SISTEM CASE BASED REASONING UNTUK MENDIA

(1)

HALAMAN JUDUL

NASKAH PUBLIKASI

SISTEM CASE-BASED REASONING UNTUK

MENDIAGNOSIS PENYAKIT PADA BABI

CASE-BASED REASONING SYSTEM FOR

DIAGNOSING SWINE DISEASES

DEODATUS HEMADANO GANGGUR

1106082005

JURUSAN ILMU KOMPUTER

FAKULTAS SAINS DAN TEKNIK

UNIVERSITAS NUSA CENDANA

KUPANG

(2)

HALAMAN PENGESAHAN

NASKAH PUBLIKASI

SISTEM CASE-BASED REASONING UNTUK

MENDIAGNOSIS PENYAKIT PADA BABI

Diajukan oleh

Deodatus Hemadano Ganggur

1106082005

Penelitian Skripsi Ini

Telah Disetujui Oleh Pembimbing:

Tanggal: 15 Oktober 2015

Pembimbing Utama Pembimbing Pendamping

Yulianto T. Polly, S.Kom, M.Cs Bertha S. Djahi, S.Kom, M.T

(3)

PERNYATAAN

Dengan ini kami selaku pembimbing skripsi mahasiswa Program Sarjana:

Nama : Deodatus Hemadano Ganggur

NIM : 1106082005

Program Studi : Ilmu Komputer

Setuju / Tidak Setuju *) naskah ringkasan penelitian (calon naskah berkala

Penelitian Sarjana) yang disusun oleh yang bersangkutan dipublikasikan dengan /

tanpa *) mencantumkan nama tim pembimbing sebagai co-author.

Kemudian harap maklum.

Tanggal: 15 Oktober 2015

Nama Status Pembimbing Tanda Tangan

Yulianto T. Polly, S.Kom, M.Cs Pembimbing Utama

NIP. 19780726 200312 1 002

Bertha S. Djahi, S.Kom, M.T Pembimbing Pendamping

(4)

INTISARI

Sistem Case-Based Reasoning untuk Mendiagnosis Penyakit pada Babi

Oleh

Deodatus Hemadano Ganggur 1106082005

Case-Based Reasoning (CBR) merupakan konsep untuk membangun sebuah sistem

yang dapat melakukan kemampuan penalaran (reasoning) berdasarkan basis pengetahuan (basis kasus) yang dimiliki sistem. Pada penelitian ini, konsep CBR diterapkan dalam sebuah sistem yang digunakan sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada babi dengan menggunakan algoritma

k-Nearest Neighbor. Sistem CBR ini diuji dengan 3 (tiga) skenario dan setiap

skenario diberikan 10 (sepuluh) kasus baru. Pada skenario ke-1, sistem diuji dengan memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis kasus. Pada skenario ini, Sistem CBR mampu memberikan solusi yang sempurna dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2, sistem diuji dengan memasukkan gejala yang tidak terdapat pada basis kasus. Pada skenario ini, Sistem CBR tidak dapat memberikan solusi dikarenakan adanya usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi kasus. Pada skenario ke-3, sistem diuji dengan memasukkan gejala pada basis kasus secara parsial. Pada skenario ini, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan tertinggi lebih besar dari 86% untuk beberapa kasus baru. Skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu diimplementasikan untuk mendiagnosis penyakit pada babi dengan menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah terjadi sebelumnya dengan masalah baru.

(5)

ABSTRACT

Sistem Case-Based Reasoning untuk Mendiagnosis Penyakit pada Babi

Deodatus Hemadano Ganggur 1_{, Yulianto T. Polly, S.Kom, M.Cs}2_{, Bertha S. Djahi, S.Kom, M.T}3

1,2,3_{Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana}

Email : {deodatusganggur@gmail.com 1_{, noelbaki_dendeng@yahoo.com}2_{, berthadjahi@gmail.com}3_}

