1

PENGGUNAAN METODE BAYESIAN NETWORK DALAM SISTEM PAKAR

UNTUK DIAGNOSIS PENYAKIT LEUKEMIA

Indyana MeigaraniProgram Ilmu Komputer

Universitas Pendidikan IndonesiaJl. Dr Setiabudhi 229 Bandung

Dr. Wawan Setiawan, M.Kom.Program Ilmu Komputer

Universitas Pendidikan IndonesiaJl. Dr Setiabudhi 229 Bandung

Lala Septem Riza, MT.Program Ilmu Komputer

Universitas Pendidikan IndonesiaJl. Dr Setiabudhi 229 Bandung

ABSTRAKSistem pakar (expert system) secara umum adalah sistem yangberusaha mengadopsi pengetahuan manusia ke komputer, agarkomputer dapat menyelesaikan masalah seperti yang biasadilakukan oleh para ahli. Atau dengan kata lain sistem pakaradalah sistem yang didesain dan diimplementasikan denganbantuan bahasa pemrograman tertentu untuk dapatmenyelesaikan masalah seperti yang dilakukan oleh para ahli.Leukemia atau kanker darah adalah jenis kanker yang menyerangsel darah putih. Leukemia dikelompokkan menjadi empat jenis.Gejala yang hampir sama untuk setiap jenisnya mempersulituntuk menentukan jenis penyakit leukemia yang diderita pasien.Pada skripsi ini, peneliti bertujuan untuk merancang aplikasisistem pakar untuk diagnosis penyakit leukemia menggunakanmetode bayesian network dengan memperhatikan gejala-gejalayang dialami. Bayesian network dapat digunakan untukmenghitung probabilitas dari kehadiran berbagai gejala penyakit.Sulitnya menentukan jenis penyakit leukemia karena rumitnyaberbagai gejala yang mengiringinya, dapat dibantu denganmerepresentasikan gejala penyakit ini ke dalam sebuah modelgrafis dalam bayesian network. Implementasi sistem pakarberbasis web ini menggunkan bahasa pemrograman php.

Kategori dan Deskripsi SubjekI.2.1 [Artificial Intellegence] Expert System

Ketentuan UmumTeori

Kata KunciPenggunaan metode bayesian network untuk sistem pakardiagnosis penyakit leukemia

1. PENDAHULUANSistem pakar (expert system) adalah sistem yang berusaha

mengadopsi pengetahuan manusia ke komputer, agar komputerdapat menyelesaikan masalah seperti layaknya para pakar.Sistem pakar adalah “a computer program designed to model theproblem-solving ability of a human expert.” [3]. Sistem pakardibangun untuk mencoba menyerupai kemampuan manusiadalam menyelesaikan masalah tertentu dalam bentuk heuristik.Pengalihan keahlian dari para ahli ke komputer untuk kemudiandialihkan lagi ke orang lain yang bukan ahli, merupakan tujuanutama dari sistem pakar. Sistem pakar yang baik dirancang agardapat menyelesaikan suatu permasalahan tertentu dengan menirukerja dari para pakar. Sistem pakar memiliki potensi memperluaskemampuan memecahkan persoalan.

Kepakaran manusia tidak bertahan lama, dapat hilangkarena kematian, pensiun, atau berpindah tempat kerja. Dalampengambilan kesimpulan, pakar dapat dipengaruhi oleh beberapafaktor yang dapat memepengaruhi hasil pengambilan kesimpulantersebut. Sistem pakar memberikan hasil yang lebih konsistendaripada pakar. Sistem pakar juga dapat melakukan pengambilankesimpulan dalam waktu yang konsisten, bahkan dalam beberapa

kasus dapat menghasilkan kesimpulan lebih cepat daripadapakar.

