IMPLEMENTASI SISTEM PAKAR DIAGNOSA PENYAKIT GIGI DAN MULUT MENGGUNAKAN METODE HYBRID CASE-BASED DAN RULE-BASED REASONING

(1)

IMPLEMENTASI SISTEM PAKAR DIAGNOSA PENYAKIT GIGI DAN MULUT

MENGGUNAKAN METODE HYBRID CASE-BASED DAN RULE-BASED REASONING

M. Abdurrachman Irfandi1, Ade Romadhony2, Siti Saadah3 1,2,3_{Prodi S1 Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom}

1_{ramen.clok@gmail.com ,}2_{aderomadhony@telkomuniveristy.co.id,}3_{sitisaadah@telkomuniversity.ac.id}

Abstrak

Kesehatan adalah poin terpenting dalam hidup kita. Terkadang kita lupa untuk menjaga tubuh kita, apalagi pada bagian-bagian tubuh yang terkecil seperti gigi dan mulut. Masyarakat di Indonesia khususnya cenderung untuk memeriksa gigi dan mulut ketika sudah mempunyai penyakit yang parah dan mengganggu aktivitas. Untuk itu, dibuatlah sebuah sistem pakar yang dapat mendeteksi penyakit gigi dan mulut. Pengertian dari sistem pakar adalah sebuah sistem yang bekerja seperti layaknya seorang ahli di bidangnya sehingga dapat membantu permasalahan yang ada dalam hidup. Sistem ini menggunakan metode Hybrid Rule Based-Case Based Reasoning di mana metode ini memiliki akurasi yang lebih baik dibandingkan metode yang berjalan sendiri. Rule Based-Case Based Reasoning akan mengolah gejala tersebut sehingga dapat dideteksi penyakit yang diderita pasien. Gejala tersebut juga diolah dengan Case Based Reasoning sehingga didapat penyebab dari penyakit tersebut. Solusi penyakit yang didapat dari Rule Based-Case Based Reasoning akan disaring dengan batasan Nilai Kesamaan (Similarity Value) yang ditentukan sehingga solusi yang ditampilkan adalah solusi yang mempunyai tingkat kemiripan yang besar. Adapun ketiga metode Nilai Kesamaan yang diterapkan disini adalah Jaccard Similarity, Hamming Similarity, dan Cosine Similarity. Dari hasil yang didapat, dengan menerapkan metode Hybrid Rule Based-Case Based Reasoning didapat akurasi lebih tinggi dibandingkan metode yang berjalan sendiri. Dari hasil juga didapat bahwa Cosine Similarity mempunyai hasil yang lebih baik dibandingkan kedua metode lainnya.

Kata kunci : hybrid, case-based reasoning, rule-based reasoning, sistem pakar, similarity value 1. Pendahuluan

Kesehatan saat ini merupakan poin terpenting dalam hidup, hal ini dikarenakan aktivitas kita dipastikan akan terganggu jika kita dalam keadaan kurang sehat. Terkadang kita sering melupakan kesehatan dan kebersihan badan kita, terlebih lagi pada daerah tubuh yang kecil, seperti gigi dan mulut. Suatu penyakit pada gigi dan mulut dapat menyerang siapa saja tanpa mengenal umur, jenis kelamin, dan wilayah. Penyakit pada gigi yang tidak terlihat tersebut bisa menjadi masalah besar jika tidak ditindaklanjuti dari dini. Sebagai contoh, Penyakit Karies pada gigi seringkali dianggap remeh oleh penderita karena tidak menimbulkan sakit pada gigi pada awalnya. Namun jika tidak diambil tindakan seperti ditambal atau dicabut, maka akan menimbulkan masalah yang lebih parah bahkan bisa mengenai saraf penderita.

