Title of Paper (14 pt Bold, Times, Title case)

Jurnal Teknik Informatika Vol. 1 September 2012
1
Aplikasi Diagnosa Penyakit Asma Menggunakan Bayesian Network
Berbasis Web
Yunitha Nancy Roselina1, Sugeng Purwantoro E.S.G.S,S.T,M.T2 & Memen Akbar,S.Si3
1
Program Studi Sistem Informasi Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
2
Program Studi Teknik Komputer Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
3
Program Studi Teknik Komputer Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
Abstrak
Penyakit asma merupakan suatu penyakit kronis (menahun) yang menyerang saluran
pernapasan pada paru dimana terdapat peradangan (inflamasi) dinding rongga bronchiale
sehingga mengakibatkan penyempitan saluran napas yang akhirnya seseorang mengalami
sesak napas. Penelitian bertujuan untuk membangun aplikasi menggunakan metode bayesian
network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asma. Dengan aplikasi
ini, pasien tidak harus menunggu lama untuk mendapatkan perawatan oleh dokter, namun
dapat menjadi alternative untuk mengantisipasi pengobatan secara cepat dan tepat. Cara
menggunakan aplikasi ini yaitu admin menginputkan pertanyaan berupa gejala-gejala yang
akan dijawab oleh user, selanjutnya sistem akan mengolah semua jawaban user menggunakan
metode bayesian network dan sistem akan mengeluarkan output berupa hasil diagnosa berupa
jenis penyakit asma dan tanaman obat sebagai solusinya. Aplikasi ini menggunakan bahasa
pemograman PHP serta MYSQL sebagai database. Sistem yang telah dibangun dapat
membantu pasien dalam mengetahui jenis penyakit asma yang sedang diderita pasien dan
sesuai dengan analisa pakar penyakit asma yaitu sebesar 83.33%.
Kata Kunci : penyakit asma, tanaman obat, bayesian network, MySQL, PHP
Abstract
Asthma is a chronic disease (chronic) that attacks the respiratory tract to the lungs where there
is inflammation (inflammatory) bronchiale cavity walls causing narrowing of the airways that
eventually someone is experiencing shortness of breath. The study aims to build an expert
system application using the web-based bayesian networks as a tool for the diagnosis of asthma.
With this application, The patient does not have to wait a long time to get treatment by the
doctors, but could be an alternative to anticipate the rapid and appropriate treatment. To use
this application is an admin will asked question about the symptoms and will be answered by
the user, then the system will process all the answers using bayesian network and the output
from the system will issue a diagnosis of asthma and the types of medicinal plants as a solution.
This applications using the programming language PHP and MYSQL as a database. The system
has been built to help patients know what type of asthma that is being suffered by the patient
and according to expert analysis of asthma that is equal to 83.33%.
Keywords: asthma, medicinal plants, bayesian network, MySQL, PHP
1
Pendahuluan
1.1
Latar Belakang
Kesehatan merupakan hal yang sangat penting bagi manusia. Beberapa gangguan
kesehatan di sebabkan oleh polusi udara dan lingkungan sekitar yang membuat tubuh manusia
sangat rentan terhadap penyakit, terutama penyakit pernapasan yaitu penyakit asma. Asma
adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara tersumbat atau
2
Yunitha Nancy Roselina, Sugeng Purwantoro, Memen Akbar
menyempit. Hal ini biasanya sementara, tetapi dapat menyebabkan sesak napas, kesulitan
bernapas, dan gejala lainnya (Pratyahara,2011). Apabila terjadi gangguan kesehatan terhadap
tubuh manusia maka setiap orang lebih mempercayakannya kepada pakar atau dokter ahli yang
sudah mengetahui lebih banyak tentang kesehatan, tanpa memperdulikan apakah penyakit
tersebut masih dalam tingkat rendah atau kronis. Namun dengan adanya para pakar atau dokter
ahli, terkadang terdapat pula beberapa kendalanya seperti jam kerja (praktek) dokter yang
terbatas serta banyaknya pasien, sehingga harus menunggu antrian [4].
