SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT MATA DENGAN METODE BAYESIAN NETWORK

Tidak semua penderita penyakit mata dapat mengetahui penyakit mata. Keterbatasan pengetahuan di bidang medis, masalah finansial serta kesulitan transportasi untuk ke dokter spesialis mata membuat penderita penyakit mata tidak mendapat penanganan yang tepat. Untuk itu dibutuhkan suatu aplikasi yang dapat melakukan aksi seperti dokter spesialis mata. Pada tugas akhir ini, dibuat suatu aplikasi sistem pakar penyakit mata menggunakan metode bayesian network. Bayesian network digunakan karena dapat menghitung probabilitas penyakit mata dari berbagai gejala yang ada. Bayesian network juga dapat merepresentasikan gejala penyakit mata ke dalam sebuah model grafis. Pengujian dilakukan dengan metode black box dan user acceptance test. Hasil pengujian dapat disimpulkan bahwa metode bayesian network dapat memberikan hasil berupa nilai probabilitas jenis penyakit mata berdasakan gejala yang dipilih. Sistem pakar untuk mendiagnosa penyakit mata dengan metode bayesian network memberikan solusi dalam mengatasi penyakit mata yang diderita beserta nilai probabilitas secara tepat dan sedini mungkin.

BAB I

PENDAHULUAN

Sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti layaknya para pakar (expert). Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para pakar atau ahli. Dengan pengembangan sistem pakar, diharapkan bahwa orang awam dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman. Kepakaran manusia tidak bertahan lama, dapat hilang karena kematian, pensiun, atau berpindah tempat kerja. Dalam pengambilan kesimpulan, pakar dapat dipengaruhi oleh beberapa faktor yang dapat memepengaruhi hasil pengambilan kesimpulan tersebut. Sistem pakar memberikan hasil yang lebih konsisten dari pada pakar. Sistem pakar juga dapat melakukan pengambilan kesimpulan dalam waktu yang konsisten, bahkan dalam beberapa kasus dapat menghasilkan kesimpulan lebih cepat dari pada pakar. Sistem pakar banyak dikembangkan dalam berbagai bidang, termasuk dalam bidang diagnosis medis. Saat ini kebutuhan manusia akan pelayanan medis yang lebih baik sangat mendesak, yang berarti dukungan instrumentasi dan informatika medis modern (telemedis) menjadi sangat dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan diagnosis yang lebih optimal. Salah satu dari sekian banyak penyakit adalah penyakit pada mata. Mata adalah suatu panca indra yang sangat penting dalam kehidupan manusia untuk melihat. Dengan mata melihat, manusia dapat menikmati keindahan alam dan berinteraksi dengan lingkungan sekitar dengan baik. Jika mata mengalami gangguan atau penyakit mata, maka akan berakibat sangat fatal bagi kehidupan manusia. Tidak semua penderita penyakit mata dapat mengetahui penyakit mata apa yang diderita karena keterbatasan pengetahuan di bidang medis, masalah finansial serta kesulitan transportasi untuk ke dokter spesialis mata yang cenderung hanya ada di kota saja sehingga tidak mendapatkan perhatian dan tindakan yang tepat untuk mengatasi penyakit mata. Jadi sudah seharusnya mata merupakan anggota tubuh yang perlu dijaga dalam kesehatan sehari-hari. Sebelumnya telah dilakukan penelitian tentang sistem pakar untuk mendiagnosa penyakit mata oleh Hamdani dari Universitas Mulawarman pada tahun 2010. Pada penelitian tersebut belum memberikan persentase keyakinan hasil diagnosa penyakit berdasarkan gejala yang dipilih pengguna, sehingga pengguna tidak mengetahui besar kemungkinan penyakit yang didiagnosa. Penerapan metode bayesian network pada sistem pakar pernah diteliti oleh Indyana Meigarani dari Universitas Pendidikan Indonesia pada tahun 2010. Pada penelitian tersebut metode bayesian network digunakan hanya untuk mendiagnosa penyakit leukimia dengan hasil positif dan negatif saja. Bayesian network dapat digunakan untuk menghitung probabilitas dari kehadiran berbagai gejala penyakit. Sulit menentukan jenis penyakit mata karena rumitnya berbagai gejala yang mengiringinya, dapat dibantu dengan merepresentasikan gejala penyakit mata ke dalam sebuah model grafis dalam bayesian network. Dalam tugas akhir ini dibangun sebuah sistem pakar berbasis web menggunakan metode bayesian network dengan memperhatikan gejala-gejala yang dialami yang akan membantu penderita penyakit mata dalam mendiagnosa jenis penyakit mata apa yang diderita, berdasarkan inputan yang diberikan pada sistem menggunakan layanan internet tanpa harus datang ke dokter spesialis mata. Sehingga pengguna dapat mengetahui probabilitas atau besar kemungkinan jenis penyakit mata yang didiagnosa dan mendapatkan solusi dalam mengatasi penyakit yang diderita secara tepat dan sedini mungkin.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah di atas, maka penulis merumuskan masalah yang ada agar tidak terjadi kerancuan. Perumusan masalah yang dibahas I-3 adalah: “Bagaimana merancang dan membangun suatu program sistem pakar berbasis web untuk mendiagnosa penyakit mata menggunakan metode bayesian network”.