Abstrak —_{Case-Based Reasoning (CBR) merupakan konsep untuk membangun sebuah sistem}

yang dapat melakukan kemampuan penalaran (reasoning) berdasarkan basis pengetahuan (basis kasus) yang dimiliki sistem. Pada penelitian ini, konsep CBR diterapkan dalam sebuah sistem yang digunakan sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada babi dengan menggunakan algoritma k-Nearest Neighbor. Sistem CBR ini diuji dengan 3 (tiga) skenario dan setiap skenario diberikan 10 (sepuluh) kasus baru. Pada skenario ke-1, sistem diuji dengan memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis kasus. Pada skenario ini, Sistem CBR mampu memberikan solusi yang sempurna dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2, sistem diuji dengan memasukkan gejala yang tidak terdapat pada basis kasus. Pada skenario ini, Sistem CBR tidak dapat memberikan solusi dikarenakan adanya usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi kasus. Pada skenario ke-3, sistem diuji dengan memasukkan gejala pada basis kasus secara parsial. Pada skenario ini, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan tertinggi lebih besar dari 86% untuk beberapa kasus baru. Skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu diimplementasikan untuk mendiagnosis penyakit pada babi dengan menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah terjadi sebelumnya dengan masalah baru.

Kata Kunci: Case-based reasoning, Tenaga medis nondokter, Penyakit pada babi

Abstract —_{Case-Based Reasoning (CBR) is a concept to build a system that can do reasoning skill}

based on basic knowledge of the system. Source of basic knowledge is gained by collecting case-handling file done by the experts. CBR aims to solve a new problem/case by adapting solutions from the similar case. In this research, CBR concept was applied in a system used as non-doctor medical staff supporting system in diagnosing swine diseases by utilizing k-Nearest Neighbor algorithm. In this matter, CBR System was tested by three scenarios and each scenario was given ten new cases. In the first scenario, system is tested by input the symptom in case base that have identic symptom with case in the case base. This scenario was able to give a perfect solution with similarity value at 100%. In the second scenario, system is tested by input the symptom that not include in the case base. This scenario was unable to give solution because there were proposed symptoms but CBR System could not give solution to revise the case. In the last scenario, system is tested by input the symptom with partial way in the case base. This scenario was capable of giving proper solution with similarity value more than 86% for few new cases. The first and the third scenario proved that CBR System is able to be implemented to diagnose swine diseases by solving new problem using similarity searching with the previous cases.

Key Words: Case-based reasoning, Non-doctor medical staff, Swine diseases

1 PENDAHULUAN

istem Case-Based Reasoning (CBR) yang diimplementasikan dalam bidang kesehatan hewan dibuat untuk mampu mendiagnosis penyakit pada hewan dan menganjurkan solusi pengobatan. Penyakit pada hewan merupakan suatu masalah kesehatan hewan di Indonesia khususnya di Pulau Timor yang terletak di Provinsi Nusa Tenggara Timur (NTT). Salah satu masalah kesehatan hewan yang terdapat di Pulau Timor yaitu kesehatan pada babi.

(6)

Banyak babi di Pulau Timor yang terkena penyakit. Keberadaan penyakit tersebut mendorong masyarakat setempat untuk segera mengatasi dengan berkonsultasi dengan para tenaga medis. Terdapat 2 (dua) kebiasaan berkonsultasi yang sering dilakukan oleh masyarakat.

Kebiasaan yang pertama, masyarakat berkonsultasi dengan para dokter yang berada di Rumah Sakit Hewan (RSH) UPT Veteriner Dinas Peternakan Provinsi NTT yang terletak di Kota Kupang. Minimnya tenaga dokter yang terdapat pada RSH UPT Veteriner, menyebabkan dokter sulit dalam menangani banyaknya masyarakat yang berkonsultasi. Kebiasaan yang kedua, masyarakat setempat sering berkonsultasi dengan tenaga medis nondokter seperti mantri hewan atau tenaga medis lainnya dikarenakan biaya berkonsultasi ke dokter hewan sangat mahal atau sulitnya berkonsultasi dengan dokter hewan bagi daerah-daerah yang jauh.

Berdasarkan dari 2 (dua) kebiasaan tersebut, timbullah permasalahan yaitu cenderungnya keterbatasan pengetahuan para tenaga medis nondokter sehingga memungkinkan terjadi kelalaian dalam mendiagnosis penyakit pada babi, seperti kelalaian dalam pemberian pengobatan, cara perawatan dan lain sebagainya, berbeda dengan dokter hewan yang mempunyai wawasan yang cukup luas sehingga dapat meminimalisir kelalaian dalam mendiagnosis penyakit.