Setiap orang selaku pemakai jasa lebih membutuhkan seorang pakar yang bisa
memudahkan dalam melakukan diagnosa penyakit lebih dini, agar dapat melakukan pencegahan
lebih awal. Untuk mencegah penyakit yang diderita oleh pasien, maka dokter memberikan resep
obat yang dapat menyembuhkan pasien, tetapi tidak semua orang cocok dengan obat yang
diberikan oleh dokter, sehingga pasien mencari alternative lain dengan mengkonsumsi obat
secara alami, baik itu dari jenis tanaman obat atau herbal. Dikarenakan permasalahan tersebut,
sehingga mendorong membangun sebuah aplikasi diagnosa penyakit asma menggunakan
metode bayesian network berbasis web.
1.2
Tujuan
Tujuan dari Penelitian ini yaitu membangun aplikasi menggunakan metode bayesian
network yang berbasis web sebagai alat bantu untuk diagnosa penyakit asma.
1.3
1.
2.
1.4
1.
2.
3.
4.
5.
6.
1.5
1.
2.
Perumusan Masalah
Perumusan masalah dari penelitian ini adalah :
Bagaimana cara merancang aplikasi untuk menentukan jenis penyakit asma berdasarkan
gejala-gejala penyakit asma yang diderita oleh user.
Bagaimana cara menerapkan metode Bayesian Network dalam aplikasi.
Ruang Lingkup
Ruang lingkup dari penelitian ini adalah :
Data-data penunjang penyakit asma yang hanya berdasarkan faktor penyebab. Gejala
penyakit asma diambil dari buku Panduan Pelayanan Medik Perhimpunan Dokter
Spesialis Penyakit Dalam Indonesia dan melakukan konsultasi dengan dr. Anda Citra
Utama, Sp.PD (spesialis penyakit dalam) praktek di Apotik Al-Huda Jl. Lintas Timur –
Pangkalan Kerinci.
Untuk menentukan jenis penyakitnya menggunakan metode Bayesian Network.
Penyimpanan data-data penunjang penyakit asma menggunakan MYSQL.
Bahasa pemograman yang digunakan adalah PHP.
Hasil penyakit yang dihasilkan memiliki 4 jenis penyakit asma yaitu Asma intermiten
(AI), Asma persisten ringan (APR), Asma persisten sedang (APS), Asma persisten berat
(APB) menurut buku Panduan Pelayanan Medik Perhimpunan Dokter Spesialis
Penyakit Dalam Indonesia.
Output yang dihasilkan dari aplikasi ini yaitu jenis penyakit asma dan jenis tanaman
obat beserta resepnya.
Manfaat
Adapun manfaat dari penulisan penelitian ini adalah sebagai berikut:
User dapat mengetahui jenis penyakit yang di deritanya melalui gejala-gejala yang
dirasakan secara cepat dan tepat.
User dapat menggunakan aplikasi untuk mengetahui jenis penyakit asma dan jenis
tanaman obat.
3
2
Tinjauan Pustaka
2.1
Asma
Asma adalah penyakit kronis (jangka panjang), suatu kondisi ketika saluran udara
tersumbat atau menyempit. Hal ini biasanya sementara, tetapi dapat menyebabkan sesak napas,
kesulitan bernapas, dan gejala lainnya. Jika asma menjadi parah, penderita mungkin
memerlukan pengobatan darurat untuk memulihkan pernapasan normal (Pratyahara, 2011) [4].
Penyakit asma terdiri dari 4 jenis penyakit, yaitu :
1.
Asma intermiten disebut asma intermiten bila pasien mengalami episode batuk atau
sesak (eksaserbasi) kurang dari sekali seminggu dalam jangka waktu sedikitnya 3
bulan, dan eksaserbasi hanya berlangsung beberapa jam atau hari. Gejala asma
nokturnal tidak lebih dari 2 kali sebulan.
2.
Asma Persisten Ringan yaitu penderita mengalami eksaserbasi paling tidak sekali
seminggu, tetapi kurang dari sekali sehari dalam waktu 3 bulan dan beberapa
eksaserbasi mempengaruhi tidur dan aktivitas, dan atau jika pasien memiliki gejala
kronis yang memerlukan pengobatan simtomatis hampir setiap hari dan kejadian gejala
asma nokturnal lebih dari 2 kali sebulan.
3.
Asma Persisten Sedang yaitu khas ditandai gejala harian dalam jangka waktu lama atau
serangan asma nokturnal lebih dari sekali seminggu.
4.
