BAB I PENDAHULUAN 1.1 Latar Belakang Paru-paru sebagai pompa satu-satunya untuk sistem pernapasan adalah organ yang sangat penting bagi berlangsungnya kehidupan. Namun masih banyak orang yang kurang peduli dengan kesehatan paru-paru, hal ini menyebabkan banyak orang yang terindikasi menderita penyakit paru-paru, antara lain Tuberkolosis, Bronkitis, PPOK (Penyakit Paru Obstrukti Kronis), dan Pneumonia (radang paruparu)(junaidi, 2010). Perbandingan antara banyaknya jumlah penderita paru-paru dengan jumlah dokter spesialis paru-paru yang tidak seimbang menyebabkan banyak pasien penderita paru-paru harus berlama-lama menunggu dokter spesialis datang. Penderita penyakit paru-paru juga harus mengeluarkan biaya yang mahal untuk berkonsultasi dengan dokter spesialis. Berdasarkan kondisi tersebut maka suatu sistem cerdas berbasis komputer yang mampu mendiagnosis penyakit paru-paru akan sangat membantu terutama bagi tenaga medis pemula dan daerah tertinggal yang tidak mempunyai dokter ahli dalam melakukan diagnosis penyakit paru-paru. Permasalahannya pada kasus ini belum ditemukan rule atau aturannya. Sehingga digunakan Case-Based Reasoning atau penalaran berbasis kasus. Case-Based Reasoning (CBR) merupakan penalaran yang bertujuan untuk menyelesaikan permasalahan baru dengan cara mengadaptasi solusi-solusi yang terdapat pada kasus-kasus sebelumnya yang mempunyai permasalahan yang mirip dengan kasus yang baru (Althoff, 2001). Sedangkan banyaknya jumlah kasus penyakit paru-paru yang terjadi, sehingga memerlukan adanya pencocokan beberapa kasus dengan kasus-kasus yang telah ada sebelumnya. Penyelesaian permasalahan yang komplek memerlukan metode cepat, tepat dan akurat. Untuk mempercepat proses pencocokan maka digunakan proses indexing dengan Learning Vector Quantization. Seperti yang dikemukakan Kim dan Han, (2001) membahas tentang penggunaan self-organizing maps (SOM) dan 1
2 learning vector quantization (LVQ) pada proses indexing kasus untuk penalaran berbasis kasus. Penelitian yang dilakukan membandingkan hasil indexing dengan metode induktif dan SOM serta LVQ, sedangkan proses perhitungan similarity menggunakan metode nearest neighbor dengan pengukuran jarak euclidian. Hasil penelitian yang dilakukan memperoleh hasil bahwa CBR dengan proses indexing memiliki performa yang lebih tinggi dari CBR tanpa indexing, dan perbandingan dari metode induksi, SOM dan LVQ memperoleh hasil bahwa metode yang terbaik adalah LVQ, kemudian SOM dan terakhir adalah metode induksi. Proses dalam CBR meliputi retrieve, reuse, revise dan retain. Pada tahap retrieve ada banyak metode yang dapat digunakan untuk pengambilan kasus lama yang relevan dengan permasalahan baru. Penelitian ini menggunakan jarak kemiripan (similarity) dengan nearest neighbor. Metode nearest neighbor pernah digunakan oleh Abdiansah dan Hartati (2008), Nurdiansyah dan Hartati (2014), dan Mancasari, U.K., (2012). Sedangkan Salem, dkk (2005) menggunakan dua metode retrieval yaitu metode induksi dan nearest-neighbor. Hasil mengindikasikan bahwa retrieval dengan metode nearest neighbor lebih baik dibandingkan metode induksi dengan akurasi berturut-turut adalah 100% dan 53,8%. Ahli jantung telah mengevaluasi seluruh performa sistem ini dimana sistem mampu memberikan suatu hasil diagnosis yang benar untuk 13 permasalahan baru. Berdasarkan latar belakang tersebut, maka akan dibangun sistem penalaran berbasis kasus yang dapat melakukan diagnosis penyakit paru-paru dengan menerapkan metode learning vector quantization dan nearest neighbor. 1.2 Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan di atas, rumusan masalah dalam penelitian ini adalah bagaimana mendiagnosis penyakit paru-paru menggunakan cased-based reasoning (CBR) dengan menerapkan metode learning vector quantization pada proses indexing dan proses similarity menggunakan nearest neighbor.
