SISTEM DIAGNOSA PENYAKIT PERIODONTAL
MENGGUNAKAN METODE CASE BASED REASONING DAN SIMILARITAS SORGENFREI
Nyoman Rahadi Sasmita1), Eka Prakarsa Mandyartha2), Wahyu S.J Saputra3) E-mail : 1)[email protected], 2)[email protected],
1,2,3Program Studi Informatika, Fakultas Ilmu Komputer, UPN “Veteran” Jawa Timur
Abstrak
Sistem diagnosa penyakit dan kondisi periodontal menggunakan metode case based reasoning dan similaritas sorgenfrei yang digunakan dalam membantu proses diagnosa dari seorang pasien berdasarkan gejala yang dialami. Sistem ini bermanfaat untuk membantu seorang dokter dalam mendiagnosa sebuah penyakit dan kondisi dari pasien berdasarkan gejala yang dialami oleh seorang pasien, secara tepat dan seakurat mungkin, sehingga dapat memudahkan dalam melakukan pemeriksaan atau dalam mendiagnosa sebuah penyakit dan kondisi. Metode case based reasoning dan similaritas sorgenfrei dipilih pada penelitian ini karena metode ini didasarkan dari kasus lama yang terdapat pada basis pengetahuan , sehingga metode case based reasoning disini dapat membantu menyelesaikan sebuah kasus baru dengan membandingan dengan kasus lama. Selain itu proses ini dibantu dengan similaritas sorgenfrei yaitu dimana membantu dalam menyelesaikan sebuah masalah dengan gejala yang terdapat pada kasus baru dibandingan dengan gejala yang terdapat pada kasus lama. Sistem ini dibangun menggunakan framework codeigniter karena merupakan framework php yang paling populer dalam membangun sistem berbasis web. Pada penelitian kali ini data yang digunakan diperoleh dari seorang dokter gigi spesialis yang juga menjadi dosen fakultas kedokteran gigi di universitas airlangga. Hasil pada penelitian ini menunjukan bahwa, pada tahap pengujian akurasi disini menggunakan jumlah dataset sebanyak 75 data yang dimana terbagi menjadi data training dan data uji. Untuk data uji menggunakan 25 data yang memperoleh tingkat akurasi sebesar 96%, sedangkan pada data training diperoleh tingkat akurasi sebesar 100%.
Kata kunci: Case Based Reasoning , Periodontal , Codeigniter 1. PENDAHULUAN
Periodontitis adalah sebuah masalah kesehatan pada masyarakat yang utama dikarenakan prevalensinya yang tinggi, serta karena dapat menyebabkan kehilangan dan cacat gigi, secara negatif mempengaruhi fungsi dan estetika pengunyahan, dan mengganggu kualitas hidup. Periodontitis menyumbang proporsi substansial dari edentulisme dan disfungsi pengunyahan, menghasilkan biaya perawatan gigi yang signifikan dan memiliki dampak negatif pada kesehatan umum [1].
Metode case base reasoning disini merupakan salah satu metode yang digunakan peneliti untuk membuat sistem pakar, karena metode ini mengambil dan menggunakan kasus yang lama untuk menemukan solusi berdasarkan kasus baru yang di berikan,sistem ini kemudian mencari kasus yang mempunyai tingkat kesamaan paling tinggi. Penerapan algoritma Similaritas Sorgenfrei di gunakan penulis untuk menghitung nilai kemiripan antara kasus baru dengan kasus lama [2].
Pada jurnal “Implementasi case based reasoning untuk sistem diagnosis hama dan penyakit tanaman cabe merah menggunakan algoritma similaritas neyman” [3]
membahas tentang bagaimana cara mengetahui tanamaan cabe merah yang terkena hama dan penyakit menggunakan metode Case Base Reasoning. Pada penelitian yang kedua
“Case Based Reasoining untuk mendeteksi hama dan penyakit tanaman anggrek
Dendrobium menggunakan Algoritma Similaritas Symmetric” [4] membahas tentang aplikasi yangi dimana berfungsi untuk membantu dalam mendiagnosa penyakit dan hama yang terdapat pada tanaman anggrek Dendrobium. Sistem ini menggunakan metode Case Based Reasoning yang dibantu dengan algoritma similaritas Probabilistic Symmetric dalam mengukur sebuah nilai kepastian dari sebuah hipotesa yang terhadap pada suatu fakta. Pada penelitian ketiga “Case Based Reasoning untuk mendiagnosa penyakit dan hama pada tanaman mangga menggunakan algoritma similaritas sorgenfrei” [2]
membahas tentang sebuah sistem yang dimana dapatt membantu seorang pakar pada bidangnya dalam memberikan sebuah solusi terhadap permasalahan tanaman mangga.