Asma Persisten Berat yaitu penderita mengalami variabilitas yang besar, gejala yang
terus menerus dan gejala nokturnal yang sering, mempunyai aktivitas yang terbatas, dan
kadang mengalami eksaserbasi berat walaupun sedang dalam pengobatan.
Tabel 1 Gejala-gejala penyakit asma
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Gejala
Sesak Napas
Mengi
Batuk
Dada terasa berat
Pilek dan bersin
Sesak napas < 1 kali seminggu
Sesak napas malam <= 2 kali sebulan
Sesak napas >= 1 kali seminggu tapi < 1 kali
perhari
Sesak napas malam > 2 kali sebulan
Sesak napas tiap hari
Sesak napas malam > 1 kali seminggu
Sesak napas terus-menerus
Sesak napas malam sering
AI
√
√
√
√
√
√
√
Asma
APR
APS
√
√
√
√
√
√
√
√
√
√
APB
√
√
√
√
√
√
√
√
√
√
√
Sumber: Panduan Pelayanan Medik Perhimpunan Dokter Spesialis Penyakit Dalam Indonesia.
2.2
Tanaman Obat (Herbal)
Dalam kehidupan sehari-hari, banyak pasien yang memeriksakan diri pada dokter
karena menderita suatu penyakit. Banyak juga di antara dokter tidak peduli tentang penyebab
penyakit pasien. Penderita yang memeriksakan diri ke tempat praktek dokter tersebut umumnya
menginginkan kesembuhan yang cepat (spontan). Seharusnya, sebelum dokter memberikan
resep obat-obatan, dokter melakukan pemeriksaan teliti terhadap penyebab sakit yang diderita
oleh pasien.
4
Yunitha Nancy Roselina, Sugeng Purwantoro, Memen Akbar
Dokter kemudian akan memberikan resep obat-obatan kimia, meskipun di era sekarang,
dapat ditemui juga beberapa tempat praktek dokter yang menawarkan obat herbal yang diramu
dari tumbuh-tumbuhan tertentu. Obat-obatan herbal khasiatnya tidak kalah dengan obat-obatan
kimia dalam menyembuhkan penyakit. Bahkan, obat-obatan herbal tidak memiliki efek
samping, berbeda dengan mengkonsumsi obat-obat kimia yang selalu memiliki efek samping
tertentu jika pemakainya tidak sesuai dosis yang dianjurkan.
Menyadari akan efek samping yang tidak di inginkan akibat pengguna obat-obatan
kimia, maka inilah alasan obat-obatan herbal mulai terkenal. Selain tidak memiliki efek
samping, bahan-bahannya juga mudah ditemukan dan dibudidayakan di lingkungan sekitar.
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Tanaman Obat
Bunga kenop
Daun Jinten
Patikan kebo
Pegagan
Rangga dipa
Tembelekan
Akar putri malu
Jahe
Bunga melati
Rumput Jukut pendul
Daun kecubung
Akar brojo lintang
Tabel 2 Tanaman obat penyakit asma
Asma
AI
APR
APS
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
APB
√
√
√
√
√
√
√
√
Sumber : Sumatera herbal center
2.3
Teorema Bayes
Bentuk teorema bayes untuk evidence tunggal E dan hipotesis tunggal H, (Sutojo, 2011)
[5] adalah :
.................................................................(1)
Keterangan :
P(H|E) = Probabilitas hipotesis H terjadi jika diberikan evidence E
P(E|H) = Probabilitas munculnya evidence E, jika hipotesis H terjadi
P(H) = Probabilitas hipotesis H tanpa memandang evidence apapun
P(E) = Probabilitas evidence E tanpa memandang apa pun
Dalam sistem pakar diagnosa penyakit asma ini, maka E merupakan gejala penyakit
asma sedangkan H merupakan penyakitnya.
2.4
Metode Bayesian Network
Bayesian network menurut Heckerman (1995) adalah “A Bayesian network is a
graphical model that encodes probabilistic relationships among variables of interest”. Bayesian
network merupakan salah satu probabilistic graphical model (PGM) yang sederhana yang
dibangun dari teori probabilistik dan teori graf [2]. Teori probabilistik berhubungan langsung
dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin
5
didapatkan. Menurut Neapolitan (Ginting, 2008), bayesian network dapat merepresentasikan
hubungan sebab akibat diantara variabel-variabel yang terdapat pada struktur bayesian network.