3 1.3 Batasan Masalah Batasan masalah dalam penelitian ini adalah data kasus didasarkan pada hasil rekam medis pasien rawat jalan yang terdiagnosis penyakit paru-paru yang diperoleh dari Rumah Sakit Khusus Paru Respira Yogyakarta dengan komposisi 52,5% sebagai basis kasus dan 47,5 % sebagai data uji. 1.4 Tujuan Penelitian Tujuan penelitian ini adalah 1. Menerapkan penggunaan metode learning vector quantization pada proses indexing dan proses similarity menggunakan nearest neighbor pada sistem penalaran berbasis kasus sebagai pendukung keputusan untuk mendiagnosis penyakit paru-paru. 2. Melakukan perbandingan hasil akurasi sistem CBR menggunakan proses indexing dengan sistem CBR tanpa menggunakan proses indexing. 1.5 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat secara langsung kepada masyarakat yang ingin melakukan diagnosis penyakit paru-paru dan bagi para tenaga medis diharapkan sebagai pendukung keputusan untuk mendiagnosis penyakit paru-paru serta dalam bidang ilmu komputer sebagai bahan belajar tambahan dalam melakukan proses penalaran berbasis kasus dengan menggunakan metode learning vector quantization pada proses indexing dan nearest neighbor pada proses similarity. 1.6 Keaslian Penelitian Berdasarkan studi pustaka yang telah dilakukan, penelitian yang membahas tentang sistem diagnosis penyakit paru-paru menggunakan metode learning vector quantization dan nearest neighbor pada penalaran berbasis kasus belum pernah dilakukan sebelumnya dalam lingkup penelitian tesis Universitas Gadjah Mada Yogyakarta.
4 1.7 Metodologi Penelitian Penelitian ini menggunakan metode pengembangan perangkat lunak yang terdiri dari tahap-tahap berikut ini: 1. Observasi awal: tahap ini merupakan tahap pengumpulan data awal. Seiring dengan jalannya penelitian maka data diobservasi akan terus bertambah. Penelitian ini berhubungan dengan pengetahuan seorang pakar (dokter spesialis paru-paru dan dokter spesialis penyakit dalam) sehingga pengumpulan pengetahuan akan memerlukan waktu yang cukup lama. 2. Analisa kasus: tahap ini merupakan tahap untuk menganalisa kasus yang di dapat dari observasi. Setiap kasus umumnya disertai gejala dan hasil lab yang menyertai penyakit pada kasus tersebut. 3. Perancangan: pada tahap ini akan dilakukan perancangan terhadap representasi kasus, proses retrieval kasus (proses indexing yang menggunakan learning vector quantization dan proses similarity yang menggunakan nearest neighbor), Proses indexing terdiri dari proses pelatihan, pengujian data latih dan pengujian kasus baru. Proses similarity terdiri dari proses similaritas lokal dan similaritas global. 4. Implementasi: tahap ini merupakan tahap untuk mengimplementasikan hasil rancangan sistem menjadi perangkat lunak (software). 5. Pengujian: pada tahap ini akan dilakukan uji coba dari perangkat lunak yang dibuat terhadap data kasus nyata. 1.8 Sistematika Penulisan Penulisan Tesis ini akan dibagi dalam 7 bab, dengan rincian masing-masing sebagai berikut : BAB I. PENDAHULUAN Bab pendahuluan ini membahas mengenai latar belakang penelitian dan permasahan, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, keaslian penelitian, metodologi penelitian, dan sistematika penulisan.
5 BAB II. TINJAUAN PUSTAKA Pada bab ini diuraikan secara sistematis penelitian terdahulu dan menghubungkan dengan penelitian yang sedang dilakukan. BAB III. LANDASAN TEORI Landasan teori meliputi teori-teori yang digunakan dalam penelitian yaitu case-based reasoning, learning vector quantization, nearest neighbor dan penyakit paru-paru. BAB IV. ANALISA DAN PERANCANGAN SISTEM Pada bab ini akan dibahas mengenai rancangan sistem penalaran berbasis kasus untuk mendiagnosis penyakit paru-paru dengan menerapkan learning vector quantization pada proses indexing dan nearest neighbor pada proses similarity. BAB V. IMPLEMENTASI SISTEM Bab ini berisi implementasi dari rancangan sistem yang sudah dibuat menjadi sebuah aplikasi perangkat lunak. BAB VI. HASIL DAN PEMBAHASAN Pada bab ini membahas hasil dari implementasi yang sudah dilakukan dan di dalam bab ini juga ditampilkan hasil dari implementasi. BAB VII. KESIMPULAN DAN SARAN Bab terakhir ini berisi kesimpulan dari penelitian dan juga diberikan saransaran yang mungkin bisa dipertimbangkan untuk dapat menghasilkan suatu sistem penalaran berbasis kasus yang baik.