sistem case-based reasoning untuk mendiagnosis penyakit pada babi
DESCRIPTION
Abstrak — Case-Based Reasoning (CBR) merupakan konsep untuk membangun sebuah sistem yang dapat melakukan kemampuan penalaran (reasoning) berdasarkan basis pengetahuan (basis kasus) yang dimiliki sistem. Pada penelitian ini, konsep CBR diterapkan dalam sebuah sistem yang digunakan sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada babi dengan menggunakan algoritma k-Nearest Neighbor. Sistem CBR ini diuji dengan 3 (tiga) skenario dan setiap skenario diberikan 10 (sepuluh) kasus baru. Pada skenario ke-1, sistem diuji dengan memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis kasus. Pada skenario ini, Sistem CBR mampu memberikan solusi yang sempurna dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2, sistem diuji dengan memasukkan gejala yang tidak terdapat pada basis kasus. Pada skenario ini, Sistem CBR tidak dapat memberikan solusi dikarenakan adanya usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi kasus. Pada skenario ke-3, sistem diuji dengan memasukkan gejala pada basis kasus secara parsial. Pada skenario ini, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan tertinggi lebih besar dari 86% untuk beberapa kasus baru. Skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu diimplementasikan untuk mendiagnosis penyakit pada babi dengan menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah terjadi sebelumnya dengan masalah baru.Kata Kunci: Case-based reasoning, Tenaga medis nondokter, Penyakit pada babiTRANSCRIPT
HALAMAN JUDUL
NASKAH PUBLIKASI
SISTEM CASE-BASED REASONING UNTUK
MENDIAGNOSIS PENYAKIT PADA BABI
CASE-BASED REASONING SYSTEM FOR
DIAGNOSING SWINE DISEASES
DEODATUS HEMADANO GANGGUR
1106082005
JURUSAN ILMU KOMPUTER
FAKULTAS SAINS DAN TEKNIK
UNIVERSITAS NUSA CENDANA
KUPANG
2015
HALAMAN PENGESAHAN
NASKAH PUBLIKASI
SISTEM CASE-BASED REASONING UNTUK
MENDIAGNOSIS PENYAKIT PADA BABI
Diajukan oleh
Deodatus Hemadano Ganggur
1106082005
Penelitian Skripsi Ini
Telah Disetujui Oleh Pembimbing:
Tanggal: 15 Oktober 2015
Pembimbing Utama
Pembimbing Pendamping
Yulianto T. Polly, S.Kom, M.Cs Bertha S. Djahi, S.Kom, M.T
NIP. 19780726 200312 1 002 NIP. 19800910 200604 2 001
PERNYATAAN
Dengan ini kami selaku pembimbing skripsi mahasiswa Program Sarjana:
Nama : Deodatus Hemadano Ganggur
NIM : 1106082005
Program Studi : Ilmu Komputer
Setuju / Tidak Setuju *) naskah ringkasan penelitian (calon naskah berkala
Penelitian Sarjana) yang disusun oleh yang bersangkutan dipublikasikan dengan /
tanpa *) mencantumkan nama tim pembimbing sebagai co-author.
Kemudian harap maklum.
Tanggal: 15 Oktober 2015
Nama
Status Pembimbing
Tanda Tangan
Yulianto T. Polly, S.Kom, M.Cs Pembimbing Utama
NIP. 19780726 200312 1 002
Bertha S. Djahi, S.Kom, M.T Pembimbing Pendamping
NIP. 19800910 200604 2 001
INTISARI
Sistem Case-Based Reasoning untuk
Mendiagnosis Penyakit pada Babi
Oleh
Deodatus Hemadano Ganggur
1106082005
Case-Based Reasoning (CBR) merupakan konsep untuk membangun sebuah sistem
yang dapat melakukan kemampuan penalaran (reasoning) berdasarkan basis
pengetahuan (basis kasus) yang dimiliki sistem. Pada penelitian ini, konsep CBR
diterapkan dalam sebuah sistem yang digunakan sebagai pendukung tenaga medis
nondokter dalam mendiagnosis penyakit pada babi dengan menggunakan algoritma
k-Nearest Neighbor. Sistem CBR ini diuji dengan 3 (tiga) skenario dan setiap
skenario diberikan 10 (sepuluh) kasus baru. Pada skenario ke-1, sistem diuji dengan
memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus
dalam basis kasus. Pada skenario ini, Sistem CBR mampu memberikan solusi yang
sempurna dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2,
sistem diuji dengan memasukkan gejala yang tidak terdapat pada basis kasus. Pada
skenario ini, Sistem CBR tidak dapat memberikan solusi dikarenakan adanya
usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi kasus.