1.3 Batasan Masalah

Agar pembahasan dalam membangun suatu sistem pakar mendiagnosa penyakit mata tidak terlalu luas, namun dapat dicapai hasil yang optimal, maka ruang lingkup dibatasi pada proses : 1. Basis pengetahuan hanya terdiri dari beberapa jenis penyakit mata yang mudah didiagnosa dengan hanya melihat gejalanya saja yaitu: Episkleritis, konjungtivitis, keratitis, skleritis, hordeolum, uveitis beserta gejala penyakit mata. 2. Hasil dari sistem pakar ini hanya sebagai diagnosis awal penyakit mata, bukan sebagai rujukan utama dalam diagnosis penyakit mata.

BAB II

LANDASAN TEORI

2.1 Kecerdasan Buatan

Kecerdasan buatan ( artificial inteligence ) merupakan cabang dari ilmu komputer yang konsern dengan pengautomatisasi tingkah laku cerdas sehingga mesin (komputer) dapat melakukan pekerjaan seperti yang sebaik dilakukan manusia (Anita, 2006). Pengertian kecerdasan buatan dapat dipandang dari berbagai sudut pandang, antara lain:

1. Sudut pandang kecerdasan. Kecerdasan buatan akan membuat mesin menjadi cerdas

dalam arti mampu berbuat seperti apa yang dilakukan manusia.

2. Sudut pandang penelitian. Kecerdasan buatan adalah suatu studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan manusia.

3. Sudut pandang bisnis. Kecerdasan buatan adalah kumpulan peralatan yang sangat

powerful dan metodologis dalam mnyelesaikan masalah-masalah bisnis.

4. Sudut pandang pemrograman. Kecerdasan meliputi studi tentang pemrograman

simbolik, penyelesaian masalah dan pencarian.

Lingkup Utama dari kecerdasan buatan adalah sebagai berikut :

1. Sistem Pakar ( Expert System ). Di sini komputer digunakan untuk menyimpanpengetahuan para pakar.

2. Pengelolaan Bahasa Alami ( Natural Language Processing ). Dengan

pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.

3. Pengenalan Ucapan ( Speech Recognition ). Melalui pengenalan ucapan

diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.

4. Robotika & Sistem Sensor ( Robotics & Sensory System).

5. Computer Visio, mencoba untuk dapat menginterprestasikan gambar

6. Intelligent Computer-aided Instruction. Komputer dapat digunakan sebagai tutor melatih dan mengajar

7. Game Playing.

Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki manusia), kecerdasan buatan memiliki beberapa keuntungan secara komersial, antara lain :

1. Lebih Permanen.

2. Memberikan kemudahan dalam duplikasi dan penyebaran.

3. Relatif lebih murah dari kecerdasan alamiah.

4. Konsisten dan teliti.

5. Dapat didokumentasikan.

6. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik

dibandingkan manusia.

