BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Empiris Ada beberapa penelitian terkait yang pernah dilakukan mengenai Penerapan Metode Probabilitas Bayesian dan Nearest Neighbour dalam Sistem Pakar Berbasis Case Based Reasoning (CBR) yaitu: 1. Sistem Pakar Untuk Mendiagnosa Penyakit Gagal Ginjal Dengan Menggunakan Metode Bayes (Sri Rahayu. 2013) Adapun tujuan yang akan dicapai adalah untuk membuat aplikasi sistem pakar yang berguna sebagai alat bantu untuk mendapatkan informasi dan dugaan awal dalam mendiagnosa penyakit gagal ginjal. Hasil dalam penelitian ini adalah sistem pakar untuk mendiagnosa penyakit gagal ginjal dengan menggunakan metode bayes dapat menyelesaikan masalah diagnosis penyakit gagal ginjal, karena dapat memberikan hasil diagnosis dengan nilai probabilitas kemunculan setiap jenis penyakit. Dari perhitungan maka dapat dipastijan bahwa pasien menderita penyakit gagal ginjal kronis dengan nilai 63.922%. 2. Implementasi Case-Based Reasoning Untuk Pendukung Dokter Jaga Dalam Mendiagnosa Penyakit Pada RSU PKU Muhammadiyah Delanggu (Ardian Nur Romadhan, 2013) Keberadaan sistem ini diharapkan dapat membantu kerja dokter pada RSU PKU Muhammadiyah Delanggu dalam melakukan diagnosa yang menghasilkan keluaran berupa kemungkinan penyakit dan saran pengobatan yang didasarkan pada persamaan kasus baru dengan pengetahuan yang dimiliki sistem. Dari perhitungan yang dilakukan peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah kasus K1 dengan tingkat kemiripan sebesar 0.777, atau 77,7% merupakan kasus terdekat dengan similarty tertinggi terhadap kasus baru.
3. Pengembangan Sistem Cerdas Menggunakan Penalaran Berbasis Kasus (Case Based Reasoning) Untuk Mendiagnosa Penyakit Akibat Virus Eksantema (Agus Sasimito Aribowo, 2010) Seiring perkembangan ilmu pengetahuan dan teknologi informasi maka keberadaan seorang ahli dapat digantikan oleh komputer. Sistem ini dinamai dengan Sistem Pakar. Biaya pembuatan Sistem Pakar relatif lebih murah bila dibandingkan untuk menjadi seorang pakar. Sistem ini dapat digunakan pada lingkungan kerja yang mungkin dapat membahayakan manusia, misalnya di daerah endemi. Sifat kepakaran yang dimilikinya permanen, dapat dikembangkan, dan umumnya dilengkapi dengan fasilitas yang dapat mengolah proses penalaran yang digunakan untuk menarik kesimpulan. Karena memiliki sifat komputer maka responnya cepat dan dapat diandalkan setiap saat. Untuk lebih fokus dalam pembangunan sistem pakar tersebut, maka sistem akan dibatasi untuk mendeteksi sebelas penyakit yang diakibatkan oleh Eksantema Virus antara lain: Varisela (Chicken pox, cacar air), Variola (Small pox, cacar), Rubeola (Measles, campak), Rubela (German measles, campak jerman), Infeksi Enterovirus, Hand-Foot-and-Mouth Syndrome, Mononukleosis Infeksiosa, Infeksi Cytomegalovirus Kongenital, Roseola Infantum (eksantema subitum), Eritema Infeksiosum, Sindrom Gianotti Crust. Pendekatan penalaran menggunakan penalaran berbasis kasus (Case Based Reasoning), artinya sistem pakar akan melakukan diagnosa dengan cara mencocokkan kasus baru yang hendak didiagnosa dengan mencari kasus-kasus yang mirip atau hampir mirip di yang sudah pernah direkam dalam sistem. Kemudian solusi dari kasus direkam tersebut dijadikan rekomendasi solusi kasus baru tersebut. Dari perhitungan yang dilakukan peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah kasus terdekat adalah kasus K1 dengan tingkat kemiripan sebesar 0.452, atau 45,2% dengan kasus baru. 4. Implementasi Case Based Reasoning Untuk Sistem Diagnosis Penyakit Anjing (Fransica Octaviani S, Joko Purwadi, dan Rosa Delima)