Pada skenario ke-3, sistem diuji dengan memasukkan gejala pada basis kasus secara
parsial. Pada skenario ini, Sistem CBR mampu memberikan solusi yang baik
dengan nilai kemiripan tertinggi lebih besar dari 86% untuk beberapa kasus baru.
Skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu
diimplementasikan untuk mendiagnosis penyakit pada babi dengan menyelesaikan
masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah
terjadi sebelumnya dengan masalah baru.
Kata Kunci: Case-based reasoning, Tenaga medis nondokter, Penyakit pada babi
ABSTRACT
Sistem Case-Based Reasoning untuk
Mendiagnosis Penyakit pada Babi
Deodatus Hemadano Ganggur 1, Yulianto T. Polly, S.Kom, M.Cs 2, Bertha S. Djahi, S.Kom, M.T 3 1,2,3 Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana
Email : {[email protected] 1, [email protected] 2, [email protected] 3}
Abstrak — Case-Based Reasoning (CBR) merupakan konsep untuk membangun sebuah sistem
yang dapat melakukan kemampuan penalaran (reasoning) berdasarkan basis pengetahuan (basis
kasus) yang dimiliki sistem. Pada penelitian ini, konsep CBR diterapkan dalam sebuah sistem yang
digunakan sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada babi
dengan menggunakan algoritma k-Nearest Neighbor. Sistem CBR ini diuji dengan 3 (tiga) skenario
dan setiap skenario diberikan 10 (sepuluh) kasus baru. Pada skenario ke-1, sistem diuji dengan
memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis
kasus. Pada skenario ini, Sistem CBR mampu memberikan solusi yang sempurna dengan nilai
kemiripan tertinggi sebesar 100%. Pada skenario ke-2, sistem diuji dengan memasukkan gejala
yang tidak terdapat pada basis kasus. Pada skenario ini, Sistem CBR tidak dapat memberikan solusi
dikarenakan adanya usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi
kasus. Pada skenario ke-3, sistem diuji dengan memasukkan gejala pada basis kasus secara parsial.
Pada skenario ini, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan
tertinggi lebih besar dari 86% untuk beberapa kasus baru. Skenario ke-1, dan ke-3 membuktikan
bahwa Sistem CBR mampu diimplementasikan untuk mendiagnosis penyakit pada babi dengan
menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah
terjadi sebelumnya dengan masalah baru.
Kata Kunci: Case-based reasoning, Tenaga medis nondokter, Penyakit pada babi
Abstract — Case-Based Reasoning (CBR) is a concept to build a system that can do reasoning skill
based on basic knowledge of the system. Source of basic knowledge is gained by collecting case-
handling file done by the experts. CBR aims to solve a new problem/case by adapting solutions from
the similar case. In this research, CBR concept was applied in a system used as non-doctor medical
staff supporting system in diagnosing swine diseases by utilizing k-Nearest Neighbor algorithm. In
this matter, CBR System was tested by three scenarios and each scenario was given ten new cases.
In the first scenario, system is tested by input the symptom in case base that have identic symptom
with case in the case base. This scenario was able to give a perfect solution with similarity value at
100%. In the second scenario, system is tested by input the symptom that not include in the case
base. This scenario was unable to give solution because there were proposed symptoms but CBR
System could not give solution to revise the case. In the last scenario, system is tested by input the
symptom with partial way in the case base. This scenario was capable of giving proper solution with
similarity value more than 86% for few new cases. The first and the third scenario proved that CBR
System is able to be implemented to diagnose swine diseases by solving new problem using similarity
searching with the previous cases.
Key Words: Case-based reasoning, Non-doctor medical staff, Swine diseases
1 PENDAHULUAN
istem Case-Based Reasoning (CBR) yang diimplementasikan dalam bidang
kesehatan hewan dibuat untuk mampu mendiagnosis penyakit pada hewan
dan menganjurkan solusi pengobatan. Penyakit pada hewan merupakan suatu
masalah kesehatan hewan di Indonesia khususnya di Pulau Timor yang terletak di
Provinsi Nusa Tenggara Timur (NTT). Salah satu masalah kesehatan hewan yang
terdapat di Pulau Timor yaitu kesehatan pada babi.