Keberadaan Sistem CBR diharapkan dapat membantu tenaga medis nondokter setempat layaknya seorang dokter hewan. Sistem ini akan mendiagnosis penyakit pada babi berdasarkan catatan penangan kasus yang pernah dilakukan oleh dokter hewan mengenai gejala-gejala yang sesuai dengan penyakit serta solusi yang sesuai dengan penyakit yang diderita.

2 MATERI DAN METODE

2.1 Case-Based Reasoning

Secara umum, Case-Based Reasoning (CBR) merupakan suatu konsep penalaran dalam pemecahan masalah melalui catatan penanganan kasus yang pernah dilakukan oleh seorang ahli. CBR merupakan sebuah cara untuk menyelesaikan suatu kasus baru dengan cara mengadaptasi atau mengingat solusi yang terdapat pada kasus sebelumnya (kasus lama) yang mirip dengan kasus baru tersebut[5]_._{Kasus lama tersebut disimpan dalam tempat yang disebut dengan basis} kasus.

Secara singkat, tahap-tahap penyelesaian masalah berbasis CBR[4] _adalah sebagai berikut:

a. Pengambilan kembali kasus-kasus yang sesuai dari memori (hal ini membutuhkan pemberian indeks terhadap kasus-kasus dengan menyesuaikan fitur-fiturnya).

b. Pemilihan sekelompok kasus-kasus yang terbaik. c. Pemilihan atau menentukan penyelesaian.

d. Evaluasi terhadap penyelesaian (hal ini dimaksudkan untuk meyakinkan agar tidak mengulang penyelesaian yang salah)

(7)

Gambar 2.1 Siklus CBR[1]

2.2 Algoritma k-Nearest Neighbor (k-NN)

Algoritma nearest neighbor melibatkan teknik similarity (kemiripan). Teknik

similarity akan menghitung nilai atau tingkat kemiripan antara kasus baru yang

dimasukkan dengan kasus lama yang terdapat dalam basis kasus[5]_{. Setelah} didapatkan nilai kemiripan pada setiap kasus lama, kemudian dicari nilai terdekat dengan kasus baru yang dimasukkan (nilai terdekat k = 1). Nilai terdekat tersebut yang digunakan sebagai identitas tujuan[6]_.

Teknik similarity yang digunakan untuk menghitung tingkat kemiripan antara kasus baru yang dimasukkan dengan kasus lama yang terdapat dalam basis kasus seperti pada persamaan (2.1).

Sim (A,B) = � � = �

� ∗ %

(2.1)

dimana:

Sim (A,B) : nilai kemiripan (similarity) antara kasus lama (A) dan kasus baru (B)

p : banyaknya gejala yang terdapat dalam basis kasus

� � = � : banyaknya nilai atribut gejala yang sama antara nilai atribut

gejala pada kasus-A dengan nilai atribut gejala pada kasus-B

2.3 Kesehatan Hewan

(8)

2.3.1 Rekam medis

Rekam medis merupakan berkas yang berisikan catatan dan dokumen tentang identitas pasien, pemeriksaan, pengobatan, tindakan, dan pelayanan lain yang telah diberikan kepada pasien[3]_{. Contoh rekam medis pasien pada babi yaitu berupa} catatan tentang ras, identitas, penyakit, gejala, kasus, dan riwayat pasien selama berkonsultasi dengan tenaga medis.

2.3.2 Diagnosis

Diagnosis merupakan identifikasi sifat-sifat penyakit atau membedakan satu penyakit dari penyakit lainnya. Penilaian dapat dilakukan melalui pemeriksaan fisik, tes laboratorium atau sejenisnya dan dapat dibantu oleh program komputer yang dirancang untuk memperbaiki proses pengambilan keputusan.

2.3.3 Penyakit pada babi

Adapun penyakit yang menyerang babi digolongkan menjadi dua bagian, yaitu:

a. Penyakit tak menular

Penyakit ini biasanya disebabkan oleh kekurangan zat-zat makanan tertentu seperti anemia, rakitis, keracunan, dan lain sebaginya.

b. Penyakit menular

Penyakit ini biasanya disebabkan oleh gangguan suatu organisme (virus, bakteri, jamur) dan parasit seperti cacing, kutu, dan lain sebagainya.

