IDENTIFIKASI INDEPENDENSI VARIABEL PENGOBATAN PENYAKIT TUBERKULOSIS DI NEGARA ASEAN BERDASARKAN STRUKTUR DYNAMIC BAYESIAN NETWORKS

Abstract

Penyakit tuberkulosis merupakan salah satu
masalah yang serius di Asia Tenggara, karena jumlah
kematian mencapai 450 ribu dari 940 ribu jiwa. Hal ini
merupakan jumlah yang tertinggi di dunia pada tahun
2012. Selain itu, ada 6 negara ASEAN yang masuk dalam
daftar 22 negara dengan kategori beban tinggi dalam
penyakit tuberkulosis. Penelitian ini dilakukan untuk
mempelajari keterkaitan antar variabel pada pengobatan
penyakit tuberkulosis di negara ASEAN dengan
mengkonstruksikannya ke dalam bentuk graf dynamic
bayesian networks.
Pada penelitian ini digunakan software CaMML
(Causal discovery via Minimum Message Length) versi
1.4.1, opensource software untuk pembelajaran bayesian
network yang dikembangkan di Monash University,
Australia. Evaluasi struktur Dynamic Bayesian Networks
dilakukan dengan menggunakan Netica-J API yang
berbasis Java untuk modifikasi visualisasi graf yang
dilengkapi oleh CPT (Conditional Probability Table)
serta pengujian graf.
Hasil eksperimen menujukkan bahwa struktur
dynamic bayesian networks dapat mengidentifikasi
independensi variabel pengobatan penyakit tuberkulosis
di negara ASEAN, yaitu adanya keterkaitan antara
variabel jumlah kasus positif TB dan jumlah penduduk
dengan nilai prevalensi TB per 100.000 penduduk,
keterkaitan antara tipe pelayanan diagnosis penyakit TB
terhadap jumlah pasien TB yang meninggal, dan
keterkaitan variabel nilai prevalensi TB terhadap
variabel tipe pemberian obat TB pada pasien. Hasil
evaluasi struktur dynamic bayesian networks pada data
uji menunjukkan tingkat akurasi 93,3%, hal ini
menunjukkan bahwa struktur yang terbangun dapat
digunakan untuk model dalam mengidentifikasi
keterkaitan variabel dalam data pengobatan TB di negara
ASEAN.