IMPLEMENTASI CASE-BASED REASONING UNTUK PENDUKUNG
DOKTER JAGA DALAM MENDIAGNOSA PENYAKIT PADA
RSU PKU MUHAMMADIYAH DELANGGU
NASKAH PUBLIKASI
diajukan oleh
Ardian Nur Romadhan
10.11.3600
kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
AMIKOM YOGYAKARTA
YOGYAKARTA
2013
NASKAH PUBLIKASI
IMPLEMENTASI CASE-BASED REASONING UNTUK PENDUKUNG
DOKTER JAGA DALAM MENDIAGNOSA PENYAKIT PADA
RSU PKU MUHAMMADIYAH DELANGGU
IMPLEMENTATION OF CASE-BASED REASONING FOR SUPPORTING DOCTORS DIAGNOSE DISEASE TO MAINTAIN THE
RSU PKU MUHAMMADIYAH DELANGGU
IMPLEMENTASI CASE-BASED REASONING UNTUK PENDUKUNG DOKTER JAGA DALAM MENDIAGNOSA PENYAKIT PADA
RSU PKU MUHAMMADIYAH DELANGGU
Ardian Nur Romadhan Kusrini
Jurusan Teknik Informatika STIMIK AMIKOM YOGYAKARTA
ABSTRACT
In a decision-making system, there are various methods that can be applied to solve the problem of uncertainty. There is uncertainty in the tracking process can occur because of changes in the existing knowledge in the system.
In this research, a method has been used to address the uncertainties with Case-Based Reasoning system (Case-Case-Based Reasoning) in the case of tracking to Keep Supporting Physicians in Diagnosing Diseases of the RSU PKU Muhammadiyah Delanggu. The process of diagnosis is performed by inserting a new case (the target case) into the system that contains the symptoms of the disease. The cases (source case) that is used in the system is obtained from case management record diagnosis of a general practitioner. System processing cases filed with a solution in the previous case that already exist in the data-base system (case-base). Cases with a value of symptoms that have similarities (similarity), the highest will be taken and then the solution of the case would be the solution for the new case. If the case can not be diagnosed, it will be revised. The revision process will result in a solution that has been developed and stored into the system to be used as new knowledge (fresh knowlegde).
The resulting system will provide the output of the possibility of disease and treatment suggestions based on the equation of new cases with knowledge of the system. So that helps in decision making more quickly and accurately.
Keywords : Case-Based Reasoning, target-case, source-case, common diseases,
1
1. Pendahuluan
Penyakit merupakan suatu keadaan dimana terdapat gangguan fungsi tubuh yang menghambat aktifitas hidup manusia. Penyakit di Indonesia pada dasarnya lebih sering disebabkan oleh serangan virus, jamur, infeksi, parasit dan lain sebagainya. Sehingga kesehatan didalam kehidupan manusia sangat mudah terserang. Disamping itu faktor-faktor lain seperti lingkungan hidup, iklim, dan kebiasaan sehari-hari yang dilakukan manusia, telah ikut serta dalam menyumbang penyakit yang mengganggu kesehatan pada manusia.
RSU PKU Muhammadiyah Delanggu merupakan rumah sakit yang profesional dan islami. Rumah sakit ini mempunyai banyak pasien yang memeriksakan kesehatannya, rata-rata rumah sakit ini menangani 70 pasien tiap harinya. RSU PKU Muhammadiyah Delanggu hanya memiliki 9 dokter jaga tetap. Untuk menangani pasien yang sedang memeriksakan kesehatannya, rumah sakit ini memiliki layanan 24 jam dan ditangani oleh satu dokter jaga yang bertugas dalam satu shift dan dibantu 3 perawat. Karena memiliki layanan 24 jam rumah sakit ini membagi 3 jam kerja pada tiap hari tugasnya yaitu pagi dari pkl 07:00-02:00, siang dari pkl 02:00-20:00, dan malam dari pkl 20:00-07:00.
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.
