1
Sistem Pakar Dengan Menggunakan Metode Case Base Reasoning, Rule Base
Reasoning dan Theorema Bayes
(Studi Kasus : Deteksi Penyakit Umum)
Alfa Pahlawan Putra1, Angelina Prima Kurniati2, Ade Romadhony3
1,2,3Departemen Informatika, Fakultas Teknik Telkom University, Bandung
1alfaputra@students.ittelkom.ac.id, 2apk@ittelkom.ac.id, 3ade@ittelkom.ac.id
Abstrak
Kesadaran masyarakat terhadap kesehatan dan penyakit di Indonesia saat ini tidak terlalu baik. Hal ini dapat kita amati melalui kebiasaan buruk sebagian besar masyarakat Indonesia yang cenderung lebih memilih untuk memeriksakan kesehatan ketika sakit yang dirasakannya sudah mulai mengganggu. Tentunya hal ini sangat merugikan bagi masyarakat Indonesia. Untuk menanggapi hal itu, maka sudah saatnya untuk dibuat sebuah sistem pakar yang dapat menganalisa dan mendeteksi penyakit – penyakit umum dan memberikan saran akan tindakan yang harus dilakukan. Sistem pakar merupakan sebuah sistem yang berbasis knowledge dan memiliki inference machine yang digunakan untuk mencocokkan masalah dengan knowledge yang ada. RBR (Rule Based Reasoning) digunakan untuk memetakan pengetahuan dari pakar, sedangkan CBR (Case Based Reasonig) digunakan untuk melakukan retrieve solusi dari kejadian yang pernah ada sebelumnya berdasarkan nilai MSV (Minimum Similarity Value), sedangkan theorema bayes digunakan untuk menghitung peluang munculnya sebuah penyakit. Dari hasil yang didapat, dengan menggabungkan ketiga metode akan didapatkan akurasi rata - rata yang lebih tinggi apabila dibandingkan dengan hanya menerapkan salah satu atau dua metode secara bersamaan.
Kata kunci : minimum similarity value, sistem pakar, case based reasoning, rule based reasoning, theorema
bayes.
Abstract
Public awareness of health and disease in Indonesia is not very good. This case can be found by observing the bad habit of Indonesian people that prefer to choose some health check up when the pain they felt is start to annoying. Obviously this is very detrimental to the people of Indonesia. To respond that, it is the time to make an expert system that can analyze and detect disease - common diseases and will advise what to do. Expert system is a knowledge-based system and has the inference machine that is used to match the problems with existing knowledge. In other words, the expert system is a system designed to absorb and apply the knowledge possessed by an expert in a particular domain. RBR (Rule Based Reasoning) used to mapping the knowledge of the expert, and CBR (Case Based Reasoning) used to retrieve solution from the cases that exist before according to value of MSV (Minimum Similarity Value). Bayes theorem is used to calculating the probability of appears from the disease. From the result obtained, with mixing the three of the methods will produce higher average accuracy when compared with only joining one or two methods simultaneously.
Keywords: expert System, case based reasoning, rule based reasoning, bayes theorem, minimum similarity
value.
1. Pendahuluan
Seringkali seseorang yang tengah menderita penyakit ringan malas untuk memeriksakan dirinya ke dokter. Mereka beranggapan bahwa berobat ke dokter membutuhkan biaya banyak, dan biasanya seseorang cenderung memilih untuk memeriksakan dirinya ke dokter bila kesehatannya sudah semakin memburuk. Mungkin tindakan mereka dapat dimaklumi, namun bagaimana bila ternyata penyakit ringan yang mereka alami merupakan sebuah gejala dari penyakit yang lebih berat. Tentunya kebiasaan seperti ini akan sangat merugikan bagi orang tersebut. Oleh sebab itu penulis akan membuat sebuah sistem pakar yang dapat mendeteksi penyakit – penyakit umum tersebut dan memberikan saran akan apa yang harus dilakukan oleh pengguna
(masyarakat awam). Sistem pakar ini akan dibangun dengan menggabungkan beberapa metode, yaitu Rule Based Reasoing, Case Based Reasoning dan Theorema Bayes (TB).
Tujuan dari penelitian ini adalah untuk :
1. Membuat sistem pakar untuk mendeteksi penyakit - penyakit umum yang biasa timbul di masyarakat.
2. Memberikan solusi dan saran akan apa yang harus dilakukan berdasarkan gejala yang diderita.
3. Melakukan analisis akurasi penerapan Theorema Bayes dalam melakukan diagnosis. 4. Melakukan analisis akurasi pengaruh
2 bayes dalam melakukan diagnosis pada sistem
pakar.