Terdapat dua ciri utama sistem pakar, yaitu pengetahuandan penalaran. Untuk memenuhi keduanya, dalam suatu sistempakar harus memiliki basis pengetahuan dan mesin inferensi.Basis pengetahuan berisi pengetahuan yang dikhususkan padaarea permasalahan tertentu, dalam basis pengetahuan terdapatfakta, aturan-aturan, konsep dan hubungan antar fakta. Proses inimembutuhkan 4 aktifitas, yaitu: tambahan pengetahuan,representasi pengetahuan, inferensi pengetahuan dan pengalihanpengetahuan ke pengguna. Mesin inferensi mengolah isi daribasis pengetahuan yang dibuat menggunakan penalaran yangserupa dengan manusia untuk menarik kesimpulan. Mesininferensi menggabungkan fakta pada memori denganpengetahuan yang terdapat pada basis pengetahuan. Dengan carainilah mesin inferensi dapat menarik kesimpulan menjadiinformasi baru tentang suatu masalah tertentu.

Dengan pengembangan sistem pakar, diharapkan bahwaorang awam pun dapat menyelesaikan masalah yang cukup rumityang sebenarnya hanya dapat diselesaikan dengan bantuan paraahli. Bagi para ahli, sistem pakar ini juga akan membantuaktifitasnya sebagai asisten yang sangat berpengalaman.

Sistem pakar banyak dikembangkan dalam berbagaibidang, termasuk dalam bidang diagnosis medis. Saat inikebutuhan manusia akan pelayanan medis yang lebih baik sangatmendesak, yang berarti dukungan instrumentasi dan informatikamedis modern (telemedis) menjadi sangat dibutuhkan termasukmetode untuk membantu analisisnya sehingga dihasilkandiagnosis yang lebih optimal.

Salah satu dari sekian banyak penyakit adalah leukemia.Leukemia adalah suatu jenis kanker yang dimulai dari sel darahputih. Dalam keadaan normal, sel darah putih, berfungsi sebagaipertahanan tubuh, akan terus membelah dalam suatu kontrolyang teratur. Pada penderita leukemia, terjadi pembentukkan seldarah putih abnormal (sel leukemia) yang berbeda dan tidakberfungsi seperti sel darah putih normal. Leukemia umumnyamuncul pada diri seseorang sejak dimasa kecilnya, sumsumtulang tanpa diketahui dengan jelas penyebabnya telahmemproduksi sel darah putih yang berkembang abnormal.Normalnya, sel darah putih mereproduksi bila tubuhmemerlukannya atau ada tempat bagi sel darah itu sendiri. Tubuhmanusia akan memberikan tanda atau signal secara teraturkapankah sel darah diharapkan bereproduksi kembali.

Perkembangan dunia medis terkini banyak menggunakankomputer untuk membantu diagnosis maupun pencegahan danpenanganan suatu penyakit. Penelitian ini bertujuan menyusunsebuah sistem pakar yang digunakan untuk mendiagnosispenyakit leukemia, dimana pengguna dapat mendiagnosisberdasarkan gejala yang dialami. Sehingga output sistem adalahapakah pasien tersebut menderita leukemia atau tidak dan apabilaya, jenis leukemia apa yang diderita pasien tersebut.

2. TINJAUAN PUSTAKA2.1 Sistem PakarSistem pakar merupakan sistem yang berbasis

pengetahuan, yaitu sistem yang meniru penalaran dari seorang

2

pakar dalam bidang tertentu untuk memecahkan suatu masalahatau untuk memberikan saran. Sistem ini menggunakanpengetahuan manusia untuk menyelesaikan masalah yangmemerlukan kepakaran seorang ahli (Turban, 2001). Jadi sistempakar berbeda dengan sistem lainnya yang hanya bisamenyimpan data, sistem pakar harus mempunyai kemampuanpenalaran untuk mencari jawaban permasalahan yang diajukan.

