integrasi case-based reasoning dan rule

INTEGRASI CASE-BASED REASONING DAN RULE-BASED
REASONING UNTUK PENGEMBANGAN SISTEM PENDETEKSI
DINI GANGUAN TUMBUH KEMBANG ANAK
Edi Faizal
Program Studi Manajemen Informatika STMIK El Rahma Yogyakarta
e-mail: [email protected]
Abstract
The growth process is result of the interaction of genetic and environmental factors. Children's
growth disorders can be caused by a lack of awareness of parents, the lack of socialization of pediatricians,
midwives and psychologists. Along with the development of technology, to diagnose Children's growth
disorders can be aided by a computer application. This research is to develop a computer-based intelligent
system which is useful for paramedics to help the early diagnosis of disorders of child growth. The method
used is to combine (hybrid) between the rule-based reasoning (RBR) and case-based reasoning (CBR). The
level of similarity calculated by weighted Minkowski method and the confidence level is calculated by
certainty factor (CF) method. System test results indicate that the system can running well, with sensitivity
level of 97.44%, specificity of 42.86%, PPV of 76%, NPV of 90% and accuracy of 78.33% with
21.67% of error rate.
Keywords— children's growth disorders, intelligent system, RBR, CBR
PENDAHULUAN
Pertumbuhan dan perkembangan anak pada dasarnya dimulai sejak dalam kandungan
dan berlangsung cepat sampai dengan usia empat tahun. Pertumbuhan (growth) berkaitan
dengan masalah perubahan dalam besaran jumlah, ukuran atau dimensi tingkat sel, organ
maupun individu yang bisa diukur dengan ukuran berat (gram, pound, kilogram), ukuran
panjang (cm,meter), umur tulang dan keseimbangan metabolik (retensi kalsium dan nitrogen
tubuh). Sedangkan perkembangan (development) adalah bertambahnya kemampuan (skill)
dalam struktur dan fungsi tubuh yang lebih kompleks dalam pola yang teratur dan dapat
diramalkan, sebagai hasil dari proses pematangan. Sehingga dapat disimpulkan bahwa
pertumbuhan berdampak pada aspek fisik, sedangkan perkembangan berkaitan dengan
pematangan fungsi organ/individu. Walaupun demikian kedua peristiwa itu terjadi secara
singkron pada setiap individu [1].
Perkembangan intelegensia mencapai 20% pada usia 2 tahun, 50% pada usia 4 tahun,
80% pada usia 8 tahun dan 100% pada usia 17 tahun. Dengan demikian usia sampai dengan
empat tahun merupakan usia yang sangat penting dan cepat dalam perkembangan
intelegensia anak. Sehingga pemberian gizi yang baik pada usia balita membantu
perkembangan dan pertumbuhan yang optimal pada anak [2].
Kualitas seorang anak dapat dinilai dari proses tumbuh kembang. Proses tumbuh
kembang merupakan hasil interaksi faktor genetik dan faktor lingkungan. Faktor
genetik/keturunan adalah faktor yang berhubungan dengan gen yang berasal dari ayah dan
ibu, sedangkan faktor lingkungan meliputi lingkungan biologis, fisik, psikologis, dan sosial
[3].
Pertumbuhan dan perkembangan mengalami peningkatan yang pesat pada usia dini,
yaitu dari 0 sampai 5 tahun. Masa ini sering juga disebut sebagai fase ”Golden Age” yaitu
masa yang sangat penting untuk memperhatikan tumbuh kembang anak secara cermat agar
sedini mungkin dapat terdeteksi apabila terjadi kelainan. Selain itu, penanganan kelainan
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
yang sesuai pada masa golden age dapat meminimalisir kelainan pertumbuhan dan
perkembangan anak sehingga kelaianan yang bersifat permanen dapat dicegah [2].
Faktor resiko kelainan pada pertumbuhan dan perkembangan anak sering terabaikan
karena kurangnya pengetahuan orang tua, baik permasalahn fisik maupun psikis. Semua
fenomena ini menunjukkan perlunya pemahaman yang komprehensif terhadap
perkembangan seorang anak. Salah satu cara yang dapat dilakukan oleh orang tua adalah
dengan melakukan deteksi dini tumbuh kembang anak. Selama ini deteksi dini tumbuh
kembang anak masih menitikberatkan pada perkembangan fisik semata dan cenderung
mengabaikan aspek perkembangan lainnya. Kebiasaan yang berlangsung di posyandu
menunjukkan dengan jelas bagaimana masih rendahnya kesadaran masyarakat terhadap
aspek perkembangan yang menyeluruh tentang seorang anak [1].