Dokter gigi dalam hal ini mempunyai kemampuan untuk menganalisa gejala-gejala dari penyakit gigi yang diderita oleh penderita. Namun banyak sekali penderita mengabaikan gejala-gejala tersebut dan memilih tidak konsultasi ke dokter gigi. Hal ini sering terjadi karena banyak faktor, mulai dari hal yang ringan seperti sifat malas sampai kekurangan dana dan terlalu takut untuk konsultasi ke dokter gigi. Berdasarkan masalah diatas, penulis membuat sebuah sistem pakar yang mendeteksi penyakit-penyakit gigi dan mulut serta penyebab mengapa penyakit itu muncul, sehingga pengguna dapat menghindari peyebab untuk ke depannya. Sistem pakar ini menggabungkan dua buah metode, yaitu Case Based Reasoning dan Rule Based Reasoning. Metode hybrid ini perlu diterapkan karena selain mendapatkan akurasi lebih dibandingkan metode yang berdiri sendiri [1], juga dengan mudah menyelesaikan masalah yang kompleks seperti sistem desain pesawat, real-time monitoring system, dan diagnosa penyakit [2].

Dalam Sistem Pakar ini, Case Based Reasoning digunakan untuk menyelesaikan masalah-masalah dengan mengacu pada keadaan atau pola yang mirip dengan sebelumnya, lalu menggunakan kembali informasi dan pengetahuan yang dipakai pada keadaan tersebut [3]. Case Based Reasoning pada kasus ini akan mengunakan dataset pasien yang berisikan gejala-gejala yang di deritanya. Sedangkan Rule Based Reasoning, di representasikan dengan sebuah set aturan-aturan di otak manusia yang terstruktur dan lebih mudah diatur [1]. Aturan-aturan yang

(2)

ada di Rule Based Reasoning ini dibentuk dari wawancara terhadap pakar dan pembuatan pohon terhadap dataset pasien. Dengan metode hybrid antara Case Based Reasoning dengan Rule Based Reasoning diharapkan dapat menyelesaikan masalah secara efektif dan efisien dibandingkan dengan metode yang berdiri sendiri.

Tujuan yang ingin dicapai dalam penelitian ini meliputi tiga hal utama. Pertama adalah mengolah informasi tentang gejala-gejala penyakit gigi dan mulut yang ada. Kemudian menerapkan Rule Based Reasoning dan Case Based Reasoning kedalam sistem pakar diagnosa penyakit gigi dan mulut. Dan yang terakhir adalah mengevaluasi performansi dari Case Based Reasoning dan Rule Based Reasoning terhadap sistem pakar diagnosa penyakit gigi dan mulut. Adapun yang menjadi batasan masalah pada penelitian ini adalah penyakit yang akan didiagnosis bukan penyakit yang berhubungan dengan penyakit saraf dan penyakit dalam lainnya yang membutuhkan dokter spesialis lain. Mengenai penyebab penyakit, penyebab penyakit yang didiagnosis didapat dari hasil wawancara terhadap dokter gigi.

1. Penelitian Terkait 1.1 Sistem Pakar

Sistem pakar adalah sebuah sistem yang mengajarkan sebuah komputer agar komputer dapat menyelesaikan masalah seperti layaknya manusia yang ahli di bidangnya. Sistem pakar dirancang untuk menyelesaikan suatu permasalahan sesuai dengan bidang tertentu dan bekerja layaknya para ahli pada umumnya. Dengan demikian, sistem pakar ini akan membantu orang awam menyelesaikan masalahnya serta membantu para ahli sebagai asistennya.

Sistem pakar terdiri dari dua bagian utama [4], yaitu: Basis Pengetahuan (Knowledge Base) dan motor inferensi (inference engine). Basis Pengetahuan berisi pengetahuan-pengetahuan yang dapat menyelesaikan masalah pada bidang tertentu. Basis pengetahuan ini mempunyai dua pendekatan yang seringkali digunakan, yaitu Rule Based Reasoning dan case based reasoning.. Rule Based Reasoning merupakan penalaran berbasis aturan yang direpresentasikan dengan IF-THEN. Pendekatan ini digunakan ketika kita mempunyai banyak informasi mengenai pengetahuan dalam bidang tertentu. Pendekatan Rule Based Reasoning akan memperlihatkan langkah-langkah dalam pencapaian solusi. Sementara Case Based Reasoning merupakan penalaran berbasis kasus, yang berisi solusi-solusi yang pernah dicapai sebelumnya, lalu akan dipakai untuk permasalahan yang dialami sekarang. Pendekatan ini digunakan jika seorang pengguna memiliki kasus-kasus tertentu.