S
Banyak babi di Pulau Timor yang terkena penyakit. Keberadaan penyakit
tersebut mendorong masyarakat setempat untuk segera mengatasi dengan
berkonsultasi dengan para tenaga medis. Terdapat 2 (dua) kebiasaan berkonsultasi
yang sering dilakukan oleh masyarakat.
Kebiasaan yang pertama, masyarakat berkonsultasi dengan para dokter yang
berada di Rumah Sakit Hewan (RSH) UPT Veteriner Dinas Peternakan Provinsi
NTT yang terletak di Kota Kupang. Minimnya tenaga dokter yang terdapat pada
RSH UPT Veteriner, menyebabkan dokter sulit dalam menangani banyaknya
masyarakat yang berkonsultasi. Kebiasaan yang kedua, masyarakat setempat sering
berkonsultasi dengan tenaga medis nondokter seperti mantri hewan atau tenaga
medis lainnya dikarenakan biaya berkonsultasi ke dokter hewan sangat mahal atau
sulitnya berkonsultasi dengan dokter hewan bagi daerah-daerah yang jauh.
Berdasarkan dari 2 (dua) kebiasaan tersebut, timbullah permasalahan yaitu
cenderungnya keterbatasan pengetahuan para tenaga medis nondokter sehingga
memungkinkan terjadi kelalaian dalam mendiagnosis penyakit pada babi, seperti
kelalaian dalam pemberian pengobatan, cara perawatan dan lain sebagainya,
berbeda dengan dokter hewan yang mempunyai wawasan yang cukup luas sehingga
dapat meminimalisir kelalaian dalam mendiagnosis penyakit.
Keberadaan Sistem CBR diharapkan dapat membantu tenaga medis
nondokter setempat layaknya seorang dokter hewan. Sistem ini akan mendiagnosis
penyakit pada babi berdasarkan catatan penangan kasus yang pernah dilakukan oleh
dokter hewan mengenai gejala-gejala yang sesuai dengan penyakit serta solusi yang
sesuai dengan penyakit yang diderita.
2 MATERI DAN METODE
2.1 Case-Based Reasoning
Secara umum, Case-Based Reasoning (CBR) merupakan suatu konsep
penalaran dalam pemecahan masalah melalui catatan penanganan kasus yang
pernah dilakukan oleh seorang ahli. CBR merupakan sebuah cara untuk
menyelesaikan suatu kasus baru dengan cara mengadaptasi atau mengingat solusi
yang terdapat pada kasus sebelumnya (kasus lama) yang mirip dengan kasus baru
tersebut[5]. Kasus lama tersebut disimpan dalam tempat yang disebut dengan basis
kasus.
Secara singkat, tahap-tahap penyelesaian masalah berbasis CBR[4] adalah
sebagai berikut:
a. Pengambilan kembali kasus-kasus yang sesuai dari memori (hal ini
membutuhkan pemberian indeks terhadap kasus-kasus dengan menyesuaikan
fitur-fiturnya).
b. Pemilihan sekelompok kasus-kasus yang terbaik.
c. Pemilihan atau menentukan penyelesaian.
d. Evaluasi terhadap penyelesaian (hal ini dimaksudkan untuk meyakinkan agar
tidak mengulang penyelesaian yang salah)
e. Penyimpanan penyelesaian kasus terbaru dalam penyimpan kasus/memori.
Berdasarkan tahap-tahap tersebut, timbullah siklus yang terjadi dalam CBR.
Aamodt dan Plaza (1994) menggambarkan siklus tersebut seperti pada Gambar 2.1.
Gambar 2.1 Siklus CBR[1]
2.2 Algoritma k-Nearest Neighbor (k-NN)
Algoritma nearest neighbor melibatkan teknik similarity (kemiripan). Teknik
similarity akan menghitung nilai atau tingkat kemiripan antara kasus baru yang
dimasukkan dengan kasus lama yang terdapat dalam basis kasus[5]. Setelah
didapatkan nilai kemiripan pada setiap kasus lama, kemudian dicari nilai terdekat
dengan kasus baru yang dimasukkan (nilai terdekat k = 1). Nilai terdekat tersebut
yang digunakan sebagai identitas tujuan[6].
Teknik similarity yang digunakan untuk menghitung tingkat kemiripan antara
kasus baru yang dimasukkan dengan kasus lama yang terdapat dalam basis kasus
seperti pada persamaan (2.1).
