1 BAB I PENDAHULUAN
1.1 Latar Belakang
Kulit manusia adalah lapisan luar dari tubuh. Pada manusia, itu adalah organ terbesar dari sistem yang menutupi. Gangguan pada kulit sering terjadi karena berbagai faktor penyebab, antara lain yaitu iklim, lingkungan tempat tinggal, kebiasaan hidup yang kurang sehat, alergi, dan lain-lain. Untuk mengobati atau mencegah penyakit kulit semakin parah dibutuhkan keahlian dari seorang spesialis kulit untuk mendiagnosa penyakit dan memberikan penanganan yang tepat.
Dengan berkembangnya teknologi masa kini, untuk mendiagnosa sebuah penyakit tidak hanya dapat dilakukan oleh seorang spesialis saja. Sebuah sistem pakar yang merupakan sistem yang mengadopsi keahlian dari seorang pakar juga dapat mendiagnosa suatu penyakit. Namun suatu sistem pakar juga harus diperhatikan keakuratan hasil diagnosanya. Semakin akurat hasil diagnosa maka sistem tersebut semakin baik.
Penalaran berbasis kasus (Case-Based Reasoning) merupakan salah satu teknik penalaran yang sering digunakan dalam sistem pakar yang menggunakan pengalaman lama atau kasus-kasus lama untuk menyelesaikan masalah baru. Metode penalaran berbasis kasus berkembang setelah diketahui bahwa kasus-kasus sukses di masa lalu ternyata dapat dipakai sebagai acuan dalam pengambilan keputusan jika terdapat kemiripan dalam beberapa kondisi (Watson, I).
Dalam penalaran berbasis kasus diperlukan suatu algoritma pencarian similaritas untuk mencari kemiripan kasus lama dengan kasus baru. Ada beberapa penelitian yang telah menerapkan algoritma-algoritma pencarian similaritas. Pada penelitian sebelumnya digunakan algoritma Decision Tree C4.5 untuk mencari kemiripan kasus (Kusrini, 2007), namun algoritma decision tree menghasilkan hasil klasifikasi dengan akurasi yang kurang tinggi dibandingkan dengan algoritma K-Nearest Neighbor. Hal ini terbukti dari hasil penelitian Muhammad Fakhrurrifqi yang membadingkan algoritma K-Nearest Neighbor, C4.5, dan LVQ
untuk klasifikasi kemampuan mahasiswa (Muhammad Fakhrurrifqi, 2013). Penelitian lainnya menggunakan metode K-Nearest Neighbor dengan adapative distance measure (Jigang Wang, 2007). Pada penelitian tersebut menunjukkan bahwa tingkat eror yang dihasilkan oleh K-Nearest Neighbor lebih tinggi dibandingkan dengan K-Nearest Neighbor dengan Adaptive Distance Measure. Dengan memperhatikan keunggulan K-Nearest Neighbor dengan Adaptive Distance Measure, maka dalam penelitian ini akan dilakukan penerapan Adaptive Distance Measure untuk melakukan pencarian similaritas untuk klasifikasi penyakit kulit. Penulis ingin menerapkan algoritma K-Nearest Neighbor dengan Adaptive Distance Measure ini pada sistem pakar identifikasi penyakit kulit dan membandingkan dengan algoritma pencarian similaritas lainnya dengan harapan metode ini dapat menghasilkan hasil klasifikasi dengan performa yang baik.
1.2 Rumusan Masalah
Dari latar belakang masalah tersebut dapat dirumuskan suatu permasalahan yaitu :
a. Bagaimana penerapan metode Euclidean Distance, Manhattan Distance, dan Adaptive Distance Measure dalam K-Nearest Neighbor pada identifikasi penyakit kulit?
b. Bagaimana perbandingan hasil klasifikasi K-Nearest Neighbor apabila menggunakan Euclidean Distance, Manhattan Distance, dan Adaptive Distance Measure dilihat dari sudut pandang jumlah tetangga?
1.3 Tujuan Penelitian
Adapun tujuan penelitian yang penulis lakukan adalah :
a. Menerapkan metode Euclidean Distance, Manhattan Distance, dan Adaptive Distance Measure dalam K-Nearest Neighbor pada identifikasi penyakit kulit.
b. Untuk mengetahui bagaimana perbandingan hasil klasifikasi K-Nearest Neighbor apabila menggunakan Euclidean Distance, Manhattan Distance, dan Adaptive Distance Measure dilihat dari sudut pandang jumlah tetangga.
1.4 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah :
a. Sistem hanya mengklasifikasi penyakit kulit jenis erythemato-squamous. Yaitu timbulnya warna kemerahan dan bersisik pada kulit.
b. Data yang akan digunakan pada penelitian ini adalah data dermatologi dari uci.edu.
