BAB I

PENDAHULUAN

1.1 Latar Belakang

Sistem pakar adalah suatu cabang kecerdasan buatan yang menggunakan

pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk

menyelesaikan suatu masalah tertentu. Salah satu penalaran dalam sistem pakar

adalah penalaran berbasis kasus atau lebih dikenal dengan Case-Based Reasoning

(CBR). CBR telah menjadi teknik yang sukses untuk sistem berbasis pengetahuan

dalam banyak domain. Dimana CBR menggunakan pengalaman sebelumnya

dalam kasus yang mirip untuk memahami dan memecahkan permasalahan

baru. CBR mengumpulkan kasus sebelumnya yang hampir sama dengan masalah

yang baru dan berusaha untuk memodifikasi solusi agar sesuai dengan kasus yang

baru (Aamodt dan Plaza,1994). Untuk menemukan solusi dari sebuah kasus baru

yang diberikan, sistem akan mencari kasus-kasus dalam basis kasus yang

memiliki tingkat kesamaan yang paling tinggi.

Telah banyak dilakukan penelitian tentang sistem pakar berbasis kasus

atau Case Based Reasoning (CBR). Beberapa peneliti telah banyak meneliti

terkait dengan sistem pakar berbasis kasus atau Case Based Reasoning (CBR)

dengan menggunakan metode Probabilitas Bayesian untuk mendiagnosa sesuatu

seperti diagnosa penyakit dll. Penelitian tentang diagnosa penyakit akibat virus

eksantema oleh Agus Sasmito Aribowo dengan akurasi yang didapatkan sebanyak

45,2%, mendiagnosa penyakit gagal ginjal dengan akurasi yang didapatkan

sebanyak 63.922 % oleh Sri Rahayu. Dan terkait dengan sistem pakar berbasis

kasus atau Case Based Reasoning (CBR) dengan menggunakan metode Nearest

Neighbor untuk mendiagnosa sesuatu seperti mendiagnosa penyakit umum oleh

Ardian Nur Romadhan dengan akurasi 77,7%, mendignosa penyakit diagnosis

penyakit anjing oleh Fransica Octaviani S, Joko Purwadi, dan Rosa Delima

dengan akurasi 90%.

Dalam penelitian ini peneliti ingin menerapkan metode-metode diatas

dalam sistem pakar berbasis Case Based Reasoning (CBR) dalam studi kasus

mendiagnosa penyakit pada anak. Untuk mendiagnosa penyakit pada anak ini

peneliti menggunakan data gejala-gejala awal yang dialami oleh anak tersebut.

Proses yang berjalan adalah sistem akan melakukan penelusuran terhadap

kesamaan antara kasus baru yang dialami oleh anak dengan kasus-kasus lama

yang terdapat di database sistem dengan mengunakan metode Probabilitas

Bayesian dan Nearest Neighbor. Setelah itu akan didapatkan hasil kasus yang

hampir sama dengan kasus lama tersebut dan akan dibandingkan hasil yang

didapatkan dari metode Probabilitas Bayesian dengan hasil yang didapatkan dari

metode Nearest Neighbor.

1.2 Rumusan Masalah

Dari latar belakang masalah tersebut dapat dirumuskan suatu permasalahan

yaitu :

a. Bagaimana perbandingan dalam penerapan metode Probabilitas Bayesian

dan Nearest Neighbor pada Case Based Reasoning (CBR) dalam

mendiagnosa penyakit pada anak ?

b. Bagaimana merancang sistem pakar berbasis kasus atau Case Based

Reasoning (CBR) untuk mendiagnosa penyakit pada anak dengan

menerapkan metode Probabilitas Bayesian dan Nearest Neighbor ?

1.3 Tujuan Penelitian

Tujuan dilakukannya penelitian ini adalah untuk mengetahui perbandingan

kinerja Sistem Pakar dalam mendiagnosa penyakit pada anak dengan penggunaan

metode Probabilitas Bayesian dan Nearest Neighbor dalam penalaran berbasis

kasus.

1.4 Batasan Masalah

Adapun batasan masalah dari penelitian ini adalah:

1. Penyakit yang digunakan disini adalah penyakit yang umum terjadi pada

anak.

2. Data penelitian yang digunakan disini adalah data dari RS Wangaya.

3. Nilai pembobotan dari penelitian ini adalah hasil diskusi dengan 1 pakar yaitu

Dr. I G A K Suandi Sp.A sebagai Dokter Spesialis Anak.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah

1. Bagi Masyarakat

Dapat dijadikan gambaran untuk meningkatkan pengetahuan dan wawasan

masyarakat mengenai gejala-gejala umum penyakit pada anak agar tidak

memiliki rasa kecemasan yang tinggi. Dan juga membantu ibu-ibu untuk

mendiagnosa awal penyakit yang diderita oleh anak mereka dan dapat

memberikan penanganan awal.