Sebagai pemroses basis pengetahuan adalah Motor Inferensi, dengan dua tipe pendekatan, yaitu forward chaining dan backward chaining. Forward chaining melakukan pencocokan pernyataan dimulai dari bagian IF dulu. Dengan demikian diketahui fakta untuk menguji kebenaran dari sebuah hipotesa. Sementara backward chaining melakukan pencocokan pernyataan dimulai dari bagian THEN dulu. Dengan demikian, kita harus mengambil sebuah hipotesa terlebih dahulu, lalu mencari fakta-fakta yang ada dalam basis pengetahuan untuk menguji hipotesa yang telah dibuat.

Bagian lain dari sistem pakar adalah working memory dan Explanation mechanism. Working memory adalah tempat penyimpanan data fakta yang dibutuhkan oleh Rule Based Reasoning seperti rules yang sudah ditentukan. Explanation mechanism Merupakan penjelasan berdasarkan sebuah kesimpulan dari hasil yang telah dicapai motor inferensi. Penjelasan tersebut biasanya menerangkan sebuah pembenaran bagaimana sebuah kesimpulan dapat ditarik.

1.2 Rule Based Reasoning dan Case Based Reasoning

Rule Based Reasoning (RBR) merupakan aturan-aturan logis di mana setiap aturannya didapat dari studi literatur dan informasi dari ahli tanpa melihat kasus yang dihadapi. Selain itu ada beberapa cara alternatif untuk memperoleh aturan tersebut menggunakan metode pembelajaran mesin berdasarkan data empiris yang ada[9]. Satu aturan direpresentasikan dengan: IF <kondisi> THEN <kesimpulan>, di mana setiap kondisi-kondisi dari aturan ke aturan yang lainnya terhubung satu dengan yang lain melalui penghubung logika seperti penghubung dan, atau, negasi, serta penghubung lainnya membentuk sebuah fungsi logis.

Implementasi Rule Based Reasoning akan dilakukan saat pencocokan gejala pasien yang terindikasi gejala penyakit. Gejala-gejala tersebut dicocokan dengan literatur berklausa if, dan mendapatkan output binaryyang nantinya akan dilihat kecocokannya antara penyakit satu dengan penyakit lainnya.

Case Based Reasoning (CBR) adalah salah satu penyelesaian masalah, di mana masalah tersebut diselesaikan dengan melihat pola atau keadaan yang telah terjadi sebelumnya. Secara formal, CBR mempunyai 4 langkah utama,

(3)

yaitu: retrieve, reuse, revise, dan retain. Pada langkah retrieve, kasus yang sebenarnya terjadi diambil. Sebuah kasus terdiri dari permasalahan, solusi dan langkah-langkah bagaimana permasalahan dapat dipecahkan. Permasalahan tersebut mempunyai pola dasar untuk memecahkan masalah yang nantinya bisa dipakai lagi jika menemukan masalah yang mirip dengan masalah ini nantinya. Kemudian pada langkah reuse, kasus yang sudah ada digunakan kembali, dengan cara menyesuaikan masalah dengan keadaan yang terjadi saat ini sehingga permasalahan saat ini mandapatkan solusi yang tepat. Setelah solusi diuji dan kurang memuaskan, solusi akan direvisi sampai menemukan solusi yang diinginkan pada langkah revise. Langkah terakhir adalah retain, di mana kasus akan disimpan bersamaan dengan solusi dan langkah pengerjaannya. Dengan demikian, jika ada permasalahan yang mirip dengan kasus tersebut, solusinya sudah ditemukan.

Implementasi Case Based Reasoning akan dilakukan saat pencocokan gejala pasien yang terindikasi gejala penyakit. Gejala-gejala tersebut dicocokan dengan kasus-kasus sebelumnya dimana kasus tersebut dikumpulkan sebagai binary point,hasil dari Case Based Reasoning ini akan mengeluarkan output binaryyang nantinya akan dilihat kecocokannya antara penyakit satu dengan penyakit lainnya.