Seiring dengan perkembangan teknologi, tugas dokter anak, bidan maupun psikolog
anak dalam melayani orang tua untuk konsultasi mengenai tumbuh kembang anaknya dan
untuk mendiagnosa gangguan pada tumbuh kembang anak, dapat dibantu oleh sebuah
aplikasi komputer sehingga dapat mempermudah pekerjaan mereka. Pengkajian dan
penelitian untuk mewujudkan harapan tersebut dilakukan dengan meniru sistem kecerdasan
manusia untuk menghasilkan sebuah sistem komputer yang mampu berfikir seperti seorang
manusia. Bagian ilmu komputer yang mempelajari hal tersebut dikenal dengan istilah
kecerdasan buatan (artificial intelligence). Salah satu implementasi dari cabang kecerdasan
buatan yang cukup terkenal adalah sistem pakar (expert system). Sistem ini bekerja dengan
meniru atau menduplikasi kepakaran seseorang (human expert), sehingga komputer dapat
melakukan pekerjaan layaknya seorang pakar dalam bidang tertentu [4].
Pada awal kemunculanya sistem pakar menduplikasi kepakaran seseorang dengan
cara mengakuisisi pengetahuan dari pakar tersebut. Proses akuisisi tidaklah mudah, selain
itu tingkat keahlian dan kepakaran seseorang bisa jadi berbeda walaupun sama-sama benar.
Proses penalaran sistem berdasarkan aturan dan pengetahuan yang dimiliki seorang pakar di
kenal dengan penalaran berbasis aturan/RBR (rule based reasoning) Mengingat hal tersebut
maka para ahli komputer mencoba memepelajari metode lain penyelesaian masalah dari
seorang pakar. Pada umumya penyelesaianan permasalahan yang dihadapi dapat dilakukan
dengan melihat pengalaman-pengalaman yang telah dimiliki, ataupun berdasarkan
pengalaman dari orang lain. Hal inilah yang ditiru sehingga menghasilkan suatu metode
baru yang dikenal dengan penalaran berbasis kasus/ CBR (case-based reasoning) [4].
Representasi pengetahuan (knowledge representation) dari sebuah sistem RBR berdasaran
aturan-aturan baku yang dapat di pertanggung jawabkan kebenaranya dari kepakaran dalam
bidang tertentu. Sedangkan representasi pengetahuan sistem CBR berupa kumpulan kasus
(case base) yang pernah terjadi sebelumnya. Selanjutnya dalam menyelesaikan suatu
permasalahan, CBR menggunakan solusi dari kasus terdahulu yang mirip dengan kasus saat
baru. Proses mencari kedekatan antara kasus baru dengan kasus lama dapat menggunakan
berbagai macam metode, dimana metode ini akan mempengaruhi keberhasilan dari CBR
dalam menentukan kasus lama yang paling mirip. Salah satu metode yang dapat digunakan
dalam menghitung kemiripan (similarity) adalah weighted minkowski.
Baik sistem RBR maupun sistem CBR memiliki kelebihan dan kekurangan masingmasing. Namun kedua sistem tersebut sangat mungkin di gabungkan (hybrid) untuk
mendapatkan sebuah sistem yang baik dengan gabungan kelebihan keduanya, serta untuk
menutupi kekurangan masing-masing. Fakta-fakta di atas menunjukan perlunya dibuat
sebuah sistem yang mampu digunakan deteksi dini gangguan tumbuh kembang anak.
Penelitian ini akan menerapkan gabungan (hybrid) penalaran berbasis aturan (rule based
reasoning) dan penalaran berbasis kasus (case based reasoning).
27
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
Penelitian yang terkait gangguan yang terjadi pada anak sudah pernah dilakukan
dilakukan antara lain penelitian [5]. Pada penelitian ini bertujuan untuk membantu orang
tua didalam melakukan diagnosa awal kemunginan kelainan pada anak yang berupa
spektrum autisme. Penelitian [5] mempresentasikan pengetahuan dan penalaran dalam
bentuk aturan (rule base reasoning/RBR). Penerapan rule base dalam sebuah sistem pakar juga
digunakan [6] untuk mendiagnosa penyakit common cold pada manusia.