2. Bagi Penulis

Diharapkan dapat menambah pengetahuan bagi penulis mengenai gejala-

gejala awal untuk mendiagnosa penyakit pada anak.

1.6 Metodologi Penelitian

1.6.1 Desain Penelitian

Penelitian ini mengambil judul “Penerapan Metode Probabilitas Bayesian

dan Nearest Neighbour dalam Sistem Pakar Berbasis Case Based Reasoning

(CBR)”.

Desain penelitian yang digunakan dalam penelitian ini adalah studi kasus.

Menurut (Hasibuan, 2007), studi kasus merupakan penelitian yang memusatkan

perhatian pada suatu kasus tertentu dengan menggunakan individu atau kelompok

sebagai bahan studinya. Penggunaan penelitian studi kasus ini biasanya

difokuskan untuk menggali dan mengumpulkan data yang lebih dalam terhadap

objek yang diteliti untuk dapat menjawab permasalahan yang sedang terjadi.

Dalam masalah yang diambil, akan ada gejala-gejala 4 penyakit umum

pada anak yang akan digunakan untuk menjadi data dalam penelitian ini. Akan

terjadi penelusuran dari gejala-gejala baru yang dialami anak tersebut dengan

mengunakan metode Probabilitas Bayesian dan Nearest Neighbor. Setelah itu

akan dibandingkan hasil yang didapatkan dari metode-metode tersebut dengan

kasus lama yang diperoleh dari RS Wangaya. Dan dari sanalah akan didapatkan

hasil penyakit yang hampir sama dengan data-data penyakit yang diperoleh dari

RS Wangaya.

1.6.2 Pengumpulan Data

Setelah dilakukan identifikasi masalah dan tujuan, selanjutnya yaitu tahap

pengumpulan data. Untuk mengetahui data apa saja yang dibutuhkan untuk

menyelesaikan permasalahan ini, sebelumnya telah dilakukan studi literature dan

studi lapangan.

Jenis data yang digunakan pada penelitian ini dari cara memperolehnya

yaitu data primer. Data primer adalah data yang berasal dari sumber asli atau

pertama. Data ini tidak tersedia dalam bentuk terkompilasi ataupun dalam bentuk

file-file. Data ini harus dicari melalui narasumber/responden, yaitu orang yang kita

jadikan objek penelitian atau orang yang kita jadikan sebagai saran mendapatkan

informasi ataupun data. (Jonathan Sarwono,2006:129). Selain data primer,

didalam penelitian juga menggunakan data sekunder. Data sekunder adalah data

yang sudah tersedia sehingga kita tinggal mencari dan mengumpulkan. (Jonathan

Sarwono,2007:123)

Pada penelitian ini data yang digunakan adalah data gejala-gejala penyakit

pada anak yang diperoleh dari kasus-kasus di RS Wangaya, dan data penyakitnya

diperoleh dari pakar. Pakarnya sendiri adalah seorang Spesialis Anak. Pada tabel

1.1 akan ditampilkan tabel penyakit pada anak dari pakar, pada tabel 1.2 akan

ditampilkan tabel gejala penyakit gejala penyakit pada anak, dan pada tabel 1.3

akan ditampilkan tabel keputusan penyakit berdasarkan gejala.

Tabel 1. 1 Tabel Penyakit Pada Anak

(Sumber : Dr. I G A K Suandi Sp.A)

Kode Penyakit

K1 Demam Berdarah

K2 Demam Thypoid

K3 Diare

K4 TBC

Tabel 1. 2 Tabel Gejala Penyakit Pada Anak

(Sumber : RS. Wangaya)

Kode Gejala

G1 Demam

G2 Mual

G3 Muntah

G4 Menjadi Lemas

G5 Bibir Kering

G6 Nafsu Makan dan Minum Menurun

G7 Batuk

G8 Pilek

G9 Mimisan

G10 Bibir Berdarah

G11 Sakit Saat Menelan

G12 Sakit Kepala

G13 Gatal Seluruh Tubuh

G14 Buang Air Besar Terus Menerus

G15 Keluar Bintik Merah Pada Tubuh

G16 Sakit Perut

G17 Sakit Tenggorokan

G18 Sesak Nafas

G19 Sariawan

G20 Sembelit

G21 Menggigil

G22 Lidah Putih

G23 Nyeri Otot

G24 Perut Sering Berbunyi

G25 Kejang

G26 Batuk Darah

G27 Benjolan Di Leher

G28 Terkadang Berkeringat

Tabel 1. 3 Tabel Keputusan Penyakit Berdasarkan Gejala

(Sumber : RS. Wangaya)