2.2 Sistem Pakar

Sistem Pakar ( Expert System ) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti biasa yang dilakukan para ahli (Anita, 2006). Sistem pakar merupakan program yang dapat menggantikan keberadaan seorang pakar.

Alasan mendasar sistem pakar dikembangkan menggantikan seorang pakar adalah sebagai berikut :

1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang

pakar.

3. Seorang pakar akan pensiun atau pergi.

4. Menghadirkan atau menggunkan jasa seorang pakar memerlukan biaya yang mahal.

5. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environment).

Ada berbagai ciri dan karakteristik yang membedakan sistem pakar dengan sistem yang lain. Ciri dan karakteristik ini menjadi pedoman utama dalam pengembangan sistem pakar. Ciri dan karakteristik yang dimaksud adalah sebagai berikut:

1. Pengetahuan sistem pakar merupakan suatu konsep, bukan berbentuk numerik. Hal ini dikarenakan komputer melakukan proses pengolahan data secara numerik sedangkan keahlian dari seorang pakar adalah fakta dan aturan-aturan, bukan numerik.

2. Informasi dalam sistem pakar tidak selalu lengkap, subjektif, tidak konsisten, subjek terus berubah dan tergantung pada kondisi lingkungan sehingga keputusan yang diambil bersifat tidak pasti dan tidak mutlak "ya" atau "tidak" akan tetapi menurut ukuran kebenaran tertentu. Oleh karena itu dibutuhkan kemampuan sistem untuk belajar secara mandiri dalam menyelesaikan masalah-masalah dengan pertimbangan-pertimbangan khusus.

3. Kemungkinan solusi sistem pakar terhadap suatu permasalahan adalah bervariasi dan mempunyai banyak pilihan jawaban yang dapat diterima, semua faktor yang ditelusuri memiliki ruang masalah yang luas dan tidak pasti. Oleh karena itu diperlukan fleksibilitas sistem dalam menangani kemungkinan solusi dari berbagai permasalahan.

4. Perubahan atau pengembangan pengetahuan dalam sistem pakar dapat terjadi setiap saat bahkan sepanjang waktu sehingga diperlukan kemudahan dalam modifikasi sistem untuk menampung jumlah pengetahuan yang semakin besar dan semakin bervariasi.

5. Pandangan dan pendapat setiap pakar tidaklah selalu sama, yang oleh karena itu tidak ada jaminan bahwa solusi sistem pakar merupakan jawaban yang pasti benar. Setiap pakar akan memberikan pertimbangan- pertimbangan berdasarkan faktor subjektif.

6. Keputusan merupakan bagian terpenting dari sistem pakar. Sistem pakar harus memberikan solusi yang akurat berdasarkan masukan pengetahuan meskipun solusinya sulit sehingga fasilitas informasi sistem selalu diperlukan.

Konsep dasar sistem pakar mencakup beberapa persoalan mendasar, antara lain apa

yang dimaksud dengan keahlian, siapa yang disebut pakar, bagaimana keahlian dapat

ditransfer, dan bagaimana sistem bekerja.

Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, dan metode

khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasehat dan

memecahkan persoalan. Adalah tugas pakar untuk menyediakan pengetahuan tentang

bagaimana melaksanakan suatu tugas yang akan dijalankan oleh sistem berbasis

pengetahuan. Pengertian lain dari pakar ialah orang yang memiliki keahlian dalam suatu

hal, yaitu memiliki pengetahuan atau keahlian khusus yang tidak diketahui dan tidak ada

pada kebanyakan orang.

Keahlian adalah pengetahuan ekstensif yang spesifik terhadap tugas yang dimiliki pakar. Tingkat keahlian menentukan performa keputusan. Keahlian sering dicapai daripelatihan, membaca, dan mempraktikan. Keahlian mencakup pengetahuan eksplisit, misalnya teori yang dipelajari dari buku teks atau kelas, dan pengetahuan implisit yang diperoleh dari pengalaman.

