CASE-BASED REASONING
UNTUK PENDUKUNG DIAGNOSA
GANGGUAN PADA ANAK AUTIS
Yanuar Nurdiansyah
Sistem Informasi, Universitas Jember e-mail:yanuar_ns@yahoo.com
Abstract
Autistic problems in medicine and psychology a scourge for parents who have autistic children. Parents sometimes do not know if her son had autistic disorder, so do not know how to find and how to overcome them, so to know that autism disorders are experienced by a child needs an intelligent system that resembles the expert in the form of CBR (Case-Based Reasoning).
This research tries to build CBR system to make early diagnosis of autism disorders in children by looking at the characteristics of the existing symptoms of the child. Diagnostic process is done by entering a new case that contains symptoms to be diagnosed with the disease into the system, then the system will perform the similarity between the new case with the cases is already stored in the data-base system. The case taken is the case with the value of the highest similarity. If a case is not successfully diagnosed, then the case will be revised by an expert psychologist. Revised successful cases will be stored into the system to become the new knowledge for the system.
The results showed CBR system to diagnose disorders in children with autism is to help psychologists or paramedical only in conducting initial diagnosis, CBR to facilitate in making a diagnosis and can adapt easily and quickly because knowledge and learning made in the form of cases
Keywords: Case-Based Reasoning, Autism Disorder.
PENDAHULUAN
Seiring dengan perkembangan teknologi komputer dan kebutuhan manusia akan informasi yang cepat dan akurat, para ahli merasa tertantang untuk membuat komputer yang mampu melakukan hal-hal seperti yang dapat dilakukan oleh manusia. Para ahli mencoba untuk menggantikan sistem otak manusia, sehingga diharapkan suatu saat nanti mungkin akan tercipta suatu komputer yang dapat menimbang dan mengambil keputusan sendiri sebagaimana layaknya manusia. Hasil kerja sistem komputer ini telah diakui lebih cepat, teliti, dan akurat dibandingkan dengan hasil kerja manusia. Hal inilah yang mendorong lahirnya teknologi AI (Artificial Intelligence).
Bidang kecerdasan buatan mempunyai sub-sub bagian yang sub-sub bagian tersebut menangani masalah-masalah spesifik dan tidak jarang antara sub-sub bagian tersebut berkolaborasi untuk mendapatkan hasil yang optimal. Beberapa sub-sub bagian dari kecerdasan buatan diantaranya adalah sistem pakar (expert system), penalaran berbasis kasus (Case-Based Reasoning), pemrosesan bahasa alami (natural language processing), pengenalan pola (pattern recognition), penglihatan komputer (computer vision), jaringan syaraf tiruan (artificial neural network), robotika, dan lainnya.
cocok didalam database penyimpanan kasus, maka CBR akan menyimpan kasus baru tersebut (Retain) di dalam basis data pengetahuan. Implementasi CBR dapat digunakan dalam berbagai bidang yaitu psikologi klinis, kedokteran dan lain-lain.
Implementasi CBR di bidang psikologi klinis dan kedokteran dapat digunakan untuk mendukung diagnosa gangguan pada anak autis berdasarkan pada kasus-kasus yang mirip atau serupa yang telah disimpan di dalam basis data penyimpanan kasus sebelumnya dan menganjurkan solusi sesuai dengan kasus yang mirip yang ditemukan di dalam basis data penyimpanan kasus. Salah satu contoh implementasi CBR dalam bidang psikologi klinis dan kedokteran, yaituCase-Base Reasoninguntuk Pendukung Diagnosa Gangguan pada Anak Autis.
Alasan perlu dibuatnya sistem Case-Based Reasoning untuk Pendukung Diagnosa Gangguan pada Anak Autis, yaitu: Pakar ataupun terapis untuk gangguan autis tidaklah terlalu banyak, disamping itu orang tua membutuhkan biaya yang relatif besar untuk berkonsultasi ke pakar serta untuk melakukan terapi pada anak. Pengguna (user-non expert) Sistem Penalaran Komputer Berbasis Kasus untuk Pendukung Diagnosa Gangguan pada Anak Autis ini dapat mengetahui gejala-gejala awal pada anak autis yang telah teridentifikasi serta mengetahui cara terapi yang sesuai untuk anak, sehingga diharapkan dapat mengurangi gejala-gejala yang ada.
Autis merupakan gangguan perkembangan fungsi otak yang mencakup bidang sosial, komunikasi verbal (bahasa) dan non-verbal, imajinasi, fleksibilitas, lingkup minat, kognisi, dan perhatian yang merupakan suatu kelainan dengan ciri perkembangan terlambat atau abnormal dari hubungan sosial dan bahasa [1].
