i
KOMBINASI METODE CASE BASED REASONING
(CBR) DAN PARTICLE SWARM OPTIMIZATION (PSO)
UNTUK KLASIFIKASI PENYAKIT HEPATOCELLULAR
CARSINOMA BERDASARKAN FAKTOR RISIKO
Diajukan Sebagai Syarat Untuk Menyelesaikan Pendidikan Program Strata-1 Pada
Jurusan Teknik Informatika
Oleh :
Muhammad Fauzan 09021381621114
Jurusan Teknik Informatika
FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2021
v
MOTTO DAN PERSEMBAHAN
“
لَمَع لُك َىلَع ُنْي عُي ُرْبَّصلا
”“Kesabaran itu menolong segala pekerjaan”
Muhammad Fauzan
Kupersembahkan karya tulis ini kepada : • Tuhan Yang Maha Esa
• Kedua Orang Tua • Keluarga Besar • Dosen Pembimbing • Para Sahabat • Almamater
viii
KATA PENGANTAR
Puji syukur penulis ucapkan kepada Allah Yang Maha Esa atas segala rahmat dan karunianya sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas Akhir ini disusun untuk memenuhi syarat dalam menyesalaikan pendidikan program Strata-I Program Studi Teknik Informatika pada Fakultas Ilmu Komputer di Univeristas Sriwijaya.
Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak langsung. Untuk itu penulis menyampaikan rasa terima kasih yang tulus kepada :
1. Allah Yang Maha Esa atas segala rahmat dan karunia bagi saya sehingga kuas-Nya selalu bekerja disetiap perjalanan hidup saya;
2. Kedua orang Tua saya, Bapak Mulyono dan Ibu Elly Haryati, Kakak Laki-laki Deny Irawan, serta Kakak Perempuan Desy Dwi Anggraini, dan keluarga besar yang telah mendo’akan dan memberi dukungan yang luar biasa baik dalam segi moral maupun materi kepadaku;
3. Bapak Jaidan Jauhari, S.Pd., M.T. selaku Dekan Fakultas Ilmu Komputer; 4. Ibu Alvi Syahrini Utami, M.Kom. selaku Ketua Jurusan Teknik Informatika; 5. Ibu Alvi Syahrini Utami, M.Kom. dan Ibu Nabila Rizky Oktadini, M.T. selaku
Dosen Pembimbing yang telah memberikan arahan, masukan, kritik dan saran kepada saya dalam menyelesaikan tugas akhir ini;
ix
6. Ibu Novi Yusliani, M.T. selaku dosen Penguji I dan Ibu Yunita, M.Cs. selaku dosen Penguji II yang telah memberikan masukan dan ilmu pengetahuan kepada saya;
7. Seluruh Bapak dan Ibu Dosen maupun Staff Program Studi Teknik Informatika Fakultas Ilmu Komputer Univeristas Sriwijaya yang telah memberikan ilmu serta bantuan kepada saya selama masa kegiatan perkuliahan;
8. GREEN CODE : Syahrul Ramadhan A. S., Rendy Wijaya, A. Fajri Mahendra; 9. Teman-teman IF Bilingual 2016 yang telah berjuang bersama-sama selama perkuliahan dan HMIF 2017-2018 yang telah memberi saya pengalaman dalam organisasi;
10. Semua pihak yang telah banyak membantu dan berperan dalam penyelesaian tugas akhir ini yang tidak dapat saya sebutkan satu persatu, terima kasih banyak atas semua do’a dan dukungannya.
Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat kekurangan dikarenakan keterbatasan pengetahuan dan pengalaman. Oleh karena itu diharapkan kritik dan saran yang membangun, semoga Allah Yang Maha Esa selalu melimpahkan rahmat dan karunia-Nya. Akhir kaya dengan segala kerendahan hati, semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.