Pada penelitian keempat “Sistem pakar diagnosa penyakit gigi dan mulut manusia menggunakan metode case based reasoning dan similaritas sorgenfrei dengan KNN” [5]
membahas tentang sistem pakar yang dimana berbasis sebuah sistem komputer yang dapat meniru pengetahuan dan penalaran manusia , sehingga sistem disini dapat membantu memecahkan sebuah masalah layaknya seperti seorang pakar.
Dalam penelitian ini dibagun sistem pakar berbasis web menggunakan metode case based reasoning dan similaritas sorgenfrei yang nantinya akan membantu seorang pakar atau dokter dalam mempercepat melakukan diagnosa penyakit dan kondisi terhadap pasien, dimana terdapat gejala yang dialami, sistem disini dibuat seakurat mungkin sehingga dapat mempercepat diagnosa dan pencatatan hasil diagnosa.
2. METODOLOGI
Pada penelitian ini terdapat metodelogi yang terdiri dari beberapa tahapan dimana dilakukan oleh peneliti yang diilustrasikan pada gambar 1.
Gambar 1. Metodologi Penelitian 2.1 Studi Literatur
Studi literatur mencakup literatur yang menunjang penelitian tentang “Sistem diagnosa penyakit dan kondisi periodontal menggunakan metode case based reasoning dan similaritas sorgrenfrei” yaitu dimana terdapat sumber yang berdasarkan dari buku maupun internet diantaranya yaitu :
1. Sistem Pakar
2. Metode case based reasoning dan similaritas sorgenfrey 3. Gejala & penyakit periodontal
2.2 Pengumpulan Data
Pada tahap pengumpulan data , data yang digunakan pada penelitian ini adalah data gejala dari penyakit periodontal. Data tersebut didapatkan dari dosen kedokteran gigi, proses pengumpulan data disini dilakukan dengan wawancara , dengan total jumlah data 75 data.
2.3 Preprocessing
Pada tahap preprocessing data yang tadinya dikumpulkan lalu diolah menjaid data yang nantinya akan digunakan oleh sistem. Sehingga pada proses klasifikasi terdapat beberapa tahapan yaitu pengolahan data terhadap data gejala dan juga dapat penyakit.
2.4 Case Based Reasoning
Metode Case Based Reasoning (CBR) merupakan salah satu metode yang digunakan peneliti untuk membuat sistem pakar, karena metode ini mengambil dan menggunakan kasus yang lama untuk menemukan solusi berdasarkan kasus baru yang di berikan, sistem ini kemudian mencari kasus yang mempunyai tingkat kesamaan paling tinggi. Penerapan algoritma Similaritas Sorgenfrei di gunakan penulis untuk menghitung nilai kemiripan antara kasus baru dengan kasus lama [2] keterangan sebagai berikut :
1. Retrieve, yaitu tahap dimana mencari nilai kemiripan kasus pada kasus lama.
2. Reuse,tahap yang menggunakan solusi terhadap kasus lama yang akan digunakan kembali .
3. Revise, tahap yang melakukan perbaikan sebuah kasus yang masih belum sesuai dengan hasil atau solusi.
4. Retain, tahap yang menyimpan sebuah solusi baru yang didapat dari kasus baru lalu dimasukkan pada basis pengetahuan atau basis kasus.
Gambar 2. Alur Case Based Reasoning[6]
2.5 Similaritas Sorgenfrei
Similaritas adalah suatu jarak antara kedekatan dengan suatu objek maupun objek lainnya. Similaritas sorgenfrei sendiri disini memiliki pengertian sebuah algortima yang digunakan untuk menghitung sebuah kemiripan antara dua jarak distribusi probabilitas yang memiliki rumus seperti berikut :[5]
S = a2 / (a+b) x (a+c) (1)
Keterangan:
S = Nilai 1 - 0 atau jarak similaritas
a = Jumlah atribut yang terdapat pada kasus lama dan kasus baru
b = Jumlah atribut yang terdapat pada kasus lama tapi tidak terdapat pada kasus baru c = Jumlah atribut yang terdapat pada kasus baru tapi tidak terdapat pada kasus lama
3. HASIL DAN PEMBAHASAN.
3.1 Penerapan Metode Cased Based Reasoning dan Similaritas Sorgenrei
Pada penerapan metode case based reasoning ini akan dijelaskan alur yang sesuai dengan rancangan sistem yang dibuat:
A. Retrieve
Pada tahap pertama yaitu diawali dengan mencari nilai kemiripan pada kasus baru dengan kasus lama yaitu dengan cara memasukkan gejala yang terdapat pada form , seperti pada Gambar 3:
Gambar 3. Form Diagnosa B. Reuse
Pada tahap ini solusi pada kasus lama akan digunakan kembali berdasarkan hasil yang paling tinggi atau paling similar terhadap kasus baru , seperti pada Gambar 4.