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah hasil penelitian nantinya dapat dijadikan salah satu referensi keilmuan dalam penelitian di bidang sistem pakar khususnya pada identifikasi penyakit kulit.
1.6 Metodelogi Penelitian
Pada bagian ini menjelaskan tahap-tahap yang akan dilakukan oleh penulis untuk melakukan identifikasi penyakit kulit menggunakan algoritma K-Nearest Neighbor. Tahapan-tahapan tersebut antara lain adalah mengenai pengumpulan data, metode yang digunakan, evaluasi dan pengujian.
1.6.1 Data Penelitian
Pada penelitian kali ini menggunakan data set dermatologi. Dari data ini nantinya akan dibentuk aturan-aturan yang akan digunakan dalam sistem pakar. data yang digunakan adalah gejala-gelaja penyakit kulit, kesimpulan penyakit, cara pengobatan, dan pencegahan penyebaran penyakit. Data penelitian ini terdiri dari 6 klasifikasi penyakit dan 34 atribut gejala dengan jumlah total kasus adalah 358 kasus.
Berikut adalah kelas penyakit dari erythemato-squamous : 1. Psoriasis
2. Seboreic dermatitis 3. Lichen planus 4. Pityriasis rosea 5. Cronic dermatitis 6. Pityriasis rubra pilaris
Tabel 1. 1 Atribut Klinis Atribut Klinis
No Nama Gejala Keterangan
G1 Erythema Kemerahan pada kulit
G2 Scaling Kulit terkelupas
G3 Definite borders Membuat garis batas pada kulit
G4 Itching Gatal
G5 Koebner phenomenon Kulit bersisik
G6 Polygonal papules Jerawat padat berbentuk poligon
G7 Follicular papules Jerawat padat pada folikel
G8 Oral mucosal involvement Melibatkan lapisan enzim pada mulut
G9 Knee and elbow involvement Melibatkan lutut dan siku G10 Scalp involvement Melibatkan kulit kepala G11 Family history Sejarah keturunan
Tabel 1. 2 Atribut Penampakan Sel Atribut Penampakan Sel
No Nama Gejala Keterangan
G12 Melanin incontinence Ketidakmampuan mengontrol melanin G13 Eosinophils in the infiltrate Masuknya sel darah eosinopfil.
G14 PNL infiltrate Terdapat gambaran sel polimorfonuklear (berinti banyak)
G15 Fibrosis of the papillary dermis
Pembentukan jaringan ikat fibrosa pada bagian papiler dermis.
G16 Exocytosis
Proses dimana sel mengangkut produk sekresi melalui sitoplasma ke membran plasma.
G17 Acanthosis Penebalan kulit yang paling luar
G18 Hyperkeratosis
Penumpukan berlebihan dari sel-sel kulit yang bersamaan dengan sebum dan bakteri.
G19 Parakeratosis Masuknya inti keratinosit ke dalam sel kulit.
G20 Clubbing of the rete ridges
Pengumpulan persambungan antara epidermis dan dermis yang berfungsi sebagai tempat penukaran nutrisi yang esensial.
G21 Elongation of the rete ridges
Pemanjangan persambungan antara epidermis dan dermis yang berfungsi sebagai tempat penukaran nutrisi yang esensial.
G22 Thinning of the
suprapapillary epidermis Mengecilnya lapisan suprapapillary G23 Spongiform pustules Timbunan sel neutrofil (sel darah putih)
di dalam dan diantara sel-sel epidermis. G24 Munro microabcess Nanah kecil akibat infeksi.
G25 Focal hypergranulosis Betambah banyaknya sel-sel stratum granulosum.
G26 Disappearance of the glanular layer
Menghilangnya lapisan granul (bintik-bintik)
G27 Vacuolization and damage of basal layer
Kerusakan pada lapisan dasar dalam rongga sitoplasma.
G28 Spongiosis Penumpukan cairan
G29 Saw-tooth appearance of retes
Munculnya struktur yang terdiri dari sebuah jaringan fibrosa atau mesh yang menyerupai gigi pemotong
G30 Follicular horn plug
Penyumbat berbentuk tanduk pada distribusi dermatosis yang mengacu pada perkembangan lesi individu dari folikel rambut
G31 Perifollicular parakeratosis Retensi inti dalam sel-sel lapisan epidermis yang melakukan proses
dimana sel mengangkut produk sekresi melalui sitoplasma ke membran plasma G32 Inflammatory monoluclear
infiltrate
Masuknya sel darah putih yang meradang
G33 Band-like infiltrate Segerombolan sel yang masuk kedalam lapisan sel kulit
1.6.2 Metode yang Digunakan
Dalam penelitian ini akan dilakukan pencarian hasil dari identifikasi penyakit kulit dengan metode berbasis kasus yaitu Case-Based Reasoning (CBR) dengan menggunakan pendekatan tetangga terdekat yaitu K-Nearest Neighbor.