2.2.2 Komponen Sistem Pakar

Suatu sistem disebut sebagai sistem pakar jika mempunyai ciri dan karakteristik tertentu. Hal ini juga harus didukung oleh komponen komponen sistem pakar yang mampu menggambarkan tentang ciri dan karakteristik tertentu. Dalam sistem pakar terdapat beberapa komponen. Secara umum, sistem pakar terdiri dari beberapa komponen yang saling berhubungan, yaitu:

1. Basis Pengetahuan

Basis data dalam sistem pakar disebut basis pengetahuan. Basis pengetahuan berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan, dan memecahkan masalah. Basis pengetahuan menggunakan aturan-aturan untuk mengekspresikan logika masalah yang pemecahannya dibantu oleh sistem pakar. Basis pengetahuan terdiri dari dua elemen, yaitu:

a. Fakta: situasi, kondisi, dan kenyataan dari permasalahan yang ada, berisi juga teori dari bidang permasalahan tersebut

b. Aturan: mengarahkan pengguna pengetahuan untuk memecahkan masalah dari bidang tersebut.

Basis pengetahuan ini tersusun atas fakta yang berupa informasi tentang cara bagaimana membangkitkan fakta baru dari fakta yang sudah diketahui. Ada beberapa metode untuk mempresentasikan pengetahuan kedalam basis pengetahuan, yaitu :

a. Kalkulus

Predikat Kalkulus predikat merupakan cara sederhana untuk mempresentasikan pengetahuan secara deklaratif. Dalam kalkulus predikat pernyataan deklaratif dibagi atas dua bagian yaitu bagian predikat dan bagian argumen. Argumen berisi objek dan predikat menunjukan hubungan atas sifat objek keduanya dikombinasikan membentuk suatu proposisi predikat 1 dan objek 2. Basis Pengetahuan Mesin Inferensi

b. List

List merupakan rangkaian aturan-aturan yang berhubungan. List digunakan untuk menggambarkan hierarki pengetahuan yang objek- objeknya dikelompokan menurut aturan-aturannya. Objek tesebut dibagi menjadi kelompok-kelompok berdasarkan item yang sama, hubungan antar kelompok ditunjukan dengan menghubungkan kelompok-kelompok tersebut.

c. Bingkai (frame)

Frame merupakan blok atau potongan pengetahuan mengenai objek khusus peristiwa atau elemen lain. Frame menggambarkan perincian objek. Penilaian ini diberikan dalam bentuk rak (slot) yang menggambarkan berbagai atribut dan karakteristik dari suatu objek.

d. Jaringan Sematik

Jaringan sematik adalah objek yang paling awal dipakai dalam mempesentasikan pengetahuan. Metode ini didasarkan pada struktur jaringan dan biasa digambarkan dengan grafik hubungan. Jaringan sematik terdiri dari lingkaran-lingkaran yang menunjukan objek dan informasi tentang objek-objek tersebut. Objek ini bisa berupa benda atau peristiwa. Antara dua objek dihubungkan oleh arc yang menunjukan hubungan antar objek.

e. Kaidah Produksi

Kaidah produksi biasanya dalam bentuk jika-maka (IF-THEN). Kaidah ini dapat dikatakan sebagai hubungan implikasi dua bagian, yaitu bagian premis (jika) dan bagian konklusi (maka). Kaidah produksi merupakan salah satu bentuk representasi pengetahuan yang sering digunakan. Bermacam-macam pengetahuan dapat diimplementasikan dalam bentuk yang sesuai dengan format kaidah IF-THEN. Kaidah produksi sangat populer karena formatnya yang sangat fleksibel.

Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan, yaitu:

1. Penalaran berbasis aturan (Rule-Based-Reasoning)

Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan berbentuk: IF-THEN. Bentuk ini digunakan apabila memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkahlangkah) pencapaian solusi.

2. Penalaran berbasis kasus (Case-Based-Reasoning)

Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.

1. Mesin Inferensi

Mesin Inferensi merupakan otak dari sistem pakar. Dikenal juga sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Mesin inferensi menggunalan penalaran yang serupa dengan manusia dalam mengolah isi dari basis pengetahuan.