Pada penelitian ini penulis menerapkan metode CBR untuk membangun sebuah sistem yang memiliki kemampuan mendiagnosa penyakit pada anjing. Proses diagnosa penyakit pada anjing memang sebaiknya dilakukan oleh seorang pakar yang merupakan seorang dokter hewan, namun dikarenakan anjing merupakan hewan peliharaan yang umum dimiliki oleh masyarakat dan biaya untuk konsultasi ke dokter hewan juga cukup mahal maka sebagian masyarakat yang memiliki anjing biasanya melakukan pengobatan sendiri terhadapt anjing mereka yang sedang sakit. Minimnya pengetahuan yang dimiliki oleh masyarakat dapat menyebabkan penanganan yang salah terhadap anjing peliharaan mereka dan hal ini dapat berdampak fatal dan tidak jarang mengakibatkan kematian pada hewan peliharaannya. Keberadaan sistem ini diharapkan dapat membantu masyarakat dalam melakukan diagnosa awal terhadap penyakit yang diderita anjing mereka dan memberikan saran pengobatan terhadap penyakit tersebut. Dari perhitungan diatas kasus yang memiliki bobot kemiripan paling rendah adalah kasus ID 74 yaitu sebesar 0,7058. Kasus ID 81 dan ID 137 menghasilkan bobot kemiripan yang hampir sama tinggi yaitu 0,9333 dan 0,9286, hanya selisih sedikit saja yaitu sebesar 0,0047. 2.2 Tinjauan Teoritis 2.2.1 Kecerdasan Buatan (Artifical Intelligence) Kecerdasan buatan berasal dari kata Artificial Intelligence yang mengandung arti tiruan dan kecerdasan. Kecerdasan buatan merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Aplikasi kecerdasan buatan terdiri dari 2 bagian utama yang harus dimiliki, diantaranya : a. Basis Pengetahuan (Knowledge-Base), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.
b. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan berdasarkan pengalaman. Kunci dari Artificial Intelligence yaitu adanya pengetahuan berupa faktafakta, konsep-konsep, teori-teori, prosedur-prosedur, dan hubungan-hubungan yang didapat dari proses pendidikan dan latihan. Sekumpulan pengetahuan yang dihubungkan dengan suatu permasalahan yang digunakan dalam sistem kecerdasan buatan disebut dengan Knowledge Base atau basis pengetahuan. Kecerdasan buatan akan menggunakan basis pengetahuan sebagai dasar penarikan kesimpulan oleh komputer, sehingga komputer akan mampu mengambil kesimpulan dan memutuskan suatu keadaan dan relasinya sesuai dengan yang dituliskan dalam basis pengetahuan. 1.2.2 Sistem Pakar (Expert System) 1.2.2.1 Konsep Dasar Sistem Pakar Secara umum, sistem pakar (Expert System) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa definisi tentang sistem pakar, antara lain : a. Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah, yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang tertentu (Martin dan Oxman, 1988). b. Sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis pengetahuan (Knowledge Base System), memungkinkan komputer dapat berfikir dan mengambil keputusan dari sekumpulan kaidah (Ignizio, 1991).