Gejala autis tampak sebelum anak mencapai usia tiga tahun. Pada sebagian anak, gejala gangguan perkembangan ini sudah terlihat sejak lahir. Kelainan perilaku tersebut terlihat dari ketidakmampuan si anak untuk berhubungan dengan orang lain. Seolah-olah mereka hidup dalam dunianya sendiri. Kelainan ini bagi orang awam dalam hal ini orang tua, sangatlah susah untuk diketahui dengan cermat antara anak yang menderita autis atau tidak [2].
Permasalahan
Permasalahan yang diangkat dalam penelitian adalah bagaimana mendiagnosa awal terhadap gangguan autis pada anak serta saran terapi yang harus diberikan dengan melihat kasus-kasus pasien sebelumnya dengan menggunakan penalaran berbasis kasus (case-based reasoning), juga memberikan sudut pandang lain dalam mengembangkan sistem untuk mendiagnosa gangguan yang selama ini di dominasi oleh sistem pakar berbasis aturan ( rule-based expert system).
Tinjauan Pustaka
Case-Based Reasoning (CBR) merupakan suatu teknik pemecahan masalah yang mengadopsi solusi masalah-masalah sebelumnya yang mirip dengan masalah baru yang dihadapi untuk mendapatkan solusinya [3]. Kasus-kasus pada masa lalu disimpan dengan menyertakan fitur-fitur yang menggambarkan karakteristik dari kasus tersebut beserta solusinya.
kasus-kasus yang sama, dan menyesuaikan solusi kasus lama dengan masalah kasus baru. Kesulitan-kesulitan yang dihadapi di atas menjadi tugas utama dalam pengembangan sistem penalaran berbasis kasus yaitu masalah kemiripan (similarity problem), klasifikasi (classification), dan adaptasi (adaptation).
CBR mempunyai beberapa kelebihan yaitu CBR lebih efisien karena menggunakan pengetahuan lama dan mampu mengadaptasi pengetahuan baru, kemampuan untuk mendukung justifikasi dengan mengutamakan dari kasus lampau [4]. CBR tidak seperti sistem pakar yang selalu membangkitkan aturan-aturan setiap akan menyelesaikan masalah. Dalam dunia nyata, ketika terdapat suatu problem orang biasanya melihat kesamaan problem tersebut dengan problem yang pernah ditangani. Jika terdapat kesamaan atau kemiripan maka akan digunakan pengalaman dari problem yang lama untuk menyelesaikan problem yang baru dengan sedikit adaptasi yang cocok dengan kondisi problem yang baru tersebut [6].
Aplikasi CBR di bidang medis telah banyak dikembangkan, diantaranya adalah CBR untuk mendukung diagnosa penyakit jantung yang dikembangkan oleh Abdel-Badeeh M. Salem dan teman-temannya [7]. Mereka mengumpulkan 110 kasus untuk 4 jenis penyakit jantung (mitral stenosis, left-sided heart failure, stable angina pectoris dan essential hypertension), dimana setiap kasus mempunyai 207 atribut yang berhubungan dengan demografis dan data klinis. Setelah menghilangkan duplikasi kasus, sistem mempunyai 24 kasus untuk pasien penyakit jantung. Mereka menggunakan analisis statistik untuk menentukan fitur-fitur kasus dan nilai-nilai yang penting. Dua teknik retrieval yang dipakai yaitu induction retrieval dan
nearest-neighbor retrievalyang masing-masing memberikan tingkat akurasi sebesar 53,8% untuk
induction dan 100% untuk nearest-neighborhood. Ahli jantung telah mengevaluasi keseluruhan kinerja dari sistem tersebut, dimana sistem dapat memberikan diagnosis yang benar untuk 13 kasus baru.
Usaha yang paling lama dalam membangun sistem CBR yaitu mengumpulkan kasus-kasus yang akan disimpan dalam case base. Jika dalam pengumpulan kasus terdapat kesulitan maka sistem CBR akan susah diterapkan [7]. Dalam proses pengumpulan kasus peranan seorang pakar sangat diperlukan, ini karena seorang pakar lebih mengetahui permasalahan dan solusi dari suatu kasus. Seorang pakar memiliki pengetahuan umum yang mereka peroleh dari buku-buku kedokteran ditambah lagi dengan pengalaman-pengalaman mereka dalam menangani suatu kasus [7].
METODE PENELITIAN
Data yang akan dijadikancase baseadalah Data-data kasus yang diambil dari Sekolah Khusus Autis Fajar Nugraha, Yogyakarta. Terdapat 27 gejala Autis dengan tiga jenis Nama Penyakit. Kasus yang dimasukan ke dalam case-base sebanyak 27 buah kasus dengan tiga kelas Nama Penyakit, Kriteria berdasarkan jenis autis terbagi atas autis ringan, autis sedang, dan autis berat.
