem Pakar Diagnosa Penyakit Kulit pada Manusia dengan Metode Dempster Shafer. Journal of Computer Science and Informatics Engineering (J-Cosine), 4(2), 129–138. https://doi.org/10.29303/jcosine.v4i2.285

Nurmalasari, R dan Apriantoro, N. H. (2020). Pemeriksaan Radiografi Thorax Dengan Kasus Tuberkulosis Paru. KOCENIN Serial Konferensi No.1, 1(1), 1–6. Retrieved from http://publikasi.kocenin.com/index.php/pakar/article/view/25/20

Priyono, F., Kanti, S., I, I. D., Amirulloh, I., P, E. S., & Rosiyadi, D. (2017). Analisis Sentimen Media Sosial Opini Ujian Nasional Berbasis Komputer menggunakan Metoda Naive Bayes. 1(2), 38–45.

Rachman, R. (2019). Penerapan Sistem Pakar Untuk Diagnosa Autis Dengan Metode Forward Chaining. Jurnal Informatika, 6(2), 218–225. https://doi.org/10.31311/ji.v6i2.5522

Riliani, R. (2020). Neonatus Dari Ibu Tuberkulosis Aktif. Jurnal Ilmu Kesehatan Indonesia, 1(1), 1–4. https://doi.org/10.25077/jikesi.v1i1.14

Salman, F. M., & Abu-Naser, S. S. (2020). Expert System for COVID-19 Diagnosis. International Journal of Academic Information Systems Research, 4(3), 1–13. Retrieved from www.ijeais.org/ijaisr

Silalahi, N., & Fransiska, S. (2019). Analisis Kebiasaan Merokok Terhadap Kejadian Tuberkulosis Paru Di Wilayah Kerja Puskesmas Patumbak. Jurnal Penelitian Kesmasy, 1(2), 83–90. https://doi.org/10.36656/jpksy.v1i2.172

Surya, R., & Gunawan, D. (2018). Situsparu: Sistem Pakar Untuk Deteksi Penyakit Tuberkulosis Paru. Jurnal ULTIMATICS, 10(1), 41–47. https://doi.org/10.31937/ti.v10i1.781

Suryana, M. F., Fauziah, F., & Sari, R. T. K. (2020). Implementasi Sistem Pakar Menggunakan Metode Certainty Factor Untuk Mendiagnosa Dini Corona Virus Desease (COVID-19). Jurnal Media Informatika Budidarma, 4(3), 559. https://doi.org/10.30865/mib.v4i3.2132

Thummadi, B. V., & Lyytinen, K. (2020). How much method-in-use matters? A case study of agile and waterfall software projects and their design routine variation. Journal of the Association for Information Systems, 21(4), 864–900. https://doi.org/10.17705/1jais.00623

Untoro, M. C., Praseptiawan, M., & Widianingsih, M. (2020). Evaluation of Decision Tree , K-NN , Naive Bayes and SVM with MWMOTE on UCI Dataset Evaluation of Decision Tree , K-NN , Naive Bayes and SVM with MWMOTE on UCI Dataset. https://doi.org/10.1088/1742-6596/1477/3/032005

Windarto, Y. E., & Marfuah, M. (2020). Implementasi Naives Bayes-Certainty Factor untuk Diagnosa Penyakit Menular. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 9(2), 208. https://doi.org/10.32736/sisfokom.v9i2.823