Ada berbagai ciri dan karakteristik yang membedakansistem pakar dengan sistem yang lain. Ciri dan karakteristik inimenjadi pedoman utama dalam pengembangan sistem pakar. Ciridan karakteristik yang dimaksud adalah sebagai berikut:

1. Pengetahuan sistem pakar merupakan suatu konsep,bukan berbentuk numerik. Hal ini dikarenakankomputer melakukan proses pengolahan data secaranumerik sedangkan keahlian dari seorang pakar adalahfakta dan aturan-aturan, bukan numerik.

2. Informasi dalam sistem pakar tidak selalu lengkap,subjektif, tidak konsisten, subjek terus berubah dantergantung pada kondisi lingkungan sehinggakeputusan yang diambil bersifat tidak pasti dan tidakmutlak "ya" atau "tidak" akan tetapi menurut ukurankebenaran tertentu. Oleh karena itu dibutuhkankemampuan sistem untuk belajar secara mandiri dalammenyelesaikan masalah-masalah dengan pertimbangan-pertimbangan khusus.

3. Kemungkinan solusi sistem pakar terhadap suatupermasalahan adalah bervariasi dan mempunyaibanyak pilihan jawaban yang dapat diterima, semuafaktor yang ditelusuri memiliki ruang masalah yangluas dan tidak pasti. Oleh karena itu diperlukanfleksibilitas sistem dalam menangani kemungkinansolusi dari berbagai permasalahan.

4. Perubahan atau pengembangan pengetahuan dalamsistem pakar dapat terjadi setiap saat bahkan sepanjangwaktu sehingga diperlukan kemudahan dalammodifikasi sistem untuk menampung jumlahpengetahuan yang semakin besar dan semakinbervariasi.

5. Pandangan dan pendapat setiap pakar tidaklah selalusama, yang oleh karena itu tidak ada jaminan bahwasolusi sistem pakar merupakan jawaban yang pastibenar. Setiap pakar akan memberikan pertimbangan-pertimbangan berdasarkan faktor subjektif.

6. Keputusan merupakan bagian terpenting dari sistempakar. Sistem pakar harus memberikan solusi yangakurat berdasarkan masukan pengetahuan meskipunsolusinya sulit sehingga fasilitas informasi sistemselalu diperlukan.

Gambar 1 Skema Sistem Pakar

Tujuan membangun sistem pakar yaitu:1. Seorang pakar dapat sakit, meninggal atau pensiun.

Sasaran pengembangan sistem pakar bukan untukmenggantikan kedudukan seorang pakar, tetapi hanyamengadopsi kepakarannya

2. Sistem pakar dapat menjangkau tempat-tempat yangtidak terjangkau oleh seorang pakar, misalnya tempatterpencil atau lokasi berbahaya sekalipun

3. Buku dan panduan dapat saja menggantikan seorangpakar, tetapi buku dan panduan tidak dapatmemberikan semua pemecahan masalah

4. Jumlah pakar lebih sedikit jika dibandingkan denganpermasalahan yang ada

5. Sistem pakar menyediakan fasilitas penyimpananpengetahuan lebih banyak daripada seorang pakar

6. Inti dari pengembangan sistem pakar adalah agar orangawam sekalipun dapat menggunakan pengetahuanseorang pakar untuk menyelesaikan masalah

7. Sistem pakar meningkatkan produktivitas danmemperbaiki kualitas keputusan yang diambil olehseorang pakar

Pengembangan sistem pakar terdiri dari beberapa tahapyang terus berulang. Ini terjadi karena adanya perubahan atautambahan pengetahuan baru. Ketika sebuah pengetahuan baruditambahkan ke basis pengetahuan sistem pakar, sistemmengujinya untuk mengevaluasi apakah sistem mengerti atautidak pengetahuan baru tersebut, sehingga sistem dapat belajarsecara mandiri untuk menyelesaikan masalah.