Tabel Keputusan Penyakit Berdasarkan Gejalanya

Gejala Penyakit

K1 K2 K3 K4

Demam √ √ √ √

Mual √ √ √ √

Muntah √ √ √ √

Menjadi Lemas √ √ √ √

Bibir Kering √ √

Nafsu Makan dan Minum Menurun √ √ √ √

Batuk √ √ √ √

Pilek √ √ √ √

Mimisan √ √ √

Bibir Berdarah √

Sakit Saat Menelan √

Sakit Kepala √ √ √ √

Gatal Seluruh Tubuh √

Buang Air Besar Terus Menerus √ √ √ √

Keluar Bintik Merah Pada Tubuh √

Sakit Perut √ √ √

Sakit Tenggorokan √

Sesak Nafas √ √

Sariawan √

Sembelit √

Menggigil √

Lidah Putih √

Nyeri Otot √

Perut Sering Berbunyi √

Kejang √

Batuk Darah √

Benjolan Di Leher √

Terkadang Berkeringat √

1.6.3 Metode Yang Digunakan

Metode yang digunakan dalam penelitian ini adalah Probabilitas Bayesian

dan Nearest Neighbor. Untuk metode Probabilitas Bayesian, perhitungan tingkat

Similarity dari kasus-kasus dengan gejala yang diberikan pada pakar, yang ada

dalam database menggunakan metode Probabilitas Bayesian. Proses dilakukan

setelah proses retrieve informasi dari data kasus yang sudah terindex. Hasil proses

retrieve sangat mungkin berupa beberapa kasus yang mirip dan dekat dengan

gejala-gejala untuk penyakit dari pakar tersebut. Untuk memilih satu dari

beberapa kasus termirip perlu manajemen ketidakpastian. Ketidakpastian ini akan

dihitung menggunakan teorema Probabilitas Bayesian, dengan rumus sebagai

berikut:

𝑃(𝐻|𝐸) = 𝑃(𝐸|𝐻).𝑃(𝐻)

𝑃(𝐸)………………………………………………..(1.1)

Algoritmanya adalah sebagai berikut

1. Melakukan proses pencarian kasus yang mirip dan dekat dengan gejala-

gejala untuk penyakit anak dari kasus yang diperoleh dari RS.Wangaya.

2. Membandingkan antara kasus lama dengan kasus baru. Kasus 1, 2, 3, dan

4 merupakan kasus lama. Sedangkan kasus 5 merupakan kasus baru yang

akan dibandingkan dengan 4 kasus lama tersebut

Tabel 1. 4 Contoh Kasus

Gejala/id_kasus 1 2 3 4 5

Demam 1 0.67 0.67 0.67 0.67

Mual 0.67 0.33 1 0.33 0.67

Muntah 0.67 0 0 0 0

Menjadi Lemas 0.67 0.67 0 1 0.67

Bibir Kering 0 0.67 0.67 0.33 0

Nafsu Makan dan

Minum Menurun 0 0.67 0.67 0.67 0.67

Batuk 0 0 0 0.67 0

Mimisan 0 0 0 0 0.67

Bibir Berdarah 0 0 0 0 0

Sakit Saat Menelan 0 0 0 0 0

Sakit Kepala 0 0 0 0 0

Pilek 0 0 0 0 0

Gatal Seluruh Tubuh 0 0 0 0 0

Buang Air Besar Terus

Menerus 0 0 0 0 0

Keluar Bintik Merah

Pada Tubuh 0 0 0 0 0

Sakit Perut 0 0 0 0 0

Sakit Tenggorokan 0 0 0 0 0

Sesak Nafas 0 0 0 0 0

Sariawan 0 0 0 0 0

Sembelit 0 0 0 0 0

Menggigil 0 0 0 0 0

Lidah Putih 0 0 0 0 0

Nyeri Otot 0 0 0 0 0

Perut Sering Berbunyi 0 0 0 0 0

Kejang 0 0 0 0 0

Batuk Darah 0 0 0 0 0

Benjolan Di Leher 0 0 0 0 0

Terkadang Berkeringat 0 0 0 0 0

Kasus 1 adalah Demam Berdarah yang memiliki 3 gejala yang

sama dengan kasus 5. Kasus 2 adalah Demam Berdarah yang memiliki 4

gejala yang sama dengan kasus 5. Kasus 3 adalah Demam Berdarah yang

memiliki 3 gejala yang sama dengan kasus 5. Kasus 4 adalah Demam

Thypoid yang memiliki 4 gejala yang sama dengan kasus 5.

