PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT HIPERTENSI Sarif Surorejo.
Yunsi Pasmalisya Chaeriko.
Pingky Septiana Ananda.
1, 2, 3 Program Studi Sistem Informasi.
STMIK YMI Tegal email: sarif_surorejo@yahoo.
id, 2yunsipasmalisya712@gmail.
com, 3pingkiseptiana01@gmail.
Jl.
Pendidikan No.
1 Tegal Keywords:
Nayve Bayes.
Expert System.
Hypertension Kata Kunci:
Nayve Bayes.
Sistem Pakar.
Hipertensi.
8 Sarif Surorejo Abstract Hypertension is a condition when a person's blood pressure exceeds the normal threshold, where blood pressure is at 130/80 mmHg or more.
Hypertension is not only influenced by lifestyle, but can also be influenced by gender and age.
The older a person is, the higher the risk of developing Many people don't realize they have high blood pressure, and the high blood pressure they have can be acute.
People with hypertension are often lazy or don't want to go to the health service center.
One alternative solution for consulting other than going to a health service center is an expert In this study, data analysis of hypertension was carried out using the nave Bayes method using 100 training data.
The nave Bayes method will be used for the process of diagnosing hypertension by calculating the probability of each class in the training data, then calculating the prior probabilities, and calculating the final probability value to obtain the results of the diagnosis of From the training data that has been known previously, then a test is carried out using 20 testing data that have been selected to determine the accuracy value of the nave Bayes method.
Based on the test, the accuracy of the nave Bayes algorithm is 95.
00%, so it can be concluded that the nave Bayes method in diagnosing hypertension provides a fast process and a method that is easy to implement and an undeniable level of accuracy.
Abstrak Hipertensi adalah suatu keadaan dimana tekanan darah seseorang melebihi ambang batas normal, dimana tekanan darah berada pada angka 130/80 mmHg atau lebih.
Hipertensi tidak hanya dipengaruhi oleh gaya hidup, tetapi juga dapat dipengaruhi oleh jenis kelamin dan usia.
Semakin tua seseorang, semakin tinggi risiko terkena hipertensi.
Banyak orang tidak menyadari bahwa mereka memiliki tekanan darah tinggi, dan tekanan darah tinggi yang mereka miliki bisa menjadi akut.
Penderita hipertensi seringkali malas atau tidak mau berobat ke pusat pelayanan kesehatan.
Salah satu solusi alternatif untuk konsultasi selain pergi ke pusat pelayanan kesehatan adalah sistem pakar.
Pada penelitian ini analisis data hipertensi dilakukan dengan menggunakan metode nave bayes dengan menggunakan 100 data latih.
Metode nave bayes akan digunakan untuk proses diagnosa hipertensi dengan cara menghitung probabilitas setiap kelas pada data latih, kemudian menghitung probabilitas sebelumnya, dan menghitung nilai probabilitas akhir untuk mendapatkan hasil diagnosa hipertensi.
Dari data latih yang telah diketahui sebelumnya, selanjutnya dilakukan pengujian dengan menggunakan 20 data pengujian yang telah dipilih untuk mengetahui nilai akurasi dari metode nave Bayes.
Berdasarkan pengujian, akurasi algoritma nave Bayes adalah 95,00%, sehingga dapat disimpulkan bahwa metode nave Bayes dalam mendiagnosis hipertensi memberikan proses yang cepat dan metode yang mudah diterapkan serta tingkat akurasi yang tidak dapat disangkal.
IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
Pendahuluan Globalisasi merupakan peristiwa terhubungnya berbagai macam hal ke seluruh dunia.
Teknologi, telekomunikasi, ilmu pengetahuan yang semakin berkembang mendukung terjadinya globalisasi.
Globalisasi menyebabkan banyak perubahan dalam aspek kehidupan masyarakat.
