12 Institut Teknologi Nasional BAB II
LANDASAN TEORI
Pada BAB II ini menjelaskan landasan teori yang berkaitan dengan penelitian Perbandingan Algoritma Similarity (Nearest Neighbor dan 3w-Jaccard) Untuk Mendiagnosis Penyakit Gigi dan Mulut Menggunakan Metode Case-Based Reasoning.
2.1. Gigi dan Mulut
Gigi adalah salah satu alat pengunyahan dan organ wicara pada sistem pencernaan dalam tubuh manusia. Sedangkan mulut adalah suatu rongga terbuka tempat masuknya makanan dan air yang bisa menjadi tempat ideal perkembangbiakan bakteri karena temperature dan kelembabannya. Menurut (Nurzaman, Destiani, & Dhamiri, 2012) gigi dan mulut adalah salah satu organ tubuh yang penting untuk dijaga kesehatanya. Jika kita tidak mementingkan kesehatan atau perawatan sejak dini mengenai gigi dan mulut maka akan menimbulkan penyakit-penyakit berbahaya yang bisa akan menyerang organ-organ tubuh yang lainnya yang ada pada tubuh manusia seperti halnya saraf, telinga, kulit, dan lain sebagainya. Menurut (Chuang, 2016) kurangnya pengetahuan terhadap kesehatan gigi dan mulut serta terbatasnya sumber informasi adalah penyebab rendahnya kesadaran masyarakat terhadap kesehatan gigi dan mulut. Mahalnya biaya juga merupakan faktor penyebab masyarakat enggan untuk konsultasi maupun memeriksakan kesehatan gigi dan mulut ke dokter gigi.
2.2. Case – Based Reasoning
Case Based Reasoning (CBR) adalah metode untuk menyelesaikan masalah dengan mengingat kejadian-kejadian yang sama/sejenis yang pernah terjadi di masa lalu kemudian menggunakan pengetahuan atau informasi tersebut untuk menyelesaikan masalah yang baru (Eka Wahyudi, 2017), atau dengan kata lain menyelesaikan masalah dengan mengadopsi solusi-solusi yang pernah digunakan di masa lalu. Menurut (Putri, Andreswari, & Efendi, 2016) terdapat empat proses yang terjadi pada metode CBR dalam menyelesaikan masalah seperti Gambar 3 dibawah ini :
Institut Teknologi Nasional | 13 2.2.1. Tahapan Retrieve (Memperoleh Kembali)
Mendapatkan/memperoleh kembali kasus yang paling menyerupai dengan kasus yang baru. Tahap retrieve ini dimulai dengan menggambarkan atau menguraikan sebagian masalah, dan diakhiri jika ditemukannya kecocokan terhadap masalah sebelumnya yang tingkat kecocokannya paling tinggi. Tahapan ini menggunakan algoritma similarity pada proses menemukan nilai kemiripan antara kasus lama dan kasus baru yang telah tersimpan di dalam database.
2.2.2. Tahapan Reuse (Menggunakan Kembali)
Pada tahapan ini sistem akan menggunakan informasi permasalahan sebelumnya yang memiliki kesamaan permasalahan untuk meyelesaikan permasalahan yang baru dan mengunakan kembali informasi dan pengetahuan sebelumya untuk menyelesaikan masalah yang baru. Pada tahapan reuse yang akan dilakukan adalah menyalin, menyeleksi dan melengkapi informasi yang akan
Gambar 3 Proses Case Based Reasoning (Sumber Putri, 2016)
Institut Teknologi Nasional | 14 digunakan selanjutnya. Kriterianya adalah kasus sebelumya yang memiliki kemiripan paling tinggi dengan kasus baru yang nantinya akan disarankan sebagai solusinya. Tidak semua permasalahan yang sebelumnya memiliki kemiripan masalah, oleh karena itu diperlukan adanya nilai kemiripan untuk mempermudah dalam menentukan data yang memiliki kemiripan tertinggi.
2.2.3. Tahapan Revise (Meninjau Kembali / Memperbaiki)
Pada proses ini informasi mengenai solusi yang diberikan akan dikalkulasi, dievalusasi, dan diperbaiki kembali untuk meminimalisir kesalahan-kesalahan yang terjadi pada permasalahan baru.