Sim (A,B) = 𝒏(𝒙𝑨 = 𝒙𝑩)
𝒑∗ 𝟏𝟎𝟎% (2.1)
dimana:
Sim (A,B) : nilai kemiripan (similarity) antara kasus lama (A) dan kasus baru
(B)
p : banyaknya gejala yang terdapat dalam basis kasus
𝑛(𝑥𝐴 = 𝑥𝐵) : banyaknya nilai atribut gejala yang sama antara nilai atribut
gejala pada kasus-A dengan nilai atribut gejala pada kasus-B
2.3 Kesehatan Hewan
Kesehatan merupakan salah satu unsur terpenting dalam kehidupan pada
umumnya, salah satunya pada hewan. Berbagai macam hal termasuk pola makan,
lingkungan bahkan kebiasaan setiap hari dapat mempengaruhi kesehatan sehingga
menimbulkan penyakit. Para tenaga medis biasaya melakukan diagnosis untuk
mengetahui jenis penyakit pada hewan yang sedang sakit berdasarkan gejala-gejala
yang terdapat pada hewan tersebut, kemudian hasil kerja dari tenaga medis tersebut
akan disimpan dalam rekam medis.
2.3.1 Rekam medis
Rekam medis merupakan berkas yang berisikan catatan dan dokumen tentang
identitas pasien, pemeriksaan, pengobatan, tindakan, dan pelayanan lain yang telah
diberikan kepada pasien[3]. Contoh rekam medis pasien pada babi yaitu berupa
catatan tentang ras, identitas, penyakit, gejala, kasus, dan riwayat pasien selama
berkonsultasi dengan tenaga medis.
2.3.2 Diagnosis
Diagnosis merupakan identifikasi sifat-sifat penyakit atau membedakan satu
penyakit dari penyakit lainnya. Penilaian dapat dilakukan melalui pemeriksaan
fisik, tes laboratorium atau sejenisnya dan dapat dibantu oleh program komputer
yang dirancang untuk memperbaiki proses pengambilan keputusan.
2.3.3 Penyakit pada babi
Adapun penyakit yang menyerang babi digolongkan menjadi dua bagian,
yaitu:
a. Penyakit tak menular
Penyakit ini biasanya disebabkan oleh kekurangan zat-zat makanan tertentu
seperti anemia, rakitis, keracunan, dan lain sebaginya.
b. Penyakit menular
Penyakit ini biasanya disebabkan oleh gangguan suatu organisme (virus,
bakteri, jamur) dan parasit seperti cacing, kutu, dan lain sebagainya.
Terdapat beberapa penyakit pada babi baik yang menular maupun yang tidak
menular yang sering muncul di Pulau Timor, yaitu Agalactia, Septichaemia
Epizootica (SE), Hog Cholera, Enteritis, Distokia, Pneumonia, Arthritis, Vulnus,
Gastroenteritis, Helminthiasis, Collibacilosis, Rhinitis, Gastritis, Streptococcus
dan Vaginitis
2.4 Kinerja Sistem CBR
2.4.1 Data flow Diagram
Terdapat DFD berlevel untuk membangun Sistem CBR dalam mendiagnosis
penyakit pada babi, diantaranya:
1. Diagram konteks (DFD level 0)
DFD level 0 atau sering disebut dengan diagram konteks menunjukkan ruang
lingkup dari sebuah sistem[2]. Diagram konteks menggambarkan hubungan antara
entitas luar, masukan dan keluaran dari sistem. Diagram konteks dipresentasikan
dengan proses tunggal yang mewakili keseluruhan sistem. Diagram konteks dapat
dilihat pada Gambar 3.1.
TENAGA MEDIS
NONDOKTER
PASIENSISTEM CASE-BASE REASONING
MENDIAGNOSIS PENYAKIT
PADA BABI
0
Validasi loginInfo Hasil DiagnosisInfo Hasil Rekam Medis
Info Hasil DiagnosisInfo Hasil Rekam MedisInfo Data Identitas PasienInfo Data RasInfo Data Gejala PasienInfo Data Usulan Gejala
Data Baru Pasien (Data Ras, Identitas, Gejala)Data Usulan Gejala
PAKAR
Data loginData Lama Pasien (Data RasIdenttias, Gejala, Penyakit, Kasus, Rekam Medis) Data Revisi GejalaData Revisi PenyakitData Revisi Solusi
Validasi loginInfo Data Identtias PasienInfo Data RasInfo Data Gejala PasienInfo Data Penyakit PasienInfo Data KasusInfo Data Rekam MedisInfo Data Usulan GejalaInfo Data Revisi
Data login
Gambar 3.1 Diagram konteks (DFD level 0)
2. DFD level 1
DFD level 1 menjelaskan rincian alur sistem berdasarkan diagram konteks.