Palembang, 12 Juli 2021
x DAFTAR ISI
Halaman
LEMBAR PENGESAHAN TUGAS AKHIR ... ii
TANDA LULUS UJIAN SIDANG TUGAS AKHIR ... iii
HALAMAN PERNYATAAN ... iv
MOTTO DAN PERSEMBAHAN ... v
ABSTRACT ... vi
ABSTRAK ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR TABEL ... xiii
DAFTAR GAMBAR ... xv BAB I PENDAHULUAN
1.1 Pendahuluan ... I-1 1.2 Latar Belakang ... I-1 1.3 Rumusan Masalah ... I-4 1.4 Tujuan Penelitian ... I-4 1.5 Manfaat Penelitian ... I-5 1.6 Batasan Masalah ... I-5 1.7 Sistematika Penulisan ... I-6 1.8 Kesimpulan ... I-7 BAB II KAJIAN LITERATUR
2.1 Pendahuluan ... II-1 2.2 Landasan Teori ... II-1 2.2.1 Hepatocellular Carsinoma ... II-1
2.2.2 Faktor Risiko Hepatocellular Carsinoma ... II-1 2.2.3 Preprocessing Data ... II-11 2.2.4 Sistem Pakar ... II-13 2.2.5 Case Based Reasoning (CBR) ... II-13
2.2.6 Metode Bobot Case Based Reasoning (CBR) ... II-15 2.2.7 Klasifikasi ... II-17 2.2.8 Particle Swarm Optimization (PSO) ... II-18
xi
2.2.9 Particle Swarm Optimization (PSO) Clustering ... II-19
2.2.10 Hybrid Particle Swarm Optimization (PSO) clustering with Case Based Reasoning (CBR) ... II-21
2.2.11 Rational Unified Process (RUP) ... II-22
2.3 Penelitian Sebelumnya ... II-24 2.4 Kesimpulan ... II-26 BAB III METODOLOGI PENELITIAN
3.1 Pendahuluan ... III-1 3.2 Data ... III-1 3.2.1 Jenis dan Sumber Data ... III-1
3.2.2 Preprocessing Data ... III-1
3.2.3 Normalisasi Data ... III-2 3.3 Tahapan Penelitian ... III-3 3.3.1 Menetapkan Kerangka Kerja / Framework ... III-4 3.3.2 Menetapkan Kriteria Pengujian... III-6 3.3.3 Menetapkan Format Data Pengujian ... III-7 3.3.4 Menentukan Alat yang Digunakan dalam Pengujian ... III-8 3.3.5 Melakukan Pengujian Penelitian ... III-9 3.3.6 Melakukan Analisis Hasil Pengujian, Tingkat Akurasi dan Membuat Kesimpulan ... III-10 3.4 Metode Pengembangan Perangkat Lunak ... III-10
3.4.1 Rational Unified Process ... III-11
3.4.2 Fase Insepsi ... III-11 3.4.3 Fase Elaborasi ... III-11 3.4.4 Fase Konstruksi ... III-12 3.4.5 Fase Transisi ... III-13 3.5 Manajemen Proyek Penelitian ... III-14 3.6 Kesimpulan ... III-21 BAB IV PENGEMBANGAN PERANGKAT LUNAK
4.1 Pendahuluan ... IV-1 4.2 Fase Insepsi ... IV-1 4.2.1 Pemodelan Bisnis ... IV-1 4.2.2 Kebutuhan Sistem ... IV-2
xii
4.2.3 Analisis dan Desain ... IV-3 4.3 Fase Elaborasi ... IV-30 4.3.1 Pemodelan Bisnis ... IV-30 4.3.2 Kebutuhan Sistem ... IV-32 4.3.3 Diagram Sequence ... IV-33 4.4 Fase Konstruksi ... IV-34 4.4.1 Kebutuhan Sistem ... IV-35 4.4.2 Diagram Kelas ... IV-35 4.4.3 Implementasi ... IV-35 4.5 Fase Transisi ... IV-39 4.5.1 Pemodelan Bisnis ... IV-39 4.5.2 Rencana Pengujian ... IV-39 4.5.3 Implementasi ... IV-41 4.6 Kesimpulan ... IV-45 BAB V HASIL DAN ANALISIS PENELITIAN