Gambar 4. Halaman Hasil Diagnosa Sistem
C. Revise
Pada tahap ini sistem perlu adanya peninjauan kembali terhadap hasil yang diberikan pada tahap reuse. Pada sistem ini nilai threshold yang diberikan yaitu 0,5 atau 50%. Jika nilai similarity di bawah threshold/ambang batas maka dapat melakukan tahap revise. Sehingga jika nilai similaritas yang didapatkan dibawah 50% maka hasil atau solusi tersenut masuk ke tahap revise , yang nantinya akan dilakukan perbaikan kasus , contohnya terdapat pada gambar 5.
Gambar 5. Halaman Kasus Revise
Pada tahap ini hasil diagnosa yang nilai similaritasnya dibawah 50% akan dilakukan update data atau memasukkan data ke dalam basis pengetahuan, sehingga ketika ada kasus baru yang similar akan dapat diketahui hasilnya.
D. Retain
Pada tahap ini , yaitu tahap dalam melakukan penyimpanan hasil solusi terhadap kasus baru yang telah diperbaiki oleh pakar atau dokter. Pada tahap ini , hasil solusi yang telah diperbaiki dapat langsung ditambahkan ke dalam basis pengetahuan yang nantinya digunakan untuk memberikan solusi terhadap kasus - kasus selanjutnya yang memiliki gejala - gejala yang memiliki kemiripan dengan kasus tersebut , terdapat pada gambar 6.
Gambar 6. Halaman Simpan Kasus
3.2 Pengujian Sistem
Pada tahap pengujian sistem disini, terdapat beberapa pengujian untuk mendapatkan hasil yang akurat, yaitu terdapat pengujian menggunakan matrix confusion, dan mencari nilai precision , recall dan pengujian terhadap beberapa fold.
3.2.1 Pengujian Matrix Confusion
Prose evaluasi menggunakan data uji sebesar 25 data, melakukan pengujian terhadap data uji menggunakan matrix confusion sebagai berikut :
Tabel 1. Matrix Confusion Ak-
tual
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 Jumlah
P1 1 0 0 0 0 0 0 0 0 0 0 0 1
P2 0 3 0 0 0 0 0 0 0 0 0 0 3
P3 0 0 2 0 0 0 0 0 0 0 0 0 2
P4 0 0 0 1 0 0 0 0 0 0 0 0 1
P5 0 0 0 0 1 0 0 0 0 0 0 0 1
P6 0 0 0 0 0 2 0 0 0 0 0 0 2
P7 0 0 0 0 0 0 2 0 0 0 0 0 2
P8 0 0 0 0 0 0 0 2 0 0 0 0 2
P9 0 0 0 0 0 0 0 0 2 0 0 0 3
P10 0 0 0 0 0 0 0 0 0 2 0 0 2
P11 0 0 0 0 0 0 0 0 0 0 3 0 3
P12 0 0 0 0 0 0 0 0 0 0 0 3 3
Jum- lah
1 3 2 1 1 2 2 2 3 2 3 3 25
Hasil dari pengujian akurasi dengan data testing sebanyak 25 data, mendapat hasil yang akurat sebanyak 24 dan hasil yang tidak akurat sebanyak 1 data. Sehingga mendapatkan hasil 96% dalam pengujian menggunakan matrix confusion.
Tabel 2 Perhitungan Precision
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
TP 1 3 2 1 1 2 2 2 2 2 3 3
FP 0 0 0 0 0 0 0 0 1 0 0 0
Preci sion
1(1 +0)
=1 3(3 +0)
=1 2(2 +0)
=1 1(1+
0)=1 1(1+
0)=1 2(2+
0)=1 2(2 +0)
=1 2(2 +0)
=1 2(2 +1)
=0.6 2(2 +0)
=1 3(3+
0)=1 3(3+
0)=1
𝐴𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 11,6
12 = 0,96
Pada perhitungan keseluruhan precision , mendapatkan nilai 0,96 atau 96%.
Tabel 3 Perhitungan Recall
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
TP 1 3 2 1 1 2 2 2 2 2 3 3
FN 0 0 0 0 0 0 0 0 0 0 0 0
Re- call
1(1+
0)=1 3(3 +0)
=1 2(2 +0)
=1 1(1+
0)=1 1(1+
0)=1 2(2+
0)=1 2(2 +0)
=1 2(2 +0)
=1 2(2+
0)=1 2(2 +0)
=1 3(3+
0)=1 3(3+
0)=1
Tabel 4 K-fold Cross Validation
Fold Parameter Hasil
1
Akurasi 100
Jumlah Data 25
2 Akurasi 100
Jumlah Data 25
2 Akurasi 96
Jumlah Data 25
𝐴𝑙𝑙 𝑅𝑒𝑐𝑎𝑙𝑙 = 12 12 = 1
Pada perhitungan keseluruhan Recall, mendapatkan nilai 1 atau 100%.
