1 1.1 Latar Belakang Masalah
Salah satu hewan ternak yang paling banyak diternakkan adalah unggas. Unggas memberikan banyak manfaat dan keuntungan, antara lain dapat dimanfaatkan dagingnya, telurnya, bulunya, suaranya, dan sebagainya. Salah satu hewan unggas yang banyak dternakkan adalah ayam. Terdapat dua jenis golongan ayam, yaitu ayam pedaging dan ayam petelur. Kedua jenis ayam ini paling banyak memiliki peranan dalam kehidupan manusia. Misalnya untuk dikonsumsi dagingnya atau telurnya. Sama dengan hewan ternak lain, unggas jenis ayam ini mempunyai bermacam jenis penyakit.
Ada banyak jenis penyebab penyakit yang menyerang ayam, antara lain yang disebabkan oleh virus, bakteri, protozoa, maupun jamur. Salah satu penyakit pada ayam yang disebabkan oleh virus adalah Avian Influenza atau yang sering disebut sebagai flu burung. Berdasarkan laporan tim Technical Support Medion diketahui bahwa sejak tahun 2012 hingga 2014, total kasus Avian Influenza yang menyerang peternakan ayam pedaging dan petelur menunjukkan tren peningkatan yang cukup signifikan (Anonim, 2015). Begitu juga untuk penyakit Newcastle Disease, Infectious Bursal Disease atau yang sering disebut sebagai penyakit gumboro yang selalu menempati 10 besar rangking penyakit dan menyerang semua umur ayam.
Penyakit pada unggas tidaklah asing bagi peternak, namun merupakan kendala yang sering dihadapi peternak. Para peternak kadang tahu bila ternaknya terserang penyakit, tetapi peternak tidak tahu penyakit apa yang sedang menyerang ternaknya serta bagaimana mengatasinya. Sehingga untuk mengetahui penyakit yang sedang menyerang ternak dibutuhkan seorang pakar yang dalam hal ini adalah dokter hewan. Namun pada kenyataannya para penyuluh atau dokter tidak selalu ada ketika dibutuhkan karena terbatasnya tenaga ahli. Hal ini bila
tidak segera ditangani besar kemungkinan ternak yang lain akan tertular sehingga berujung pada kematian.
Perkembangan teknologi komputer yang semakin cepat, mendorong manusia untuk memanfaatkan teknologi tersebut dalam membantu menyelesaikan permasalahan. Dalam perkembangan komputer, para ahli mencoba untuk meniru sistem kerja pada kecerdasan otak manusia, sehingga diharapkan dapat menghasilkan sistem komputer yang memiliki kemampuan berpikir layaknya manusia. Pada ilmu komputer, hal ini dikenal dengan istilah kecerdasan buatan (artificial intelligent).
Ide dasar dari CBR meniru kemampuan manusia, yaitu menyelesaikan masalah baru menggunakan jawaban atau pengalaman dari masalah lama. Penyajian pengetahuan (knowledge representation) dibuat dalam bentuk kasus-kasus (cases). Setiap kasus-kasus berisi masalah dan jawaban, sehingga kasus-kasus lebih mirip dengan suatu pola tertentu. Cara kerja CBR adalah dengan membandingkan kasus baru dengan kasus lama, jika kasus baru tersebut mempunyai kemiripan dengan kasus lama maka CBR akan memberikan jawaban kasus lama untuk kasus baru tersebut. Jika tidak ada yang cocok maka CBR akan melakukan adaptasi, dengan cara memasukkan kasus baru tersebut ke dalam database penyimpanan kasus (case base), sehingga secara tidak langsung pengetahuan CBR akan bertambah. Kelebihan utama dari CBR dibandingkan dengan sistem berbasis aturan (rule base sistem) adalah dalam hal akuisisi pengetahuan, dimana pada sistem CBR dapat menghilangkan kebutuhan untuk ekstrak model atau kumpulan dari aturan-aturan, seperti yang diperlukan dalam model atau sistem yang berbasis aturan. Akuisisi pengetahuan pada CBR terdapat pada kumpulan pengalaman atau kasus-kasus sebelumnya. Selain itu, dengan CBR penalaran tetap dapat dilakukan jika ada data yang tidak lengkap atau tidak tepat. Ketika proses retrieval dilakukan, ada kemungkinan antara kasus baru dengan kasus lama pada basis kasus tidak mirip. Namun, dari ukuran kemiripan tersebut tetap dapat dilakukan penalaran dan melakukan evaluasi terhadap ketidaklengkapan atau ketidaktepatan data yang diberikan (Pal dan Shiu, 2004).