2. Landasan Teori
2.1 Sistem Pakar (Expert System)
Sistem pakar adalah program kecerdasan buatan yang menggabungkan basis pengetahuan (knowladge base) dengan sistem inferensi. Inferensi berasal dari bahasa inggris yaitu inference. Inferensi adalah suatu proses memperoleh pengetahuan berdasarkan pengalaman yang terjadi1.
Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar. Pakar yang dimaksud di sini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Sebagai contoh, dokter adalah seorang pakar yang mampu mendiagnosa penyakit yang diderita pasien serta dapat memberikan penatalaksanaan terhadap penyakit tersebut. Tidak semua orang dapat
2
mengambil keputusan mengenai diagnosis dan memberikan penatalaksanaan suatu penyakit2.
2.2 Siklus CBR
Prosedur umum ketika menerapkan CBR, umumnya dijelaskan oleh klasik siklus Penalaran Berbasis Kasus diperkenalkan oleh Aamodt dan Plaza (1994) (lihat Gambar 2.1)3.
Gambar 2.1 Penalaran Berbasis Kasus Cycle oleh Aamodt & Plaza (dalam Armin Stahl).
Titik awal dari pemecahan-proses masalah baru adalah soal yang diberikan yang solusi diperlukan. Masalah ini dapat dicirikan sebagai kasus baru yang bagian solusi masih belum diketahui. Ini baru kasus sering juga disebut query kemudian diproses dalam empat tahap.
2.3 Algoritma Nearest Neighbor
Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung
kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar-lah yang akan diambil solusinya untuk digunakan pada kasus pasien baru4.
2 Kusrini, M.Kom. APLIKASI SISTEM PAKAR Menentukan Faktor Kepastian Pengguna dengan
Metode Kuantifikasi Pertanyaan, hal 3
3
Armin Stahl. 2004. Learning of Knowladge-Intensive Similarity Measures in Case-Based Reasoning, hal 16
3
Gambar 2.2 Ilustrasi Kedekatan Kasus
Seperti tampak pada Gambar 2.2. Ada 2 pasien lama: A dan B. Ketika ada pasien Baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien Baru. Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien Baru dengan pasien B. Karena d2 lebih dekat dari d1 maka solusi dari pasien B-lah yang akan digunakan untuk memberikan solusi pasien Baru.
Adapun rumus untuk melakukan penghitungan kedekatan antara dua kasus adalah sebagai berikut5:
i n i i i i
w
w
S
T
f
S
T
similarity
1*
)
,
(
)
,
(
Keteranganan : T : kasus baruS : kasus yang ada dalam penyimpanan n : jumlah atribut dalam setiap kasus i : atribut individu antara 1 s.d. n
f : fungsi similarity atribut i antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke-i
Kedekatan biasanya berada pada nilai antara 0 s.d. 1. Nilai 0 artinya kedua kasus mutlak tidak mirip, sebaliknya untuk nilai 1 kasus mirip dengan mutlak6.
2.4 Konsep Pemodelan
Pemodelan (modeling) adalah proses merancang piranti lunak sebelum melakukan pengkodean (coding). Model piranti lunak dapat dianalogikan seperti pembuatan blue
print pada pembangunan gedung. Membuat model dari sebuah sistem yang kompleks
sangatlah penting karena kita tidak dapat memahami sistem semacam itu secara
5 Ibid. hal 94 6 Ibid. hal 95
4
menyeluruh. Semakin kompleks sebuah sistem, semakin penting pula penggunaan teknik pemodelan yang baik7.
2.4.1 UML (Unified Modeling Language)
Unified Modeling Language (UML) adalah himpunan struktur dan teknik untuk
pemodelan dan desain program berorientasi objek (OOP) serta aplikasinya. UML adalah metodelogi untuk mengembangkan sistem OOP dan sekelompok tool untuk mendukung pengembangan sistem tersebut. UML mulai diperkenalkan oleh Object Management
Group, sebuah organisasi yang telah mengembangkan model, teknologi dan standar
OOP sejak tahun 1980-an. Sekarang UML sudah mulai banyak digunakan oleh para praktisi OOP. UML merupakan dasar bagi tool desain berorientasi objek dari IBM8.