1.3 Pengukuran Similaritas

Pengukuran similaritas digunakan sebagai alat dalam basis data seperti clustering dan anova, yang memiliki dua komponen utama pada molekul representasi dan kesamaan koefisien. Pengukuran similaritas merupakan pengambilan fungsi sepasang titik dimana akan ada titik balik pengembalian dari kesamaan nilai [5]. Adapun nilai yang dihasilkan dari pengukuran similaritas adalah nilai similaritas. Nilai similaritas adalah persepsi yang menganut pada satu set prinsip-prinsip yang kesamaannya dapat diterima. Nilai kesamaan merepresentasikan seberapa dekat jarak suatu titik dengan titik lainnya. Terdapat beberapa jenis pengukuran similaritas, di antaranya adalah : jaccard similarity, hamming similarity, dan cosine similarity.

Jaccard adalah suatu indeks yang menunjukkan derajat kesamaan antara suatu himpunan set data dengan himpunan set data yang lain. Dengan demikian nilai dari jaccard dapat diperoleh dari nilai irisan dari kedua himpunan dibagi dengan nilai gabungannya. Berikut rumus umum Jaccard Similarity:

(1)

A: Himpunan A

B: Himpunan B

A∩B: Irisan himpunan A dengan B

AUB: Gabungan himpunan A dengan B

Sementara Hamming Distance adalah penomoran yang digunakan untuk menunjukkan perbedaan antara dua string biner, yang merupakan sebagian kecil dari satu set yag lebih luas dari formula yang digunakan dalam analisis informasi. Secara khusus, formula Hamming yang memungkinkan komputer untuk mendeteksi dan mengoreksi kesalahan sendiri [6]. Hamming biasanya digunakan jika suatu string mempunyai panjang yang sama. Setiap karakter yang berbeda pada posisi yang sama, nilai dari Hamming ini akan bertambah. Contoh, String pada “ramen” dan “ramon” mempunyai nilai Hamming satu. Hal ini dikarenakan karakter “e” pada pada kata “ramen” berbeda dengan kata “ramon” di posisi yang sama.

Pengukuran kesamaan selanjutnya yang cukup populer adalah Cosine Similarity. Cosine menghitung nilai kosinus sudut antara 2 vektor, yang dalam hal ini text atau biner, dapat dilihat pada formula (2). Ukuran ini biasa dipakai dalam Information Retrieval, Machine Learning dan Klasifikasi Data Mining.

(2)

Nilai yang dihasilkan oleh Cosine Similarity berkisar antara 0 sampai 1, semakin besar nilainya maka sudut yang dihasilkan kedua vektor semakin kecil, semakin kecil sudut yang dihasilkan, semakin mirip teks yang dibandingkan [7].

(4)

Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membangkitkan pohon keputusan. Algoritma pada metode ini berbasis Occam’s razor, yaitu lebih memilih pohon keputusan yang lebih kecil dibanding yang lebih besar. Tetapi tidak dapat selalu menghasilkan pohon keputusan yang paling kecil dan karena itu Occam’s razor bersifat heuristik. Occams’s razor diformalisasi menggunakan konsep dari entropi informasi [8].

ID3 menggunakan rumus entropi, yaitu sebuah ukuran untuk mengukur ketidaktentuan dari keseluruhan data set. Hasil dari entropi akan digunakan untuk menghitung gain information di tiap kolom. Formula entropi dapat dilihat pada formula (3).

(3)

(4) Sedangkan formula gain information dapat dilihat pada formula (4). Pemilihan “root” pada ID3 dimulai dari mencari entropi dari suatu dataset, setelah itu nilai entropi digunakan untuk menghitung gain information tiap kolom. Kolom yang mempunyai nilai gain information paling besar akan dipilih menjadi “root”. Kolom yang menjadi akar dari ID3 disortir berdasarkan nilai kepositifannya. Nilai kepositifan dari kolom tersebut bergantung pada nilai entropi, jika nilai entropi tidak bernilai nol, maka iterasi pembuatan tree tetap dilanjutkan tanpa mengikutsertakan kolom akar. Pembuatan tree ini akan tetap berlangsung hingga entropi bernilai nol.

2. Implementasi dan Analisis Hasil 2.1 Dataset

Pada sistem pakar ini, pengujian akan menggunakan 3 buah dataset, yaitu : 1. Dataset kasus

Dataset ini digunakan sebagai knowledge base pada Case Based Reasoning untuk mendeteksi penyakit yang ada pada pasien. Data yang berjumlah 105 buah ini mencakup keseluruhan penyakit yang dapat dideteksi oleh sistem.