2.2 Bayesian NetworkBayesian network adalah “graphical model for probabilistic

relationships among a set of variabels.” [5]. Bayesian networkmerupakan salah satu probabilistic graphical model (PGM) yangsederhana yang dibangun dari teori probabilistik dan teori graf.Teori probabilistik berhubungan langsung dengan datasedangkan teori graf berhubungan langsung dengan bentukrepresentasi yang ingin didapatkan. Bayesian network dapatmerepresentasikan hubungan sebab akibat diantara variabel-variabel yang terdapat pada struktur bayesian network [4], [12].Sebagai contoh, sebuah bayesian network dapat mewakilihubungan probabilistik antara penyakit dan gejala. Bayesiannetwork dapat digunakan untuk menghitung probabilitas darikehadiran berbagai gejala penyakit.

Bayesian network merupakan probabilistic graphical model(PGM) dengan edge berarah yang digunakan untukmerepresentasikan pengetahuan tentang hubunganketergantungan atau kebebasan diantara variabel-variabel domainpersoalan yang dimodelkan. Pengetahuan tersebutdirepresentasikan secara kualitatif menggunakan struktur grafdan secara kuantitatif menggunakan parameter-parameternumerik. Bayesian network terdiri dari dua bagian utama, yaitu:

1. Struktur grafStruktur graf bayesian network disebut dengan directedacyclic graph (DAG) yaitu graf berarah tanpa siklusberarah [4]. DAG terdiri dari node dan edge. Nodemerepresentasikan variabel acak dan edgemerepresentasikan adanya hubungan kebergantunganlangsung (dapat pula diinterpretasikan sebagaipengaruh (sebab-akibat) langsung antara variabel yangdihubungkannya). Tidak adanya edge menandakanadanya hubungan kebebasan kondisional di antaravariabel.

2. Himpunan parameterHimpunan parameter mendefinisikan distribusiprobabilitas kondisional untuk setiap variabel.

3

Pada bayesian network, nodes berkorespondensi denganvariabel acak. Tiap node diasosiasikan dengan sekumpulanpeluang bersyarat, p(xi|Ai) dimana xi adalah variabel yangdiasosiasikan dengan node dan Ai adalah set dari parent dalamgraf.

Dalam membangun bayesian network, struktur dibangundengan pendekatan statistik yang dikenal dengan teorema bayesyaitu conditional probability (peluang bersyarat). Conditionalprobability yaitu perhitungan peluang suatu kejadian Y biladiketahui kejadian X telah terjadi, dinotasikan dengan P(Y|X).Teorema ini digunakan untuk menghitung peluang suatu set datauntuk masuk ke dalam suatu kelas tertentu berdasarkan inferensidata yang sudah ada. Dalam kaitan dengan dignosis penyakitleukemia, X dapat mengacu pada gejala penyakit leukemia dan Yadalah jenis penyakit leukemia. Rumus teori bayes yaitu:

P(Y | X) = P X ^ YP X = P(X | Y) P(Y)P(X)Bayesian network dapat melakukan pengambilan keputusan

(inferensi) probabilistik. Inferensi probabilistik adalahmemprediksi nilai variabel yang tidak dapat diketahui secaralangsung dengan menggunakan nilai-nilai variabel lain yangtelah diketahui [10]. Contoh inferensi probabilistik adalahmenentukan probabilitas kondisional pasien mengidap leukemiajika diketahui pasien tersebut mengalami anemia dan mudahmemar.

Inferensi probabilistik dapat dilakukan jika terlebih dahuludiperoleh joint probabillity distribution (JPD) dari semuavariabel yang dimodelkan (Krause, 1998). JPD adalahprobabilitas semua kejadian variabel yang terjadi secarabersamaan.

Inferensi probabilistik dapat dilakukan jika bayesiannetwork telah dibangun, sehingga yang perlu dilakukan terlebihdahulu adalah membangun struktur bayesian network. Dalamkasus diagnosis penyakit leukemia, hubungan antar variabel danprobabilitas nilai-nilai variabel belum diketahui, oleh karena itubayesian network dibangun berdasarkan data kejadian mengenaivariabel-variabel atau disebut dengan konstruksi bayesiannetwork dari data. Konstruksi bayesian network dari data terdiridari dua tahap, yaitu:

1. Konstruksi struktur atau disebut juga tahap kualitatif,yaitu mencari keterhubungan antara variabel-variabelyang dimodelkan.