Unified Modeling Language (UML) adalah sebuah “bahasa” yang telah menjadi
standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak. UML menawarkan sebuah standar untuk meranacang model sebuah sistem9.
2.4.2 Use Case Diagram
Kebutuhan fungsional akan digambarkan melalui sebuah diagram yang dinamakan diagram use case. Use Case Diagram atau diagram use case merupakan pemodelan untuk menggambarkan kelakuan (behavior) sistem yang akan dibuat. Diagram use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem yang akan dibuat. Dengan pengertian yang cepat, diagram use case digunakan untuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut. Terdapat beberapa simbol dalam menggambarkan diagram use case, yaitu use case, aktor dan relasi. Hal yang perlu diingat mengenai diagram use case adalah diagram use case bukan menggambarkan tampilan antar muka (user interface), arsitektur dari sistem, kebutuhan nonfungsional, dan tujuan performansi. Sedangkan untuk penamaan use case adalah nama didefinisikan sesimpel mungkin, dapat dipahami dan menggunakan kata kerja10.
2.4.3 Class Diagram
Diagram kelas atau class diagram menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan metode atau operasi11.
a. Atribut merupakan variabel-variabel yang dimiliki oleh suatu kelas.
7 Yuni Sugiarti, ANALISIS DAN PERANCANGAN UML (Unified Modeling Language)
Generated VB.6, hal 33 8 Ibid. hal 60 9 Ibid. hal 34 10 Ibid. hal 41 11 Ibid. hal 57
5
b. Atribut mendeskripsikan properti dengan sebaris teks didalam kotak kelas tersebut.
c. Operasi atau metode adalah fungsi-fungsi yang dimiliki oleh suatu kelas. Diagram kelas mendeskripsikan jenis-jenis objek dalam sistem dan berbagai hubungan statis yang terdapat di antara mereka. Diagram kelas juga menunjukan properti dan operasi sebuah kelas dan batasan-batasan yang terdapat dalam hubungan-hubungan objek tersebut.
Diagram kelas menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain.
Kelas memiliki tiga area pokok : 1. Nama
2. Atribut 3. Operasi
2.4.4 Sequence Diagram
Diagram Sekuence menggambarkan kelakuan/perilaku objek pada use case dengan mendeskripsikan waktu hidup objek dengan message yang dikirimkan dan diterima antar objek. Oleh karena itu untuk menggambar diagram sekuences maka harus diketahui objek-objek yang terlibat dalam sebuah use case beserta metode-metode yang dimiliki kelas yang diinstansiasi menjadi objek itu12.
Banyaknya diagram Sekuence yang harus digambar adalah sebanyak
pendefinisian use case yang memiliki proses sendiri atau yang penting semua use case yang telah didefinisikan interaksi jalannya pesan sudah dicakup pada diagram Sekuence sehingga semakin banyak use case yang didefinisikan maka diagram Sekuence yang harus dibuat juga semakin banyak13.
Penomoran pesan berdasarkan urutan interaksi pesan. Penggambaran letak pesan harus berurutan, pesan yang lebih atas dari lainnya adalah pesan yang berjalan terlebih dahulu14.
Diagram Sekuence memiliki ciri yang berbeda dengan diagram interaksi pada diagram kolaborasi sebagai berikut15:
1. Pada Diagram Sekuence terdapat garis hidup objek. Garis hidup objek adalah garis tegas vertikal yang mencerminkan eksistensi sebuah objek sepanjang periode waktu. Sebagian besar objek-objek yang tercakup dalam diagram interaksi akan eksis sepanjang durasi tertentu dari interaksi, sehingga objek-objek itu diletakan di bagian atas diagram dengan garis
12 Ibid. hal 69 13 Ibid. hal 69 14 Ibid. hal 70 15 Ibid. hal 70
6
hidup tergambar dari atas hingga bagian bawah diagram. Suatu objek lain dapat saja diciptakan, dalam hal ini garis hidup dimulai saat pesan create diterima suatu objek. Selain itu suatu objek juga dapat dimusnahkan dengan pesan Destroy, jika kasus ini terjadi, maka garis hidupnya juga berakhir.