c. Sistem pakar adalah program komputer yang didesain untuk meniru kemampuan memecahkan masalah dari seorang pakar. Pakar adalah orang yang memiliki kemampuan atau mengerti dalam menghadapi suatu masalah. Lewat pengalaman, seorang pakar mengembangkan kemampuan yang membuatnya dapat memecahkan permasalahan dengan hasil yang baik dan efisien (John Durkin, 1994) d. Sistem pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu (Giarratano dan Riley, 2005). 1.2.2.2 Bentuk Sistem Pakar Ada 4 bentuk sistem pakar, yaitu : 1. Berdiri sendiri. Sistem pakar jenis ini merupakan software yang berdiri-sendiri tidak tergantung dengan software yang lainnya. 2. Tergabung. Sistem pakar jenis ini merupakan bagian program yang terkandung didalam suatu algoritma (konvensional), atau merupakan program dimana didalamnya memanggil algoritma subrutin lain (konvensional). 3. Menghubungkan ke software lain. Bentuk ini biasanya merupakan sistem pakar yang menghubungkan ke suatu paket program tertentu, misalnya DBMS. 4. Sistem Mengabdi. Sistem pakar merupakan bagian dari komputer khusus yang dihubungkan dengan suatu fungsi tertentu. Misalnya sistem pakar yang digunakan untuk membantu menganalisis data radar. 1.2.2.3 Struktur Sistem Pakar Sistem pakar terdiri dari 2 bagian pokok, yaitu : lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan sebagai pembangunan sistem pakar baik dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi. 1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah, tentu saja di dalam domain tertentu. Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan, yaitu : a. Penalaran berbasis aturan (Rule-Based Reasoning) Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan berbentuk : IF-THEN. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menelesaikan msalah tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi. b. Penalaran berbasis kasus (Case-Based Reasoning) Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusisolusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan. 2. Motor Inferensi (Inference Engine) Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu : a. Forward Chaining Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. b. Backward Chaining Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenara hipotesis tersebut dicari harus dicari fakta-fakta yang ada dalam basis pengetahuan
1.2.2.4 Permasalahan Yang Disentuh Oleh Sistem Pakar Ada beberapa masalah yang menjadi area luas aplikasi sistem pakar, antara lain : 1. Interpretasi Pengambilan keputusan dari hasil observasi, termasuk diantaranya yaitu pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan. 2. Prediksi Termasuk diantaranya yaitu peramalan, prediksi demografis, peramalan ekonomi, prediksi lalulintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan 3. Diagnosis Termasuk diantaranya yaitu medis, elektronis, mekanis, dan diagnosis perangkat lunak. 4. Perancangan Termasuk diantaranya yaitu layout sirkuit dan perancangan bangunan. 5. Perencanaan Termasuk diantaranya yaitu perencanaan keuangan, komunikasi, militer, pengembangan produk, routing, dan manajemen proyek.. 1.2.3 Case Based Reasoning Case Based Reasoning (CBR) adalah salah satu metode untuk membangun sistem dengan pengambilan keputusan untuk memecahkan kasus atau masalah yang baru dengan cara mengingat solusi dari kasus lama/sebelumnya dengan menggunakan informasi dan pengetahuan pada situasi tersebut. Semakin mirip masalah, semakin mirip pula solusinya. CBR dapat digunakan untuk menyimpan dan menggunakan kembali pengetahuan dari pengalaman sebelumnya. Dalam CBR pengalaman dimodelkan ke dalam bentuk problem dan solusi dan biasa disebut dengan kasus (cases). Berdasarkan model deskripsi suatu masalah dan solusi yang berisi hasil
penyelesaian masalah. Untuk kasus kasus yang tersimpan dalam tempat penyimpanan kasus (case base) disebut dengan kasus asal (source case), sedangkan untuk yang baru akan dicari solusinya disebut dengan kasus target (target case). Secara umum, metode ini terdiri dari 4 langkah RE (Putri 2007, h.a130), antara lain: Gambar 2. 1 Tahapan Case Based Reasoning (Sumber : Aamodt & Plaza, 1994) 1. Retrieve (penelusuran) Proses akan dimulai dengan tahapan mengenali masalah, dan berakhir ketika kasus yang ingin dicari solusinya telah ditemukan serupa dengan kasus yang telah ada. Proses Retrieve akan melakukan dua langkah pemrosesan, yaitu pencarian persamaan masalah (similar case) atau pencarian masalah baru (new case) pada database. 2. Reuse (menggunakan kembali) Masalah/kasus untuk mencoba memecahkan masalah/kasus. Reuse suatu kasus dalam konteks kasus baru terfokus pada dua aspek: a. Perbedaan antara kasus yang ada dengan kasus yang baru.