Berdasarkan latar belakang yang telah dijelaskan di atas, maka penulis merumuskan masalah menjadi bagian - bagian, beberapa diantaranya yaitu :
1. Bagaimana pengaruh penggabungan RBR, CBR, dan Theorema Bayes terhadap diagnosis sistem pakar?
2. Bagaimana pengaruh penerapan Theorema Bayes terhadap diagnosis sistem pakar?
3. Bagaimana akurasi sistem pakar yang dapat dihasilkan?
Tahapan – tahapan yang dilakukan untuk menyelesaikan penelitian tugas akhir ini adalah studi literature, pengumpulan data, perancangan dan pemodelan Sistem Pakar, implementasi Sistem Pakar, pengujian system, analisis hasil dan laporan
2. Sistem Pakar
Sistem pakar merupakan cabang dari Artificial Intelligence (AI) yang memungkinkan sistem untuk mengadopsi ilmu – ilmu yang dimiliki oleh seorang pakar[20]. Dengan demikian pada sistem pakar memungkinkan kita untuk layaknya berinteraksi dengan seorang pakar. Sistem pakar sendiri memiliki dua proses yang penting yaitu pembuatan basis pengetahuan dan perancangan mesin inferensi. Sistem pakar banyak diterapkan pada dunia medis, manajerial perusahaan untuk memutuskan kenaikan jabatan seseorang, dan lain lain.
2.1 Rule Based Reasoning
Rule – based Expert System adalah advanced computer program yang mencoba untuk meniru kemampuan manusia dalam membuat keputusan dan pemecahan masalah [4]. Ide awal pengembangan metode rule based adalah dengan membentuk sekumpulan rules (aturan) pada basis pengetahuan. Kemudian untuk memperoleh informasi baru, digunakan inference engine [20]. Bentuk dari penggunaan Rule Based adalah biasanya dengan menggunakan model IF – THEN, sehinggga dihasilkan aturan – aturan statis.
2.2 Case Based Reasoning
Ide awal dari metode case based adalah melakukan adaptasi solusi yang pernah digunakan untuk memecahkan masalah lama dan menggunakan lagi solusi tersebut untuk masalah yang baru. Salah satu variasi dari pendekatan ini adalah metode rule induction. Dalam rule induction, komputer melakukan analisa kasus – kasus lama dan menggenerate rules dari kasus – kasus tersebut [20]. Dalam penggunaan teknisnya, solusi yang dihasilkan dari proses case based sangat bergantung pada nilai SV (Similarity Value) atau nilai tingkat kesamaan.
2.3 Theorema Bayes
Theorema bayes adalah salah satu cara untuk mengatasi ketidakpastian data dengan cara menggunakan formula bayes yang dinyatakan dengan [19] :
(1)
(2)
P(H|E) = Probabilitas H bila diberikan fakta E P(E|H) = Probabilitas munculnya fakta E jika diketahui hipotesis H
P(H) = Probabilitas H (Menurut hasil sebelumnya) tanpa memandang fakta apapun P(E) = Probabilitas fakta E
2.4 Similarity Value
Similarity value merupakan derajat tingkat kesamaan yang dalam hal ini adalah kesamaan antara input dari user dan kasus yang ada dalam database [4]. Similarity value paling rendah bernilai 0 dan paling tinggi bernilai 1. Proses penghitungan similarity value adalah dengan membandingkan jumlah gejala yang sama pada input user dengan solusi yang ada pada database kasus
.
3. Gambaran Umum Sistem
Gambar 1 : Flowchart Sistem Pakar
4. Pengujian
3 manual. Data yang digunakan pada tugas akhir ini
adalah data dari bulan April 2013 sampai dengan bulan Agustus 2013 yang tercatat di praktek milik dr Nur Listiyaningsih.
Setelah didapat data pasien dan gejala yang dialaminya dari praktek tersebut, maka setelah itu dilakukan proses pengambilan data yang sesuai dengan penyakit yang dapat dideteksi oleh sistem ini. Dari proses ini diambil 100 data kasus yang pernah terjadi di praktek tersebut. Pengambilan data berdasarkan pada tingkat kemiripan kasus, selain itu juga berdasarkan penyakit yang paling sering muncul pada praktek dokter tersebut.