2. Terdapat fokus kendali (Focus of Control), berupa empat persegi panjang ramping dan tinggi yang menampilkan aksi objek secara langsung atau sepanjang sub ordinat. Puncak dari empat persegi panjang adalah permulaan aksi, bagian dasar adalah akhir dari suatu aksi. Pada diagram ini mungkin juga memperlihatkan penyaringan (nesting) dan fokus kendali yang disebabkan oleh proses rekursif dengan menumpuk fokus kendali yang lain pada induknya.
2.4.5 Activity Diagram
Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sistem atau proses bisnis. Yang perlu diperhatikan disini adalah bahwa diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan oleh sistem. Diagram aktivitas mendukung perilaku pararel16.
Diagram aktivitas juga banyak digunakan untuk mendefinisikan hal-hal berikut17: a. Rancangan proses bisnis dimana setiap urutan aktivitas yang digambarkan
merupakan proses bisnis sistem yang didefinisikan.
b. Urutan atau pengelompokan tampilan dari sistem/user interface dimana setiap aktivitas dianggap memerlukan sebuah pengujian yang perlu didefinisikan kasus ujiannya.
c. Rancangan pengujian dimana setiap aktivitas dianggap memerlukan sebuah pengujian yang perlu didefinisikan kasus ujiannya.
Activity diagrams menggambarkan berbagai alir aktivitas dalam sistem yang
sedang dirancang, bagaiman masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses pararel yang mungkin terjadi pada beberapa eksekusi18.
Activity diagrams merupakan state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state
sebelumnya (internal processing). Oleh karena activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi
16 Ibid. hal 74 17 Ibid. hal 74 18 Ibid. hal 74
7
lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum19.
3. Analisis dan Perancangan Sistem 3.1 Analisis Sistem
Analisis sistem mempelajari masalah dan kebutuhan dari organisasi untuk menentukan bagaimana orang, data, proses, komunikasi, dan teknologi informasi dapat meningkatkan pencapaian bisnis20. Berikut adalah teknik pemecahan masalah yang menguraikan bagian-bagian komponen dalam menganalisa kasus yang di dapat dari observasi maupun wawancara.
3.2 Analisis SWOT
Dalam penelitian ini penulis menggunakan metode SWOT. Analisis tersebut dapat dilakukan dengan cara mengevaluasi kekuatan (strength), kelemahan (weakness), kesempatan (oportunity), ancaman (threats). Dari analisis ini akan mendapat gambaran mengenai kekuatan, kelemahan, peluang, ancaman dari aplikasi ini.
3.2.1 Analisis Kekuatan dan Peluang (strength dan opportunities)
Analisis ini merupakan rencana jangka panjang, dimana peluang untuk dimanfaatkan dan kekuatan dapat dioptimalkan. Adapun kekuatan dan peluang yang dimiliki oleh aplikasi pendukung dokter jaga dalam mendiagnosa penyakit pada RSU PKU Muhammadiyah Delanggu ini dapat dilihat pada tabel 3.1 :
Tabel 3.1 Hasil Analisis Peluang dan Kekuatan
Analisis kekuatan (strength) a. Dapat mendiagnosis penyakit secara cepat dan akurat, sehingga tidak terjadi kesalahan manusia (human error) dalam penanganan pasien.
b. Aplikasi ini dilengkapi pendukung printer untuk mencetak hasil diagnosa sebagai laporan rekam medis pasien.
c. Dapat mengurangi biaya keperluan seperti membeli buku catatan baru, pulpen maupun tipex.
Analisis peluang (opportunities) Nantinya aplikasi ini dapat menjadi media pendukung dokter jaga di RSU PKU Muhammadiyah Delanggu dalam mendiagnosa penyakit pasien. Sehingga terwujudnya pelayanan kesehatan masyarakat yang komperhensif dan bermutu.