DFD level 1 dapat dilihat pada Gambar 3.2.
T1
PAKAR
identitas_pasienData identitas_pasisen
Info Data identitas_pasien
OLAH DATAKASUS
2.0
OLAH DATAPASIEN
3.0
Data identitas_pasien
Data identitas_pasien
T2 rasData ras
Data ras
T3 penyakit_pasienData penyakit_pasien
Data penyakit_pasien
T4 gejala_pasienData gejala_pasien
Data gejala_pasien
T5 kasusData kasus
Data kasus
T6 rekam_medisData rekam_medis
Data rekam_medis
Data ras
Info Data ras
Data penyakit_pasien
Info Data penyakit_pasien
Data gejala_pasien
Info Data gejala_pasien
Data kasus
Info Data kasus
Data rekam_medis
Info Data rekam_medis
PASIEN
Data identitas_pasisen
Info Data identitas_pasisen
Data rasData identitas_pasien
Data ras
Data ras
T7 usulan_gejalaData usulan_gejala
Data usulan_gejala
Info Data rasData identitas_pasien
OLAH DATAKONSULTASI
4.0
Data gejala_pasisen
Info Data gejala_pasisen
Data usulan_gejala
Info Data usulan_gejala
Data penyakit_pasien
Data gejala_pasien
Data kasus
Data rekam_medis
Info Hasil Diagnosis
Info Hasil Rekam Medis
OLAH DATAREVISI
5.0
TENAGA MEDIS
NONDOKTER
0
Info Hasil Diagnosis
Info Hasil Rekam Medis
Data Revisi Gejala
Data Revisi Penyakit
Data Revisi Solusi
Info hasil revisi dan Info data
(usulan_gejala, kasus, identitas_pasien
penyakit, ras, gejala)
Data identitas_pasien
Data ras
Data penyakit_pasien
Data gejala_pasien
Data usulan_gejala
T8 revisiData revisi
Data revisi
LOGIN
1.0
Data login Pakar
Validasi login
Data login
Tenaga Medis
Nondokter
Validasi login
T9Data login
Data loginLogin_pengguna
Gambar 3.2 DFD level 1
3 HASIL DAN PEMBAHASAN
3.1 Hasil
Sistem CBR diberikan pengujian dengan 3 (tiga) skenario dan setiap skenario
diberikan 10 (sepuluh) kasus baru.
1. Pengujian pada skenario ke-1:
Pada skenario ini, Sistem CBR diuji dengan memasukkan gejala pada basis
kasus yang identik dengan gejala pada suatu kasus dalam basis kasus.
Setiap kasus baru yang dimasukkan akan diproses dalam Sistem CBR dengan
4 (empat) tahapan yaitu, retrieve, reuse, revise, dan retain untuk mencari nilai
kemiripan tertinggi dengan kasus-kasus yang tersimpan dalam basis kasus.
Kasus yang mempunyai nilai kemiripan tertinggi dengan kasus baru yang
akan dianjurkan sebagai solusi dari sistem. Hasil akhir untuk perhitungan
kemiripan 10 kasus baru yang diuji pada skenario ke-1 dapat dilihat pada
Tabel 3.1.
Tabel 3.1 Hasil akhir perhitungan kemiripan 10 kasus baru Kasus Baru
ke-i ID Identitas Gejala yang dialami Solusi Nilai Kemiripan
Tertinggi (%) Keterangan
i
1 ID1 G1 G2 K177 100 TIDAK DIREVISI
2 ID27 G2 G5 K10 100 TIDAK DIREVISI
3 ID59 G3 K115 100 TIDAK DIREVISI
4 ID89 G15 G2 G6 K102 100 TIDAK DIREVISI
5 ID100 G2 G23 K130 100 TIDAK DIREVISI
6 ID76 G11 G2 G27 G6 K133 100 TIDAK DIREVISI
7 ID900 G2 G26 G3 G34 G35 K212 100 TIDAK DIREVISI
8 ID276 G17 G18 G2 G34 K244 100 TIDAK DIREVISI
9 ID247 G2 G4 G5 K7 100 TIDAK DIREVISI
10 ID21 G2 G26 G4 G6 K81 100 TIDAK DIREVISI
2. Pengujian pada skenario ke-2:
Sistem CBR diuji dengan memasukkan gejala yang tidak terdapat basis kasus.