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 dan juga dapat digunakan sebagai alat pengambilan
keputusan untuk memperbaharui tingkat kepercayaan suatu informasi. [1]
Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang
memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang terjadi
dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan. Teori
Bayesian mempunyai beberapa kelebihan, yaitu:
1.
Mudah untuk dipahami.
2.
Hanya memerlukan pengkodean yang sederhana.
3.
Lebih cepat dalam penghitungan.
Kekurangan dari Teori probabilitas Bayesian yang banyak dikritisi oleh para ilmuwan
adalah karena pada teori ini, satu probabilitas saja tidak bisa mengukur seberapa dalam tingkat
keakuratannya. Dengan kata lain, kurang bukti untuk membuktikan kebenaran jawaban yang
dihasilkan dari teori ini.
Bayesian network merupakan metode yang digunakan untuk menarik kesimpulan dalam
aplikasi diagnosa penyakit asma. Terdapat langkah-langkah dalam penerapan bayesian network
(Meigarani,2010) [3] , diantaranya :
1.
Membangun struktur bayesian network
Struktur bayesian network dapat digambarkan berdasarkan data gejala dan data penyakit
yang diperoleh dari proses akuisisi pengetahuan ataupun pakar yang ahli dalam
bidangnya.
2.
Menentukan parameter (prior probability table)
Setelah struktur bayesian network penyakit asma terbentuk, langkah selanjutnya adalah
menentukan nilai prior probability dari setiap gejala, yaitu derajat kepercayaan untuk
suatu gejala. Prior probability digunakan ketika tidak ada informasi lain yang dapat
digunakan untuk melihat kemungkinan suatu event terjadi, tetapi begitu informasi baru
diketahui maka probabilitas yang baru harus dilihat berdasarkan informasi yang baru
diketahui tersebut.
3.
Membuat conditional probability table (CPT)
Conditional probability adalah perhitungan probabilitas suatu kejadian B terjadi apabila
kejadian A sudah terjadi. Probabilitas dari setiap kemungkinan nilai dari A dan B
disebut dengan Conditional Probability Table (CPT).
4.
Membuat joint probability distribution (JPD)
Joint probability distribution (JPD) adalah probabilitas kemunculan semua kejadian
yang terjadi secara bersamaan. Sama seperti CPT, joint probability distribution dari
suatu variable A dan B adalah sebuah tabel yang berisi probabilitas untuk setiap nilai A
dan B yang dapat terjadi. Notasi P(A,B) dapat ditulias dalam persamaan:
…………….…………………………(2)
5.
Berdasarkan persamaan diatas, cara menghitung joint probability distribution suatu
Gejala adalah dengan mengalikan nilai conditional probability
dengan prior
probability.
Menghitung posterior probability
Untuk mendapatkan nilai posterior probability, dapat dihitung dari hasil joint
probability distribution yang telang diperoleh, lalu nilai inilah yang digunakan untuk
menghitung nilai probabilitas kemunculan suatu gejala.
6
6.
Yunitha Nancy Roselina, Sugeng Purwantoro, Memen Akbar
Inferensi probabilistik
Data yang digunakan dalam melakukan inferensi diperoleh dari jawaban yang diberikan
pengguna atas pertanyaan mengenai gejala yang diajukan oleh sistem.
Langkah-langkah penerapan Bayesian Network dapat dilihat pada flowchart Gambar 1.
mulai
Input gejala
dan
penyakit
Membangun struktur
Bayesian Network
penyakit asma
Menentukan
parameter (prior
probability table)
Menentukan
Conditional
probability table
(CPT)
Menghitung Joint
probability distribution
(JPD)
Menghitung posterior
probability
Inferensi probabilistik
Tampil hasil
diagnosa,
jenis
tanaman
obat dan
resep
selesai
Gambar 1
3
Flowchart Bayesian network.
Perancangan
Pada laporan Penelitian ini dilakukan perancangan untuk melakukan diagnosa penyakit
asma. Termasuk di dalamnya yaitu Sistem arsitektur, Usecase Diagram, ERD (Entity
Relationship Diagrams).
1. Berikut arsitektur sistem dapat dilihat pada Gambar 2.
7
Gambar 2
Arsitektur sistem keseluruhan.