19 Ibid. hal 74
20 Hanif Al Fatta , Analisis dan Perancangan Sistem Informasi untuk Keunggulan Bersaing
8
3.2.2 Analisis Ancaman dan Kelemahan (threats dan weakness)
Analisis ini merupakan rencana jangka pendek, yaitu rencana perbaikan
(short-term improvement plan), dimana ancaman untuk diantisipasi atau dihindari dan
kelemahan dapat segera dibenahi atau diperbaiki. Adapun ancaman dan kelemahan yang dimiliki oleh aplikasi pendukung dokter jaga dalam mendiagnosa penyakit pada RSU PKU Muhammadiyah Delanggu ini dapat dilihat pada tabel 3.2 :
Tabel 3.2 Hasil Analisis Ancaman dan Kelemahan
Analisis ancaman (threats) Berkembangnya sistem operasi akhir-akhir ini tentu juga diimbangi dengan berkembangnya virus. Dikhawatirkan dengan berkembangnya virus, suatu saat dapat menyerang perangkat komputer sehingga mengganggu jalannya aplikasi.
Analisis kelemahan (weakness) a. Dengan banyaknya pasien yang memeriksakan kesehatan tiap harinya dan pelayanan 24 jam pada IGD. Dikhawatirkan dapat menyebabkan kerusakan perangkat komputer jika sering digunakan dalam 24 jam.
b. Karena aplikasi ini untuk pendukung dokter jaga, sehingga akses yang disediakan hanyalah untuk paramedis, dengan kata lain aplikasi ini tidak dapat digunakan oleh pasien secara langsung.
3.3 Analisis Basis Pengetahuan 3.3.1 Case-Based Reasoning
Dalam penelitian ini telah diterapakan suatu metode untuk mengatasi ketidakpastian dengan sistem penalaran berbasis kasus (case-based reasoning).
3.3.2 Tahapan case-based reasoning
Yang menjadi basis pengetahuan pada case-based reasoning adalah fakta-fakta berupa kasus-kasus sebelumnya yang pernah ada dan serangkaian alur untuk memeriksa, menghitung, serta menyimpulkan suatu solusi dari permasalahan yang diberikan. Tahapan pada case-based reasoning ada 4 yaitu: retrieve, reuse, revise dan
retain.
Pencarian solusi kasus di lakukan pada tahapan retrieve dan reuse. Tahapan
retrieve melakukan pencarian tingkat kemiripan kasus inputan pertanyaan gejala-gejala
yang diberikan pasien dengan kasus-kasus yang ada pada knowledge base untuk mencari kasus yang memiliki persamaan (similaritas) tertinggi. Hanya kasus yang memiliki persamaan (similaritas) dengan basis kasus yang akan diproses di tahapan
9
tahapan dimana solusi yang diberikan pada kasus inputan pasien sebelumnya di revisi dan diputuskan untuk dijadikan knowledge baru atau tidak.
3.3.3 Retrieval (penelusuran)
Retrieval yang digunakan dalam penelitian ini adalah menelusuri kembali kasus (gejala klinis) lama yang paling menyerupai/relevan dengan kasus baru. Pencocokan dilakukan dengan cara memilih gejala-gejala dengan memberi tanda checkbox terhadap pertanyaan gejala yang sesuai dengan kondisi pasien. Jika pencocokan nilai jawaban kasus sama atau hampir sama dengan basis kasus, maka akan dilakukan tahap reuse yaitu melakukan perhitungan similarity yang menghasilkan kemungkinan jenis penyakit dan akan disarankan solusi obat untuk menjadi solusi dari kasus baru. Asumsi pada penelusuran ini adalah kasus yang mirip akan memiliki solusi yang mirip.
Data pertanyaan gejala klinis yang dimasukan pada sistem berbentuk biner (1) atau (0). Dari tanda checkbox untuk menyatakan “ya” (1) bahwa ada gejala dan tidak memberi tanda checkbox menyatakan “tidak” (0) bahwa tidak ada gejala. Setiap nilai gejala similar akan dikalikan oleh bobot.
Nilai = [nilai checkbox dipilih 1 atau tidak 0 (S)] * bobot (W).