3. Cari similarity value nya dengan cara

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝑉𝑎𝑙𝑢𝑒 = 𝑔𝑒𝑗𝑎𝑙𝑎 𝑦𝑎𝑛𝑔 𝑠𝑎𝑚𝑎

𝑗𝑢𝑚𝑙𝑎ℎ 𝑔𝑒𝑗𝑎𝑙𝑎………………………………(1.2)

Untuk Kasus 1, Similarity Value = 3/28 = 0.1072

Untuk Kasus 2, Similarity Value = 4/28 = 0.1429

Untuk Kasus 3, Similarity Value = 3/28 = 0.1072

Untuk Kasus 4, Similarity Value = 4/28 = 0.1429

4. Setelah didapatkan SV dari masing-masing kasus, maka ditentukan

MSVnya, karena disini maksimal banyaknya gejala pada satu kasus adalah

6 jadi minimal gejala yang sama pada kasus baru adalah 3. Jadi karena

Similarity Value = 3/28 = 0.1072, maka MSVnya adalah 0.1072.

5. Setelah terkumpul kasus-kasus yang memiliki MSV >= 0.1072 maka

dihitunglah kasus tersebut mengunakan metode Probabilitas Bayesian.

Awalnya adalah dicari nilai dari masing-masing kasus tersebut, seperti

berikut

𝑃(𝐾1) = 𝐾𝑎𝑠𝑢𝑠 𝐷𝐵

𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐾𝑎𝑠𝑢𝑠 =

3

4= 0.75

𝑃(𝐾2) = 𝐾𝑎𝑠𝑢𝑠 𝐷𝐵

𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐾𝑎𝑠𝑢𝑠 =

3

4= 0.75

𝑃(𝐾3) = 𝐾𝑎𝑠𝑢𝑠 𝐷𝐵

𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐾𝑎𝑠𝑢𝑠 =

3

4= 0.75

𝑃(𝐾4) = 𝐾𝑎𝑠𝑢𝑠 𝐷𝑇

𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐾𝑎𝑠𝑢𝑠 =

1

4= 0.25

6. Setelah diperoleh hasil dari P(K) dari masing-masing kasus, akan dicari

P(S|K) dari masing-masing kasus seperti berikut

P(S|K1) = 0.75 ∗ 3 = 2.25

P(S|K2) = 0.75 ∗ 4 = 3

P(S|K3) = 0.75 ∗ 3 = 2.25

P(S|K4) = 0.25 ∗ 4 = 1

7. Setelah itu dicari totalnya yaitu P(S) dari semua kasus tersebut

𝑃(𝑆) = (0.75 ∗ 2.25) + (0.75 ∗ 3) + (0.75 ∗ 2.25) + (0.25 ∗ 1)

= 1.6875 + 2.25 + 1.6875 + 0.25

= 5.875

8. Setelah itu akan diperoleh hasil probabilitas bayes dari masing-masing

kasus seperti berikut

𝑃(𝐾1|𝑆) = 𝑃(𝑆|𝐾1)∗𝑃(𝐾1)

𝑃(𝑆) =

2.25∗0.75

5.875= 0.2872

𝑃(𝐾2|𝑆) = 𝑃(𝑆|𝐾2)∗𝑃(𝐾2)

𝑃(𝑆) =

3∗0.75

5.875= 0.3829

𝑃(𝐾3|𝑆) = 𝑃(𝑆|𝐾3)∗𝑃(𝐾3)

𝑃(𝑆) =

2.25∗0.75

5.875= 0.2872

𝑃(𝐾4|𝑆) = 𝑃(𝑆|𝐾4)∗𝑃(𝐾4)

𝑃(𝑆) =

1∗0.25

5.875= 0.0425

Jadi kesimpulan dari perhitungan kasus diatas dengan Metode Probabilitas

Bayesian, maka didapatkan kesimpulan penyakit mengarah pada kasus 2 dengan

hasil 0.3829 atau 38.29%

Untuk metode Nearest Neighbor, Pada proses Retrieve ini akan dilakukan

pembobotan dengan menggunakan metode Nearest Neighbour.