2. Perancangan Usecase diagram admin, user, dan guest dapat dilihat pada Gambar 3.
melakukan login
melakukan login
mengubah data adm in
melakukan diagnosa
menambah gejala
mengubah gejala
melihat keterangan penyakit
User
menambah jenis tanam an obat
Admin
melihat keterangan tanaman obat
mengubah jenis tanaman obat
melihat history
menambah nilai prior
mengubah nilai prior
(ii)
menambah nilai CPT
mengubah nilai CPT
melihat his tory
melakukan diagnos a
mendaftar
Guest
(i)
Gambar 3
(iii)
(i) Usecase diagram admin, (ii) Usecase diagram user, (iii) Usecase diagram guest
3. Perancangan Entity Relationship Diagram (ERD) dapat dilihat pada Gambar 4.
username
No_tlp
password
User
Status
m
Alamat_user
Id_history
tanggal
history
nilai
prior_absen
Id_nilai
id_penyakit
m
Id_gejala
m
m
Nama_penyakit
penyakit
nilai
gejala
Nama_gejala
m
Ket_penyakit
CPT_present
CPT_absen
Prior_present
solusi
keterangan
m
Id_tanamanobat
Tanaman_obat
gambar
Nama_tanamanobat
resep
Gambar 4
Entity relationship diagram.
8
4
Yunitha Nancy Roselina, Sugeng Purwantoro, Memen Akbar
Hasil dan Pembahasan
Dalam melakukan pengujian terhadap sistem yang telah dibuat, dilakukan tiga cara
yaitu dengan pengujian sistem, pengujian metode dengan perhitungan manual, dan pengujian
dengan hasil kuesioner. Pengujian sistem dilakukan dengan melakukan proses diagnosa pada
halaman user. Di halaman user, sistem menyediakan beberapa menu. User dapat melakukan
diagnosa dengan cara menjawab pertanyaan yang ditampilkan oleh sistem. Banyaknya
pertanyaan yang ditampilkan oleh sistem berdasarkan jawaban yang di pilih oleh user.
Gambar 5
User memilih gejala
Setelah user selesai menjawab semua pertanyaan yang di tampilkan oleh sistem, maka
user mendapatkan hasil diagnosa berupa jenis penyakit asma yang diderita oleh user, besar
probabilitas penyakit, tanaman obat dan resep.
Gambar 6
Hasil diagnosa
9
Hasil perhitungan sistem di atas, dapat dilihat perhitungan manualnya dari nilai prior
probability table dan conditional probability table (CPT). Dari nilai prior dan CPT, maka
didapat nilai posterior probability. Nilai posterior probability dapat dilihat pada Tabel 3.
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Tabel 3 Posterior probability gejala penyakit asma
Nama Gejala
Present
Sesak Napas
0.90
Mengi
0.97
Batuk
0.70
Dada terasa berat
0.36
Pilek dan bersin
0.20
Sesak napas < 1 kali seminggu
0.18
Sesak napas malam <= 2 kali sebulan
0.27
Sesak napas >= 1 kali seminggu tapi < 1
0.54
kali perhari
Sesak napas malam > 2 kali sebulan
0.25
Sesak napas tiap hari
0.11
Sesak napas malam > 1 kali seminggu
0.10
Sesak napas terus-menerus
0.03
Sesak napas malam sering
0.80
Absen
0.41
0.31
0.70
0.67
0.46
0.34
0.14
0.19
0.47
0.21
0.34
0.17
0.30
Contoh perhitungan manual :
1.
Asma Intermiten
Gejalanya Sesak napas, batuk, Sesak napas malam <= 2 kali sebulan.
2.
Asma Persisten Ringan
Gejalanya yaitu Sesak napas, batuk, Sesak napas malam > 2 kali sebulan.
3.
Asma Persisten Sedang
Gejalanya yaitu Sesak napas, batuk, Sesak napas tiap hari.
4.
Asma Persisten Berat
Gejalanya yaitu Sesak napas, batuk, Sesak napas malam sering.