Teknik retrieval yang digunakan dalam penelitian ini adalah teknik 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 [4]. Ide dasar dari teknik ini adalah membandingkan setiap atribut-atribut target case dengan atribut-atribut source case yang ada dalam case-base, kemudian perbandingan tersebut dihitung dengan menggunakan fungsisimilarity. Solusi darisource case
akan dipromosikan untuk menjadi solusi dari target case jika nilai source case yang dibandingkan sama atau hampir sama dengan nilai target case. Berikut ini fungsi similarity
………….…. (1)
Dimana, Tadalah kasus baru
Sadalah kasus yang ada dalam penyimpanan
nadalah jumlah atribut dalam masing-masing kasus
i adalah jumlah atribut dalam masing-masing kasus
f adalah fungsi similarity atribut i antara kasus T dan kasus S wiadalah 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 mutlak.
Fungsif(Ti ,Si)didefinisikan sebagai berikut :
1 ;Ti = Si
f(Ti , Si) = ….…...…. (2) 0 ;Ti ≠ Si
Berdasarkan fungsi similarity di atas, setiap target case (disimbolkan dengan huruf T) akan dicocokkan dengansource case yang ada dalam case base (disimbolkan dengan huruf S) simbol n merupakan jumlah total fitur. Nilai similarity antara target case dengan source case
didapat dari fungsi f(Ti,Si) dikali dengan bobot fitur. Pembobotan digunakan untuk memberikan nilai penting suatu gejala terhadap penyakit. Nilai bobot yang diberikan adalah antara 1 sampai dengan bobot maksimum masing-masing fitur. Semakin besar nilaisimilarity
yang diperoleh maka akan semakin besar peluangsource caseuntuk dijadikan solusi bagitarget case. Nilaisimilaritymaksimal adalah 1 dan nilai minimalnya adalah 0.
Hasil diagnosa gangguan pada anak autis ditentukan berdasarkan gejala-gejala yang diderita oleh anak sehingga gejala-gejala penyakit akan dijadikan fitur-fitur yang akan dicari
similarity-nya. Fungsi f(Ti , Si) didefinisikan bahwa jika fitur target case ke-i bernilai sama dengan fitur source case ke-i maka fungsi akan bernilai 1, sebaliknya jika tidak sama fungsi akan bernilai 0. Seorang anak hanya mempunyai dua hubungan dengan gajala yaitu memiliki gejala (disimbolkan dengan angka 1) atau tidak memiliki gejala (disimbolkan dengan angka 0). Revisi merupakan bagian dari adaptasi sistem terhadap kasus yang belum berhasil didiagnosa. Revisi kasus dilakukan oleh seorang pakar. Kasus tersebut disimpan untuk menunggu revisi pakar. Pakar akan merevisi nama penyakit berdasarkan gejala-gejala yang ada dalam kasus.
HASIL DAN PEMBAHASAN
Tahap awal dari penggunaan sistem adalah proses pengisian case-base. Data-data kasus yang akan dimasukan ke dalam case-base diambil dari Sekolah Khusus Autis Fajar Nugraha, Yogyakarta. Terdapat 27 gejala Autis dengan tiga jenis Nama Penyakit. Kasus yang dimasukan ke dalam case-base sebanyak 27 buah kasus dengan tiga kelas Nama Penyakit. Setiap Gejala Penyakit dapat memiliki bobot. Pembobotan diperlukan untuk menentukan tingkat signifikansi gejala terhadap penyakit. Nilai bobot yang diberikan adalah antara 1 sampai dengan bobot maksimum masing-masing fitur. Pengisian bobot dilakukan pada saat memasukan gejala autis yang dilakukan oleh seorang pakar.
Proses diagnosa dapat dilakukan ketika sudah melalui proses pemeriksaan awal. Proses pemeriksaan awal digunakan untuk menentukan apakah anak tergolong anak autis atau tidak. Diagnosa penyakit dilakukan dengan cara memasukan gejala-gejala kasus yang akan didiagnosa. Ketika gejala autis dimasukan, sistem secara otomatis akan mencari kasus-kasus yang memiliki kemiripan berdasarkan gejala penyakit yang telah dimasukkan. Kasus-kasus yang mirip dapat dimasukan ke dalam urutan jika nilai similarity-nya lebih besar atau sama dengan 0.50 (nilaitreshold). NilaiSimilarityberada antara 0 sampai 1. Urutan kasus yang mirip akan terus berubah-ubah seiring dengan dimasukannya gejala penyakit baru.
Kasus yang tidak berhasil didiagnosa akan diadaptasi oleh sistem dengan cara melakukan revisi kasus. Ada dua kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base.Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai
similiarity di bawah 0.50, sehingga derajat kepercayaan terhadap kasus hasil diagnosa tidak terlalu besar.