Dengan kata lain, memasukkan gejala baru yang belum terdapat dalam basis
pengetahuan. Pada skenario ini terdapat 2 (dua) kondisi yang harus
diperhatikan, yaitu:
a. Kondisi Pertama: jika pasien mengalami beberapa gejala yang tidak
terdapat pada basis kasus dan beberapa gejala yang terdapat pada basis
kasus.
Pada kondisi ini, tahap awal untuk berkonsultasi mengenai kasus baru
tersebut, yaitu tenaga medis nondokter hanya memasukkan gejala yang
terdapat pada sistem, sedangkan gejala yang tidak terdapat dalam sistem
dijadikan sebagai usulan gejala.
Setelah tahap tersebut selesai, maka tenaga medis nondokter tetap
melakukan proses konsultasi dan sistem akan menampilkan hasil
diagnosis penyakit. Hasil dari sistem tersebut tidak menjadi hasil akhir
dari konsultasi pasien tetapi hasil tersebut akan direvisi dikarenakan
adanya usulan gejala baru dari pasien.
Pada kondisi seperti ini, tahap revisi terjadi dengan tidak melihat nilai
kemiripan tertinggi antar kasus yang dihasilkan sistem, namun dilihat
dari adanya usulan gejala. Pada tahap revisi, pakar akan melihat
kecocokan data antara hasil diagnosis yang diberikan sistem dengan
usulan gelaja yang diberikan oleh tenaga medis nondokter. Jika pakar
telah melakukan revisi dan menemukan data yang valid, maka data
tersebut akan disimpan kembali kedalam sistem untuk memperbaharui
basis pengetahuan sistem.
b. Kondisi Kedua: jika semua gejala yang dialami pasien tidak terdapat
pada basis kasus.
Pada kondisi ini, kasus baru tersebut tidak dapat diproses sehingga sistem
tidak dapat menghasilkan sebuah diagnosis penyakit. Hal ini terjadi
dikarenakan tidak adanya satu pun gejala dari kasus baru tersebut yang
terdapat dalam sistem, sehingga gejala dari kasus baru diusulkan sebagai
gejala baru pada sistem. Pakar akan melihat gejala baru yang diusulkan
dan akan ditentukan apakah gejala baru tersebut valid atau tidak.
Hasil akhir untuk perhitungan kemiripan 10 kasus baru yang diuji pada
skenario ke-2 dapat dilihat pada Tabel 3.2.
Tabel 3.2 Hasil akhir perhitungan kemiripan 10 kasus baru Kondisi Kasus
Baru ke-i
ID Identitas Gejala yang dialami Solusi Nilai Kemiripan
Tertinggi (%)
Keterangan
Gejala pada basis kasus
Gejala yang tidak terdapat pada
basis kasus sehingga menjadi usulan gejala
i
Pertama
1 ID1 G1 G2 Hilang keseimbangan K177 100 HARUS DIREVISI
2 ID27 G2 G5 Depresi K10 100 HARUS DIREVISI
3 ID59 G3 Dehidrasi K115 100 HARUS DIREVISI
4 ID89 G15 G2 G6 Mata cekung K102 100 HARUS DIREVISI
5 ID100 G2 G23 Eritema K130 100 HARUS DIREVISI
Kedua
6 ID76 - Anemia, Depresi - - HARUS DIREVISI
7 ID900 - Eritema, Dehidrasi - - HARUS DIREVISI
8 ID276 - Anemia, Mata cekung - - HARUS DIREVISI
9 ID247 - Hilang keseimbangan, Anemia
- - HARUS DIREVISI
10 ID21 - Mata cekung, Depresi - - HARUS DIREVISI
3. Pengujian pada skenario ke-3:
Sistem CBR diuji dengan memasukkan gejala pada basis kasus secara parsial
(tidak memandang gejala yang identik atau tidak pada suatu kasus dalam
basis kasus).
Setiap kasus baru yang dimasukkan akan diproses dalam Sistem CBR dengan
4 (empat) tahapan yaitu, retrieve, reuse, revise, dan retain untuk mencari nilai
kemiripan tertinggi dengan kasus-kasus yang tersimpan dalam basis kasus.
Kasus yang mempunyai nilai kemiripan tertinggi dengan kasus baru yang
akan dianjurkan sebagai solusi dari sistem. Hasil akhir untuk perhitungan
kemiripan 10 kasus baru yang diuji pada skenario ke-3 dapat dilihat pada
Tabel 3.3.