4.1 Pengujian Implementasi Rule Based Reasoning (RBR) Terhadap Akurasi
Tabel 4(a) : Hasil Pengujian Skenario 1 Diagnosis
Benar
Diagnosis Salah Akurasi
21 19 52,5 %
Hasil dari penggunaan RBR masih banyak menghasilkan solusi atau diagnosis yang salah. Hal ini disebabkan karena pada proses ini hanya memiliki nilai Minimal Similarity Value yang berjumlah 1 nilai. Nilai MSV = 1 membuat hasil dari solusi yang dihasilkan oleh RBR memiliki tingkat kemiripan 100% dengan rule yang ada. Sehingga akurasi untuk metode ini sendiri masih kecil.
4.2 Pengujian Implementasi Rule Based Reasoning (RBR) Dan Case Based Reasoning (CBR) dengan Variasi Minimum Similarity Value (MSV) Terhadap Akurasi
Tabel 4(b) : Hasil Pengujian Skenario 2 Min SV Diagnosis
Dari data yang dihasilkan pada skenario 2, dapat dilihat bahwa dengan diterapkannya metode CBR pada RBR, dapat meningkatkan akurasi dari sistem pakar. Hal ini terjadi karena selain melakukan retrieve solusi dari database rule, sistem pakar juga melakukan retrieve solusi dari database kasus yang pernah terjadi sebelumnya sehingga akurasi pun meningkat.
4.3 Pengujian Implementasi Rule Based Reasoning (RBR), Case Based Reasoning (CBR) Dan TB dengan Variasi Minimum Similarity Value (MSV) Terhadap Akurasi
Tabel 4(c) : Hasil Pengujian Skenario 3
Min SV Diagnosis
Dilihat dari data yang dihasilkan pada pengujian skenario 3, didapatkan bahwa akurasi naik daripada pengujian skenario 2. Ini membuktikan bahwa penerapan theorema bayes terhadap sistem pakar dapat mempengaruhi akurasi diagnosis sistem pakar tersebut.
Bila dilihat berdasarkan nilai minimum SV, sistem pakar mencapai akurasi maksimum pada MSV = 0,96. Hal ini menunjukkan bahwa nilai MSV pada skenario 3 ini juga dapat mempengaruhi hasil diagnosis dari sistem pakar itu sendiri. Dan jika dilihat pula pada MSV = 0,98 maka akurasinya menurun dari penerapan MSV = 0,96. Hal ini terjadi karena sistem hanya akan toleransi terhadap perbedaan gejala sebanyak 1 gejala. Sehingga terlalu banyak solusi yang tidak dibangkitkan.
5. Kesimpulan dan Saran
Berdasarkan pengujian dan analisa yang telah dilakukan sebelumnya, maka dapat diambil beberapa kesimpulan, yaitu :
1. Sistem pakar dengan hanya menerapkan metode Rule Based Reasoning (RBR) saja memiliki akurasi yang paling rendah diantara 2 metode gabungan lainnya. Hal ini disebabkan karena metode RBR hanya melakukan retrieve solusi apabila tingkat kemiripannya adalah 100% (MSV = 1).
2. Penggabungan metode CBR dan RBR dapat meningkatkan akurasi dari sistem pakar hingga 39,88% apabila dibandingkan dengan hanya menerapkan metode RBR saja. Hal ini terjadi karena penggabungan kedua metode akan menghasilkan lebih banyak solusi, sehingga solusi akhir yang dipilih juga lebih akurat. 3. Penggabungan tiga metode, yaitu CBR, RBR
dan Theorema Bayes dapat meningkatkan akurasi sistem pakar bila dibandingkan dengan hanya menerapkan metode RBR saja ataupun dengan menerapkan gabungan antara CBR dan RBR, tetapi peningkatan akurasi terjadi apabila nilai MSV tidak melebihi 0,96.
4. Sistem pakar dengan menerapkan tiga metode, yaitu, CBR, RBR dan Theorema Bayes akan mengalami penurunan akurasi apabila nilai MSV lebih dari 0,96. Hal ini dapat disiasati dengan hanya menerapkan nilai MSV tidak lebih dari 0,96.
4 1. Penggunaan metode RBR dapat diperbaiki
teknisnya, sehingga ke depannya, metode RBR juga akan menghasilkan akurasi yang baik.