2.2.4. Tahapan Retain (Menyimpan)
Pada proses ini solusi akan diindekskan, diintegrasikan, dan mengekstrak solusi yang baru dan selanjutnya disimpan dalam knowledge base untuk menyelesaikan permaslahan selanjutnya. Proses ini tidak mereplace knowledge lama dengan yang baru, namun menambahkannya untuk diseleksi kembali ketika terjadi permasalahan baru dan yang pasti adalah persamaan permasalahan yang diseleksi.
2.3. Klasifikasi
Klasifikasi merupakan salah satu topik utama dalam data mining atau machine learning. Klasifikasi adalah suatu pengelompokan data di mana data yang digunakan tersebut mempunyai kelas label atau target, proses klasifikasi ini menerapkan algoritma similarity. Sehingga algoritma tersebut dapat menyelesaikan masalah klasifikasi dikategorisasikan ke dalam supervised learning atau pembelajaran yang diawasi.
2.3.1. Nearest Neighbor
Nearest Neighbor adalah sebuah algoritma klasifikasi terhadap sekumpulan data dalam data (latih) yang paling dekat (mirip) dengan objek pada data baru (uji).
Nearest neighbor melakukan pendekatan untuk mencari kemiripan dengan menghitung nilai kemiripan antara kasus baru dengan kasus lama (Muliana,
Institut Teknologi Nasional | 15 Abdillah, & Komarudin, 2018). Nilai kemiripan tersebut diperoleh dari proses perhitungan dengan mendefinisikan bobot dari fitur atau atribut yang dijadikan parameter. Nilai kemiripan berada pada rentang 0 sampai 1. Suatu kasus baru dikatatakan memiliki tingkat kemiripan yang tinggi/mirip dengan kasus lama apabila bernilai 1 dan memiliki tingkat kemiripan yang rendah/tidak mirip apabila bernilai 0. Pada algoritma ini dipilih karena nilai K tetangga pada algoritma ini di inisialisasikan sebesar 1, maka algoritma ini sangat non-linear yang memiliki kelebihannya adalah garis keputusan kelas yang dihasilkan model tersebut bisa jadi sangat fleksibel dan non-linear serta algoritma ini pun mudah di implementasikanya. Untuk menghitung kemiripan kasus, digunakan persamaan 1 sebagai berikut :
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝑁𝑒𝑎𝑟𝑒𝑠𝑡 𝑁𝑒𝑖𝑔ℎ𝑏𝑜𝑟 (𝑝, 𝑞)(s1 x w1)+(s2 x w2)+⋯+(sn x wn)
𝑤1+𝑤2+⋯+𝑤𝑛 ...(1) Keterangan :
p : Kasus baru (Diagnosis baru berupa nama gejala)
q : Kasus lama (yang ada dalam penyimpanan / case (database) ) w : weight (bobot yang diberikan pada atribut ke-i)
s : nilai kemiripan antara kasus baru dan kasus lama (1-0)
2.3.2. 3W-Jaccard
Algoritma Similaritas 3W-Jaccard merupakan algoritma yang digunakan untuk mencari kesamaan atau kemiripan suatu permasalahan, dengan perhitungan yang didalamnya memiliki rumus untuk pemecahan permasalahan. Sederhananya perhitungan algoritma ini akan ditambah dengan pembobotan nilai tertentu untuk menambah nilai kemiripan. Pada algoritma 3W-Jaccard ini menghasilkan nilai similaritas paling tinggi, hal ini disebabkan dilakukan peningkatan nilai ‘a’ sebesar tiga kali (Pratama, Wibisono, & Nurraharjo, 2019). Berikut persamaan 2 untuk algoritma similaritas 3w-jaccard:
Institut Teknologi Nasional | 16
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 3𝑤𝐽𝑎𝑐𝑐𝑎𝑟𝑑 =
3a3𝑎+𝑏+𝑐 ...(2) Keterangan :
3 = bilangan angka untuk dikalikan.
a = nilai dari persamaan yang ada pada kasus baru dan kasus yang lama.
b = nilai persamaan kasus yang ada di kasus lama tapi tidak untuk kasus baru.
c = nilai persamaan yang tidak ada di kasus lama tapi ada untuk kasus yang baru.
2.4. Parameter Jenis Penyakit Gigi dan Mulut
Pada langkah ini mengumpulkan data mengenai jenis penyakit gigi dan mulut melalui wawancara dengan drg.Aliffia Sandy di RSUD dr.Soehadi Prijonegoro. Hasil daftar penyakit pada gigi dan mulut akan dijelaskan pada Tabel 2.1.