5.1 Pendahuluan ... V-1 5.2 Hasil Percobaan Penelitian ... V-1
5.2.1 Hasil Pengujian Berdasarkan Perubahan Jumlah Iterasi dan
PartikelII ... V-1 5.3 Analisis Hasil Pengujian ... V-2 5.4 Kesimpulan ... V-4 BAB VI KESIMPULAN DAN SARAN
6.1 Pendahuluan ... VI-1 6.2 Kesimpulan ... VI-1 6.3 Saran ... VI-2 DAFTAR PUSTAKA ... xvi
xiii
DAFTAR TABEL
Tabel III-1. Perubahan Akurasi Iterasi dan Partikel pada Case Based Reasoning dan Particle Swarm Optimization ... III-7 Tabel III-2. Tabel Penjadwalan Penelitian dalam Bentuk Work Breakdown Structure (WBS) ... III-13 Tabel IV-1. Kebutuhan Fungsional Perangkat Lunak... IV-2 Tabel IV-2. Kebutuhan Non-Fungsional Perangkat Lunak ... IV-3 Tabel IV-3. Data... IV-6 Tabel IV-4. Data Normalisasi ... IV-6 Tabel IV-5. Nilai centorid ... IV-7 Tabel IV-6. Inisialisasi Wj ... IV-7 Tabel IV-7. Lanjut Inisialisasi Wj ... IV-8 Tabel IV-8. Nilai d cluster-1 ... IV-8 Tabel IV-9. Lanjutan Nilai dcluster-1 ... IV-8 Tabel IV-10. Nilai d cluster-2 ... IV-9 Tabel IV-10. Lanjutan Nilai d cluster-2 ... IV-9 Tabel IV-11. Menghitung d(w) ... IV-10 Tabel IV-12. Menghitung SM ... IV-10 Tabel IV-13. Menghitung E ... IV-11 Tabel IV-14. Hitung ∆Wj untuk setiap j ... IV-11 Tabel IV-15. Lanjut hitung ∆Wj untuk setiap j ... IV-11 Tabel IV-16. Wj ... IV-11 Tabel IV-17. Lanjut perhitungan Wj ... IV-11 Tabel IV-18. Populasi random ... IV-13 Tabel IV-19. Fungsi Objectiv untuk data C1 ... IV-13 Tabel IV-20. Lanjutan menghitung fungsi objectiv untuk data C1 ... IV-14 Tabel IV-21. Fungsi Objectiv untuk data C2 ... IV-14 Tabel IV-22. Lanjutan menghitung fungsi objectiv untuk data C2 ... IV-15 Tabel IV-23. Fungsi objectiv min f(x) ... IV-15 Tabel IV-24. Kecepatan awal ... IV-16 Tabel IV-25. Tabel Partikel 1 Pbest ... IV-16 Tabel IV-26. Tabel Partikel 2 Pbest ... IV-17
xiv
Tabel IV-27. Nilai Gbest Xi ... IV-17 Tabel IV-28. W iterasi ke-1 ... IV-18 Tabel IV-29. Update Vid... IV-19 Tabel IV-30. Xid ... IV-20 Tabel IV-31. Definisi User ... IV-22 Tabel IV-32. Definisi use case ... IV-23 Tabel IV-33. Skenario Pilih File ... IV-24 Tabel IV-33. Skenario Menampilkan Proses Case Based Reasoning dan Particle Swarm Optimization ... IV-26 Tabel IV-34 Impelemntasi kelas ... IV-36 Tabel IV-35. Rencana Pengujian Use Case Pilih File ... IV-40 Tabel IV-36. Rencana Pengujian Use Case Proses Pengelompokan Hepatocellular Carsinoma dengan Case Based Reasoning dan Particle Swarm Optimization IV-41 Tabel IV-37. Pengujian Use Case Pilih File ... IV-43 Tabel IV-38. Pengujian Case Based Reasoning dan Particle Swarm Optimization ... IV-45 Tabel V-1. Pencocokan hasil dari proses clustering dengan data sebelumnya pada metode case based reasoning dan particle swarm optimization ... V-2 Tabel V-2. Hasil Pengujian Berdasarkan Perubahan Iterasi dan Partikel pada Case Based Reasoning dan Particle Swarm Optimization ... V-3
