p-ISSN 2614-7173
Abstrak
Malaria merupakan penyakit menular yang disebabkan oleh parasit
plasmodium. Penyakit malaria menyebar lewat gigitan nyamuk yang terinfeksi
parasit. Jika tidak ditangani dengan cepat dan tepat dapat menimbulkan
komplikasi berat yang dapat berujung pada kematian. Infeksi malaria dapat terjadi
hanya dengan satu gigitan nyamuk saja. Penuluaran dapat terjadi apabila ada
kontak dengan darah penderita. Untuk mendiagnosis pasien penderita penyakit
malaria dapat diketahui gejal-gejala yang dirasakan dan faktor resiko yang
dialami. Penggunaan konsep case-based reasoning sebagai sistem untuk
membantu melakukan diagnosis penyakit malaria. Fitur-fitur yang digunakan
dalam melakukan diagnosis penyakit malaria diantaranya fitur usia, jenis kelamin,
gejala, dan faktor resiko yang dialami. Algoritma nearest neighbor digunakan
untuk menghitung tingkat kemiripan permasalahan baru dengan kasus yang
tersimpn dalam basis kasus. Hasil pengujian menggunakan data rekam medik
menunjukan bahwa sistem mampu mengenali tiga jenis penyakit malaria secara
benar dengan tingkat akurasi sebesar 95,45%.
Kata Kunci: Malaria, Nearest Neighbor, Case-Based Reasoning.
Abstract
Malaria is a deadly disease caused by the plasmodium parasite. This disease
spreads through a bite of a particular type of mosquito that a parasite has
infected. If it is not handled fast and appropriately, it can cause a serious
complication that leads to death, except through blood contamination with the
sufferer. To diagnose a patient infected from malaria can be recognized with the
symptoms and factors of risk experienced by a patient. It uses a concept of case-
based reasoning to assist in diagnosing malaria diseases such as age, gender,
experienced symptoms, and risk. The nearest neighbor algorithm is used to
calculate the similarity between new case problems and basis-saved cases. The
Volume 6 Nomor 1 | April 2021 89
result used medic-recorded data, which showed the system could recognize three
types of malaria disease correctly with the level of accuracy rate of 95.45%.
Keywords: Malaria, Nearest Neighbor, Case-Based Reasoning.
Atribut Nilai
simNN (s,t): similaritas global basis
Usia Dalam satuan tahun
Jenis kelamin Laki-laki = 1 dan kasus (s) dan kasus baru (t)
Perempuan = 0 t : target kasus/kasus baru
Gejala dan faktor Ya = 1 dan Tidak = 0 s : kasus yang ada pada basis kasus
resiko n : banyaknya atribut pada tiap
Diagnosis Malaria Falsiparum kasus
Malaria Vivaks
i : atribut individu antara 1-n
Malaria Malariae
f(Si,Ti) : Fungsi similaritas lokal
atribut ke-i antara kasus S dan kasus
Pengukuran Similaritas T
Pengukuran similaritas di lakukan Wi : Nilai bobot yang diberikan
untuk mendapatkan nilai untuk pada atribut ke-i
menentukan kemiripan antara
permasalahan kasus baru dengan kasus Apabila nilai kemiripan tersebut
yang tersimpan dalam basis kasus kecil dari nilai ambang batas
dengan membandingkat setiap fitur (threshold) yang ditentukan, yaitu
yang terdapat pada basis kasus. 80%, maka kasus tersebut akan
Berikut adalah persamaan yang disimpan di basis sebagai kasus
digunakan untuk mengukur similaritas, yang akan direvisi oleh pakar
yaitu: sebagai solusi. Sedangkan output
1. Similaritas lokal dari sistem yang dirancang adalah
Untuk data numerik, menggunakan nama jenis penyakit malaria yang
fungsi similaritas lokal [11]. tingkat kemiripannya paling tinggi
𝑓(𝑠, 𝑡) = 1 −
|𝑠−𝑡|
(1) dengan permasalahan kasus baru.
𝑅
Volume 6 Nomor 2 | September 2021 93
melalui modul input data barbasis
METODE PENELITIAN graphical user interface (GUI).