Aspek kehidupan yang mendapat pengaruh adalah kesehatan, salah satunya dalam bentuk perubahan gaya hidup Perubahan gaya hidup dan kebiasaan masyarakat dari tradisional ke modern yang tidak sehat rentan terkena risiko penyakit tidak menular seperti hipertensi .
Hipertensi adalah suatu kondisi ketika tekanan darah seseorang melebihi ambang batas normal, dimana tekanan darah berada pada 130/80 mmHg atau lebih.
Hipertensi tidak hanya dipengaruhi oleh gaya hidup, tetapi juga dapat dipengaruhi oleh jenis kelamin dan usia.
Semakin bertambah usia seseorang, maka risiko mengalami hipertensi semakin tinggi .
Di kalangan medis, hipertensi memiliki istilah silent killer yaitu penyakit yang membunuh secara diam-diam.
Hal ini karena penderita hipertensi umumnya tidak menunjukan gejala sampai tekanan darahnya sudah terlalu tinggi hingga mengancam Namun, beberapa penderita hipertensi ada yang merasakan gejala-gejala tidak spesifik, seperti pusing, berat di tengkuk, sesak nafas, dan jantung berdebar-debar .
Hipertensi dapat menyebabkan beberapa komplikasi penyakit, seperti penyakit jantung, stroke, dan penyakit ginjal.
Kondisi hipertensi yang berlangsung lama dan tidak segera diobati dapat berakibat fatal bagi penderitanya .
Sejauh ini pembahasan mengenai hipertensi sudah cukup banyak, namun penderita hipertensi justru tak kunjung turun.
Banyak orang tidak menyadari bahwa mereka memiliki tekanan darah tinggi, dan tekanan darah tinggi yang mereka miliki bisa saja sudah akut.
Penderita hipertensi seringkali malas atau tidak mau memeriksakan diri ke pusat pelayanan kesehatan .
Salah satu alternatif solusi untuk berkonsultasi selain pergi ke pusat pelayanan kesehatan adalah sistem pakar.
Sistem pakar .
xpert syste.
merupakan sebuah sistem yang dapat mengadopsi pengetahuan manusia ke dalam program komputer, sehingga komputer dapat menyelesaikan masalah seperti yang dilakukan oleh seorang pakar .
Salah satu metode yang dapat diterapkan dalam sistem pakar adalah nayve bayes.
Metode nayve bayes merupakan model probabilistik berdasarkan teorema bayes.
Metode nayve bayes didefinisikan sebagai metode klasifikasi statistik.
Metode ini menggunakan cara yang sederhana untuk menangani sejumlah atribut atau kelas berdasarkan teori probabilistik.
Metode nayve bayes menyediakan algoritma yang mudah diimplementasikan untuk memprediksi peluang di masa depan berdasarkan pengetahuan tentang data yang telah diamati sebelumnya .
Pada penelitian ini, metode nayve bayes akan digunakan untuk proses diagnosa penyakit hipertensi dengan cara menghitung probabilitas dari setiap kelas pada data training, kemudian menghitung probabilitas prior, dan menghitung nilai probabilitas akhir untuk memperoleh hasil diagnosa penyakit hipertensi.
Berdasarkan permasalahan diatas maka penelitian ini dilakukan dengan tujuan untuk menerapkan metode nayve bayes dalam mendiagnosa penyakit hipertensi.
Beberapa penelitian yang telah dilakukan sebelumnya terkait penerapan metode nayve bayes pada sistem pakar untuk diagnosa penyakit hipertensi, antara lain :
Penelitian tentang Sistem Pakar Diagnosis Penyakit Hipertensi dengan Menggunakan Metode Forward Chaining dan Toeri Probabilitas, penelitian ini menjelaskan diagnosa penyakit dengan melihat gejala yang tampak kemudian dari gejala tersebut dianalisis menggunakan metode forward chaining dan teora probabilitas yang hasilnya menunjukan jenis penyakit yang diderita .