Setelah user melakukan diagnosa melalui sistem, sebanyak 35 responden mengisi
kuisioner, baik itu penderita penyakit asma dan yang tidak penyakit asma memberikan hasil
penilaian terhadap sistem yang telah dibangun. Hasil kuesioner menunjukkan bahwa sistem
yang dibangun telah tergolong baik dari segi efektifitas dan efisiensi dalam penentuan jenis
penyakit asma. Dari kuisioner tersebut bahwa sistem mudah digunakan dalam mendiagnosa
penyakit asma dengan nilai penskalaan sebesar 77%, sistem ini membantu dalam kenyamanan
dalam pemakaian aplikasi dengan nilai penskalaan sebesar 78%, sistem berjalan dengan baik
sesuai dengan fungsi-fungsinya dengan nilai penskalaan sebesar 85%, sistem memberikan data
dan informasi yang bermanfaat bagi pasien dengan nilai penskalaan sebesar 84%, dan sistem
ini mudah digunakan bagi pengguna dengan nilai penskalaan sebesar 85%.
Hasil rekaptulasi akurasi sistem dan analisa dokter bertujuan untuk mengetahui apakah
sistem yang telah dibuat sesuai dengan analisa dokter, maka dari itu didapat kecocokan antara
hasil sistem dan diagnosa dokter yaitu sebesar 83.33%. Kecocokan tersebut meliputi jenis
10
Yunitha Nancy Roselina, Sugeng Purwantoro, Memen Akbar
penyakit dari analisa dokter dan jenis penyakit serta probabilitas dari sistem yang menghasilkan
tingkat kecocokan berupa persenan. Besarnya kecocokan sebesar 83.33% karena jenis penyakit
dari analisa dokter tidak merata, dokter menganalisa dengan 2 atau 3 jenis penyakit sementara
sistem menghasilkan 4 jenis penyakit.
5
Penutup
5.1
Kesimpulan
1.
2.
3.
5.2
1.
2.
Sistem yang telah dibangun dapat membantu pasien dalam mengetahui jenis penyakit
asma yang sedang diderita pasien dan sesuai dengan analisa pakar penyakit asma yaitu
sebesar 83.33%.
Sistem yang telah dibangun dapat membantu pasien dalam mengetahui solusi dari jenis
penyakit asma yang diderita pasien yaitu berupa jenis tanaman obat dan resep serta
sesuai dengan analisa pakar tanaman obat.
Sistem yang telah dibangun membantu pengguna untuk memudahkan dalam
mendiagnosa penyakit asma, memberikan data dan informasi yang bermanfaat bagi
pasien dengan menyatakan bahwa :
1. Sistem memudahkan dalam mendiagnosa penyakit asma adalah sangat baik dengan
nilai penskalaan sebesar 77%.
2. Sistem membantu kenyamanan dalam pemakaian aplikasi adalah sangat baik
dengan nilai penskalaan sebesar 78%.
3. Gejala yang dipakai sesuai dengan gejala yang dibutuhkan dalam mendiagnosa
penyakit adalah sangat baik dengan nilai penskalaan sebesar 88%.
4. Sistem memberikan data dan informasi yang bermanfaat bagi pasien adalah sangat
baik dengan nilai penskalaan sebesar 84%.
5. Sistem mudah digunkakan adalah sangat baik dengan nilai penskalaan sebesar 85%.
Saran
Pertanyaan yang diajukan sistem sebaiknya jangan hanya berdasarkan gejala berupa
penyakit saja, melainkan gejala yang bersifat psikologi.
Menggunakan aplikasi mobile seperti android.
Daftar Pustaka
[1]
[2]
[3]
[4]
[5]
Ginting, S.L. (2008). Evaluasi Algoritma Cb* Untuk Konstruksi Struktur Bayesian
Network Dalam Data Mining. Tesis Tidak Terpublikasi. Bandung: Institut Teknologi
Bandung.
Heckerman, David. (1995). A Tutorial Learning with Bayesian Network. Diakses pada
tanggal
14
Desember
2011
pukul
21.00
WIB
dari
http://research.microsoft.com/apps/pubs/default.aspx?id=69588
Meigarani, Indyana. (2010). Penggunaan Metode Bayesian Network dalam Sistem
Pakar untuk Diagnosis Penyakit Leukemia. Bandung : Universitas Pendidikan
Indonesia
Pratyahara, Dayu A. (2011). Asma pada Balita. Yogyakarta : Javalitera
Sutojo, T. Mulyanto, Edi. Suhartono, Vincent.(2011). Kecerdasan Buatan. Yogyakarta:
Andi