Uji coba sistem dilakukan dengan cara mendiagnosa sebanyak 20 kasus dengan nilai
tresholdsebesar 0,6. Gambar 1 menunjukkansimilaritykasus-kasus yang diuji. Hasil uji coba menunjukan bahwa tingkat akurasi sistem sebesar 90%. Dari 20 kasus terdapat dua kasus yang nilainya di bawah 0,7 yaitu pada kasus nomor 6 dan kasus nomor 12 sehingga sistem menganggap diagnosa tidak terlalu akurat.
Gambar 1. Hasil Uji Coba Kasus
KESIMPULAN
1. Nilai similarity berada antara 0 dan 1. Nilai 0 menunjukan bahwasource casetidak ada yang cocok dengan target case. Nilai diantaranya menunjukan ada kemiripan antara
source case dengan target case dan nilai 1 menunjukan bahwa source case sama dengan
target case.
2. Gejala-gejala penyakit dibuat sebagai fitur dan mempunyai nilai 0 atau 1. Nilai 0 menandakan bahwa gejala tidak dimiliki oleh penyakit dan nilai 1 menandakan bahwa gejala dimiliki oleh penyakit.
3. Pembobotan digunakan untuk memberikan nilai penting suatu gejala terhadap penyakit. Nilai bobot yang diberikan adalah antara 1 sampai dengan bobot maksimum masing-masing fitur.
4. Pada saat proses similarity antara source case dengan target case sistem akan menampilkan kemungkinan kasus-kasus yang mempunyai nilai similarity yang lebih besar atau sama dengan 0.50.
H AS IL U J I C OB A K AS U S
0 0,2 0,4 0,6 0,8 1 1,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
KA S US
S
I
M
I
L
A
R
I
T
5. Ada dua kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base.Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai similiarity dibawah 0.90, sehingga derajat kepercayaan terhadap kasus hasil diagnosa tidak terlalu besar.
6. Kondisi dimana ada lebih dari satu kasus yang memiliki nilai similarity yang sama diatasi dengan menggunakanvotingkasus yaitu dengan cara mencari similarity kasus target dengan kelas kasus yang memiliki nilai similarity yang sama. Total dari similarity kelas akan menentukan kelas mana yang akan dipilih.
7. Sistem ini dapat membantu Psikolog maupun orang tua dalam mendiagnosa awal gejala penyakit autis yang diderita oleh anak.
SARAN
1. Dewasa ini penggunaan fitur citra atau gambar sebagai indeks similarity kasus sehingga input yang digunakan untuk mendiagnosa kasus berupa sebuah citra sudah banyak digunakan. Similarity dihitung dengan melibatkan fitur-fitur yang dimiliki citra tersebut. Diharapkan nantinya sistem dapat menggunakan citra rekam otak untuk tambahan input dalam mendiagnosa awal gejala penyakit autis.
2. Diharapkan nantinya ada sistem yang dapat memasukan alat-alat tes sepertiAutism Diagnostic Interview Revised(ADI-R)Kit,Autism Diagnostic Observation Schedule(ADOS),
Autism Social Communications Questionnare (SCQ), Autism Test sehingga dapat membantu psikolog dalam mendiagnosa gejala autis dengan biaya yang lebih murah.
DAFTAR PUSTAKA
[1] Lumbantobing, S.M., 2001, Anak Dengan Mental Terbelakang, Balai Penerbit Fakultas Kedokteran Universitas Indonesia, Jakarta.
[2] Yusuf, E.A., 2003, Autisme: Masa Kanak, http://www.library.usu.ac.id/modules.php
diakses tanggal 21 Januari 2008
[3] Riesbeck, C. dan Schank, R., 1989, “Inside case-based reasoning”, Lawrence Erlbaum,NJ.
[4] Watson, Ian., 1997, “Applying Case-Based Reasoning: Techniques for Enterprise Systems”, Morgan Kaufmann Publisher Inc.,San Franscisco, California.
[5] Swoboda, W., Zwiebel, F.M., Spitz, R., and Gierl, L. (1994), “A case-based consultation system for postoperative management of liver-transplanted patients”, Proceedings of the 12th MIE Lisbon, IOS Press, Amsterdam, pp. 191-195.
[6] Qu, Rong, 2002, “Case-Based Reasoning for Course Timetable Problems”, Thesis submitted to the University of Nottingham for the degree of Doctor of Philosofy
[7] Salem, Abdel-Badeeh M., Mohamed Roushdy, Rania A HodHod, 2004, “A Case-based expert system for supporting diagnosis of heart diseases”. The International Journal of Artificial Intelligence and Machine Learning, December2004, Vol.05.