xv
DAFTAR GAMBAR
Gambar II-1. Siklus Case Based Reasoning (CBR) (Winiarti, 2014) ... II-15 Gambar II-2. Contoh dua particle in Particle Swarm Optimization clustering II-18 Gambar II-3. Konsep model CBR-PSO (Neshat,et al., 2012) ... II-19 Gambar II-4 . Fase Rational Unified (Dermawan and Djatna 2016) ... II-22 Gambar III-1. Kerangka Kerja Penelitian ... III-3 Gambar III-2. Tahapan Pengujian Penelitian ... III-9 Gambar III-3 .Penjadwalan untuk Tahap Menentukan Ruang Lingkup dan Unit Penelitian ... III-18 Gambar III-4. Penjadwalan untuk Tahap Menentukan Dasar Teori yang Berkaitan dengan Penelitian dan Kriteria Pengujian ... III-18 Gambar 5. Menentukan Alat yang Digunakan untuk Pelaksanaan Penelitian III-19
Gambar III-6. Melakukan Pengujian Penelitian dan Melakukan Analisa Hasil Pengujian dan Membuat Kesimpulan ... III-19 Gambar IV-1. Use Case Diagram ... IV-21 Gambar IV-2. Kelas Analisis Memasukan Data ... IV-28 Gambar IV-3. Kelas Analisis Kelompok ... IV-28 Gambar IV-4. Diagram Aktivitas Memasukan Data... IV-29 Gambar IV-5. Diagram Aktivitas Kelompok ... IV-30 Gambar IV-6. Rancangan Antarmuka Perangkat Lunak ... IV-31 Gambar IV-7. Diagram Sequence Pilih File ... IV-33 Gambar IV-8. Diagram Sequence Pengelompokan Penyakit dengan Case Based Reasoning dan Particle Swarm Oprimization ... IV-34 Gambar IV-9. Diagram Kelas Perangkat Lunak ... IV-35 Gambar IV-10. Antarmuka Perangkat Lunak………IV-38
I-1 BAB I PENDAHULUAN 1.1 Pendahuluan
Pada bab pendahuluan akan membahas latar belakang masalah, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, sistematika penulisan serta kesimpulan dalam tugas akhir. Bab ini juga berisikan penjelasan mengenai gambar umum dari keseluruhan kegiatan yang dilakukan dalam penelitian tugas akhir.
1.2 Latar Belakang
Salah satu jenis kanker yang sering ditemui yaitu kanker hati. Sebagaimana yang telah dibuktikan jumlah kematian sebesar 695.000 kasus per tahun (9.144%). Penyakit hati sering dialami oleh pria dibanding wanita, yaitu mencapai 70%. Kanker ini merupakan kanker terganas keenam di seluruh dunia dengan prognosis yang kurang baik. Kebanyakan kanker hati yang dialami merupakan kanker hati primer dengan mencapai 70%-80% (Salimah, 2019).