K-Nearest Neighbor digunakan untuk membandingkan kasus yang baru didapat dari pasien dengan kasus terdahulu untuk melihat tingkat kecocokan dari kasus baru yang telah didapat dengan kasus yang sebelumnya pernah terjadi.
Pada CBR terdapat tahapan untuk mengenali kemiripan dari kasus baru dengan kasus lama sekaligus merupakan tahapan yang pertama kali memproses inputan yang diberikan oleh user yaitu retrieve. Pada tahap retrieve inilah algoritma K-Nearest Neighbor digunakan untuk mengenali tingkat kemiripan kasus digunakan dengan pendekatan jarak Euclidean Distance, Manhattan Distance, dan Adaptive Distance Measure. Untuk melakukan proses penghitungan similarity digunakan rumus sebagai berikut :
a. Euclidean Distance
( , ) = ∑ − ... (1) b. Manhattan Distance
( , ) = ∑ − ... (2) c. Adaptive Distance Measure
Pada Adaptive Distance Measure dilakukan pengitungan jarak menggunakan rumus Euclidean Distance kemudian dibagi dengan radius (r ). Penghitungan radius dilakukan dengan mencari nilai minimal dari hasil similarity kasus lama ke-i ( ) dengan kasus lama ke-l ( ) dengan syarat kasus lama l memiliki kelas yang berbeda dengan kasus lama ke-i. Berikut adalah rumusnya :
( , ) = ( , ) ... (3) = min ( , ) − ... (4) Keterangan : : Kasus Baru : Kasus Lama : Indeks Kasus
: Indeks Atribut Gejala : Dengan Jumlah Atribut = 34 : Indeks Radius
: Indeks Kasus Lama : Epsilon = 0,001
Tabel 1. 3 Contoh Kasus
Nama Gejala Bobot Pada Atribut Gejala
Erythema 3 2 2 2 2 2 3 Scaling 3 2 1 2 1 1 3 Definite borders 3 0 2 1 0 1 2 Itching 2 3 3 0 2 2 0 Koebner phenomenon 1 0 1 1 0 0 1 Polygonal papules 0 0 3 0 0 0 0 Follicular papules 0 0 0 0 0 3 0
Oral mucosal involvement 0 0 3 0 0 0 0
Knee and elbow involvement 1 1 0 0 0 1 2
Scalp involvement 1 0 0 0 0 2 2
Family history 1 0 0 0 0 0 1
Melanin incontinence 0 0 1 0 0 0 0
Eosinophils in the infiltrate 0 0 0 0 0 0 0
PNL infiltrate 1 0 0 0 0 1 0
Fibrosis of the papillary dermis 0 0 0 0 3 0 0
Exocytosis 1 3 1 3 1 0 0
Acanthosis 2 2 2 2 3 1 2
Hyperkeratosis 0 0 0 0 0 2 1
Parakeratosis 2 0 2 2 0 2 3
Clubbing of the rete ridges 2 0 0 0 0 0 3
Elongation of the rete ridges 2 0 0 0 2 1 3
Spongiform pustules 2 0 0 0 0 1 1
Munro microabcess 1 0 0 0 0 0 0
Focal hypergranulosis 0 0 2 0 0 0 0
Disappearance of the glanular layer 0 0 0 0 0 0 1
Vacuolization and damage of basal layer 0 0 2 0 0 0 0
Spongiosis 0 3 3 2 0 0 0
Saw-tooth appearance of retes 0 0 2 0 0 0 0
Follicular horn plug 0 0 0 0 0 1 0
Perifollicular parakeratosis 0 0 0 0 0 2 0
Inflammatory monoluclear infiltrate 1 1 2 2 2 1 2
Band-like infiltrate 0 0 3 0 0 0 0
Age 8 55 26 30 18 8 30
Kelas penyakit 1 2 3 4 5 6 7
Kelas penyakit 1 merupakan kelas penyakit Psoriasis, kelas 2 adalah Seboreic dermatitis, kelas 3 adalah Lichen planus, kelas 4 adalah Pityriasis rosea, kelas 5 adalah cronic dermatitis, kelas 6 adalah Pityriasis rubra pilaris, dan kelas 7 adalah kelas penyakit pada kasus baru yang belum diketahui.