Tabel 3.3 Hasil akhir perhitungan kemiripan 10 kasus baru Kasus Baru
ke-i ID Identitas (Lampiran 1)
Gejala yang dialami
(Lampiran 1)
Solusi Nilai Kemiripan Tertinggi (%)
Keterangan
i
1 ID1 G1 G2 G3 K117 K109
97 TIDAK DIREVISI
2 ID27 G34 G2 G5 G6 K96 97 TIDAK DIREVISI
3 ID59 G2 G3 G6 G8 G34 G35
K145 94 TIDAK DIREVISI
4 ID89 G12 G2 G20 G33 G34 G35
K69 92 TIDAK DIREVISI
5 ID100 G15 G19 G2 G26 G3 G35
K194 97 TIDAK DIREVISI
6 ID76 G1 G2 G3 G8 G11 G22 G15
G6 623 G5
K145 83 HARUS DIREVISI
7 ID900 G11 G2 G27 G6 G34
K133 97 TIDAK DIREVISI
8 ID276 G14 G2 G34 G6 G35
K240 97 TIDAK DIREVISI
9 ID248 G1 G3 G7 G30 G2 G32 G5 G23 G14 G15 G34
K213 K234
78 HARUS DIREVISI
10 ID21 G2 G23 G6 K130 97 TIDAK DIREVISI
3.2 Pembahasan
Berdasarkan pengujian pada 3 (tiga) skenario yang telah dilakukan,
didapatlah hasil dari setiap skenario, yaitu:
1. Pengujian dengan memasukkan gejala pada basis kasus yang identik dengan
gejala pada suatu kasus dalam basis kasus.
Pengujian ini menghasilkan nilai kemiripan tertinggi untuk 10 kasus baru
sebesar 100%. Setiap kasus baru tersebut mempunyai gejala yang sama/identik
dengan gejala pada suatu kasus dalam basis kasus, sehingga hasil yang
diperoleh sempurna dan tidak melewati tahap revisi.
2. Pengujian dengan memasukkan gejala yang tidak terdapat pada kasus dalam
basis kasus. Pengujian ini melewati dua kondisi, yaitu:
a. Jika pasien mengalami beberapa gejala yang tidak terdapat pada sistem
dan beberapa gejala yang terdapat pada sistem.
b. Jika semua gejala yang dialami pasien tidak terdapat pada sistem.
Kedua kondisi ini memiliki persamaan, yaitu terdapatnya usulan gejala yang
diberikan pada sistem. Pada kondisi pertama, sistem tetap memberikan solusi.
Solusi tersebut tidak menjadi hasil akhir dari sistem, namun dilanjutkan ke
tahap revisi dikarenakan adanya usulan gejala yang diberikan. Tahap revisi
terjadi dengan tidak melihat nilai kemiripan tertinggi antar kasus yang
dihasilkan sistem, namun dilihat dari adanya usulan gejala.
Sedangkan pada kondisi kedua, sistem tidak dapat memberikan solusi,
sehingga yang dapat dilakukan yaitu semua gejala yang dialami pasien di
usulkan sebagai gejala baru.
3. Pengujian dengan memasukkan gejala pada basis kasus secara parsial (tidak
memandang gejala yang identik atau tidak dengan gejala pada suatu kasus
dalam basis kasus)
Dengan memasukkan gejala secara parsial, Sistem CBR mampu mendiagnosis
10 kasus baru berdasarkan nilai treshold yang diberikan. Pada kasus baru ke-
1, 2, 3, 4, 5, 7, 8, dan 10, Sistem CBR mendiagnosis kasus tersebut dengan
memperoleh nilai kemiripan tertinggi lebih besar dari 86% (>86%) dan tidak
melewati tahap revisi. Hal ini terjadi dikarenakan gejala pada kasus baru tidak
jauh berbeda dengan gejala pada suatu kasus dalam basis kasus.
Sedangkan untuk kasus baru ke-6 dan 9, Sistem CBR mendiagnosis kasus
tersebut dengan memperoleh nilai kemiripan tertinggi lebih kecil dari 86%
(<86%). Hal ini terjadi dikarenakan gejala pada kasus baru jauh berbeda
dengan gejala pada suatu kasus dalam basis kasus. Sehingga kasus baru yang
memperoleh nilai kemiripan tertinggi lebih kecil dari 86% (<86%) disarankan
untuk direvisi oleh dokter hewan.