b. Bagian mana dari penelusuran kasus yang dapat digunakan pada kasus yang baru 3. Revise (meninjau kembali/memperbaiki) usulan solusi. Revise terdiri dari dua tugas, yaitu : a. Mengevaluasi solusi kasus yang dihasilkan oleh proses Reuse. Jika berhasil, maka dilanjutkan dengan proses Retain, b. Jika tidak maka memperbaiki solusi kasus menggunakan domain spesifik pengetahuan. 4. Retain (menyimpan) Proses Retain akan menggunakan solusi baru sebagai bagian dari kasus baru. Selanjutnya, solusi baru itu akan disimpan ke dalam knowledge-base (basis pengetahuan) kemudian kasus baru di-update kedalam basis kasus untuk menyelesaikan permasalahan yang akan datang. Tentunya, permasalahan yang akan diselesaikan adalah permasalahan yang memiliki kesamaan dengannya. Pada tahap ini terjadi suatu proses penggabungan dari solusi kasus yang baru dan benar ke knowledge yang telah ada. 1.2.4 Probabilitas Bayesian Probabilitas Bayesian merupakan salah satu cara yang baik untuk mengatasi ketidakpastian data dengan menggunakan formula bayes yang dinyatakan dengan persamaan (2.1) : Keterangan : P(H E) P(E H) P(E) P(H E) = P(E H).P(H).(2.1) P(E) : probabilitas hipotesis H jika diberikan evidence E : probabilitas munculnya evidence apapun : probabilitas evidence E Dalam bidang kedokteran teorema Bayes sudah dikenal tapi teorema ini lebih banyak diterapkan dalam logika kedokteran modern (Cutler:1991).Teorema
ini lebih banyak diterapkan pada hal-hal yang berkenaan dengan probabilitas serta kemungkinan dari penyakit dan gejala-gejala yang berkaitan. Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian pada Case Based Reasoning (CBR) sebagai berikut 1. Melakukan proses pencarian kasus yang mirip dan dekat dengan gejalagejala untuk penyakit anak dari kasus yang diperoleh.. 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. Contoh kasusnya terdapat dalam Tabel 1.4. 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 jumla gejala (2.2) 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(K) = Kasus (K) Seluru Kasus (2.3)
6. Setelah diperoleh hasil dari P(K) dari masing-masing kasus, akan dicari P(S K) dari masing-masing kasus seperti berikut P(S K) = P(K) jumlahgejala (2.4) 7. Setelah itu dicari totalnya yaitu P(S) dari semua kasus tersebut P(S) = (P(K1) P(S K1)) + (P(K2) P(S K2)) + (P(Kn) P(S Kn)) (2.5) 8. Setelah itu akan diperoleh hasil Probabilitas Bayesian dari masing-masing kasus seperti berikut P(K S) = P(S K) P(K) (2.6) P(S) 1.2.5 Nearest Neighbour Nearest Neighbour adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Metode Nearest Neighbour merupakan teknik sederhana untuk mencari jarak terdekat dari tiap-tiap kasus (cases) yang ada di dalam database, dan seberapa mirip ukuran kemiripan (similarity) setiap source case yang ada di dalam database dengan target case. Fungsi similarity pada kasus ini diformulasikan sebagai berikut (Kusrini 2009) : Similarity(T, S) = n (f i T s i=1,f i ) Wi n i=1 Wi.(2.7) Dengan : T = Kasus Baru S = Kasus yang dalam penyimpanan n = Jumlah atribut masing masing kasus i = Atribut individu antara 1 s/d n f = Fungsi similarity atribut i antara kasus T dengan kasus S W = Bobot yang diberikan pada atribut ke i
Kemiripan biasanya jatuh dalam rentang 0 sampai dengan 1, dimana 0 sama sekali tidak ada kasus yang cocok atau mirip, dan nilai 1 berarti 100% cocok. Kasus baru (T) merupakan kasus yang akan dijadikan target dan akan dibandingkan dengan source case. Jumlah keseluruhan atribut (n) yaitu jumlah atribut yang ada dalam kasus. Setelah similarity antar kasus baru dan semua kasus yang disimpan telah dihitung, kasus yang paling mirip akan diambil (kasus dengan nilai kemiripan tertinggi). Kasus-kasus ini kemudian digunakan kembali untuk membantu memecahkan kasus baru. Gambar 2. 2 Ilustrasi Kedekatan Kasus (Sumber : Ardian Nur Romadhan, 2013) Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian pada Case Based Reasoning (CBR) sebagai berikut 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 Dan untuk nilai pendekatan di setiap gejala nya seperti pada Tabel 1.5
2. Cari Similarity dari dengan membandingkan Kasus Baru dan Semua Kasus Lama seperti berikut Similarity(n) = bobot SumBobot (2.9)