Penelitian tentang Implementasi Metode Pembobotan Berbasis Aturan dan Metode Profile Matching pada Sistem Pakar Medis untuk Prediksi Risiko Hipertensi, membahas tentang klasifikasi risiko hipertensi berdasarkan metode pembobotan berbasis aturan yang digunakan untuk menentukan bobot risiko berdasarkan variabel pasien dan metode profile matching digunakan untuk menghitung klasifikasi risiko berdasarkan variabel core factor dan secondary factor terhadap risiko hipertensi.
Penentuan klasifikasi risiko hipertensi dilakukan dengan menghitung masing-masing kelas untuk kelas hipertensi dan kelas non-hipertensi.
Hasil penelitian menunjukan kelas yang memiliki skor tertinggi diambil sebagai hasil diagnosa .
Penelitian mengenai Perancangan Informasi Analisis Medik Menggunakan Logika Fuzzy Sugeno Berbasis Data Rekam Medik Pada Penyakit Hipertensi.
Dalam penelitian ini membahas tentang diagnosa suatu penyakit dengan melihat gejala-gejala apa saja yang tampak pada pasien tersebut.
Kemudian dari gejala-gejala tersebut di analisa menggunakan logika fuzzy .
uzzy logi.
yang hasilnya menunjukan jenis penyakit yang diderita oleh pasien .
9 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
Penelitian mengenai Implementasi Algoritma Naive Bayes pada Sistem Pakar untuk Diagnosis Penyakit Demam Berdarah Dengue Berbasis Website, penelitian ini menjelaskan mengenai pengujian metode nayve bayes dengan menggunakan dataset untuk menghasilkan nilai probabilitas setiap atribut dari tiap kelas yang berbeda, kemudian nilai probabilitas dari atribut tersebut di hitung untuk memprediksi penyakit .
Penelitian mengenai Penerapan Naive Bayes pada Sistem Pakar Diagnosa Ganguan Pencernaan Balita, penelitian ini menggunakan metode nayve bayes dengan pengujian 5 jenis ganguan dan 26 gejala.
Hasil penelitian menunjukkan bahwa metode nayve bayes dapat digunakan untuk mendiagnosa ganguan saluran cerna pada balita berdasarkan gejala yang muncul terklasifikasi ke dalam Radang Usus Buntu dengan nilai prediksi yang lebih tinggi yaitu 56,71% dibandingkan dengan 2 penyakit lain .
Penelitian mengenai Sistem Pakar Diagnosa Selama Kehamilan Menggunakan Metode Naive Bayes Berbasis Web, penelitian ini menjelaskan pengujian metode nayve bayes dengan menggunakan 5 jenis data penyakit dan 25 data gejala, kemudian dihitung dari gejala yang dipilih untuk mencari nilai probabilitas dari tiap jenis penyakit.
Hasil penelitian menunjukkan jenis penyakit yang mempunyai nilai probabilitas akhir tertinggi diambil sebagai hasil diagnosa .
Penelitian tentang Penggunaan Metode Nayve Bayes Dalam Mengklasifikasi Pengangguran Pada Desa Bojong Kulur, penelitian ini menjelaskan metode nayve bayes dalam melakukan klasifikasi pengangguran pada Desa Bojong Kulur.
Pengujian metode nayve bayes dilakukan dengan menyiapkan data training sebanyak 40 data dan data testing sebanyak 10 data yang dipilih secara acak.
Hasil pengujian akurasi, presisi, dan recall klasifikasi pengangguran pada Desa Bojong Kulur dengan metode Nayve Bayes cukup tinggi yaitu sebesar 80% .
Penelitian selanjutnya tentang Penerapan Naive Bayes Untuk Diagnosa Penyakit Diare Usia Balita Pada Sistem Pakar Berbasis Website, penelitian ini menggunakan 140 jumlah total kasus terdiri dari 84 kasus pasien yang terjangkit diare dan 56 kasus pasien yang tidak terinfeksi penyakit diare pada anak balita diperoleh dari UPTD Puskesmas Caringin.