2. Dataset penyebab

Tabel 1. Hasil Pengujian Skenario 1

Diagnosis Benar Diagnosis Salah Akurasi

29 51 36,25%

Tabel 2: Hasil Pengujian Skenario 2

Diagnosis Benar Diagnosis Salah Akurasi

47 33 58,75%

Dataset ini digunakan sebagai knowledge base pada Case Based Reasoning untuk mendeteksi penyebab dari munculnya penyakit. Data ini berjumlah 34 buah mencakup 9 jenis penyebab yang dapat dideteksi sistem. 3. Dataset pengujian

Dataset ini digunakan untuk menguji sistem apakah dapat mendeteksi penyakit dan penyebab dengan benar. Data ini berjumlah 80 buah, mencakup keseluruhan penyakit dan penyebabnya.

2.2 Skenario Pengujian

Pengujian dilakukan untuk mengetahui performa sistem pakar yang sudah dibuat dan mengukur akurasi dalam mendeteksi penyakit dan penyebabnya. Akurasi dapat dihitung dari jumlah hasil diagnosis skenario pengujian dibandingkan dengan jumlah kasus pengujian. Hasil diagnosis yang diambil merupakan hasil diagnosis yang memiliki similarity value lima terbaik. Hasil diagnosis dianggap benar ketika solusi penyakit dan penyebab yang di dapat dari hasil pengujian sama dengan data, sedangkan hasil diagnosis dianggap salah ketika hasil diagnosis salah, tidak masuk ke dalam kategori lima terbaik, atau tidak muncul sama sekali.

(5)

1. Implementasi sistem pakar menggunakan Rule Based Reasoning (RBR) menggunakan rule bedasarkan hasil wawancara.

2. Implementasi sistem pakar menggunakan Rule Based Reasoning (RBR) menggunakan rule bedasarkan hasil pembuatan ID3 decision tree.

3. Implementasi sistem pakar menggunakan Hybrid Rule Based –Case Based Reasoning dengan Jaccard similarity.

4. Implementasi sistem pakar menggunakan Hybrid Rule Based –Case Based Reasoning dengan Hamming similarity.

5. Implementasi sistem pakar menggunakan Hybrid Rule Based –Case Based Reasoning dengan Cosine similarity. 6. Implementasi Case Based Reasoning dalam mendeteksi penyebab.

Skenario tersebut menggunakan data uji sebanyak 80 buah yang berisi data gejala, penyakit dan penyebabnya. Data gejala yang berisi 60 buah nilai biner. nol (0) merepresentasikan bahwa pasien tidak memiliki gejala tersebut dan satu (1) merepresentasikan bahwa pasien memiliki gejala tersebut.

2.3 Analisis Hasil Pengujian

Pada skenario pertama, data uji dicocokkan dengan rule yang sudah dibuat berdasarkan hasil wawancara dengan drg. Hidayati. Sebuah kasus dianggap benar ketika hasil diagnosis yang muncul sama dengan data uji dan kasus benilai salah ketika hasil diagnosis yang muncul berbeda dengan data uji atau tidak muncul. Hasil pengujian dari skenario pertama dapat dilihat pada Tabel 1. Banyaknya diagnosis bernilai salah dikarenakan rule yang dibuat berdasarkan hasil dari wawancara, sebuah penyakit mempunyai gejala yang detail. Hal ini membuat suatu kasus pasti bernilai salah jika ada salah satu yang tidak memenuhi rule yang dibuat. Dengan demikian akurasi dari skenario ini menempati urutan paling kecil diantara skenario lain, bernilai 36,25%.