Mesin inferensi terdiri dari tiga bagian, yaitu:

a. Interpreter:

digunakan untuk menerjemahkan aturan ke dalam bahasa mesin agar dapat menjalankan program

b. Scheduler:

digunakan untuk pencarian dan penalaran pada basis pengetahuan dalam penyelesaian masalah

c. Consistency Enforcer:

untuk menampilkan solusi permasalahan Kerja

Sedangkan untuk pelacakannya, ada 2 cara yang dapat dipakai yaitu:

a. Forward chaining

Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

b. Backward chaining

Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran fakta hipotesa lebar dan tidak dalam dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan

1. Papan Tulis (Workplace)

Papan Tulis (Workplace) merupakan memori atau lokasi penyimpanan untuk sistem pakar bekerja dan menyimpan hasil sementara, yang berupa basis data. Memori ini berisi semua informasi tentang masalah tertentu, baik yang di input oleh pengguna atau yang berada dalam basis pengetahuan.

2. Antarmuka Pengguna

Interaksi antara sistem pakar dan pengguna berupa bahasa alami, biasanya dalam bentuk tanya jawab atau ditampilkan dalam bentuk gambar. Sistem pakar menyediakan antarmuka agar pengguna dapat berinteraksi dengan sistem pakar. Antarmuka pengguna memegang peranan penting dalam sistem pakar, untuk memperoleh informasi yang akurat dari pengguna, perekayasa pengetahuan diharapkan membuat desain antarmuka pertanyaan yang baik.

3. Fasilitas

Penjelasan Fasilitas ini merupakan fasilitas tambahan yang menyediakan penjelasan kepada pengguna tentang mengapa sistem pakar mempertanyakan sebuah pertanyaan tertentu kepada pengguna dan bagaimana sistem pakar fakta hipotesa menyempit dan dalam membuat suatu keputusan. Fasilitas penjelasan memberikan keuntungan kepada kedua belah pihak, perekayasa pengetahuan dapat memeperbaiki kekurangan dari basis pengetahuan dan pengguna mendapatkan penjelasan tentang bagaimana pemikiran sistem pakar tersebut.

4. Knowledge Refining System

Seorang pakar mempunyai knowledge refining system artinya mereka dapat menganalisis sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada sistem pakar, evaluasi ini penting sehingga dapat menganalisis alasan keberhasilan atau kegagalan pengambilan keputusan, serta memperbaiki basis pengetahuan.

2.2.3 Partisipasi dalam Proses Pengembangan Sistem Pakar Pakar

yaitu seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta mampu menerapkannya untuk memecahkan masalah atau mengambil keputusan. Pakar menyediakan pengetahuan tentang bagaimana sistem pakar bekerja. Untuk mengembangkan sistem pakar juga membuatuhkan seorang perekayasa pengetahua. Perekayasa pengetahuan adalah seseorang yang membantu pakar untuk menyusun area permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar terhadap pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan contoh-contoh yang berlawanan, kemudian menyusun basis pengetahuan. Pengguna, yang mungkin meliputi: seorang pasien yang akan berkonsultasi, seorang dokter atau pakar lain yang akan menguji sistem pakar ini. Partisipan lain, dapat meliputi: pembangun sistem (system builder), tool builder, staf administrasi dan lainnya.

2.3 Model Pengembangan Sistem Pakar

Langkah awal yang dilakukan dalam membangun sistem adalah dengan menentukan model sistem yang akan digunakan. Dalam sistem pakar dikenal model sistem yang digunakan adalah ESDLC (Expert System Development Life Cycle). Expert System Development Life Cycle merupakan konsep dasar dalam perancangan dan pengembangan sistem pakar yang sering digunakan. (Durkin, 1994).

Secara umum tahapan dari Expert System Development Life Cycle adalah:

1. Penilaian Keadaan

a. Mengidentifikasi masalah

b. Mendefinisikan tujuan umum dan ruang lingkup sistem

c. Memverifikasi kesesuaian sistem pakar dengan masalah

2. Analisa dan Akuisisi Pengetahuan

a. Analisa kebutuhan data, kebutuhan fungsi identifikasi unjuk kerja sistem dari mulai Entities, Aliran data, Proses, Data Store dan Entity Rational Diagram (ERD) yang dilakukan perangkat, runtutan kondisi perangkat, serta pengembangan perangkat.