Terdapat beberapa penyakit pada babi baik yang menular maupun yang tidak menular yang sering muncul di Pulau Timor, yaitu Agalactia, Septichaemia Epizootica (SE), Hog Cholera, Enteritis, Distokia, Pneumonia, Arthritis, Vulnus, Gastroenteritis, Helminthiasis, Collibacilosis, Rhinitis, Gastritis, Streptococcus

dan Vaginitis

2.4 Kinerja Sistem CBR

2.4.1 Data flow Diagram

Terdapat DFD berlevel untuk membangun Sistem CBR dalam mendiagnosis penyakit pada babi, diantaranya:

1. Diagram konteks (DFD level 0)

(9)

TENAGA MEDIS Data Baru Pasien (Data Ras, Identitas, Gejala) Data Usulan Gejala

PAKAR

Data login Data Lama Pasien (Data Ras

Identtias, Gejala, Penyakit, Kasus, Rekam Medis) Data Revisi Gejala

Gambar 3.1 Diagram konteks (DFD level 0)

2. DFD level 1

DFD level 1 menjelaskan rincian alur sistem berdasarkan diagram konteks. DFD level 1 dapat dilihat pada Gambar 3.2.

T1

Info Data ras Data identitas_pasien

(10)

3 HASIL DAN PEMBAHASAN

3.1 Hasil

Sistem CBR diberikan pengujian dengan 3 (tiga) skenario dan setiap skenario diberikan 10 (sepuluh) kasus baru.

1. Pengujian pada skenario ke-1:

Pada skenario ini, Sistem CBR diuji dengan memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis kasus. Setiap kasus baru yang dimasukkan akan diproses dalam Sistem CBR dengan 4 (empat) tahapan yaitu, retrieve, reuse, revise, dan retain untuk mencari nilai kemiripan tertinggi dengan kasus-kasus yang tersimpan dalam basis kasus. Kasus yang mempunyai nilai kemiripan tertinggi dengan kasus baru yang akan dianjurkan sebagai solusi dari sistem. Hasil akhir untuk perhitungan kemiripan 10 kasus baru yang diuji pada skenario ke-1 dapat dilihat pada Tabel 3.1.

Tabel 3.1 Hasil akhir perhitungan kemiripan 10 kasus baru Kasus Baru

ke-i

ID Identitas Gejala yang dialami Solusi Nilai Kemiripan Tertinggi (%)

Keterangan

i

1 ID1 G1 G2 K177 100 TIDAK DIREVISI

3 ID59 G3 K115 100 TIDAK DIREVISI

4 ID89 G15 G2 G6 K102 100 TIDAK DIREVISI

6 ID76 G11 G2 G27 G6 K133 100 TIDAK DIREVISI

7 ID900 G2 G26 G3 G34 G35 K212 100 TIDAK DIREVISI

Sistem CBR diuji dengan memasukkan gejala yang tidak terdapat basis kasus. Dengan kata lain, memasukkan gejala baru yang belum terdapat dalam basis pengetahuan. Pada skenario ini terdapat 2 (dua) kondisi yang harus diperhatikan, yaitu:

a. Kondisi Pertama: jika pasien mengalami beberapa gejala yang tidak terdapat pada basis kasus dan beberapa gejala yang terdapat pada basis kasus.

Pada kondisi ini, tahap awal untuk berkonsultasi mengenai kasus baru tersebut, yaitu tenaga medis nondokter hanya memasukkan gejala yang terdapat pada sistem, sedangkan gejala yang tidak terdapat dalam sistem dijadikan sebagai usulan gejala.

(11)

dari konsultasi pasien tetapi hasil tersebut akan direvisi dikarenakan adanya usulan gejala baru dari pasien.

Pada kondisi seperti ini, tahap revisi terjadi dengan tidak melihat nilai kemiripan tertinggi antar kasus yang dihasilkan sistem, namun dilihat dari adanya usulan gejala. Pada tahap revisi, pakar akan melihat kecocokan data antara hasil diagnosis yang diberikan sistem dengan usulan gelaja yang diberikan oleh tenaga medis nondokter. Jika pakar telah melakukan revisi dan menemukan data yang valid, maka data tersebut akan disimpan kembali kedalam sistem untuk memperbaharui basis pengetahuan sistem.

b. Kondisi Kedua: jika semua gejala yang dialami pasien tidak terdapat pada basis kasus.

