J-ICON.
Vol.
5 No.
Oktober 2017, pp.
CASE BASED REASONING UNTUK MENDIAGNOSA PENYAKIT ANAK
MENGGUNAKAN METODE BLOCK CITY
Marnon Y.
Mage 1.
Derwin Rony Sina 2.
Tiwuk Widiastuti 3
1,2,3
Jurusan Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana
INTISARI
Metode Case Based Reasoning (CBR) adalah salah satu metode untuk membangun sebuah sistem yang bekerja dengan cara mendiagnosa kasus baru berdasarkan kasus lama yang pernah terjadi dan memberikan solusi pada kasus baru berdasarkan pada kasus lama yang memiliki nilai kemiripan tertinggi.
Pada penelitian ini, penulis menerapkan CBR untuk mendiagnosis penyakit penyakit anak usia 1-12 tahun.
Sumber pengetahuan sistem diperoleh dengan mengumpulkan berkas rekam medis pasien pada tahun 2014 dan 2015.
Perhitungan nilai kemiripan menggunakan metode Block City fungsi Gower dengan nilai batas kewajaran adalah 70%.
Sistem ini dapat mendiagnosis 10 penyakit berdasarkan 48 gejala yang ada.
Keluaran sistem berupa penyakit yang dialami oleh pasien berdasarkan gejala yang diinputkan oleh tenaga medis non dokter, solusi penanganan dan presentasi kemiripan dengan kasus terdahulu untuk menunjukan tingkat kebenaran hasil diagnosis.
Berdasarkan hasil pengujian menggunakan 83 kasus baru didapatkan keakuratan sistem sebesar 75,90%.
Kata kunci: Case Base Reasoning, penyakit anak usia 1-12 tahun.
Block City ABSTRACT The Case Based Reasoning (CBR) method is one of the methods to build a system that works by diagnosing new cases based on old cases that have occurred and providing solutions to new cases based on old cases with the highest similarity values.
In this study, the authors apply CBR to diagnose diseases of children aged 1-12 years.
Sources of system knowledge were obtained by collecting patient medical record files in 2014 and 2015.
The calculation of similarity values using the Block City Gower method with a fairness value is 70%.
This system can diagnose 10 illnesses based on 48 existing symptoms.
The output of the system in the form of the illness experienced by the patient based on symptoms implanted by non-physician medical personnel, handling solution and presentation similarities with the previous case to show the truth level of the diagnosis.
Based on the test of 83 new cases obtained system accuracy of 75,90%.
Keywords: Case Base Reasoning, child disease age 1-12 years old.
Block City.
PENDAHULUAN
Anak yang sehat selalu menjadi harapan setiap orang tua.
Anak yang sakit secara mendadak merupakan hal yang selalu ditakuti oleh orang tua.
Selain anak menjadi rewel, gejala penyakit yang terlihat sama, membingungkan orang tua dalam memberikan penanganan pada Kurangnya pengetahuan mengenai gejala dan penyakit yang diderita oleh anak mengakibatkan orang tua lebih mempercayakan kepada dokter spesialis untuk mendiagnosa persoalan penyakit pada anak.
Ditinjau dari segi pembiayaan serta kecepatan waktu penanganan sangat bergantung pada ketersediaan dokter spesialis.
Namun, jam kerja yang terbatas serta banyaknya pasien menyebabkan tidak maksimalnya penanganan terhadap pasien.
Berdasarkan data Badan Pusat Statistik (BPS) tahun 2013 jumlah penduduk Indonesia 248.
956 jiwa dan 123 diantaranya adalah anak-anak .
Berdasarkan data pada IDAI (Ikatan Dokter Anak Indonesi.
Indonesia masih kekurangan 8000 dokter spesialis anak.
Kekurangan terbanyak terdapat di daerah Indonesia Timur yakni Papua.
NTT dan Kalimantan Barat mencapai ISSN 2337-7631
ISSN 2337-7631
30% .
Untuk itu dokter spesialis dibantu oleh tenaga medis non dokter untuk membantu mendiagnosa penyakit anak.
Masalah baru yang muncul yaitu, tenaga medis non dokter tidak mampu mendiagnosa penyakit pada pasien secara baik dikarenakan kurangnya pengetahuan.
Dalam menyelesaikan masalah ini, digunakan CBR untuk membangun sebuah sistem dengan pengambilan keputusan kasus yang baru berdasarkan pada solusi dari kasusAekasus sebelumnya.
Dengan menggunakan CBR, kasus tidak terikat pada aturan tertentu dan kasus-kasus yang mirip pun tetap dapat dipecahkan karena sistem berbasis pada kasus.
Penelitian terdahulu menggunakan metode Block City dalam mengidentifikasi citra jenis cabai (Capsicum Annum L.
) .
dan pengenalan citra rambu lalu lintas berbentuk lingkaran .
Sistem Diagnosa penyakit respirologi anak menggunakan Case Based Reasoning menjadi penelitian dari Tursina pada tahun 2012 .
II.
