NASKAH PUBLIKASI
HALAMAN PENGESAHAN
NASKAH PUBLIKASI
Diajukan oleh
Pembimbing Pendamping
PERNYATAAN
NIM
: 1106082005
Status Pembimbing
Pembimbing Utama
Pembimbing Pendamping
Tanda Tangan
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 : {deodatusganggur@gmail.com 1, noelbaki_dendeng@yahoo.com 2, berthadjahi@gmail.com 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 casehandling 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
Case-Based Reasoning
p
( = )
:
:
2.3
( = )
(2.1)
nilai kemiripan (similarity) antara kasus lama (A) dan kasus baru
(B)
banyaknya gejala yang terdapat dalam basis kasus
banyaknya nilai atribut gejala yang sama antara nilai atribut
gejala pada kasus-A dengan nilai atribut gejala pada kasus-B
Kesehatan Hewan
TENAGA MEDIS
NONDOKTER
Data login
Data Lama Pasien (Data Ras
Identtias, Gejala, Penyakit, Kasus, Rekam Medis)
Data Revisi Gejala
Data Revisi Penyakit
Data Revisi Solusi
Validasi login
Info Hasil Diagnosis
Info Hasil Rekam Medis
Data login
PAKAR
PASIEN
Info Hasil Diagnosis
Info Hasil Rekam Medis
Info Data Identitas Pasien
Info Data Ras
Info Data Gejala Pasien
Info Data Usulan Gejala
Validasi login
Info Data Identtias Pasien
Info Data Ras
Info Data Gejala Pasien
Info Data Penyakit Pasien
Info Data Kasus
Info Data Rekam Medis
Info Data Usulan Gejala
Info Data Revisi
DFD level 1
DFD level 1 menjelaskan rincian alur sistem berdasarkan diagram konteks.
DFD level 1 dapat dilihat pada Gambar 3.2.
0
1.0
LOGIN
Data login
Data login
T9
Login_pengguna
Data identitas_pasien
Data identitas_pasien
T1
identitas_pasien
Data ras
Data ras
T2
Data penyakit_pasien
Data penyakit_pasien
T3
penyakit_pasien
Data gejala_pasien
Data gejala_pasien
T4
gejala_pasien
Data kasus
Data kasus
T5
Data rekam_medis
Data rekam_medis
T6
Validasi login
2.0
Data identitas_pasisen
Info Data identitas_pasien
PAKAR
Data ras
Info Data ras
ras
Data penyakit_pasien
OLAH DATA
KASUS
Data kasus
Info Data kasus
Data rekam_medis
kasus
rekam_medis
3.0
Data ras
Data identitas_pasisen
Info Data identitas_pasisen
Data ras
PASIEN
Data ras
OLAH DATA
PASIEN
Data identitas_pasien
Data identitas_pasien
4.0
Data rekam_medis
Data kasus
Data gejala_pasisen
Info Data gejala_pasisen
Data gejala_pasien
OLAH DATA
KONSULTASI
Data usulan_gejala
Data penyakit_pasien
Validasi login
T8
Data revisi
TENAGA MEDIS
NONDOKTER
usulan_gejala
Data usulan_gejala
T7
revisi
Data identitas_pasien
5.0
Data ras
Data Revisi Gejala
Data penyakit_pasien
OLAH DATA
REVISI
Data gejala_pasien
Data usulan_gejala
3
3.1
Hasil
Sistem CBR diberikan pengujian dengan 3 (tiga) skenario dan setiap skenario
diberikan 10 (sepuluh) kasus baru.
1.
2.
ID Identitas
Solusi
Nilai Kemiripan
Tertinggi (%)
Keterangan
i
1
ID1
G1 G2
K177
100
TIDAK DIREVISI
2
3
4
5
ID27
ID59
ID89
ID100
G2 G5
G3
G15 G2 G6
G2 G23
K10
K115
K102
K130
100
100
100
100
TIDAK DIREVISI
TIDAK DIREVISI
TIDAK DIREVISI
TIDAK DIREVISI
6
7
8
ID76
ID900
ID276
G11 G2 G27 G6
G2 G26 G3 G34 G35
G17 G18 G2 G34
K133
K212
K244
100
100
100
TIDAK DIREVISI
TIDAK DIREVISI
TIDAK DIREVISI
9
10
ID247
ID21
G2 G4 G5
G2 G26 G4 G6
K7
K81
100
100
TIDAK DIREVISI
TIDAK DIREVISI
Kasus
Baru
ke-i
i
ID Identitas
ID1
Solusi
Keterangan
G1 G2
Nilai
Kemiripan
Tertinggi (%)
K177
100
ID27
G2 G5
Depresi
K10
100
ID59
G3
Dehidrasi
K115
100
ID89
G15 G2 G6
Mata cekung
K102
100
ID100
G2 G23
Eritema
K130
100
ID76
Anemia, Depresi
ID900
Eritema, Dehidrasi
ID276
ID247
10
ID21
Hilang keseimbangan,
Anemia
Mata cekung, Depresi
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
HARUS
DIREVISI
Gejala pada
basis kasus
Pertama
Kedua
3.
3.2
Kasus Baru
ke-i
i
1
ID Identitas
(Lampiran 1)
ID1
Gejala yang
dialami
(Lampiran 1)
G1 G2 G3
ID27
G34 G2 G5 G6
ID59
ID89
ID100
ID76
ID900
ID276
ID248
10
ID21
G2 G3 G6 G8
G34 G35
G12 G2 G20
G33 G34 G35
G15 G19 G2
G26 G3 G35
G1 G2 G3 G8
G11 G22 G15
G6 623 G5
G11 G2 G27 G6
G34
G14 G2 G34 G6
G35
G1 G3 G7 G30
G2 G32 G5 G23
G14 G15 G34
G2 G23 G6
Solusi
Nilai Kemiripan
Tertinggi (%)
Keterangan
K117
K109
K96
97
TIDAK DIREVISI
97
TIDAK DIREVISI
K145
94
TIDAK DIREVISI
K69
92
TIDAK DIREVISI
K194
97
TIDAK DIREVISI
K145
83
HARUS DIREVISI
K133
97
TIDAK DIREVISI
K240
97
TIDAK DIREVISI
K213
K234
78
HARUS DIREVISI
K130
97
TIDAK DIREVISI
Pembahasan
4
4.1
Kesimpulan
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.