Pada kasus kelas 1 memiliki 20 atribut gejala yang sama dengan kasus kelas 7, kasus kelas 2 memiliki 16 atribut gejala yang sama dengan kasus kelas 7, kasus kelas 3 memiliki 12 atribut gejala yang sama dengan kasus kelas 7, kasus kelas 4 memiliki 15 atribut gejala yang sama dengan kasus kelas 7, kasus kelas 5 memiliki 16 atribut gejala yang sama dengan kasus kelas 7, dan kasus kelas 6 memiliki 15 atribut gejala yang sama dengan kasus kelas 7. Dari beberapa kesamaan gejala diatas, kasus pada kelas 1 memiliki jumlah kesamaan gejala yang lebih tinggi yaitu 20 atribut gejala sama. Untuk lebih memastikan kemiripan dari kelas-kelas di atas dilakukan penghitungan nilai similarity.
Euclidean Distance : = (| − | ) + (| − | ) + ⋯ + (| − | ) = ⎷ ⃓ ⃓ ⃓ ⃓ ⃓ ⃓ ⃓ ⃓ ⃓ |3 − 3| + |3 − 3| + |2 − 3| + |0 − 2| + |1 − 1| + |0 − 0| + |0 − 0| +|0 − 0| + |2 − 1| + |2 − 1| + |1 − 1| + |0 − 0| + |0 − 0| + |0 − 1| +|0 − 0| + |0 − 1| + |2 − 2| + |1 − 0| + |3 − 2| + |3 − 2| + |3 − 2| +|2 − 2| + |1 − 2| + |0 − 1| + |0 − 0| + |1 − 0| + |0 − 0| + |0 − 0| +|0 − 0| + |0 − 0| + |0 − 0| + |2 − 1| + |0 − 0| + |1.2 − 0.32|
= 0 + 0 + 1 + 4 + 0 + 0 + 0 + 0 + 1 + 1 + 0 + 0 + 0 + 1 + 0 + 1 + 0 + 1 +1 + 1 + 1 + 0 + 1 + 1 + 0 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 0 + 0.774 = √501
= 4.216
Nilai kedekatan antara kasus pada kelas 7 dengan kasus kelas 1 adalah 22,383
Manhattan Distance: =(| − 1|)+(| − 2|) + ⋯ +(| − |) = |3 − 3| + |3 − 3| + |2 − 3| + |0 − 2| + |1 − 1| + |0 − 0| + |0 − 0| +|0 − 0| + |2 − 1| + |2 − 1| + |1 − 1| + |0 − 0| + |0 − 0| + |0 − 1| +|0 − 0| + |0 − 1| + |2 − 2| + |1 − 0| + |3 − 2| + |3 − 2| + |3 − 2| +|2 − 2| + |1 − 2| + |0 − 1| + |0 − 0| + |1 − 0| + |0 − 0| + |0 − 0| +|0 − 0| + |0 − 0| + |0 − 0| + |2 − 1| + |0 − 0| + |1.2 − 0.32| = 0 + 0 + 1 + 2 + 0 + 0 + 0 + 0 + 1 + 1 + 0 + 0 + 0 + 1 + 0 + 1 + 0 + 1 + 1 + 1 + 1 + 0 + 1 + 1 + 0 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 0 + 0.88 = 15.88
Jarak kedekatan antara kasus pada kelas 7 dengan kasus kelas 1 adalah 15.88
Adaptive Distance Measure
= /
= min ( − )
Setelah proses Retrieve selesai dilakukan, lalu akan dilanjutkan dengan proses Reuse yaitu menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru kemudian dilanjutkan dengan proses retain yaitu menyimpan informasi yang baru didapat.
1.6.3 Evaluasi dan Pengujian
Pada tahapan ini akan dilakukan pengujian sistem dengan melakukan beberapa kali percobaan untuk menguji sistem apakah hasil diagnosa sudah sesuai dengan dengan pakar. Untuk menguji keakuratan dari sistem dilakukan dengan perhitungan sebagai berikut :
= 100% ... (4)
Untuk melihat tingkat eror yang dihasilkan, hasil percobaan akan dimasukkan ke dalam grafik agar lebih mudah untuk membadingkan tingkat eror yang dihasilkan pada saat klasifikasi.
Gambar 1. 1 Grafik Tingkat Eror 0 0.2 0.4 0.6 0.8 1 1.2 K = 1 K = 1 8 K = 3 5 K = 5 2 K = 6 9 K = 8 6 K = 103 K = 120 K = 137 K = 154 K = 171 K = 188 K = 205 K = 222 K = 239 Tingkat Eror
Grafik Tingkat Eror
ED MD SADM