Penelusuranan pada aplikasi ini menggunakan teknik Similarity (problem,case) pada algoritma k-nearest neighbor sebagai berikut :
Bobot parameter (w) : Gejala Penting = 1 Gejala Biasa = 0,5 Similarity (T, S) = 𝑠1∗ 𝑤1+ 𝑠2∗ 𝑤2+ … … + 𝑠𝑛∗ 𝑤𝑛 𝑤1+ 𝑤2 + … … + 𝑤𝑛 Keterangan:
S = similarity (nilai kemiripan) yaitu 1 (sama) dan 0 (beda) W = weight (bobot yang diberikan).
3.3.4 Reuse
Pada tahap ini dilakukan perhitungan nilai similarity kemiripan setiap kasus tertinggi yang sebelumnya telah dilakukan pencocokan yang paling relevan dari kasus baru ke dalam kasus yang lama, sehingga dari hasil perhitungan nilai persamaan (similarity) didapatkan usulan solusi dari kasus yang telah ada dimana mungkin diperlukan untuk memecahkan masalah kasus baru atau dengan kata lain menggunakan ulang solusi kasus lama untuk menangani kasus baru yang serupa. Nilai similarity setiap kasus diperoleh dari jumlah nilai gejala similar terpilih dikali dengan bobot dan dibagi dengan total nilai bobot gejala dalam data kasus lama.
10
Berikut ini contoh analisis pengambilan kesimpulan status hasil diagnosa dengan proses pencarian similarity. Dari hasil inputan gejala-gejala kasus baru diperoleh 3 kasus yang mempunyai kemiripan dengan kasus lama yaitu kasus K1, K2, dan K3. Dengan memberi bobot terhadap gejala yang mirip (similar) dengan kasus lama :
Tabel 3.1 Tabel Kasus Baru
Kasus Baru
Kode Gejala Gejala K1 K2 K3
G01 Mual 1 0,5
G02 Muntah 0,5 0,5
G03 Nyeri ulu hati : panas perih 1 G04 Kadang keringat dingin 0,5
G09 Lemas 1
G11 Kadang disertai demam 0,5
G12 Nyeri kepala/leher bagian belakang 1
Gejala sama yang terdeteksi 4 3 2
Berdasarkan tabel diatas perlu dihitung Similarity kasus lama terhadap kasus baru. Ada 3 Penyakit terdeteksi, dengan gejala jumlah kemiripan sebagai berikut :
K1 = 4 gejala K2 = 3 gejala K3 = 2 gejala
1. Similarity (sama gejalanya) terhadap jenis penyakit yang diderita pasien K1: Gejala yang terdeteksi = (G01, G02, G03, G04)
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 (T, S) = 𝑠1∗ 𝑤1+ 𝑠2∗ 𝑤2+ … … + 𝑠𝑛∗ 𝑤𝑛 𝑤1+ 𝑤2 + … … + 𝑤𝑛 = [(1 ∗ 1) + (1 ∗ 1) + (1 ∗ 1) + (1 ∗ 0,5) + (0 ∗ 0,5) + (0 ∗ 0,5)] 1 + 1 + 1 + 0,5 + 0,5 + 0,5 = 1 + 1 + 1 + 0,5 + 0 + 0 1 + 1 + 1 + 0,5 + 0,5 + 0,5 = 3,5 4,5= 0,777
2. Similarity (sama gejalanya) terhadap jenis penyakit yang diderita pasien K2: Gejala yang terdeteksi = (G02, G09, G11)
Similarity (T, S) = 𝑠1∗ 𝑤1+ 𝑠2∗ 𝑤2+ … … + 𝑠𝑛 ∗ 𝑤𝑛 𝑤1+ 𝑤2 + … … + 𝑤𝑛 = [(1 ∗ 0,5) + (0 ∗ 1) + (0 ∗ 1) + (1 ∗ 1) + (0 ∗ 0,5) + (1 ∗ 0,5) ] 0,5 + 1 + 1 + 1 + 0,5 + 0,5 = 0,5 + 0 + 0 + 1 + 0 + 0,5 0,5 + 1 + 1 + 1 + 0,5 + 0,5
11
= 24,5= 0,444
3. Similarity (sama gejalanya) terhadap jenis penyakit yang diderita pasien K3: Gejala yang terdeteksi = (G01, G12)
Similarity (T, S) = 𝑠1∗ 𝑤1+ 𝑠2∗ 𝑤2+ … … + 𝑠𝑛 ∗ 𝑤𝑛 𝑤1+ 𝑤2 + … … + 𝑤𝑛 = [(1 ∗ 0,5) + (0 ∗ 0,5) + (1 ∗ 1) + (0 ∗ 0,5) + (0 ∗ 0,5) + (0 ∗ 0,5)] 0,5 + 0,5 + 1 + 0,5 + 0,5 + 0,5 = 0,5 + 0 + 1 + 0 + 0 + 0 0,5 + 0,5 + 1 + 0,5 + 0,5 + 0,5 = 1,5 3,5= 0,428
Maka kesimpulannya adalah kasus K1 dengan tingkat kemiripan sebesar 0.777, atau 77,7% merupakan kasus terdekat dengan similarty tertinggi terhadap kasus baru.
