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 gejalagejala 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 K4 Diare 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 G26 G27 G28 Kejang Batuk Darah Benjolan Di Leher 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)..(1.1) P(E) Algoritmanya adalah sebagai berikut 1. Melakukan proses pencarian kasus yang mirip dan dekat dengan gejalagejala 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 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 (1.2) 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(K1) = P(K2) = P(K3) = P(K4) = Kasus DB Seluruh Kasus = 3 4 = 0.75 Kasus DB Seluruh Kasus = 3 4 = 0.75 Kasus DB Seluruh Kasus = 3 4 = 0.75 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) P(K2 S) = P(S K2) P(K2) P(S) P(K3 S) = P(S K3) P(K3) P(S) P(K4 S) = P(S K4) P(K4) P(S) = 2.25 0.75 5.875 = 0.2872 = 3 0.75 5.875 = 0.3829 = 2.25 0.75 5.875 = 0.2872 = 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 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) Similarity = (0.5 5) : (1 5) 5:5:3:3 = 2.5:5 16 = 0.46 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):(1 3) : (0.5 5) 5:5:3:5:3 = 15.5 21 = 0.738
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) (1 5): (1 5) Similarity = 5:1:3:5:5 =10 = 0.526 19 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 yang benar Persentase Hasil = semua kasus 100% Berikut adalah tabel untuk mencatat hasil perhitungan yang didapatkan dari sistem ini : Tabel 1. 6 Tabel Hasil Perhitungan Probabilitas Nilai Nearest Data Penyakit Similarity Bayesian Bayes Neighbor