Jika kasus lama yang telah ada pada basis kasus (case base) memiliki jumlah yang banyak, maka akan muncul kendala dalam lamanya waktu yang diperlukan untuk memperoleh hasil dari proses pencarian kasus yang mirip karena sistem harus menghitung nilai kemiripan kasus baru terhadap semua kasus lama yang telah ada. Oleh karena itu, diperlukan proses indexing, yaitu proses pengelompokkan kasus yang ada berdasarkan fitur yang ditentukan. Proses indexing dilakukan agar pada saat proses pencarian kasus yang mirip pada kasus baru sistem CBR cukup menghitung nilai kemiripan terhadap kasus yang ada pada kelompok yang sama dengan kasus baru tersebut. Diharapkan dengan adanya proses indexing, sistem dapat melakukan efisiensi waktu dan memori.
Proses indexing dapat dilakukan dengan menggunakan metode pengelompokkan data menggunakan Algoritma C4.5 yang merupakan algoritma untuk membentuk suatu pohon keputusan. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil. Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain (Berry dan Linoff, 2004). Dengan menggunakan Algoritma C4.5 daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik. Pemilihan root pada algoritma ini dilakukan menggunakan hasil perhitungan entropy dan gain yang tertinggi.
Proses mencari kedekatan atau kemiripan antara kasus baru dengan kasus lama untuk memperoleh solusi terhadap kasus baru pada CBR dapat menggunakan berbagai macam metode, dimana metode ini akan mempengaruhi keberhasilan dari CBR. Salah satu metode yang dapat digunakan dalam mencari kedekatan atau kemiripan kasus baru dengan kasus lama adalah Cosine Similarity. Metode ini mengkorelasikan dua objek variabel kontinue yang mempunyai hubungan liniear diantara atribut pada suatu objek.
Berdasarkan uraian diatas, penulis bermaksud untuk melakukan penelitian berkaitan dengan diagnosa penyakit pada unggas yang akan diimplementasikan dalam bentuk CBR yang dapat digunakan oleh kalangan peternak untuk bisa berkonsultasi melalui komputer mengenai penyakit yang diderita pada unggas.
Diharapkan penelitian ini dapat memberikan suatu gambaran model yang dapat membantu melakukan proses diagnosa secara cepat dan tepat.
Aplikasi ini bisa digunakan untuk membantu seorang pakar dan peternak dalam mengidentifikasi penyakit dan memberi cara penanggulangannya. Hal ini tidak berarti menggantikan kedudukan dokter, tetapi hanya membantu dalam mengkonfirmasikan keputusannya, karena mungkin bisa terdapat banyak alternatif yang harus dipilih secara tepat.
1.2 Perumusan Masalah
Masalah yang diangkat dalam penelitian ini adalah bagaimana mendiagnosa penyakit pada unggas dengan melihat kasus-kasus sebelumnya dengan penalaran berbasis kasus (case-based reasoning) menggunakan Algoritma C4.5 sebagai proses indexingnya dan Cosine Similarity sebagai proses similaritasnya.
1.3 Batasan Masalah
Dengan tetap mempertahankan keutuhan dari pokok permasalahan yang telah dikemukakan diatas dan memperjelas ruang lingkup permasalahan yang dibahas dalam penelitian, maka dibuat batasan-batasan dalam penelitian ini. Adapun batasan-batasan yang ada adalah :
1. Unggas yang diteliti adalah jenis ayam petelur dan ayam pedaging 2. Nilai gejala pada representasi kasus ditentukan oleh pakar
3. Setiap gejala bisa bernilai : tidak, sedikit, cukup, atau ya dengan masing-masing diwakili oleh nilai 0, 0.33, 0.67, atau 1.
4. Proses diagnosa tidak menggunakan data hasil pemeriksaan laboratorium
5. Algoritma C4.5 digunakan dalam proses pengindeksan dan metode Cosine Similarity digunakan untuk proses similarity
1.4 Keaslian Penelitian
Sejauh ini penelitian tentang diagnosis penyakit pada unggas telah banyak dilakukan, demikian pula penelitian untuk mengimplementasikan case-based
reasoning pada berbagai bidang dengan menggunakan metode tertentu. Sedangkan penerapan metode Algoritma C4.5 juga telah banyak dilakukan peneliti terdahulu.
Berdasarkan hasil studi kepustakaan yang dilakukan, belum ditemukan adanya penelitian tentang case-based reasoning untuk mendiagnosa penyakit unggas menggunakan Algoritma C4.5 dan Cosine Similarity.
1.5 Tujuan Penelitian
Penelitian ini bertujuan untuk membangun sistem case-based reasoning sebagai diagnosis penyakit pada unggas dengan memanfaatkan Algoritma C4.5 sebagai teknik indexing dan metode Cosine Similarity sebagai teknik similaritynya untuk mendiagnosa penyakit pada unggas.