b. Menentukan sumber pengetahuan

c. Mendapatkan pengetahuan yang berhubungan dengan masalah yang akan dibahas

d. Mempelajari, menambah, dan mengatur pengetahuan

3. Perancangan dan Implementasi

a. Mendefinisikan struktur sistem, pengaturan sistem, dan metode yang akan digunakan untuk pengambilan kesimpulan

b. Memilih bahasa pemrograman yang digunakan

c. Implementasi konsep rancangan sistem

4. Pengujian

a. Melakukan pengujian sistem yang telah dibangun

b. Memodifikasi pengetahuan sistem

5. Dokumentasi

a. Membuat diagram dan user dictionary dalam sebuah dokumen teknis sebagai panduan bagi pengguna

2.4 Bayesian Network

Metode bayesian network menjadi sangat populer pada dekade terakhir ini karena digunakan untuk berbagai aplikasi cerdas seperti mesin pembelanjaran, pengolahan teks, pengolahan bahasa alami, pengenalan suara, pengolahan sinyal, bioinformatika, error-control codes, diagnosis medis, peramalan cuaca, jaringan seluler, dan aplikasi sistem cerdas lainnya.

Bayesian network merupakan salah satu Probabilistic Graphical Model (PGM) yang sederhana yang dibangun dari teori probabilistik dan teori graf. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin didapatkan. (Heckerman, 1995).

Sebagai contoh, sebuah bayesian network dapat mewakili hubungan probabilistik antara penyakit dan gejala.

Bayesian network dapat digunakan untuk menghitung probabilitas dari kehadiran berbagai gejala penyakit. Metode bayesian network merupakan metode yang baik di dalam mesin pembelajaran berdasarkan data training, dengan menggunakan probabilitas bersyaratsebagai dasarnya.

Bayesian network (BN) atau jaringan bayes juga dikenal sebagai jaringan kepercayaan dari jaringan bayes yang pendek dan masih merupakan probabilistic graphical model (PGM) dengan edge berarah yang digunakan untuk merepresentasikan pengetahuan tentang hubungan ketergantungan atau kebebasan diantara variabel-variabel domain persoalan yang dimodelkan. Pengetahuan tersebut direpresentasikan secara kualitatif menggunakan struktur graf dan secara kuantitatif menggunakan parameter-parameter numerik. Bayesian network terdiri dari dua bagian utama, yaitu:

1. Struktur graf bayesian network disebut dengan Directed Acyclic Graph (DAG) yaitu graf berarah tanpa siklus berarah (Meigarani, 2010). 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. Tidak adanya edge menandakan adanya hubungan kebebasan kondisional di antara variabel. Struktur grafis bayesian network ini digunakan untuk mewakili pengetahuan tentang sebuah domain yang tidak pasti. Secara khusus, setiap node dalam grafik merupakan variabel acak, sedangkan ujung antara node mewakili probabilistik yang bergantung di antara variabel-variabel acak yang sesuai. Kondisi ketergantungan ini dalam grafik sering diperkirakan dengan menggunakan statistik yang dikenal dengan metode komputasi. Oleh karena itu, bayesian network menggabungkan prinsip- prinsip dari teori graf, teori probabilitas, ilmu pengetahuan komputer, dan statistik. (Wiley, 2007)

2. Himpunan parameter

Himpunan parameter mendefinisikan distribusi probabilitas kondisional untuk setiap variabel. Pada bayesian network, nodes berkorespondensi dengan variabel acak. Tiap node diasosiasikan dengan sekumpulan peluang bersyarat, p(xi|Ai) sehingga xi adalah variabel yang diasosiasikan dengan node dan Ai adalah set dari parent dalam graf.