3.3.5 Revise
Tahapan revise merupakan tahapan dimana solusi kasus pada saran obat dari hasil diagnosa diperbaiki. Pada proses validasi ini sistem akan melakukan revise, dimana melalui pertimbangan yang dimiliki oleh paramedis maka solusi kasus pada saran obat dari hasil diagnosa ini akan diproses sistem untuk dilakukan retain. Sistem akan menghasilkan solusi yang telah dikembangkan dan disimpan ke dalam sistem untuk dijadikan pengetahuan baru. Pasien dengan usia < 14 th dosis obat disesuaikan dengan umur dan berat badan.
3.3.6 Retain
Pada proses retain solusi yang sudah diperbaiki akan disimpan sebagai data rekam medis pasien. Jika pakar menyatakan kasus baru tersebut sebagai kasus valid maka kasus baru tersebut dapat diupdate kedalam basis kasus.
4. Implementasi dan Pembahasan 4.1 Implementasi
Tahap implementasi sistem adalah tahap meletakkan sistem supaya siap dioperasikan. Tahap ini dilakukan setelah melakukan perancangan sistem yaitu pembuatan program.
12
4.2 Pengujian
Pengujian dilakukan untuk mengetahui langkah dan alur aplikasi sudah berjalan dengan baik sesuai dengan rancangan yang diharapkan. Maksud dari pengujian adalah untuk mengetahui masih adakah kesalahan sehingga sistem tidak dapat berjalan sesuai dengan keinginan.
Terdapat 3 jenis kesalahan dalam tes program, yaitu : 1. Kesalahan Penulisan Syntax
2. Kesalahan Sewaktu Proses (run time error) 3. Kesalahan Logika:
Tabel 4.1 Testing Login
No Skenario Hasil Status
1. Memasukan username dan password menurut role
Masuk dalam aplikasi Sukses
2. Memasukan password atau password salah
Muncul Pemberitahuan bahwa username atau password yang dimasukkan salah
Sukses
3. Menekan login sebelum semua input terisi
Muncul Pemberitahuan bahwa login gagal.
Sukses
4.3 Pembahasan Aplikasi 4.3.1 Input Data Diagnosa
Sebelum melakukan tahap proses diagnosa paramedis memasukan data pasien yang sedang memeriksakan kesahatan di IGD RSU PKU MUHAMMADIYAH Delanggu dengan mengisi kode pasien, tanggal periksa, waktu periksa. Lalu tekan mulai untuk melakukan proses diagnosa.
Gambar 4.1 Input Data Diagnosa
Button untuk menambah pasien
baru
Button untuk keluar dari halaman diagnosa Button untuk memulai
13
4.3.2 Proses Diagnosa
Pada bagian list proses diagnosa ini pengguna melakukan retrieval yaitu tahap pencocokan kasus lama terhadap kasus baru dengan dengan memberi tanda checkbox terhadap pertanyaan gejala yang sesuai dengan gejala yang dirasakan oleh pasien. Kemudian pilih tombol proses untuk melakukan tahap reuse yaitu perhitungan niali
similarity.