2. Estimasi parameter atau disebut juga tahap kuantitatif,yaitu menghitung nilai-nilai probabilitas.

2.3 LeukemiaLeukemia adalah penyakit ganas dan progresif pada organ

pembentuk darah yang ditandai dengan perubahan proliferasi(reproduksi sel) dan perkembangan leukosit dalam darah dansumsum tulang [2]. Leukemia atau yang biasa disebut kankerdarah merupakan jenis kanker yang menyerang sel-sel darahputih yang diproduksi oleh sumsum tulang (bone marrow).Sumsum tulang dalam tubuh manusia memproduksi tiga tipe seldarah diantaranya sel darah putih, yang berfungsi sebagai dayatahan tubuh melawan infeksi, sel darah merah, yang berfungsimembawa oksigen kedalam tubuh dan platelet, yaitu bagian kecilsel darah yang membantu proses pembekuan darah.

Pada kasus leukemia, sel darah putih tidak merespon kepadatanda yang diberikan oleh tubuh untuk mereproduksi sel darahputih. Akhirnya produksi yang berlebihan dan tidak terkontrolakan keluar dari sumsum tulang dan dapat ditemukan di dalamdarah perifer atau darah tepi. Jumlah sel darah putih yangabnormal ini bila berlebihan dapat mengganggu fungsi normal

sel lainnya, seseorang dengan kondisi leukemia akanmenunjukkan beberapa gejala umum seperti:

1. Anemia. Penderita akan menampakkan cepat lelah,pucat dan bernafas cepat. Sel darah merah dibawahnormal menyebabkan oksigen dalam tubuh kurang,akibatnya penderita bernafas cepat sebagai kompensasipemenuhan kekurangan oksigen dalam tubuh.

2. Perdarahan. Ketika platelet (sel pembeku darah) tidakterproduksi dengan wajar karena didominasi oleh seldarah putih, maka penderita akan mengalamiperdarahan dijaringan kulit (banyaknya jentik merahlebar atau kecil dijaringan kulit).

3. Terserang Infeksi. Sel darah putih berperan sebagaipelindung daya tahan tubuh, terutama melawanpenyakit infeksi. Pada penderita leukemia, sel darahputih yang diterbentuk adalah tidak normal (abnormal)sehingga tidak berfungsi semestinya. Akibatnya tubuhpenderita rentan terkena infeksi virus atau bakteri,bahkan dengan sendirinya akan menampakkan keluhanadanya demam, keluar cairan putih dari hidung (meler)dan batuk.

4. Nyeri tulang dan persendian. Hal ini sebagai akibatdari sumsum tulang (bone marrow) mendesak padatoleh sel darah putih.

5. Nyeri perut. Nyeri perut juga merupakan salah satuindikasi gejala leukemia, dimana sel leukemia dapatterkumpul pada organ ginjal, hati dan empedu yangmenyebabkan pembesaran pada organ-organ tubuh inidan timbulah nyeri. Nyeri perut ini dapat berdampakhilangnya nafsu makan penderita leukemia.

6. Pembengkakan kelenjar getah bening (limfadenopati).Penderita kemungkinan besar mengalamipembengkakan pada kelenjar getah bening, baik yangdibawah lengan, leher, dada dan lainnya. Kelenjargetah bening bertugas menyaring darah, sel leukemiadapat terkumpul disini dan menyebabkanpembengkakan.

7. Kesulitan bernafas (dyspnea). Penderita mungkinmenampakkan gejala kesulitan bernafas dan nyeridada, apabila terjadi hal ini maka harus segeramendapatkan pertolongan medis.