METODE PENELITIAN
1 Data Penelitian Data kasus yang digunakan adalah Catatan penanganan kasus diambil dari lokasi penelitian yang bertempat di Rumah Sakit Ibu dan Anak (RSIA) Dedari Kupang yaitu data dari Oktober 2014 sampai Agustus 2015 berjumlah 268 data rekam medis.
2 Penalaran Berbasis Kasus/Case Based Reasoning (CBR) CBR adalah metodologi untuk penyelesaian masalah dengan memanfaatkan pengalaman sebelumnya .
CBR menyelesaikan suatu masalah dengan mencari kasus yang serupa di masa lampau dan kemudian digunakan kembali pada suatu masalah yang baru.
Dalam memecahkan masalah CBR digambarkan melalui empat siklus berputar yang disingkat dengan 4R, yaitu .
Retrieve the most similar case .
encari kembali kasus lama yang paling mirip dengan kasus Reuse the case to attempt to solve the problem .
enggunakan kembali solusi kasus lama untuk menyelesaikan kasus bar.
Revise the proposed solution if necessary .
ika diperlukan, lakukan adaptasi dan revisi atas solusi lama yang diusulkan agar sesuai dengan situasi sekaran.
Retain the new solution as a part of a new case .
enyimpan solusi baru menjadi kasus baru ke dalam basis kasus untuk digunakan pada penyelesaian masalah baru dimasa yang akan 3 Metode Block City Block city adalah satu metode similarity metric untuk menentukan jarak atau kedekatan antar kasus .
Rumus untuk menghitung jarak kemiripan .
antara kasus baru dan kasus lama yang ada dalam basis kasus menggunakan rumus Block City fungsi Gower yang ditunjukan dalam persamaan 1 dibawah ini .
yci d.
= yci Ocycn=.
ycuycn Oe ycoycn | .
Keterangan:
d : Distance atau jarak i : index g : Jumlah gejala yang dirasakan x : Kasus Baru k : Kasus Lama Hasil dari perhitungan kedua titik ini diambil nilai minimum.
Ukuran similarity akan berupa nilai range antara 0-1.
Kemudian dilakukan perhitungan untuk mendapatkan nilai kemiripan dengan persamaan sebagai berikut:
J-ICON.
Vol.
5 No.
Oktober 2017 : 4247
J-ICON
ISSN 2337-7631
cu, yc.
= 1 Oe ycc.
cu, yc.
Keterangan:
Sim = similaritas 4 Indexing Indeks adalah struktur data yang mengatur record data pada disk untuk mengoptimalkan beberapa jenis operasi pengambilan .
Index merupakan struktur data tersendiri yang tidak bergantung kepada struktur tabel.
Indeks memingkinkan pengguna untuk secara efektif mengambil semua record yang memenuhi syarat pencarian pada field search key dari indeks.
Hal ini membuat pencarian data akan lebih cepat dan tidak banyak menghabiskan resource komputer.
Tahap Perancangan Sistem CBR Sistem CBR diagnosis hama dan penyakit padi dimulai dengan PPL memasukkan data sawah dan data gejala berdasarkan pada kondisi yang tampak dari pengamatan terhadap tanaman padi.
Selanjutnya data kasus baru akan diproses dalam sistem.
Bila hasil diagnosis >70% maka kasus baru tidak perlu direvisi.
Tenaga Medis Non dokter Sistem Case Base Reasoning Untuk Mendignosa Penyakit Anak Mulai Pakar Mulai Basis Kasus Penyakit Anak data pasien Data Login Data Pasien data gejala validasi data login Data Gejala Hasil yang Info hasil diagnosa dan Solusi Retrieve Revisi Reuse Apakah Hasil Dignosa .
asus yang memiliki similaritas paling tingg.
Apakah perlu revisi Tidak Apakah Tidak Tidak Kasus Baru Info Hasil Revisi Apakah Tidak Retain Selesai Selesai Gambar 1.
Flowchart sistem CBR diagnosa penyakit anak i.
HASIL DAN PEMBAHASAN
1 Hasil Pengujian Sistem CBR Sistem CBR telah diberikan pengujian dengan 4 .
cara uji.
Cara pertama, sistem diuji dengan memasukan gejala yang sama dengan gejala pada satu kasus dalam basis kasus.
Cara kedua, sistem diuji dengan memasukan kasus baru sebanyak 83 data kasus.
Cara ketiga, sistem Case Based Reasoning Untuk Mendiagnosa Penyakit Anak Menggunakan Metode Block City (Marnon Y.
Mag.
ISSN 2337-7631 diuji dengan memasukan kasus baru oleh pakar sebanyak 15 data kasus.
Cara keempat, sistem diuji dengan menggunakan threshold 75%, dan 80%.
Pada cara pertama, sistem menghasilkan akurasi 100% dengan mengambil kembali kasus yang diuji.
Pada cara kedua, sistem menghasilkan akurasi sistem sebesar 75,90%.
Pada pengujian ketiga sistem menghasilkan akurasi sistem sebesar 83,21%.
Tabel 1.