Gambar 4.2 Proses Diagnosa 4.3.3 Hasil Diagnosa
Pada bagian hasil diagnosa ini menampilkan nilai similarity atau hasil dari diagnosa yang sebelumnya telah dicocokan antara gejala baru dengan kasus lama dan telah dihitung nilai similarity tiap kasus yang terdeteksi, hanya 3 kasus tertinggi yang ditampilkan sebagai hasil perhitungan. Setelah dikalkulasi maka nilai tertinggi diambil sebagi solusi kasus terhadap kasus baru. Jika solusi kasus dinilai tidak valid, maka dokter dapat mengubah solusi kasus dari gejala, jenis penyakit dan saran obat dengan melakukan tahap revise dan retain.
Gambar 4 3 Hasil Diagnosa Button untuk melakukan
perhitungan similarity
Button untuk melihat data rekam medis
Button untuk melakukan revisi gejala, jenis penyakit, dan saran obat
Button untuk menyimpan hasil diagnosa Button untuk mencetak
14
5. Penutup
5.1 Kesimpulan
Setelah tahapan-tahapan penelitian dilakukan kesimpulan yang dapat diambil dalam penelitian kali ini adalah :
1. Sistem penalaran berbasis kasus yang telah dibuat mampu menerapkan keahlian seorang pakar atau ahli (dokter umum) pada RSU PKU Muhammadiyah Delanggu.
2. Sistem penalaran berbasis kasus (case-based reasoning) untuk diagnosa 5 jenis penyakit mengeluarkan solusi diagnosa yang disarankan dari hasil perhitungan similarity dengan batas minimum yang telah ditentukan yaitu 3 nilai similar tertinggi.
3. Sistem penalaran berbasis kasus untuk diagnosa penyakit memiliki fasilitas untuk akuisisi basis data kasus dengan memberikan bobot pada gejala. Fasilitas ini hanya dapat dilakukan oleh pakar yaitu orang yang memiliki hak akses pengolahan data.
4. Berdasarkan hasil pengujian sistem, keluaran yang dihasilkan oleh sistem sama dengan perhitungan manual. Dengan demikian, sistem telah berhasil melakukan perhitungan menggunakan algoritma nearest neighbour.
5.2 Saran
Pada penulisan Skripsi ini tentu masih banyak kekurangan , dan mungkin dapat disempurnakan oleh penelitian-penelitian berikutnya. Untuk lebih menyempurnakan program ini penulis memberikan beberapa saran diantaranya :
1. Mengembangkan sistem penalaran berbasis kasus untuk diagnosa penyakit dengan menggunakan metode lain selain nearest neighbour.
2. Dalam aplikasi sistem penalaran berbasis kasus ini jenis penyakit yang diteliti masih tergolong penyakit umum, diharapkan untuk penelitian berikutnya agar dapat melakukan penelitian kelompok diagnosa dengan jenis penyakit yang lebih khusus.
3. Mengembangkan sistem penalaran berbasis kasus untuk identifikasi penyakit lain dengan menggunakan metode nearest neighbour.
4. Untuk penelitian selanjutnya disarankan untuk membuat aplikasi sejenis yang dapat di akses secara online agar dapat digunakan oleh banyak pihak.
15
DAFTAR PUSTAKA
Al Fatta, Hanif. 2007. Analisis dan Perancangan Sistem Informasi untuk Keunggulan
Bersaing Perusahaan & Organisasi Modern.Yogyakarta: Andi.
Kristanto, Andri. 2004. Kecerdasan Buatan. Yogyakarta: Graha Ilmu
Kusrini. 2008. APLIKASI SISTEM PAKAR Menentukan Faktor Kepastian Pengguna
dengan Metode Kuantifikasi Pertanyaan. Yogyakarta: Andi.
Kusrini, dan Emha taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta: Andi.
Sugiarti, Yuni. 2013. ANALISIS DAN PERANCANGAN UML (Unified Modeling
Language) Generated VB.6. Yogyakarta: Graha Ilmu.
Stahl, Armin. 2004. Learning of Knowladge-Intensive Similarity Measures in Case-Based
Reasoning www.dfki.de/web/forschung/.../renameFileForDownload?file_id... diakses pada tanggal 27 Mei 2013 pukul 07.15 WIB