Sistem pakar atau yang kita kenal dengan knowledge base expert system yang merupakan sebuah aplikasi komputer yang ditunjukan untuk membantu pengambilan keputusan atau pemecahan persoalan dalam bidang yang spesifik. Sistem ini disebut sistem pakar karena fungsi dan perannya sama seperti seorang ahli yang harus memiliki pengetahuan, pengalaman dalam memecahkan suatu persoalan. Sistem pakar biasanya berfungsi sebagai kunci penting yang akan membantu suatu sistem pendukung keputusan atau sistem pendukung eksekutif (Hayadi 2018).Berbagai macam sistem pakar telah dikembangkan dan diteliti
I-2
dalam berbagai bidang, salah satunya dalam bidang medis untuk mendiagnosis suatu penyakit dengan cepat. (Ernawati 2017a) melakukan penelitian menggunakan sistem pakar diagnosis penyakit pencernaan manusia menggunakan Case Based
Reasoning (CBR). Menurut (Ramdhani, 2016) yang juga melakukan penelitian
mengenai penerapan Particle Swarm Optimization (PSO) untuk seleksi atribut dalam meningkatkan akurasi prediksi diagnosis penyakit hepatitis dengan metode Algoritma C4.5. Oleh karena itu dalam mendiagnosis jenis penyakit Hepatocellular
Carsinoma ini dengan memanfaatkan sebuah teknologi kecerdasaan buatan, yakni
sistem pakar.
Case Based Reasoning (CBR) merupakan suatu metode untuk menyelesaikan sebuah masalah dengan mengingat kejadian yang pernah terjadi dimasa lalu, kemudian menggunakan pengetahuan atau informasi tersebut untuk menyelesaikan masalah yang baru. Case Based Reasoning (CBR) memiliki kelebihan yaitu memecahkan dengan mudah, karena dapat mengambil solusi dengan cepat dan tepat, serta banyaknya pengalaman yang tersimpan di dalam sistem, maka sistem akan semakin cepat dalam menemukan solusi untuk sebuah kasus, tingkat akurasi bisa mencapai 70%. Tetapi dibalik kelebihan Case Base
Reasoning (CBR) memiliki kekurangan, yaitu solusi ini tidak menjamin terbaik
atau maksimal, karena Case Based Reasoning (CBR) bergantung kepada kasus yang terjadi, maka pada metode ini sangat diperlukan penggabungan dengan metode lain yang berguna untuk mengurangi tingkat kesalahan (Ernawati, 2017).
Particle Swarm Optimization (PSO) merupakan sebuah metode optimasi
I-3
lebih kecil (Zhao, et al., 2014). Particle Swarm Optimization (PSO) juga sering digunakan dalam penelitian, karena memiliki kesamaan yang bersifat Genetic
Algorithm (GA). Particle Swarm Optimization (PSO) juga mudah untuk diterapkan
dan ada beberapa parameter untuk menyesuaikan yang ada. Sistem Particle Swarm
Optimization (PSO) dapat melakukan populasi acak dan selanjutnya dapat mencari
titik optimum dengan cara mengupdate tiap hasil pembangkitan. Pendekatan ini digunakan lebih sistematis dalam menemukan solusinya (Widiastuti, et al., 2014).
Menurut (Triyanto 2014) dalam penelitiannya yang mengkombinasi dua metode Case Based Reasoning (CBR) dan Particle Swarm Optimization (PSO) yang digunakan untuk mendiagnosis penyakit jantung koroner. Penggabungan metode Case Based Reasoning (CBR) dan Particle Swarm Optimization (PSO) ini dibanding dengan metode lain yang berbeda, seperti FDR, KNN, SVM, PSO and Naive Bayes yang dapat menghasilkan tingkat akurasi 96,49% dan mengurangi
human error pada mendiagnosis.
Berdasarkan penjelasan yang tertera diatas, maka dari itu penulis tertarik untuk mengimplementasikan metode Case Based Reasoning (CBR) dan Particle
Swarm Optimization (PSO) dalam mendiagnosis penyakit Hepatocellular Carsinoma berdasarkan faktor resiko.
I-4
1.3 Rumusan Masalah
Rumusan masalah pada penelitian ini adalah bagaimana hasil diagnosis penyakit Hepatocellular Carsinoma dari penggabungan metode Case Based
Reasoning (CBR) dan metode Particle Swarm Optimization (PSO) ? untuk
menjawab pertanyaan rumusan masalah tersebut, dapat diuraikan beberapa pertanyaan penelitian sebagai berikut :
1. Bagaimana hasil implementasi metode Case Based Reasoning (CBR) dan Particle
Swarm Optimization (PSO) untuk mendiagnosis penyakit Hepatocellular Carsinoma ?