Dari data tersebut dilakukan analisis menggunakan metode naive bayes, kemudian diperoleh nilai probabilitas akhir tertinggi yang diambil sebagai hasil diagnosa .
Penelitian lain mengenai Aplikasi Sistem Pakar Untuk Mendiagnosa Penyakit Ispa Menggunakan Metode Naive Bayes Berbasis Website, penelitian ini menjelaskan aplikasi sistem pakar yang dibuat menggunakan metode naive bayes.
Terdapat data latih sebanyak 104 data dan dilakukan pengujian sebanyak 39 data uji.
Dari 39 kali pengujian terdapat 36 data uji yang sesuai dan ada 3 data uji yang tidak sesuai.
Hasil akurasi dari pengujian tersebut sebesar 92,3% .
LANDASAN TEORI
Metode Nayve Bayes Nayve bayes merupakan merupakan model probabilistik berdasarkan teorema bayes.
Metode nayve bayes didefinisikan sebagai metode klasifikasi statistik.
Metode ini menggunakan cara yang sederhana untuk menangani sejumlah atribut atau kelas berdasarkan teori probabilistik.
Metode nayve bayes termasuk ke dalam algoritma supervised learning.
Metode nayve bayes menyediakan algoritma yang mudah diimplementasikan untuk memprediksi peluang di masa depan berdasarkan pengetahuan tentang data yang telah diamati sebelumnya .
Metode nayve bayes juga dinilai berpotensi baik dalam mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain dalam hal akurasi dan efisiensi komputasi .
Persamaan dari Teorema Bayes:
ycE .
ycU) = ycE.
cU) Keterangan:
: Data dengan class yang belum diketahui : Hipotesis data merupakan suatu class spesifik P(H|X) : Probabilitas hipotesis H berdasar kondisi X .
osteriori probabilita.
P(H) : Probabilitas hipotesis H .
rior probabilita.
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X)
: Probabilitas X 10 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
Untuk menjelaskan metode nayve bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sample yang dianalisis tersebut.
Karena itu, metode nayve bayes di atas disesuaikan sebagai berikut:
ycE .
a1 A yaycu .
ya1 A yaycu ) = ycE.
a1 A yaycu ) Dimana variable C merepresentasikan kelas, sementara variable F1AFn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi.
Maka rumus tersebut menjelaskan bahwa peluang masuknya sample berkarakteristik tertentu kedalam kelas C (Posterio.
adalah peluang munculnya kelas C .
ebelum masuk sample tersebut, seringkali disebut prio.
, dikali dengan peluang kemunculan karakteristik-karakteristik sample pada kelas C .
isebut juga likelihoo.
, dibagi dengan kemunculan karakteristik-karakteristik sample secara global .
isebut juga evidenc.
Karena itu rumus diatas dapat ditulis secara sederhana sebagai berikut:
ycEycuycycyceycycnycuyc = ycyycycnycuyc ycu ycoycnycoyceycoycnEaycuycuycc yceycycnyccyceycuycayce .
Berikut alur algoritma dari metode nayve bayes:
Gambar 2.
Alur Metode Nayve Baiyes Adapun keterangan dari gambar di atas sebagai berikut:
Baca data training Hitung jumlah dan probabilitas, namun apabila data numerik maka:
Cari nilai mean dan standar deviasi dari masing-masing parameter yang merupakan data Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung .
dapat dilihat sebagai berikut:
Ocycuycn=1 ycuycn yuN= ycu ycu1 ycu2 ycu3 U ycuycu yuN= ycu Di mana:
yuN : rata-rata hitung .