Pada kondisi ini, kasus baru tersebut tidak dapat diproses sehingga sistem tidak dapat menghasilkan sebuah diagnosis penyakit. Hal ini terjadi dikarenakan tidak adanya satu pun gejala dari kasus baru tersebut yang terdapat dalam sistem, sehingga gejala dari kasus baru diusulkan sebagai gejala baru pada sistem. Pakar akan melihat gejala baru yang diusulkan dan akan ditentukan apakah gejala baru tersebut valid atau tidak.

Hasil akhir untuk perhitungan kemiripan 10 kasus baru yang diuji pada skenario ke-2 dapat dilihat pada Tabel 3.2.

Tabel 3.2 Hasil akhir perhitungan kemiripan 10 kasus baru Kondisi Kasus

Baru ke-i

ID Identitas Gejala yang dialami Solusi Nilai Kemiripan basis kasus sehingga menjadi usulan gejala

Sistem CBR diuji dengan memasukkan gejala pada basis kasus secara parsial (tidak memandang gejala yang identik atau tidak pada suatu kasus dalam basis kasus).

(12)

kemiripan tertinggi dengan kasus-kasus yang tersimpan dalam basis kasus. Kasus yang mempunyai nilai kemiripan tertinggi dengan kasus baru yang akan dianjurkan sebagai solusi dari sistem. Hasil akhir untuk perhitungan kemiripan 10 kasus baru yang diuji pada skenario ke-3 dapat dilihat pada Tabel 3.3.

Tabel 3.3 Hasil akhir perhitungan kemiripan 10 kasus baru Kasus Baru

Solusi Nilai Kemiripan Tertinggi (%)

Keterangan

i

1 ID1 G1 G2 G3 K117

K109

97 TIDAK DIREVISI

78 HARUS DIREVISI

3.2 Pembahasan

Berdasarkan pengujian pada 3 (tiga) skenario yang telah dilakukan, didapatlah hasil dari setiap skenario, yaitu:

1. Pengujian dengan memasukkan gejala pada basis kasus yang identik dengan gejala pada suatu kasus dalam basis kasus.

Pengujian ini menghasilkan nilai kemiripan tertinggi untuk 10 kasus baru sebesar 100%. Setiap kasus baru tersebut mempunyai gejala yang sama/identik dengan gejala pada suatu kasus dalam basis kasus, sehingga hasil yang diperoleh sempurna dan tidak melewati tahap revisi.

2. Pengujian dengan memasukkan gejala yang tidak terdapat pada kasus dalam basis kasus. Pengujian ini melewati dua kondisi, yaitu:

a. Jika pasien mengalami beberapa gejala yang tidak terdapat pada sistem dan beberapa gejala yang terdapat pada sistem.

(13)

Sedangkan pada kondisi kedua, sistem tidak dapat memberikan solusi, sehingga yang dapat dilakukan yaitu semua gejala yang dialami pasien di usulkan sebagai gejala baru.

3. Pengujian dengan memasukkan gejala pada basis kasus secara parsial (tidak memandang gejala yang identik atau tidak dengan gejala pada suatu kasus dalam basis kasus)

Dengan memasukkan gejala secara parsial, Sistem CBR mampu mendiagnosis 10 kasus baru berdasarkan nilai treshold yang diberikan. Pada kasus baru ke-1, 2, 3, 4, 5, 7, 8, dan 10, Sistem CBR mendiagnosis kasus tersebut dengan memperoleh nilai kemiripan tertinggi lebih besar dari 86% (>86%) dan tidak melewati tahap revisi. Hal ini terjadi dikarenakan gejala pada kasus baru tidak jauh berbeda dengan gejala pada suatu kasus dalam basis kasus.

Sedangkan untuk kasus baru ke-6 dan 9, Sistem CBR mendiagnosis kasus tersebut dengan memperoleh nilai kemiripan tertinggi lebih kecil dari 86% (<86%). Hal ini terjadi dikarenakan gejala pada kasus baru jauh berbeda dengan gejala pada suatu kasus dalam basis kasus. Sehingga kasus baru yang memperoleh nilai kemiripan tertinggi lebih kecil dari 86% (<86%) disarankan untuk direvisi oleh dokter hewan.