2. Bagaimana tingkat akurasi metode Case Based Reasoning (CBR) dan Particle
Swarm Optimization (PSO) untuk mendiagnosis penyakit Hepatocellular Carsinoma ?
1.4 Tujuan Penelitian
Tujuan penelitian diagnosis penyakit Hepatocellular Carsinoma, sebagai berikut : 1. Menghasilkan perangkat lunak dengan metode Case Based Reasoning (CBR) dan
Particle Swarm Optimization (PSO) berbasis sistem pakar untuk mendiagnosis
penyakit Hepatocellular Carsinoma.
2. Mengetahui tingkat akurasi metode Case Based Reasoing (CBR) dan Particle
I-5
1.5 Manfaat Penelitian
Manfaat yang didapatkan dalam penelitian ini sebagai berikut :
1. Membantu tenaga kesehatan untuk mendiagnosis penyakit Hepatocellular
Carsinoma berdasarkan faktor risiko yang ada dengan menggunakan metode Case Based Reasoning (CBR) dan Particle Swarm Optimization (PSO)
2. Dengan menggunakan dua metode ini dapat menghasilkan diagnosis penyakit yang akurat.
1.6 Batasan Masalah
Batasan permasalahan yang akan diambil dalam penelitian ini adalah sebagai berikut :
1) Dalam Case Based Reasoning (CBR) dan Particle Swarm Optimization (PSO) nilai parameter seperti ɑ dan the learning rate 𝜂 pada Case Based Reasoning (CBR). C1,C2, Wmax, Wmin pada Particle Swarm Optimization (PSO) bernilai konstan. 2) Dalam Case Based Reasoning (CBR) menggunakan metode pembobotan setiap
atribut.
3) Output yang akan dihasilkan dari perangkat lunak ini berupa diagnosis penyakit
Hepatocellular Carsinoma.
4) Data yang digunakan diperoleh dari UCI Machine Learning yang diakses melalui situs web1). Data pasien dikumpulkan dari Rumah Sakit University Portugal.. Data tersebut berfokus pada prediksi atau indikator risiko Hepatocellular Carsinoma.
I-6
Jumlah data sebanyak 165 data pasien, dengan 49 atribut yang terdiri dari faktor resiko, dan catatan rekam medis.
1.7 Sistematika Penulisan
Sistematika penulisan tugas akhir ini mengikuti standar penulisan tugas akhir Fakultas Ilmu Komputer Universitas Sriwijaya yaitu sebagai berikut :
BAB I. PENDAHULUAN
Pada bab ini diuraikan mengenai latar belakang, perumusan masalah, tujuan dan manfaat penelitian, batasan masalah atau ruang lingkup, dan sistematika penulisan.
BAB II. KAJIAN LITERATUR
Pada bab ini akan di bahas dasar-dasar teori yang digunakan dalam penelitian, seperti definisi sistem pakar, Case Based Reasoning (CBR), Particle Swarm
Optimization (PSO), Hepatocellular Carsinoma, Rational Unified Process (RUP),
dan perhitungan evalusinya serta beberapa kajian literatur mengenai penelitian lain yang relevan pada penelitian ini.
BAB III. METODOLOGI PENELITIAN
Pada bab ini akan dibahas mengenai tahapan yang akan dilaksanakan pada penelitian ini. Masing-masing rencana tahapan penelitian dideskripsikan dengan rinci dengan mengacu pada suatu kerangka kerja. Di akhir bab ini berisi perancangan manajemen proyek pada pelaksanaan penelitian.
I-7
1.8 Kesimpulan
Pada bab ini telah dibahas mengenai penelitian yang akan dilaksanakan yaitu diagnosis penyakit Hepatocellular Carsinoma menggunakan metode Case Based
Reasoning (CBR) dan Particle Swam Optimization (PSO). Selanjutnya teori-teori
xvi
DAFTAR PUSTAKA
Akmal, Faza, and Sri Winiarti. 2014. “Sistem Pakar Untuk Mendiagnosa Penyakit Herpes Berbasis Web.” Jurnal Sarjana Teknik Informatika 2(1): 1–13.