11 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
ycuycn : nilai sample ke i n : jumlah sample dan persamaan untuk menghitung simpangan baku .
tandar devias.
dapat dilihat sebagai Ocycu .
cuycn Oe yuN)2 .
yua = Oo ycn=1 ycuOe1 Dimana:
yua : standar deviasi ycuycn : nilai x ke Aei yuN : rata-rata hitung n : jumlah sample Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
Mendapatkan nilai dalam tabel mean, standard deviasi dan probabilitas.
Solusi kemudian dihasilkan.
Metode Penelitian Tahapan Penelitian Tahapan penelitian merupakan rangkaian bagan yang menggambarkan proses penelitian dalam mencapai tujuan penelitian.
Berikut adalah tahapan penelitian yang digunakan dalam penelitian ini.
Gambar 1.
Tahapan Penelitian Berdasarkan tahapan penelitian tersebut maka masing-masing langkah dapat diuraikan sebagai Perumusan Masalah Merumuskan masalah merupakan suatu cara untuk menyelesaikan atau menjawab suatu masalah, untuk merumuskan masalah pada penelitian ini maka perlu ditentukan ruang lingkup masalah yang akan diteliti.
Studi Literatur Pada tahap ini peneliti melakukan kajian literatur untuk mendapatkan informasi melalui buku, jurnal, dan penelitian yang telah dilakukan sebelumnya untuk mendukung penelitian.
Pengumpulan Data Pada tahap pengumpulan data peneliti menggunakan data primer dan data sekunder.
Data primer didapat dengan cara tanya jawab langsung kepada Dokter di Klinik Pratama Mitra Sehat untuk 12 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
mendapatkan informasi yang berkaitan dengan penyakit hipertensi, sedangkan untuk data sekunder berupa data rekam medis pasien Klinik Pratama Mitra Sehat.
Analisis Menggunakan Metode Nayve Bayes Pada tahap ini melakukan analisis data untuk menyesuaikan proses data yang akan diolah pada metode nayve bayes dengan menggunakan data training.
Hasil Diagnosa Pada tahap ini mendapatkan hasil identifikasi dari penerapan algoritma nayve bayes.
Pengujian Tahap pengujian dilakukan untuk mengetahui nilai akurasi metode nayve bayes dalam mendiagnosa penyakit hipertensi.
Kesimpulan Bagian akhir yang menjelaskan tentang keseluruhan atau inti dari suatu gagasan atau penelitian.
Hasil dan Pembahasan Analisis Menggunakan Metode Nayve Bayes Data training merupakan data pembelajaran untuk memprediksi peluang dari data yang sebelumnya.
Data training dalam penelitian ini diambil dari data rekam medis Klinik Pratama Mitra Sehat.
Data yang didapat peneliti sebanyak 100 data terdiri dari 58 data pasien yang menderita penyakit hipertensi dan 42 data pasien yang tidak menderita hipertensi.
Untuk keperluan penelitian, dari 100 data yang terkumpul hanya ditampilkan 20 data seperti pada tabel 1.
Tabel 1.
Data Pasien Klinik Mitra Sehat No.
Jenis Kelamin Usia Pusing A Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki Perempuan Laki-Laki A Perempuan Perempuan Laki-Laki Remaja Remaja Dewasa Dewasa Lansia Lansia Dewasa Dewasa Dewasa Dewasa Lansia Lansia Lansia Lansia Dewasa Lansia Lansia Lansia Lansia Lansia Tidak Tidak Tidak Tidak A Berat Tengkuk Tidak Tidak Tidak Tidak Tidak Tidak A Sesak Nafas Jantung Berdebar Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak A Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak Tidak A Tekanan Darah Sistolik 100 mmHg 100 mmHg 110 mmHg 110 mmHg 120 mmHg 120 mmHg 130 mmHg 130 mmHg 140 mmHg 140 mmHg 150 mmHg 150 mmHg 160 mmHg 160 mmHg 170 mmHg 170 mmHg 180 mmHg 180 mmHg 190 mmHg 200 mmHg Tekanan Darah Diastolik 60 mmHg 60 mmHg 70 mmHg 70 mmHg 70 mmHg 70 mmHg 80 mmHg 80 mmHg 90 mmHg 90 mmHg 100 mmHg 90 mmHg 90 mmHg 90 mmHg 90 mmHg 90 mmHg 90 mmHg 90 mmHg 100 mmHg 100 mmHg Hasil Tidak Tidak Tidak Tidak Tidak Tidak A Dalam membuat model nayve bayes terlebih dahulu kita mencari probabilitas hipotesis untuk masingmasing Kelas P (H).