Sampai saat ini penyebab penyakit leukemia belumdiketahui secara pasti, akan tetapi ada beberapa faktor yangdiduga mempengaruhi frekuensi terjadinya leukemia, yaitu:

1. Radiasi. Hal ini ditunjang dengan beberapa laporandari beberapa riset yang menangani kasus leukemiabahwa para pegawai radiologi lebih sering menderitaleukemia, penderita dengan radioterapi lebih seringmenderita leukemia, leukemia juga ditemukan padakorban hidup kejadian bom atom Hiroshima danNagasaki, Jepang.

2. Leukemogenik. Beberapa zat kimia telah diidentifikasidapat mempengaruhi frekuensi leukemia, misalnyaracun lingkungan seperti benzena, bahan kimia industriseperti insektisida, obat-obatan yang digunakan untukkemoterapi.

3. Herediter. Penderita down syndrom memiliki insidensileukemia akut 20 kali lebih besar dari orang normal.

4. Virus. Beberapa jenis virus dapat menyebabkanleukemia, seperti virus Epstein Barr, retrovirus, virusleukemia feline, HTLV-1 pada dewasa.

Berdasarkan perjalanan penyakitnya leukemia dibagimenjadi dua golongan yaitu akut dan kronis. Leukemia akutditandai dengan suatu perjalanan penyakit yang sangat cepat,memburuk, dan mematikan. Apabila hal ini tidak segera diobati,maka dapat menyebabkan kematian dalam hitungan minggu

4

hingga hari. Sedangkan leukemia kronis memiliki perjalananpenyakit yang tidak begitu cepat sehingga memiliki harapanhidup yang lebih lama, hingga lebih dari 1 tahun.

Sedangkan berdasarkan tipe sel pembentuknya terdapat duajenis, yaitu leukemia limfositik dan leukemia mielogenosa(granulositik). Jadi secara umum leukemia dibagi menjadi 4jenis, yaitu:

1. Leukemia Limfositik Akut (LLA)2. Leukemia Mielositik Akut (LMA)3. Leukemia Limfositik Kronik (LLK)4. Leukemia Mielositik Kronik (LMK)

3. PEMBAHASAN3.1 Pengembangan AturanProses akuisisi pengetahuan dilakukan untuk menyusun

basis pengetahuan. Data yang dibutuhkan dalam basispengetahuan sistem pakar diagnosis penyakit leukemia adalahdata gejala, data nilai peluang gejala, data jenis penyakit, danaturan untuk menarik kesimpulan. Data gejala dan jenis penyakitdiperoleh dari pakar melalui hasil wawancara dengan MadyaSoekarno, S.Ked. dan beberapa sumber lain seperti bukukedokteran, jurnal, artikel dan laman internet. Melalui prosesakuisisi pengetahuan ini, disimpulkan data yang diperoleh yaitu 4jenis penyakit leukemia dan 36 gejala yang menyertainya.

Bayesian network merupakan metode yang digunakan untukmenarik kesimpulan dalam sistem pakar diagnosis penyakitleukemia. Terdapat beberapa langkah untuk menerapkanbayesian network. Langkah-langkah tersebut diantaranya:

1. Membangun struktur bayesian network penyakitleukemia

2. Menentukan parameter3. Membuat conditional probability table (CPT)4. Membuat joint probability distribution (JPD)5. Menghitung posterior probability6. Inferensi probabilistikSetelah sruktur bayesian network terbentuk dan parameter

ditentukan, diberikan contoh conditional probability table sepertipada tabel berikut ini.

AnoreksiaLeukemia

present absentpresent 0.4 0.43absent 0.6 0.57

Cara menghitung joint probability distribution suatu gejalaadalah mengalikan nilai conditional probability dengan priorprobability. Prior probability gejala anoreksia present adalah0.1, sedangkan absent 0.9. Jadi, dapat diperoleh joint probabilitydistribution dari gejala anoreksia yaitu

AnoreksiaLeukemia

present absentpresent 0.04 0.387absent 0.06 0.513

Langkah selanjutnya, untuk mendapatkan nilai posteriorprobability, dapat dihitung dari hasil JPD yang telah diperoleh,lalu nilai inilah yang digunakan untuk menghitung probabilitaskemunculan suatu gejala. Berikut ini diberikan contoh caramenghitung posterior probability gejala anoreksia, dilihat daritabel joint probability distribution.