Penelitian [5] dan [6] menggunakan metode penalaran runut maju (forward chaining)
serta di lengkapi dengan metode penanganan ketidakpastian. Sistem yang dikembangkan [5]
mengunakan metode perhitungan ketidakpastian theorema bayes, sedangkan pada penelitian
[6] menggunakan metode ketidakpastian dihitung menggunakan certainty factor.
Penerapan teknik Case-Based Reasoning (CBR) pernah lakukan [7] untuk mendiagnosa
penyakit syaraf pada anak. Penerapan teknik CBR juga dilakukan [4] untuk mendiagnosa
penyakit kadiovaskuler pada manusia. [7] memodifikasi perhitungan kedekatan (similarity)
nearest neighbor dengan menambahkan tingkat kepercayaan pakar dan perbadingan jumlah
gejala (symtoms) antara kasus baru dan kasus lama. Sedangkan [4] memodifikasi metode
weighted minkowski untuk menghitung kedekatan antara kasus lama dan kasus baru.
Penerapan hasil modifikasi yang dilakukan pada kedua penelitian tersebut mampu
meningkatkan ketepatan diagnosa. Perhitungan diagnosa yang dilakukan [7] berdasarkan
gejala-gejala baru yang ditemukan pada kasus baru, sedangkan [4] menggunakan gejala, usia
dan faktor resiko sebagai dasar penentuan diagnosa.
Penelitian yang menggabungkan teknik rule based reasoning/RBR dan CBR pernah
dilakukan [8] untuk membantu penegakan diagnosa gangguan kejiwaan pada manusia.
Gangguan kejiwaan yang diteliti adalah jenis skizofrenia. Perhitungan kepastian rule base
menggunakan certainty factor sedangkan perhitungan similaritas antara kasus baru dan kasus
lama menggunakan teknik retrieval nearest neighbor dengan menambahkan pembobotan
(weighted). Pada penelitian ini, rule base hanya digunakan untuk memastikan apakah gejala
awal/umum terdapat dalam aturan yang mengarah pada gangguan jiwa. Sedangkan CBR
hanya dapat di gunakan setelah di pastikan bahwa gejala awal yang dialami pasien
merupakan gejala gangguan jiwa. Sehingga dalam penelitian ini antara RBR dan CBR tidak
berjalan bersama-sama dalam menentukan diagnosa.
Berdasarkan uraian beberapa penelitian tersebut, penelitian tentang gangguan
kesehatan anak, baik yang menggunakan teknik RBR maupun teknik CBR sudah pernah
dilakukan. Tetapi belum pernah dilakukan penelitian gangguan tumbuh kembang anak
menggunakan teknik hybrid RBR dan CBR serta menggunakan teknik retrieval weighted
minkowski. Sehingga penelitian ini akan dapat dilakukan dengan menggabungkan/integrasi
(hybrid) kedua teknik tersebut (RBR dan CBR) untuk mendeteksi gangguan tumbuh
kembang anak.
METODE PENELITIAN
Sistem yang dibangun adalah integrasi case-based reasoning dan rule-based reasoning yang
digunakan sebagai sistem pendeteksi dini ganguan/penyakit tumbuh kembang anak.
Metode yang digunakan untuk melakukan deteksi gangguan tumbuh kembang anak
dilakukan dengan dua teknik yaitu CBR dan RBR. Teknik pencocokan antara kasus lama
dan kasus baru menggunakan weighted minkowski. Pada dasarnya, CBR merupakan salah
satu metode yang menggunakan solusi kasus sebelumnya untuk menyelesaikan kasus
yang baru. Sedangkan pada teknik RBR sistem akan melakukan pengecekan data masukan
(input) berdasarkan aturan yang telah tersimpan dalam basis aturan (rule base).
Proses diagnosa akan dilakukan dengan cara memasukkan data gejala-gejala yang
dialami pasien. Kemudian diproses dengan cara menghitung similaritas atau kesamaan
dengan kasus-kasus sebelumnya yang tersimpan dalam basis kasus. Bersamaan dengan
28
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
proses perhitungan similaritas, system juga akan melakukan pelacakan berdasarkan aturan
dengan menggunakan CF.