1. Akan melakukan proses pembobotan dengan melakukan pencocokan satu

per satu antara gejala yang dmasukan dengan data yang ada di dalam basis

pengetahuan. Proses pembobotan yang dilakukan oleh sistem ditampilkan

dalam perhitungan di bawah ini. Bobot parameter (w) :

Gejala Penting = 5

Gejala Sedang = 3

Gejala Biasa = 1

Dan Bobot Nilai Gejalanya adalah

Sangat Dirasakan = 1

Cukup Dirasakan = 0.67

Sedikit Dirasakan = 0.33

2. Dan untuk nilai pendekatan di setiap gejala nya adalah

Tabel 1. 5 Tabel Nilai Pendekatan

Nilai 1 Nilai 2 Pendekatan

Sangat Dirasakan Sangat Dirasakan 1

Sangat Dirasakan Cukup Dirasakan 0.5

Sangat Dirasakan Sedikit Dirasakan 0.25

Cukup Dirasakan Sangat Dirasakan 0.5

Cukup Dirasakan Cukup Dirasakan 1

Cukup Dirasakan Sedikit Dirasakan 0.5

Sedikit Dirasakan Sangat Dirasakan 0.25

Sedikit Dirasakan Cukup Dirasakan 0.5

Sedikit Dirasakan Sedikit Dirasakan 1

3. Cari Similarity dari dengan membandingkan Kasus Baru dan Semua Kasus

Lama seperti berikut

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 =(0.5∗5) : (1∗5)

5:5:3:3=

2.5:5

16= 0.46

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 =(1∗5): (1∗5):(1∗3) : (0.5∗5)

5:5:3:5:3=

15.5

21= 0.738

Kasus Lama DB

Demam (1) (5)

Mual (0.67) (5)

Muntah (0.67) (3)

Menjadi Lemas (0.67) (3)

Kasus Baru

Demam (0.67)

Mual (0.67)

Bibir Kering (0.67)

Nafsu Makan &Minum

Menurun (0.67)

Kasus Lama DB

Demam (0.67) (5)

Mual (0.67) (5)

Bibir Kering (0.67) (3)

Nafsu Makan &Minum Menurun

(0.33) (5)

Menjadi Lemas (0.67) (3)

Kasus Baru

Demam (0.67)

Mual (0.67)

Bibir Kering (0.67)

Nafsu Makan &Minum

Menurun (0.67)

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 =(1∗5): (1∗5)

5:1:3:5:5=

10

19= 0.526

Jadi kesimpulan dari perhitungan kasus diatas dengan Metode Nearest

Neighbour, maka didapatkan kesimpulan penyakit mengarah pada kasus 2 dengan

hasil 0.738 atau 73.8%

1.6.4 Evaluasi dan Validasi Hasil

Pada tahap ini akan dilakukan evaluasi dan validasi hasil. Evaluasi dan

validasi hasil dilakukan untuk mengetahui apakah yang dihasilkan sudah sesuai

dengan tujuan yang ingin dicapai. Pengujian sistem dilakukan dengan

menginputkan kasus awal yang diderita oleh pasien dan sistem akan

membandingkan kasus baru pasien dengan kasus lama yang terdapat dalam basis

kasus. Dan jika terdapat hasil 2 kasus yang serupa dengan kasus baru maka akan

dilakukan pengecekan terhadap gejala-gejala yang terdapat dalam data

diatas.setelah itu akan didapatkan keakuratan sistem terhadap kasus baru dari

pasien tersebut. Hasil yang ingin didapatkan adalah akurasi dari penerapan metode

Probabilitas Bayesian dan Nearest Neighbor dalam sistem pakar berbasis kasus

atau Case Based Reasoning (CBR) untuk mendiagnosa gejala-gejala penyakit

pada anak.

Untuk mendapatkan persentase nilai akurasi untuk hasil perhitungan dari

metode Probabilitas Bayesian dan Nearest Neighbor adalah

Kasus Lama DT

Demam (0.67) (5)

BAB Terus Menerus (0.67) (1)

Batuk (0.67) (3)

Nafsu Makan &Minum Menurun

(0.67) (5)

Menjadi Lemas (0.67) (5)

Kasus Baru

Demam (0.67)

Mual (0.67)

Bibir Kering (0.67)

Nafsu Makan &Minum

Menurun (0.67)

𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐻𝑎𝑠𝑖𝑙 =𝑘𝑎𝑠𝑢𝑠 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟

𝑠𝑒𝑚𝑢𝑎 𝑘𝑎𝑠𝑢𝑠 × 100%

Berikut adalah tabel untuk mencatat hasil perhitungan yang didapatkan

dari sistem ini :

Tabel 1. 6 Tabel Hasil Perhitungan

Data Penyakit Probabilitas

Bayesian

Nilai

Bayes

Nearest

Neighbor Similarity