1.6 Manfaat Penelitian
Penelitian ini diharapkan dapat :
1. Sebagai salah satu media pendukung bagi para dokter hewan dan peternak dalam menganalisa penyakit pada unggas.
2. Sebagai referensi bagi para peneliti selanjutnya yang berkeinginan untuk mengembangkan case-based reasoning dengan metode indexing dan similarity yang berbeda.
1.7 Metodologi Penelitian
Penelitian ini dilakukan dengan beberapa tahapan, yaitu: 1. Studi Pustaka dan Pengumpulan Data
Peneliti mendapatkan pengetahuan dengan membaca literatur seperti artikel, jurnal yang berkaitan dengan penalaran berbasis kasus, sedangkan untuk penyakit pada unggas didapat dari buku-buku penyakit pada unggas, artikel-artikel yang berhubungan dengan penyakit unggas, juga melibatkan diskusi dengan para peternak dan dokter hewan untuk mengetahui lebih dalam mengenai penyakit pada unggas berdasarkan gejala-gejala maupun
tanda-tanda gangguan dan cara pengendalian terhadap penyakit yang diidentifikasi.
Pengumpulan data yang dibutuhkan pada penelitian ini dilakukan di Balai Besar Veteriner Wates. Dimana terdapat diagnosis penyakit serta faktor lainnya yang dibutuhkan dalam mendiagnosis penyakit unggas. Selain itu dilakukan juga wawancara dengan pakar yaitu dokter hewan untuk mendapatkan pengetahuan serta pengalaman mengenai bagaimana mendiagnosis penyakit pada unggas.
2. Analisa dan Perancangan Sistem
Pada tahap ini akan dilakukan analisis terhadap data-data yang ada (berupa kasus) untuk dipilih dan digunakan sebagai basis kasus dan menentukan fitur-fitur yang digunakan sebagai penalaran kasus.
Pada perancangan akan dilakukan tahapan-tahapan sebagai berikut: a. Representasi Kasus
Menentukan fitur-fitur dari kasus yang akan dijadikan sebagai case base.
b. Perancangan metode untuk indexing dan retrieval untuk mengukur similaritas antara kasus dengan metode Algoritma C4.5 dan Cosine Similarity.
c. Perancangan Basis Data
Pembuatan tabel dan relasi antar tabel yang diperlukan sistem. d. Perancangan Antarmuka
3. Implementasi
Tahap ini melakukan implementasi dari hasil rancangan dan kasus data pada tahap sebelumnya menjadi sistem perangkat lunak.
4. Pengujian
Tahap ini akan melakukan uji coba dari perangkat lunak yang dibuat terhadap data kasus nyata.
5. Evaluasi dan Perbaikan Kesalahan
Pada tahap ini dilakukan evaluasi terhadap aplikasi yang sudah dibuat, apakah sesuai dengan yang diharapkan, apabila masih ada kesalahan maka dilakukan penyesuaian-penyesuaian sesuai kebutuhan.
6. Hasil dan Penyusunan Laporan
Tahap ini akan memberikan hasil dan laporan dari penelitian yang telah diteliti.
1.8 Sistematika Penulisan
Penulisan Tesis ini akan dibagi dalam 7 bab, dengan rincian masing-masing sebagai berikut :
BAB I. PENDAHULUAN
Dalam pendahuluan ini membahas mengenai latar belakang penelitian, perumusan masalah, batasan masalah, tujuan penelitian, keaslian penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan penelitian.
BAB II. TINJAUAN PUSTAKA
Pada bab ini akan diuraikan secara sistematis tentang penelitian yang terdahulu dan menghubungkan dengan penelitian yang sedang dilakukan. BAB III. LANDASAN TEORI
Pembahasan dalam landasan teori meliputi teori-teori yang digunakan dalam penelitian yaitu penalaran berbasis kasus, Algoritma C4.5, Cosine Similarity, dan penyakit unggas.
BAB IV. ANALISA DAN PERANCANGAN SISTEM
Dalam bab ini akan dibahas mengenai rancangan sistem penalaran berbasis kasus untuk diagnosa penyakit unggas.
BAB V. IMPLEMENTASI SISTEM
Di dalam bab ini berisi implementasi dari rancangan sistem yang sudah dibuat sebelumnya.
BAB VI. HASIL DAN PEMBAHASAN
Dalam bab ini membahas hasil dari implementasi yang sudah dilakukan dan di dalam bab ini juga ditampilkan hasil dari implementasi.
BAB VII. KESIMPULAN DAN SARAN
Dalam bab terakhir ini berisi kesimpulan dari penelitian dan juga diberikan saran-saran yang mungkin bisa dipertimbangkan untuk dapat menghasilkan suatu sistem penalaran berbasis kasus yang baik.