2.4.1 Konsep Dasar Bayesian Network

Untuk membangun bayesian network, memerlukan pemahaman dari konsep dasar bayesian network. Konsep dasar tersebut adalah sebagai berikut:

1. Struktur Graf.

Struktur graf yang dimiliki oleh bayesian network adalah Directed Acyclic Graph (DAG), yaitu graf berarah yang tidak memiliki siklus. Struktur dari DAG sering disebut bagian dari model kualitatif yang diperlukan untuk menentukan model model parameter kuantitatif. Parameter dijelaskan secara konsisten dengan properti markov, di mana Conditional Probability Distribution (CPD) pada setiap node bergantung pada parent yang dimiliki. (Wiley, 2007)

2. Kondisi Markov.

Kondisi ini menunjukkan hubungan antara DAG dan distribusi probabilitas. Bayesian network memanfaatkan kondisi markov untuk melakukan representasi JPD secara efisien dan memperoleh adanya kebebasan kondisional antara variabel. Model graf pada kondisi markov berupa graf dengan ujung berarah. Jaringan markov ini memberikan definisi secara sederhana yaitu kebebasan antara dua node yang berbeda berdasarkan konsep dari selimut Markov. Jaringan Markov sangat populer di bidang keilmuan modern seperti fisika, statistik dan ilmu komputer. (Wiley, 2007)

3. D-separation.

Properti DAG yang menyatakan hubungan kebebasan yang terdapat pada DAG. Semua kebebasan kondisional yang diperoleh dari kondisi markov akan diidentifikasi dengan properti ini.

4. Ekuivalensi Markov.

Konsep tentang adanya DAG-DAG yang memiliki dseparation yang sama, yang dapat direpresentasikan dalam sebuah DAG pattern. Dua DAG merupakan ekuivalen markov jika dan hanya jika kedua DAG tersebut mempunyai link-link (edge tanpa memperhatikan arah) yang sama dan himpunan uncoupled head-to-head meeting yang sama. Teorema tersebut memberikan cara sederhana untuk merepresentasikan kelas ekuivalen markov pada sebuah graf. Graf ini disebut DAG pattern.

2.4.2 Membangun Bayesian Network

Setelah memahami konsep dasar dalam membangun bayesian network, maka terdapat dua tahapan dalam membangun bayesian network, yaitu:

1. Konstruksi struktur

Struktur bayesian network adalah direct acyclic graph yang dapat merepresentasikan sebuah pola dari sekumpulan data. Perepresentasian dalam bentuk graf dapat dilakukan dengan mengidentifikasi konsep- konsep informasi yang relevan terhadap masalah. Selanjutnya konsep- konsep tersebut disebut himpunan variabel. Himpunan tersebut kemudian direpresentasikan menjadi node node dalam graf. Pengaruh antara variable dinyatakan eksplisit menggunakan edge pada graf

2. Estimasi parameter

Setelah struktur bayesian network terbentuk, parameter dan hubungan ketergantungan antara node ditentukan dengan menggunakan pengetahuan pakar. Informasi ini dibutuhkan agar dapat menghitung joint probability distribution.

DAFTAR PUSTAKA

Andrew. 2009, April 15. Methodologies to Develop Expert System. [Online]. http://www.aboutknowledge. com/components-of-an-expert-system/. Diakses tanggal 1 Februari 2011.

Anita. Konsep Kecerdasan Buatan. Yogyakarta: Penerbit Andi, 2006.

Arif, dkk. Kapita Selekta Kedokteran Jilid 1. Jakarta: Balai Penerbit Fakultas Kedokteran Universitas Indonesia, 2000.

Kapita Selekta Kedokteran Jilid 1I. Jakarta: Balai Penerbit Fakultas Kedokteran Universitas Indonesia. 2000.

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

Durkin, John. Expert System Design and Development. New Jersey: Prentice Hall Inc,1994.

Hamdani. Sistem Pakar Untuk Diagnosa Penyakit Mata Pada Manusia. Samarinda: Jurnal Universitas Mulawarman, 2010.

Heckerman, David. 2006, November. A Tutorial on Learning With Bayesian Network. [Online]. http://research.microsoft.com. Diakses tanggal 5 Februari 2010.

Krause, P.J. Learning Probabilistic Networks. United Kingdom: Philips Research Laboratories, 1998. Meigarani, Indyana. Penggunaan Metode Bayesian network Dalam Sistem Pakar Untuk Diagnosa Penyakit Leukimia. Bandung: Jurnal Universitas Pendidikan Indonesia, 2010.

Cari Blog Ini

Badut Gaming

Sistem Pakar