Berdasarkan JPD diatas, dapat dihitung posteriorprobability dari gejala anoreksia adalah0.040.04 + 0.387 = 0.09368

Langkah terakhir adalah inferensi probabilistik, Untukmemberikan gambaran lebih jelas, diberikan contoh kasusberikut. Misalkan seorang pasien mengalami gejala anemia (a),

anoreksia (ak), infeksi saluran nafas atas (sa) dan hepatomegali(hp). Berapakah kemungkinan pasien tersebut mengidapleukemia (L)? Untuk menghitung probabilitas tersebut, data yangdibutuhkan adalah posterior probability dari masing-masinggejala yang dialami.

Dari contoh kasus diatas, setelah diperoleh posteriorprobability, dapat dihitung sebagai berikut:

P L a, ak, sa, hp = 0.57143 + 0.09368 + 0.27695 + 0.352114= 0.3235425Jadi, probabilitas pasien dengan gejala tersebut mengidap

leukemia sebesar 0.3235425 (32.35%).

3.2 Software Sistem PakarSetelah menerapkan metode bayesian network pada sistem

pakar diagnosis penyakit leukemia, teknik tersebutdiimplementasikan ke dalam sebuah perangkat lunak yang diberinama SISPAMIA (Sistem Pakar Diagnosis Penyakit Leukemia).Berikut ini adalah tampilan utama dari SISPAMIA:

Gambar 2 Halaman Utama SISPAMIA

4. PENGUJIANPengujian hasil diagnosis dilakukan dengan menguji aturan

yang diterapkan pada sistem ini. Aturan penarikan kesimpulanyang digunakan adalah metode bayesian network. Agarpengujian sistem lebih optimal, maka pengujian langsungdilakukan kepada pemakai (sample). Pengujian dilakukan untukmengetahui seberapa besar keakuratan sistem. Pengujian sistemdilakukan kepada 20 orang sebagai sample. Pengujian terhadapsample tersebut dijelaskan secara singkat melalui tabel berikut.

NoHasil Diagnosis

SistemNilai Sistem Hasil Sebenarnya

1 Positif LLA 35.008% LLA2 Positif LLA 33.287% LLA3 Positif LMA 42,898% LMA4 Positif LMA 33,010% LMA5 Positif LLA 39,686% LMA6 Positif LLA 38,368% LLA7 Negatif Negatif8 Positif LMK 38,522% LMK9 Positif LLK 54,515% LLK

10 Positif LLA 38,922%LMA 40,473%LLK 51,914%LMK 55,403%

Negatif

11 Positif LLA 29,706% LLA12 Positif LMA 34,385% LMA

5

13 Positif LMK 66,191% LMK14 Positif LLA 39,220% LLA15 Positif LMK 66,191% LLK16 Positif LLA 32,188% LLA17 Positif LMK 38,522% LMK18 Negatif Negatif19 Negatif LLK20 Positif LMK 55,403% LMK

Berdasarkan tabel hasil pengujian sistem diatas, diperolehketerangan bahwa perhitungan persentase terhadap 20 orangsample sebagai berikut:

1. Pengujian terhadap kesimpulan sistem “positif” atau“negatif” leukemia:Jumlah sample = 20 orangJumlah sample dengan hasil diagnosis sistem benar =18 orangJumlah sample dengan hasil diagnosis sistem salah = 2orangError sistem: (2/20) x 100 = 10%Akurat: 90%

2. Pengujian terhadap kesimpulan sistem jenis penyakitleukemia:Jumlah sample = 20 orangJumlah sample dengan hasil diagnosis benar = 16orangJumlah sample dengan hasil diagnosis salah = 4 orangError sistem: (4/20) x 100 = 20%Akurat: 80%.