4 KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil penelitian pada Sistem Case-Based Reasoning (CBR)
sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada
babi, maka dapat disimpulkan sebagai berikut:
1. Sistem CBR dalam mendiagnosis penyakit pada babi diuji dengan 3 (tiga)
skenario. Setiap skenario diberikan 10 (sepuluh) kasus baru dan mampu
menghasilkan keluaran untuk setiap kasus baru.
Pada skenario ke-1, Sistem CBR mampu memberikan solusi yang sempurna
dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2, Sistem
CBR tidak dapat memberikan solusi dikarenakan adanya usulan gejala namun
Sistem CBR dapat memberikan saran untuk merevisi kasus. Pada skenario ke-
3, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan
tertinggi lebih besar dari 86% untuk kasus baru ke-1, 2, 3, 4, 5, 7, 8, dan 10.
Pada skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu
diimplementasikan untuk mendiagnosis penyakit pada babi dengan
menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-
kasus yang pernah terjadi sebelumnya dengan masalah baru.
Besar kecilnya nilai kemiripan antar kasus yang dihasilkan sistem, tergantung
pada masukan dari pengguna (tenaga medis nondokter).
2. Sistem CBR dapat membantu tenaga medis nondokter dalam mendiagnosis
penyakit pada babi.
3. Proses pembelajaran pada Sistem CBR dengan melakukan evaluasi dalam
lingkungan nyata merupakan hal yang sangat penting karena selain
ketersediaan kasus yang lengkap, Sistem CBR juga tergantung kepada kualitas
kasus yang disimpan. Hal ini penting untuk mencegah Sistem CBR mengambil
kasus tersimpan dengan hasil diagnosis yang salah.
4. Berdasarkan hasil pengujian sistem, keluaran yang dihasilkan oleh sistem sama
dengan perhitungan manual. Dengan demikian sistem telah berhasil
menggunakan rumusan untuk mencari nilai kemiripan dengan algoritma k-NN
5. Secara umum Sistem CBR dalam mendiagnosis penyakit pada babi dapat
dilakukan dengan teori penalaran berbasis kasus (case-based reasoning)
4.2 Saran
Sebagai saran dari hasil penelitian adalah sebagai berikut:
1. Pengembangan sistem selanjutnya, proses similaritas (similarity) dapat
menggunakan algoritm C-45, dececion tree dan sebagainya.
2. Sistem dapat dikembangkan menjadi aplikasi berbasis web
3. Dapat menambahkan proses indexing untuk mempermudah proses pencarian
kasus yang mirip
4.3 Ucapan Terima Kasih
Penulis mengucapkan terima kasih kepada Bapak Derwin R. Sina, S.Kom,
M.Cs. selaku dosen penguji.
DAFTAR PUSTAKA
[1] Aamodt A., dan Plaza E., 1994. Case-Based Reasoning: Foundational Issues,
Methodological Variations, and System Approaches, AICom - Artificial
Intelligence Communications, IOS Press, Vol. 7: 1, pp. 39-59.
[2] Aribowo, A. S., 2010, Pengembangan Sistem Cerdas Menggunakan
Penalaran Berbasis Kasus (Case Based Reasoning) untuk Diagnosa Penyakit
Akibat Virus Eksantema, Jurnal Telematika, Jurusan Teknik Informatika
UPN “Veteran” Yogyakarta.
[3] Kusrini., dan Hartati, S., 2010, Penggunaan Penalaran Berbasis Kasus untuk
Membangun Basis Pengetahuan dalam Sistem Diagnosis Penyakit, Jurnal,
Jurusan Fisika , Fakultas MIPA, Universitas Gadja Mada Yogyakarta.
[4] Mantaras, R.L.; Mcsherry, D.; Bridge, D.; Leake, D.; Smyth, B.; Craw, S.;
Falting, B.; Maher, M.L.; Cox, M.T.; Forbus, K.; Keane, M.; Aamodt, A.; dan
Watson, I., 2006, Retrieval, Reuse, Revision And Retention In Casebased
Reasoning, The Knowledge Engineering Review, Vol. 20:3. 215-240,
Cambridge University Press, United Kingdom.
[5] Pal, S. K., dan Shiu, S. C. K., 2004, Fundations of Soft Case-Based Reasoning.
New Jersey:Wiley Interscience Bonham.
[6] Ungkawa, U., Rosmala, D. dan Aryanti, F., 2013, Pembangunan Aplikasi
Travel Recommender Dengan Metode Case Base Reasoning, Jurnal
Informatika, Institut Teknologi Nasional Bandung.