Pada pengujian k-fold cross validation disini menggunakan 3 fold , mendapatkan akurasi rata rata sebesar 98.67%. Pada hasil pengujian didapatkan akurasi yang tinggi, namun pada pengujian akurasi belum bisa dikatakan hasil tersebut valid. Karena jumlah data testing yang terlalu sedikit dan pada dataset memiliki beberapa kelas yang hanya memiliki 1 sampai 2 data, sehingga dihasilkan data testing berjumlah 25 data yang masih terbilang sedikit dengan banyaknya jumlah kelas.
4. KESIMPULAN DAN SARAN 4.1 Kesimpulan
Berdasarkan pada sistem diagnosa penyakit dan kondisi periodontal yang telah dibangun, serta pengujian yang sudah dilakukan menggunakan metode Case Based Reasoning dan Similaritas Sorgenfrei , dapat ditarik kesimpulan antara lain :
1. Metode Case Based Reasoning dan Similaritas Sorgenfrei yang digunakan dalam pembuatan sistem dapat diterapkan dalam melakukan identifikasi terhadap penyakit dan kondisi periodontal yang dimana perhitungan similaritas disini diambil dari nilai yang paling tinggi dan didukung oleh metode Case Based Reasoning dalam membantu mencari gejala yang terdapat pada kasus baru lalu dibandingkan dengan kasus lama.
2. Pada hasil pengujian kinerja yang didapatkan dengan confusion matrix yang menggunakan data uji berjumlah 25 data mendapatkan nilai presisi sebesar 96%
dan nilai recall sebesar 100%.Pengujian akurasi pada sistem diagnosa penyakit dankondisi periodontal menggunakan data training memperoleh hasil sebesar 100% dari 50 data training. Pada pengujian akurasi sistem menggunakan data testing memperoleh hasil sebesar 96% dari 25 data uji terdapat 1 kesalahan pada
hasil diagnosa sistem, kesalahan terjadi akibat bobot / gejala yang dimasukan pada basis pengetahuan masih perlu dikoreksi kembali dalam karena dilihat dari data gejala setiap penyakit hampir memiliki gejala yang sama, sehingga basis pengetahuan dan pembobotan gejala disini perlu dikoreksi kembali.
4.2 Saran
Berdasarkan pada penelitian yang telah dilakukan, terdapat beberapa saran unutk mengembangkan penelitian selanjutnya antara lain :
1. Dengan penerapan algoritma dan metode yang ada, akan lebih baik jika dapat dikembangkan untuk mengidentifikasi kasus-kasus lainya.
2. Penerapan Metode Case Based Reasoning disini juga dapat dikembangkan kembali dengan menggunakan algoritma selain Similaritas Sorgenfrei.
3. Untuk pengembangan sistem dapat dikembangkan menambahkan login untuk pasien agar dapat melihat perkembangan hasil diagnosa yang telah dilakukan oleh dokter.
5. DAFTAR RUJUKAN
[1] Papanou PN, Sanz M, et al. Periodontitis : Consensus report of Workgroup 2 of the 2017 World Lokakarya on the Classification of Periodontal and Peri-Implant Disease and Conidition J Clin Periodontol.2018;45(Suppl 20):S162-
S170.https://doi.org/10.111/jcpe. 12946
[2] Setiawan A., & Wibisono S. (2018) Case Based Reasoning untuk mendiagnosa penyakit dan hama pada tanaman mangga menggunakan algoritma similaritas sorgenfrey. Jurnal Dinamik , 23
[3] Reza Pahlawan , A., & Wibisono S. (2017) Implementasi case based reasoning untuk sistem diagnosis hama dan penyakit tanaman cabe merah menggunakan algoritma similaritas neyman. Prosdik Sintak
[4] Aconcagua, P, A., & Wibisino, S. (2017) case based reasoning untuk mendeteksi hama dan penyakit tanaman anggrek dendrobium menggunakan algoritma similaritas probabilistik symmetric. Prosdik Sintak
[5] Fakhrudin , N. I. M., & Candra N. S. R., (2020) Sistem Pakar Diagonsa Penyakit Gigi Dan Mulut Manusia Menggunakan Metode Case Based Reasoning Similaritas Sorgenfrei Dengan KNN. Proceeding SENDIU 2020
[6] Mathew, A. D., Ma, L., & Narasimhan, V. L. 2006. Case-based reasoning for data warehouse schema design.