5. KESIMPULAN1. Penelitian ini telah berhasil menghasilkan sistem pakar

untuk diagnosis penyakit leukemia menggunakanmetode bayesian network.

2. Berdasarkan hasil pengujian sistem yang dilakukankepada 10 orang sebagai sample, untuk mendiagnosispositif atau negatif leukemia sistem memiliki nilaikeberhasilan sebesar 90%, sedangkan untukmendiagnosis jenis penyakit leukemia nilaikeberhasilannya sebesar 70%.

3. Sistem pakar diagnosis penyakit leukemia denganmetode bayesian network dapat menyelesaikanmasalah diagnosis penyakit leukemia, karena dapatmemberikan hasil diagnosis dengan cepat beserta nilaiprobabilitas kemunculan setiap jenis penyakit.

DAFTAR PUSTAKA[1] Andrew. 2009, April 15. Methodologies to Develop Expert

System. [Online]. http://www.about-knowledge.com/components-of-an-expert-system/. Diaksestanggal 15 Maret 2010.

[2] Dorland, W.A.N. 2002. Kamus Kedokteran Dorland.Jakarta: EGC.

[3] Durkin, John. 1994. Expert System Design andDevelopment. New Jersey: Prentice Hall Inc.

[4] Ginting, S.L. 2008. Evaluasi Algoritma Cb* UntukKonstruksi Struktur Bayesian Network Dalam DataMining. Tesis Tidak Terpublikasi. Bandung: InstitutTeknologi Bandung.

[5] Heckerman, David. 1995. A Tutorial Learning withBayesian Network. [Online]. http://research.microsoft.com.Diakses tanggal 5 Februari 2010.

[6] http://medicastore.com. [Online]. Diakses tanggal 4Februari 2010.

[7] http://detak.org/aboutcancer. [Online]. Diakses tanggal 31Maret 2010.

[8] Jasaputra, D.K.; Brataatmaja, Dani; & Sadeli, Lisawati.2006. Hematologi dan Imunologi Kapita Selekta. Bandung:Fakultas Kedokteran Universitas Maranatha.

[9] Klein, Dan. 2007. Artificial Intelligence: Bayes Nets. UCBerkeley.

[10] Krause, P.J. 1998. Learning Probabilistic Networks. UnitedKingdom: Philips Research Laboratories.

[11] Moore, A.W. 2001. Bayes Nets for Representing andReasoning About Uncertainty. Carnegie Mellon University.

[12] Neapolitan, R.E. 2004. Learning Bayesian Networks. USA:Peason Pentice Hall.

[13] Nugroho, Bunafit. 2008. Membuat Aplikasi Sistem Pakardengan PHP dan Editor Dreamweaver. Jogjakarta: GavaMedia.

[14] Przytula, K.W.; & Thompson, Don. 2000. Construction ofBayesian Network for Diagnostics. USA: HRLLaboratories & Pepperdine University.

[15] Sampaio, R.M.; Valentim, F.L.; Souza, L.A.; & Silva,R.M. 2008. Inference Algorithms for Systems of MedicalDiagnosis Aid based on Bayesian Networks. Brazil: UFLA- Federal University of Lavras.

[16] Sudoyo, A.W. et. al. 2006. Ilmu Penyakit Dalam. Jakarta:Departemen Ilmu Penyakit Dalam Fakultas KedokteranUniversitas Indonesia.

[17] Widmann, F.K. 1983. Clinical Interpretation of LaboratoryTests. USA: F.A. Davis Company.

[18] Yudkowsky, E.S. 2003. An Intuitive Explanation ofBayesian Network. [Online].http://yudkowsky.net/rational/bayes. Diakses tanggal 6Oktober 2010.