Sistem Case-Based Reasoning untuk Mendiagnosis Penyakit pada Babi

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


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


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 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 ras


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


3 ID59 G3 K115 100 TIDAK DIREVISI

4 ID89 G15 G2 G6 K102 100 TIDAK DIREVISI


6 ID76 G11 G2 G27 G6 K133 100 TIDAK DIREVISI

7 ID900 G2 G26 G3 G34 G35 K212 100 TIDAK DIREVISI





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


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


3 ID59 G2 G3 G6 G8 G34 G35

K145 94 TIDAK DIREVISI

4 ID89 G12 G2 G20 G33 G34 G35


5 ID100 G15 G19 G2 G26 G3 G35


6 ID76 G1 G2 G3 G8 G11 G22 G15

G6 623 G5

K145 83 HARUS DIREVISI

7 ID900 G11 G2 G27 G6 G34


8 ID276 G14 G2 G34 G6 G35


9 ID248 G1 G3 G7 G30 G2 G32 G5 G23 G14 G15 G34

K213 K234

78 HARUS 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.

Documents

Sistem Case-Based Reasoning untuk Mendiagnosis Penyakit pada Babi