Pengujian pada skenario kedua dilakukan untuk mengetahui dan mengukur performa sistem pakar jika hanya memakai Rule Based Reasoning saja seperti yang dilakukan pada skenario pertama. Namun pada skenario ini, data uji

akan dicocokkan dengan rule yang sudah dibuat menggunakan ID3. Kasus dianggap benar ketika hasil diagnosis yang muncul sama dengan data uji dan kasus benilai salah ketika hasil diagnosis yang muncul berbeda dengan data uji atau tidak muncul. Hasil pengujian dari skenario kedua dapat dilihat pada Tabel 2. Hasil pengujian menunjukkan peningkatan dari skenario 1 walaupun hasil diagnosis salah masih terlihat banyak dan jauh dari ekspektasi. Banyaknya diagnosis yang bernilai salah disebabkan karena rule yang dibuat berdasarkan pohon keputusan ID3 memiliki data pembelajaran yang kurang banyak. Hal ini membuat pohon yang dihasilkan kurang spesifik. Selain itu, Rule Based Reasoning hanya menghasilkan satu solusi pada tiap inputnya.

Kemudian pengujian pada skenario 3 dilakukan untuk mengetahui dan mengukur performa sistem pakar jika memakai Hybrid Rule Based-Case Based Reasoning dengan menggunakan Jaccard similarity pada Case Based Reasoning. Pengujian kali dilakukan empat kali, dengan empat nilai batasan yang berbeda berdasarkan nilai toleransi gejala yang berbeda dalam satu kasus. Hal ini dilakukan untuk menyaring solusi yang muncul. Berdasarkan

No Nilai batasan Diagnosis benar Diagnosis salah Akurasi

1 0.983 60 20 75%

2 0.966 70 10 87.5%

3 0.95 75 5 93.75%

4 0.933 76 4 95%

1 1 60 20 75%

2 2 70 10 87.5%

3 3 75 5 93.75%

4 4 76 4 95%

(6)

1 0.9 49 31 61,25%

2 0.8 60 20 75%

3 0.7 68 12 85%

4 0.6 72 8 90%

No Similarity Diagnosis benar Diagnosis salah Akurasi

1 Jaccard 59 21 73,75%

2 Hamming 59 21 73,75%

3 Cosine 63 17 78,75%

hasil pengujian tersebut, dapat dilihat bahwa metode Hybrid pada pengujian ini mendapatkan diagnosis benar lebih besar dibandingkan metode Rule Based Reasoning sendiri. Hasil pengujian dapat dilihat pada Tabel 3. Hal ini dikarenakan metode Hybrid saling memberikan solusi sehingga pemilihan solusi jadi lebih banyak dibandingkan metode yang berdiri sendiri.

Pada pengujian skenario keempat, diimplementasikan Hybrid Rule Based-Case Based Reasoning dengan menggunakan Hamming similarity pada Case Based Reasoning. Pengujian kali dilakukan empat kali, dengan empat nilai batasan yang berbeda berdasarkan nilai toleransi gejala yang berbeda. Asumsi ini ditetapkan karena untuk

Hamming similarity, setiap satu data yang berbeda akan ditambah nilainya sehingga dalam kasus ini setiap satu data yang berbeda akan ditambah 1. Hasil pengujian pada skenario keempat dapat dilihat pada Tabel 4. Dapat dilihat bahwa hasil pengujian skenario 3 dengan skenario 4 ini tidak jauh berbeda.

Skenario berikutnya yaitu dengan menggunakan cosine similarity, juga dilakukan empat kali, dengan empat nilai batasan yang berbeda. Keempat nilai ini muncul karena pada Cosine Similarity, nilai similarity tidak hanya bergantung pada kemiripan datanya saja, namun juga banyaknya data yang diinputkan nantinya. Hasil pengujian dari skenario kelima dapat dilihat pada Tabel 5.

Hasil pengujian skenario terakhir untuk mengetahui dan mengukur performa sistem pakar jika memakai Case Based Reasoning untuk mendeteksi penyebab penyakit pada pasien dapat dilihat pada Tabel 6. Pengujian dilakukan tiga kali, dengan tiga metode pengukuran kesamaan yang berbeda, yaitu Jaccard, Hamming dan Cosine Similarity. Hasil diagnosis yang muncul didapat dari nilai similarity yang terbaik.Berdasarkan hasil pengujian yang dilakukan pada sistem pakar menggunakan Case Based Reasoning dalam mendeteksi penyebab, bisa dilihat bahwa Case Based Reasoning dengan Cosine Similarity memiliki nilai lebih besar dibandingkan metode Similarity lainnya. Hal ini berbanding terbalik dengan skenario-skenario sebelumnya yang memperlihatkan akurasi Cosine Similarity lebih rendah dibandingkan Jaccard Similarity dan Hamming Similarity. Tingginya akurasi Cosine Similarity disini membuktikan bahwa Cosine Similarity tergolong lebih handal dalam memproses suatu kasus persamaan. Berbeda dengan Jaccard Similarity dan Hamming Similarity yang hanya dipengaruhi pada banyaknya gejala yang sama,