Hipotesis yang ada yaitu pasien yang menderita penyakit hipertensi dan pasien yang tidak menderita penyakit hipertensi.
Berikut perhitungan probabilitas seperti tabel 2 di bawah ini:
Tabel 2.
Probabilitas Kelas Kelas 13 Sarif Surorejo Tidak Tidak IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
Kelas P (Y.
0,58 Tidak P (Tida.
0,42 Setelah probabilitas untuk tiap hipotesis diketahui, langkah selanjutnya adalah menghitung probabilitas kondisi tertentu .
robabilitas X) berdasarkan probabilitas tiap hipotesis .
robabilitas H) atau dinamakan probabilitas prior.
Hasil perhitungan probabilitas prior dengan menggunakan nayve bayes dapat dilihat pada tabel 3 di bawah ini:
Tabel 3.
Probabilitas Prior
Atribut
Total
Jenis Laki-Laki Kelamin
Perempuan Remaja
Usia
Dewasa
Lansia
Pusing Tidak Berat di Tengkuk
Tidak Sesak Nafas Tidak Jantung
Berdebar Tidak 100 mmHg
110 mmHg
115 mmHg
120 mmHg
125 mmHg
130 mmHg
Tekanan 140 mmHg
Darah
150 mmHg
Sistolik
160 mmHg
170 mmHg
180 mmHg
190 mmHg
200 mmHg
60 mmHg
70 mmHg
Tekanan 75 mmHg
Darah
80 mmHg
Diastolik
90 mmHg
100 mmHg
Jumlah Kasus Tidak P(X|H) Tidak 0,60 0,40 0,28 0,72 0,90 0,10 0,83 0,17 0,81 0,19 0,79 0,21 0,12 0,26 0,14 0,12 0,16 0,16 0,03 0,02 0,40 0,41 0,19 0,31 0,69 0,43 0,33 0,24 0,43 0,57
0,12
0,88
0,33
0,67
0,12
0,88
0,19
0,31
0,05
0,43
0,02
0,14
0,62
0,02
0,21
Pada tabel probabilitas prior terdapat dua kelas yang dibentuk, yaitu:
Kelas Hasil = Ya Kelas Hasil = Tidak Tabel probabilitas prior akan digunakan untuk menentukan kelas pada data testing.
Terdapat contoh data testing dengan data sebagai berikut:
Data laki-laki berusia lansia dengan gejala pusing .
, berat di tengkuk .
, sesak nafas .
, jantung berdebar .
, tekanan darah sistolik 170 mmHg dan tekanan darah diastolik 90 mmHg.
Apakah orang tersebut menderita penyakit hipertensi? Setelah diketahui probabilitas setiap atribut terhadap probabilitas tiap kelas atau P(X|H), maka langkah selanjutnya adalah menghitung nilai probabilitas akhir untuk setiap kelas 14 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
P(X|Y.
= P(Jenis kelamin = Laki-Lak.
* P(Usia = Lansi.
* P(Pusing = Y.
* P(Berat di Tengkuk = Y.
* P(Sesak Nafas= Y.
* P(Jantung Berdebar = Y.
* P(Tekanan darah sistolik = 170 mmH.
* P(Tekanan darah diastolik = 90 mmH.
35 42 52 48 47 46
58 58 58 58 58 58 58 58
= 0,60 x 0,72 x 0,90 x 0,83 x 0,81 x 0,79 x 0,16 x 0,41 = 0,013546288 P(X|Tida.