2. Perbaikan pada proses assign and store, saat ini proses tersebut belum dapat dilakukan karena apabila proses ini dilakukan, maka akan ada kemungkinan bahwa data kasus tidak valid, sehingga akan mempengaruhi akurasi dari sistem pakar ke depannya.
3. Jumlah database kasus dapat ditambah jumlah datanya agar sistem pakar dapat memprediksi penyakit lebih imbang dan akurat.
Daftar Pustaka:
[1] Arhami, Muhammad (2005). Konsep Dasar Sistem Pakar. Yogyakarta : Penerbit Andi Offset.
[2] Arief Dwinanda, Dadlan (2012). Pengembangan engine sistem pakar untuk sistem pakar yang dibangun menggunakan metode case based reasoning berhierarki. Bandung : Fakultas Informatika Institut Teknologi Telkom.
[3] Bramer, Max (2009). Artificial Intelligence : An International Perspective. Jerman : IFIP International Federation for Information Processing.
[4] Ceccaroni, Luigi (2009). Integration of a rule-based expert system, a case rule-based reasoner and an ontological knowledge-base in the wastewater domain : Universitat Politecnica de Catalunya.
[5] Chi, M.C., Chien, W.C., Lai C.H., Bludau, H.B., dkk (2009). A Bayesian Expert System for Clinical Detecting Coronary Artery Disease : School of Public Health, National Defense Medical College, Taipei, Taiwan, Republic of China.
[6] Dhar, Vasan, & Stein Roger (1997). Intelligent Decision Support Methods The Science of Knowledge Work. New Jersey : Prentice-Hall Inc.
[7] Ekong, V.E., Onibere, E.A., & Imianvan, A.A (2011). Fuzzy Cluster Means System for the Diagnosis of Liver Diseases. Benin City : Faculty of Physical Sciences University of Benin.
[8] E.W.T. Ngai, Liu Xiu, D.C.K. Chau (2009). Application of Data Mining Techniques in Customer Relationship Management. Beijing : Department of Management and Marketing, The Hong Kong Polytechnic University, Hong Kong, PR China.
[9] Fry, John, & Sandler Gerald (1993). Common Diseases : Their Nature, Prevalence, and Care. Lancaster : Kluwer Academic Publisher. [10] Gleadle, Jonathan (2003). Anamnesis dan
Pemeriksaan Fisik. Jakarta : Penerbit Erlangga.
[11] Guru, D.S., Nagendraswamy, H.S. (2006) : Clustering of Interval Valued Symbolic Patterns Basedon Mutual Similarity Value and the Concept of k-Mutual Nearest Neighborhood : Department of Studies in Computer Science, University of Mysore. [12] H., John P, Ranna, Bruce (2004) : Frequentist
Properties of Bayesian Posterior Probabilities of Phylogenetic Trees Under Simple and Complex Substitution Models. California : Society of Systematic Biologists
[13] Ismiyana Fatimala, Lariska (2012) Sistem Pakar Dengan Menggunakan Metode Forward Chaining dan Certainty Factor Dalam Proses Klasifikasi Tumbuhan Anggrek. Bandung : Fakultas Informatika Institut Teknologi Telkom.
[14] Kumar, Ela (2008). Artificial Intelligence. New Delhi : L.K. International Publishing House Pvt. Ltd.
[15] N.K., Ivana, Fertal, Krešimir, & Kusak Josip (2010) An Expert System for Discovering Biogeographically Interesting Locations from Animal Movement Data. Zagreb : Faculty of Veterinary Medicine University of Zagreb. [16] S.B., Lynn, G.S., Peter, & Stackhouse, John
(2003). Bates' Pocket Guide to Physical Examination and History Taking Eight Edition. Philadephia : Lippincott Williams & Wilkins.
[17] S., Magne, B., Robert, K., Uzay, L., Hans R (1998). Similarity Measures in Fuzzy Rule Base Simplification. Eindhoven : Eindhoven University of Technology.
[18] Setyaningrum, Ratih (2007). Kemampuan Expert System – Anfis Untuk Diagnosa Kesehatan Pekerja Industri dan Mencari Solusinya. Semarang : Fakultas Teknik Universitas Dian Nuswantoro.
[19] Tiwari, Manta, & Mishra, Barat (2011). Application of Cluster Analysis In Expert System. India : University Kanpur.
[20] Turban, Efraim (1995). Decision Support and Expert System Management Support Systems Fourth Edition. California : Prentice-Hall International Inc.