Cosine Similarity juga dipengaruhi oleh banyaknya inputan gejala yang dimasukkan user. Hal ini membuat Cosine Similarity menghasilkan nilai yang lebih variatif.

3. Kesimpulan

Berdasarkan pengujian dan analisis yang telah dilakukan, maka dapat disimpulkan bahwa Rule Based Reasoning menggunakan ID3 mempunyai akurasi lebih baik dibandingkan Rule Based Reasoning menggunakan

hasil wawancara. Hal ini dikarenakan hasil wawancara mempunyai rule dengan gejala yang lebih detail dibandingkan menggunakan ID3 yang menyederhanakan pohon keputusan. Kemudian sistem pakar dengan menggunakan metode Hybrid Rule Based-Case Based Reasoning memiliki akurasi lebih tinggi dibandingkan sistem pakar dengan metode Rule Based Reasoning saja. Hal ini dikarenakan solusi yang dimunculkan metode Hybrid Rule Based-Case Based Reasoning lebih banyak dibandingkan dengan Rule Based Reasoning sendiri sehingga solusi yang akan dipilih lebih banyak. Yang terakhir adalah Cosine Similarity memiliki akurasi lebih tinggi dibandingkan dengan Jaccard Similarity dan Hamming Similarity. Hal ini dikarenakan faktor yang mempengaruhi Cosine Similarity tidak hanya jumlah gejala yang sama, namun juga banyaknya gejala yang diinputkan oleh user sehingga nilai yang dihasilkan lebih variatif.

(7)

Untuk pengembangan selanjutnya dapat dilakukan penambahan data untuk pembuatan rule pada Rule Based Reasoning dengan ID3 sehingga pohon keputusan yang terbentuk lebih akurat. Hal serupa juga dapat dilakukan pada metode Case Based Reasoning, yaitu penambahan case. Kemudian pemilihan data untuk tiap penyakit diharapkan merata sehingga tidak timpang antara penyakit satu dan penyakit lain. Dan yang terakhir adalah penentuan lebih lanjut pada nilai batasan pada Cosine Similarity di pengujian agar solusi yang muncul lebih banyak.

Daftar Pustaka:

[1] Phuong, N.H., Prasad, Nadipuram R., Hung, Dang H., Drake, Jeffery T. Approach to Combining Case Based Reasoning with Rule Based Reasoning for Lung Disease Diagnosis. IFSA World Congress and 20th NAFIPS International Conference. 2001.

[2] Prentzas, J., Hatzilygeroudis, L. Categorizing Approaches Combining Rule-Based And Case-Based Reasoning. The Authors: Journal Compilations . 2007.

[3] Kumar, S., Raj, Dharm. A Contemporary Approach to hybrid Expert System. International Conference on Computer & Comunication Technology. 2010.

[4] Tiwari, M., Mishra, B. Application of Cluster Analysis in Expert System – A Brief Survey. IJCSI International Journal of Computer Science Issues Vol. 8. 2011.

[5] Ali, Yahya Ali Abdelrahman. Fusion of Similarity Measures Using Genetic Algorithm for Searching Chemical Database. Universiti Teknologi Malaysia.2007.

[6] Kulsh Restha, Anunay. On the Hamming distance between base-n representations of whole numbers. Delhi Public School, Dwarka.2012.

[7] Qian, Gang., Sural, Shamik., Gu, Yuelong., Pramanik, Sakti. Similarity between Euclidean and cosine angle distance for nearest neighbor queries. Michigan State University. 2003.

[8] Setiawan, Bambang. Perancangan Sistem Pendukung Keputusan (SPK) untuk Menentukaan kelaiklautan Kapal. 2008.