4 KESIMPULAN DAN SARAN

4.1 Kesimpulan

Berdasarkan hasil penelitian pada Sistem Case-Based Reasoning (CBR) sebagai pendukung tenaga medis nondokter dalam mendiagnosis penyakit pada babi, maka dapat disimpulkan sebagai berikut:

1. Sistem CBR dalam mendiagnosis penyakit pada babi diuji dengan 3 (tiga) skenario. Setiap skenario diberikan 10 (sepuluh) kasus baru dan mampu menghasilkan keluaran untuk setiap kasus baru.

Pada skenario ke-1, Sistem CBR mampu memberikan solusi yang sempurna dengan nilai kemiripan tertinggi sebesar 100%. Pada skenario ke-2, Sistem CBR tidak dapat memberikan solusi dikarenakan adanya usulan gejala namun Sistem CBR dapat memberikan saran untuk merevisi kasus. Pada skenario ke-3, Sistem CBR mampu memberikan solusi yang baik dengan nilai kemiripan tertinggi lebih besar dari 86% untuk kasus baru ke-1, 2, 3, 4, 5, 7, 8, dan 10. Pada skenario ke-1, dan ke-3 membuktikan bahwa Sistem CBR mampu diimplementasikan untuk mendiagnosis penyakit pada babi dengan menyelesaikan masalah baru menggunakan pencarian kemiripan antara kasus-kasus yang pernah terjadi sebelumnya dengan masalah baru.

Besar kecilnya nilai kemiripan antar kasus yang dihasilkan sistem, tergantung pada masukan dari pengguna (tenaga medis nondokter).

2. Sistem CBR dapat membantu tenaga medis nondokter dalam mendiagnosis penyakit pada babi.

(14)

4. Berdasarkan hasil pengujian sistem, keluaran yang dihasilkan oleh sistem sama dengan perhitungan manual. Dengan demikian sistem telah berhasil menggunakan rumusan untuk mencari nilai kemiripan dengan algoritma k-NN 5. Secara umum Sistem CBR dalam mendiagnosis penyakit pada babi dapat

dilakukan dengan teori penalaran berbasis kasus (case-based reasoning)

4.2 Saran

Sebagai saran dari hasil penelitian adalah sebagai berikut:

1. Pengembangan sistem selanjutnya, proses similaritas (similarity) dapat menggunakan algoritm C-45, dececion tree dan sebagainya.

2. Sistem dapat dikembangkan menjadi aplikasi berbasis web

3. Dapat menambahkan proses indexing untuk mempermudah proses pencarian kasus yang mirip

4.3 Ucapan Terima Kasih

Penulis mengucapkan terima kasih kepada Bapak Derwin R. Sina, S.Kom, M.Cs. selaku dosen penguji.

DAFTAR PUSTAKA

[1] Aamodt A., dan Plaza E., 1994. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches, AICom - Artificial

Intelligence Communications, IOS Press, Vol. 7: 1, pp. 39-59.

[2] Aribowo, A. S., 2010, Pengembangan Sistem Cerdas Menggunakan

Penalaran Berbasis Kasus (Case Based Reasoning) untuk Diagnosa Penyakit Akibat Virus Eksantema, Jurnal Telematika, Jurusan Teknik Informatika

UPN “Veteran” Yogyakarta.

[3] Kusrini., dan Hartati, S., 2010, Penggunaan Penalaran Berbasis Kasus untuk Membangun Basis Pengetahuan dalam Sistem Diagnosis Penyakit, Jurnal,

Jurusan Fisika , Fakultas MIPA, Universitas Gadja Mada Yogyakarta.

[4] Mantaras, R.L.; Mcsherry, D.; Bridge, D.; Leake, D.; Smyth, B.; Craw, S.; Falting, B.; Maher, M.L.; Cox, M.T.; Forbus, K.; Keane, M.; Aamodt, A.; dan Watson, I., 2006, Retrieval, Reuse, Revision And Retention In Casebased Reasoning, The Knowledge Engineering Review, Vol. 20:3. 215-240, Cambridge University Press, United Kingdom.

[5] Pal, S. K., dan Shiu, S. C. K., 2004, Fundations of Soft Case-Based Reasoning. New Jersey:Wiley Interscience Bonham.

[6] Ungkawa, U., Rosmala, D. dan Aryanti, F., 2013, Pembangunan Aplikasi Travel Recommender Dengan Metode Case Base Reasoning, Jurnal