Tabel 2.1 Daftar Penyakit Gigi dan Mulut
ID Penyakit Nama Penyakit
A01 Gingvitis
A02 Trench Mouth
A03 Kandidiasis
A04 Abses Periodontal
A05 Glossitis
A06 Abses Periapikal
A07 Herpes Labialis
A08 Herpes Zoster
A09 Stomatitis
A10 Gingivostomatitis
A11 Herpangina
(Sumber : Drg.Henri Hartman sp.Kga, 2020)
Institut Teknologi Nasional | 17 2.5. Parameter Gejala Penyakit Gigi dan Mulut
Pada langkah ini mengumpulkan data mengenai gejala-gejala penyakit pada gigi dan mulut melalui wawancara dengan Drg henri hartman sp.Kga di Klinik Alamanda dental care Kota Bandung. Hasil yang didapat menyatakan bahwa gejala- gejala pada gigi dan mulut dapat diindikasikan secara langsung. Hasil daftar gejala gigi dan mulut akan dijelaskan pada Tabel 2.2 serta kriteria bobot nilai suatu gejala akan dijelaskan pada Tabel 2.3.
Tabel 2.2 Daftar Gejala Gigi dan Mulut
ID Gejala
Nama Gejala Bobot Id Gejala
Nama Gejala Bobot
G-1 Bau mulut tak sedap 1 G-26 Kulit terkelupas 2 G-2 Gusi bengkak dan
berdarah
5 G-27 Pusing 1
G-3 Gelisah 1 G-28 Pendarahan apabila
gusi tergores
5
G-4 Kelelahan 1 G-29 Timbul kerak yang
berlebihan
5
G-5 Luka antara gusi dan gigi
3 G-30 Tubuh terasa meriang dan pegal-
pegal
3
G-6 Benjolan di bagian kepala, leher, atau
rahang
5 G-31 Merintih kecil 3
G-7 Demam 1 G-32 Bibir terasa kering 3
G-8 Gusi mudah berdarah
5 G-33 Luka terbuka lebar pada mulut
5
G-9 Kelenjar getah bening di bagian
3 G-34 Gusi berwarna merah terang
3
Institut Teknologi Nasional | 18 bawah rahang sering
bengkak G-10 Nyeri pada saat
menelan makanan
1 G-35 Banyak luka terbuka berwarna putih dan
kuning pada mulut
5
G-11 Nyeri pada mulut 3 G-36 Perih di sekitar luka pada mulut
3
G-12 Kehilangan selera makan
3 G-37 Terdapat bercak gatal di mulut
5
ID Gejala
Nama Gejala Bobot ID Gejala
Nama Gejala Bobot
G-13 Bengkak pada gusi 3 G-38 Perbedaan warna pada kulit mulut
3
G-14 Sakit saat membuka mulut
5 G-39 Kesemutan pada wilayah bibir
3
G-15 Pada sudut mulut kemerahan
3 G-40 Gusi menyerupai keju
3
G-16 Radang pada lidah 3 G-41 Dalam mulut seperti terdapat kapas
5
G-17 Pembengkakan kelenjar getah bening di leher
3 G-42 Gatal dan iritasi pada bagian bibir
dan mulut
5
G-18 Permukaan lidah halus
1 G-43 Rasa nyeri dan sakit pada bibir dan mulut
5
G-19 Sakit saat mengunyah
3 G-44 Muncul nanah pada mulut
5 G-20 Lidah berwarna
merah keputihan
3 G-45 Pusing dan meriang 3
G-21 Alergi pada pasta gigi dan obat kumur
1 G-46 Lecet pada bibir dan mulut
5
Institut Teknologi Nasional | 19 G-22 Nyeri saat gigi
tertekan
1 G-47 Nyeri pada gusi 3
G-23 Sulit mengunyah, menelan
3 G-48 Sakit tenggorokan 3
G-24 Pengikisan ujung gusi
3 G-49 Terjadi papular, mukosa mulut
5
G-25 Bintik kuning, putih, di dalam mulut
5 G-50 Terjadi popular, mukosa faringeal
5
Tabel 2.3 Daftar Kriteria Nilai Bobot
Nilai Desimal Bobot Kriteria Bobot Nilai
1-2 Rendah
2-3 Sedang
3-5 Tinggi
(Sumber : Drg.Henri Hartman sp.Kga, 2020)
(Sumber : Drg.Henri Hartman sp.Kga, 2020)