Deskripsi Sistem Kasus terdahulu yang memiliki nilai
Sistem yang dirancang untuk similaritas tertinggi dipilih sebagai
melakukan diagnosis penyakit malaria solusi dari permasalahan kasus baru
dengan mengimplementasi sistem yang diinput.
case-based reasoning (CBR). Pada tahap reuse, dimana solusi
Sedangkan algoritma nearest neighbor kasus terdahulu digunakan untuk
digunakan untuk menghitung nilai menyelesaikan permasalahan kasus
similaritas kasus baru dengan kasus baru. Kandidat solusi yang
yang ada pada basis kasus. mempunyai nilai similaritas kurang
Secara garis besar digambarkan dari threshold yang ditentukan,
dalam diagram alir penelitian seperti disimpan untuk kemudian dilakukan
ditunjukan pada gambar 1. revisi oleh pakar. Jika nilai
Mulai similaritas ≥ nilai threshold maka
solusi dari kandidat solusi diambil
Masalah
kasus baru sebagai solusi permasalahan kasus
baru yang disampaikan kepada user
Menghitung similaritas Basis kasus
lokal melalui modul output. Rancangan
Menghitung similaritas global arsitektur sistem CBR ditunjukan
menggunakan nearest neighbor pada gambar 2.
Mencari kasus dengan
similaritas tertinggi
Similaritas
Ya
(target kasus) Reuse
≥ 80%?
Ya
Tidak
Masalah kasus Solusi di simpan
dikirim ke pakar
Tidak
Pakar memberi Ya
diagnosis
Tidak
Selesai
Manajemen user
Data login
Konfirmasi hak akses
ADMIN
DFD Level
No_RM PK
1 Kode_gejala
Nama_gejala
PK
Rekapitulasi data uji ditunjukan
Usia 1
n Jenis_kelamin
Kode_penyakit FK
pada tabel 3.
Keyakinan_pakar
Status
Kasus_Gejala Tabel 3. Data Uji
Nama n Kode_gejala_penyakit
Nama Kode Jumlah
n
No_RM FK
n No
User Kode_gejala
Bobot
FK Penyakit ICD Kasus
Penyakit
1 Malaria
Id_user
Kode_penyakit 1 B50.9 10
Username
Pssword
1 Kode_ICD Falsiparum
Level Nama_penyakit
Faktor_Resiko Malaria
Nama 2 B51.9 7
Kode_resiko PK
1 Vivaks
Diagnosis Nama_resiko
Malaria
1 3 B54 5
No_RM
Nama
PK
1 Malariae
Usia Kasus_Risiko Total 22
Jenis_kelamin
n Kode_penyakit FK n Kode_kasus_risiko
Keyakinan_kasus_baru
No_RM FK n
n Kode_risiko FK
Bobot
3
Malaria
B54 12 Gambar 5. Tampilan Form Login
Malariae
Total 54
Menu admin memungkinkan
user untuk melakukan manajemen
Sedangkan 22 data kasus (30%)
user. Admin dapat melakukan
dari total keseluruhan data kasus
penambahan dan penghapusan
Volume 6 Nomor 2 | September 2021 96
pengguna sistem melalui form
manajemen user. Tampilan form admin
ditunjukan pada gambar 6.
10
10 9
8 7 7
5 5
6
Gambar 11. Tampilan Hasil Data Uji
4
Diagnosis
2
Diagnosis
0
Hasil diagnosis menunjukan jenis Benar
penyakit malaria yang diderita pasien
dengan nilai similaritas tertinggi
terhadap kasus sebelumnya.
Permasalahan kasus yang memiliki
Gambar 12. Grafik Hasil
fitur lengkap dapat disimpan untuk
Pengujian
menambah basis kasus.
Hasil pengujian dari keseluruhan
Pengujian Akurasi Sistem
data yang diujikan diperoleh satu
Akurasi merupakan tingkat
permasalahan yang mempunyai nilai
kedekatan pengukuran kuantitas
similaritas bawah 80%, sehingga tidak
terhadap nilai sebenarnya.
dapat dikategorikan ke dalam jenis
Pengujian akurasi sistem dilakukan
penyakit malaria. Hasil pengujian
dengan membandingkan jumlah
untuk setiap data ditunjukan pata tabel
diagnosis benar oleh sistem dengan
4 (confusion matrix) [14], dan
jumlah data uji.
ilustrasikan ke dalam bentuk grafik
Unjuk kerja sistem dihitung
oleh gambar 12.
dengan menggunakan persamaan
Pada ilustrasi grafik, sumbu
[15].
vertikal menunjukkan jumlah diagnosis ∑ 𝑑𝑖𝑎𝑔𝑛𝑜𝑠𝑖𝑠 𝑏𝑒𝑛𝑎𝑟
yang benar sesuai dengan jenis 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
∑ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
penyakit malaria, sedangkan untuk
21
sumbu horizontal menunjukkan jenis 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = 95,45%
20 + 1
penyakit malaria. Hasil Pengujian menunjukan
Tabel 4. Confusion Matrix Hasil persentase unjuk kerja sistem dalam
Pengujian mengenali jenis penyakit malaria
Jenis Hasil Diagnosis
No secara benar dengan nilai akurasi
penyakit Benar Salah Total
1
Malaria
9 1 10
sebesar 90,91%.
Falsiparum