Arif, Fadhlin A et al. 2016. “Perancangan Aplikasi Identifikasi Kista Ovarium Berbasis Sistem Cerdas.” Ilmiah Teknologi Informasi 14: 1–16.
Budiaji, Weksi. 2019. “Khazanah Informatika Penerapan Reproducible Research Pada RStudio Dengan Bahasa R Dan Paket Knitr.” : 1–5.
Chang, Pei Chann, Jyun Jie Lin, and Chen Hao Liu. 2012. “An Attribute Weight Assignment and Particle Swarm Optimization Algorithm for Medical Database Classifications.” Computer Methods and Programs in Biomedicine 107(3): 382– 92. http://dx.doi.org/10.1016/j.cmpb.2010.12.004.
Dermawan, Budi Arif, and Taufik Djatna. 2016. “Optimasi Fuzzy C-Means Clustering Untuk Data Besar Dengan Pemrograman R.” UNSIKA Syntax Jurnal Informatika 5(2): 128–34.
Ernawati. 2017a. “Sistem Pakar Diagnosa Penyakit Pencernaan Manusia Menggunakan Metode Case Based Reasoning.” SISTEMASI 6: 35–44.
http://ir.obihiro.ac.jp/dspace/handle/10322/3933.
———. 2017b. “SISTEM PAKAR DIAGNOSA PENYAKIT PENCERNAAN MANUSIA MENGGUNAKAN METODE CASE BASED REASONING.”
SISTEMASI 6: 35–44. http://ir.obihiro.ac.jp/dspace/handle/10322/3933.
Hayadi, B.Herawan. 2018. Sistem Pakar. Yogjakarta: deepubliser.
Neshat, Mehdi, Mehdi Sargolzaei, Adel Nadjaran Toosi, and Azra Masoumi. 2012. “Hepatitis Disease Diagnosis Using Hybrid Case Based Reasoning and Particle Swarm Optimization.” ISRN Artificial Intelligence 2012(July): 1–6.
Rizki, Muslima Derajatun. 2018. “PROFIL KEJADIAN KARSINOMA
HEPATOSELULER DI RUMAH SAKIT UMUM DAERAH Dr. MOEWARDI TAHUN 2017.”
S.Vijayarani. 2015. “D ATA M INING C LASSIFICATION A LGORITHMS FOR.” 4(4): 13–25.
Salimah, Kun, Paulus Kusnanto, and Bambang Purwanto. 2019. “PENGARUH EKSTRAK ETANOL PROPOLIS TERHADAP EKSPRESI PROTEIN BCL2 DAN P21 DALAM MENEKAN PROLIFERASI DAN MENGINDUKSI
APOPTOSIS PADA KULTUR SEL HEPATOMA (Hep G2).” Biomedika 11(1): 5.
Saumi Ramdhani, Lis. 2016. “Penerapan Particle Swarm Optimization ( PSO ) Untuk Seleksi Atribut Dalam Meningkatkan Akurasi Prediksi Diagnosis Penyakit Hepatitis Dengan Metode Algoritma C4.5.” IV(1): 1–15.
Triyanto, Donny. 2014. Sistem Pakar Diagnosis Penyakit Jantung Koroner
Menggunakan Case Based Reasoning Dan Particle Swarm Optimization.
Widiastuti, Nur Aeni, Stefanus Santosa, and Catur Supriyanto. 2014. “Algoritma Klasifikasi Data Mining Naïve Bayes Berbasis Particle Swarm.” Pseudocode 1(1): 11–14.
Zhao, Mingru, Hengliang Tang, Jian Guo, and Yuan Sun. 2014. “Data Clustering Using Particle Swarm Optimization.” Lecture Notes in Electrical Engineering 309 LNEE: 607–12.