Hasil pengujian cara pertama sampai cara kelima Jumlah Keteranngan Persentase Hasil Kasus Uji Kasus Diagnosis Cara pertama Kasus lama Cara kedua Kasus baru 75,90 Cara ketiga Kasus baru 83,21 Pengujian Keterangan Revisi Tidak revisi 16 kasus direvisi Tidak ada revisi Pengujian keempat ini dilakukan bertujuan untuk membandingkan akurasi sistem menggunakan threshold yang diberikan pakar dengan threshold secara acak.
Pengujian dengan menggunakan threshold 75% menghasilkan akurasi sistem 69,87% dan dengan menggunakan threshold 80% menghasilkan akurasi sistem sebesar 57,83%.
Threshold Tabel 2.
Hasil pengujian cara keempat Jumlah Data
Keterangan Kasus Kasus lama Kasus lama Akurasi
69,87%
57,83%
Diagram pengaruh threshold terhadap akurasi sistem adalah sebagai berikut:
Perbandingan Threshold threshold 70% threshold 75% threshold 80% Gambar 2.
Diagram similarity Diagram diatas menunjukan, saat menggunakan threshold 75% yang diberikan oleh pakar didapatkan rata-rata nilai similarity sebesar 75,90%.
Saat menggunakan threshold 75%, nilai similarity mengalami penurunan menjadi 69,37%.
Saat menggunakan threshold 80%, nilai similarity menurun menjadi 57,83%.
2 Pembahasan Sistem CBR diagnosa penyakit anak usia 1-12 tahun diberikan nilai batas kewajaran .
oleh pakar sebesar 70%.
Pengujian sistem dengan cara pertama dilakukan menggunakan kasus lama dan memperoleh similaritas sebesar 100%.
Pengujian sistem dengan cara kedua dilakukan menggunakan kasus baru untuk menghitung akurasi sistem dan diperoleh akurasi sistem sebesar 75,90%.
Pengujian sistem dengan cara ketiga dilakukan menggunakan kasus baru lama dan memperoleh rata-rata similaritas sebesar 83,21%.
Pengujian sistem dengan cara keempat dilakukan menggunakan threshold 75% dan memperoleh rata-rata nilai similaritas J-ICON.
Vol.
5 No.
Oktober 2017 : 4247
J-ICON
ISSN 2337-7631
sebesar 69,87% dan menggunakan threshold 80% dan memperoleh rata-rata nilai similaritas sebesar 57,83%.
Semakin besar nilai kemiripan atau threshold maka akurasi sistem semakin Persentase keakuratan sistem CBR untuk penyakit anak usia 1-12 tahun menggunakan metode block city pada kasus lama adalah 100% dan pada kasus baru adalah 75,90%.
Dengan menggunakan 185 kasus sudah cukup optimal untuk mendiagnosis 10 jenis penyakit anak usia 112 tahun yang ditunjukan dengan hasil akurasi sistem sebesar 75,90 % dengan menggunakan threshold 70%.
IV.
KESIMPULAN DAN SARAN
3 Kesimpulan Berdasarkan hasil pengujian terhadap sistem dapat disimpulkan hal-hal berikut:
Pengujian dengan menggunakan satu kasus baru untuk masing-masing rentang usia yang memiliki gejala yang sama dengan salah satu kasus lama yang terdapat dalam basis kasus diperoleh hasil diatas threshold yaitu untuk rentang usia balita diperoleh nilai kemiripan 100% dan untuk rentang usia anak-anak diperoleh nilai kemiripan sebesar 100% sehingga membuktikan bahwa sistem mampu mengambil kembali kasus tersebut sehingga memberikan hasil diagnosa dan penanganan yang tepat.
Pengujian dengan memasukan gejala yang telah diketahui hasil perhitungan secara manual ke dalam sistem diperoleh hasil keluaran yang sama dengan perhitungan secara manual.
Membuktikan bahwa sistem telah menggunakan rumusan metode block city untuk mencari nilai kemiripan dengan benar.
Pengujian keakuratan/validitas sistem menggunakan kasus baru sebanyak 83 kasus dengan cara membandingkan hasil diagnosa yang dihasilkan oleh sistem dan pakar diperoleh hasil 75,90% dengan threshold 70%.
Pengujian terhadap 62 kasus baru diperoleh rata-rata nilai kemiripan sebesar 53,99%.
Pengujian menggunakan 10 kasus baru pada rentang usia balita diperoleh hasil rata-rata nilai kemiripan yaitu 86,14%.
Sedangkan pengujian menggunakan 5 kasus baru pada rentang usia anak-anak diperoleh hasil rata-rata nilai kemiripan yaitu 80,28%.
Rata-rata nilai kemiripan untuk kedua perhitungan diatas adalah sebesar 83,21 Pengujian menggunakan threshold 75% diperoleh akurasi sistem sebesar 69,87% dan pengujian menggunakan threshold 80% diperoleh akurasi sistem sebesar 57,83%.
Semakin besar nilai kemiripan atau threshold maka akurasi sistem semakin menurun.
4 Saran Saran yang dapat dikembangkan dari hasil penelitian ini adalah sebagai berikut:
Sistem dapat dikembangkan menjadi aplikasi web agar lebih mudah diakses oleh siapapun.
Dapat menambah jumlah basis kasus untuk keakuratan sistem kedepan.
DAFTAR PUSTAKA