= P(Jenis kelamin = Laki-Laki |Tida.
* P(Usia = Lansi.
Tida.
* P(Pusing = Y.
Tida.
* P(Berat di Tengkuk = Y.
Tida.
* P(Sesak Nafas = Y.
Tida.
* (Jantung Berdebar = Y.
Tida.
* P(Tekanan darah sistolik = 170 mmH.
Tida.
* P(Tekanan darah diastolik = 90 mmH.
Tida.
13 10 18
42 42 42 42 42 42 42 42
= 0,31 x 0,24 x 0,43 x 0,12 x 0,33 x 0,12 x 0 x 0
= 0
Hasil Diagnosa Selanjutnya nilai tersebut dimasukan untuk mendapatkan probabilitas akhir.
P(X|Hasil=Y.
* P(Y.
= 0,58 x 0,013546288 = 0,007856847 P(X|Hasil=Tida.
* P(Tida.
= 0,42 x 0 Hasil dari nilai probabilitas akhir terbesar berada di kelas Ya, maka orang tersebut mengalami penyakit Dari perhitungan inilah kita dapat mengetahui apakah pasien tersebut mengalami penyakit hipertensi atau tidak.
Pengujian Pengujian dilakukan untuk memutuskan apabila perhitungan yang telah dilakukan diatas tepat untuk memutuskan status hipertensi dengan menggunakan metode nayve bayes.
Uji coba dilakukan dengan menggunakan 20 data testing yang telah dipilih, kemudian data testing dibandingan dengan data training yang telah diketahui sebelumnya.
Hasil dari uji coba yang dilakukan menghasilkan nilai akurasi dan nilai AUC (Area Under Curv.
menggunakan Confusion Matrix dan kurva ROC dari RapidMiner.
Confusion Matrix Confusion matrix akan membentuk matrix yang terdiri dari true positive atau tupel positif dan true negative atau tupel negatif, kemudian masukan data testing yang sudah disiapkan ke dalam confusion matrix sehingga didapatkan nilai akurasi pada gambar 3 di bawah ini:
Gambar 3.
Hasil Akurasi Data Testing Berdasarkan hasil pengujian, nilai akurasi yang diperoleh sebesar 95.
Terdapat rincian jumlah True Positive (TP) yaitu 13.
False Positive (FP) yaitu 0.
False Negative (FN) yaitu 1 dan True Negative (TN) Kurva ROC Hasil pengujian terhadap data yang digunakan untuk algoritma nayve bayes terhadap kurva ROC diketahui pada gambar 4 di bawah ini:
15 Sarif Surorejo IJIR - VOL.
3 NO.
: 8 - 17
PENERAPAN METODE NAyaVE BAYES PADA SISTEM PAKAR UNTUK DIAGNOSA A.
Gambar 4.
Hasil Kurva ROC Berdasarkan nilai AUC yang didapatkan dari pengujian kurva ROC sebesar 1.
000, sehingga dari hasil tersebut menunjukan klasifikasi yang dihasilkan termasuk kedalam tingkat Excellent Classification.
Kesimpulan dan Saran Berdasarkan hasil penelitian tentang mendiagnosa penyakit hipertensi dapat ditarik beberapa kesimpulan sebagai berikut:
Metode nayve bayes memanfaatkan data training untuk menghasilkan probabilitas setiap kriteria untuk class yang berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan untuk memprediksi penyakit hipertensi berdasarkan proses klasifikasi yang dilakukan oleh metode nayve bayes itu sendiri.
Berdasarkan pengujian diperoleh nilai akurasi algoritma nayve bayes sebesar 95.
00%, sedangkan evaluasi menggunakan kurva ROC diperoleh hasil untuk algoritma naive bayes bernilai 1.
000 dengan tingkat diagnosa Excellent Classification.
REFERENSI