Hasil perhitungan pada masing-masing kasus yang dilakukan berdasarkan teknik CBR
akan diurutkan dari nilai tertinggi ke nilai tererndah. Nilai yang paling tinggi adalah kasus
yang paling mirip dengan kasus baru. Nilai kemiripan antara 0 samapai dengan 1 (dalam
bentuk persentase antara 0% sampai dengan 100%). Jika nilai kemiripan sama dengan 1,
maka kasus lama tersebut sama persis dengan kasus baru, dan sebaliknya semakin kecil nilai
similaritasnya maka semakin tidak mirip kasus tersebut. Begitu pula dengan hasil
perhitungan/diagnosa dengan teknik RBR, hasil tersebut akan diurutkan berdasarkan
tingkat kepercayaan (CF) yang paling besar.
Setelah proses similatitas dan perhitungan tingkat kepercayaan didapatkan, maka
system akan membandingkan hasil keduanya, jika nilai similaritas lebih tinggi dari pada nilai
CF maka hasil diagnose didasarkan pada perhitungan dengan teknik CBR, dan sebaliknya.
Secara umum alur diagnosa sistem hybrid yang akan dikembangkan terlihat pada Gambar 1.
Gambar 1 Alur diagnosa
1. Penalaran Berbasis Aturan (Rule Based Reasoning/RBR)
Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan
aturan berbentuk If–Then. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan
pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut
secara berurutan [9]. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan
penjelasan tentang jejak (langkah-langkah) pencapaian solusi.
Contoh :
Rule 1: IF suku bunga turun THEN harga obligasi naik
Rule 2: IF suku bunga naik THEN harga obligasi turun
Rule 3: IF suku bunga tidak berubah THEN harga obligasi tidak berubah
29
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
Rule 4: IF dolar naik THEN suku bunga turun
Rule 5: IF dolar turun THEN suku bunga naik
Rule 6: IF harga obligasi turun THEN beli obligasi
Rule n
Sebuah sistem pakar berbasis aturan memiliki dua bagian utama yang terintegrasi
yaitu lingkungan pengembangan (development environment) yang digunakan untuk
memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar dan lingkungan
konsultasi (consultation environment) yang digunakan oleh pengguna yang bukan pakar untuk
memperoleh pengetahuan pakar. Secara umum gambaran arsitektur sistem pakar terlihat
pada Gambar 2 [9].
Gambar 2 Arsitektur sistem pakar
2. Faktor Kepastian
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan
secara lengkap dan konsisten. Suatu penalaran dimana adanya penambahan fakta baru
mengakibatkan ketidak konsistenan, dengan beberapa ciri-ciri yaitu adanya ketidakpastian,
adanya perubahan pada pengetahuan dan adanya penambahan fakta baru dapat mengubah
konklusi yang sudah terbentuk. Untuk menangani hal tersebut, dalam sebuah sistem bebasis
aturan di perlukan metode untuk menghitung tingkat kepercayaan, salah satu metode
tersebut dikenal dengan istilah ceratinty factor (CF). Secara umum dapat digunakan beberapa
evidence yang dikombinasikan untuk menentukan CF dari suatu hipotesis dengan rumus
persamaan 1 dan persamaan 2 [10].
CF[h,e] = MB[h,e] – MD[h,e]
(1)
Keterangan
CF[h,e]
faktor kepastian
MB[h,e]
ukuran kepercayaan/tingkat keyakinan terhadap hipotesish, jika
diberikan/dipengaruhi evidence e (antara 0 dan 1)
MD[h,e] ukuran ketidakpercayaan/tingkatketidakyakinan terhadap hipotesis h, jika
diberikan/dipenharuhi evidence e (antara 0 dan 1)
Dimana :
(2)
30
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
3. Penalaran Berbasis Kasus (Case-Based Reasoning/CBR)
Case Base Reasoning telah diaplikasikan dalam banyak bidang yang berbeda. Dari
berbagai bidang aplikasi tersebut menunjukan berapa luasnya cakupan CBR, kebanyakan
merupakan aplikasi dalam kerangka kecerdasan buatan. Bidang aplikasi tersebut antara lain,
hukum, kedokteran, rekayasa, komputasi, jaringan komunikasi, desain pabrik, keuangan,
penjadwalan, bahasa, sejarah, nutrisi, penemuan rute dan lingkungan [11].
CBR adalah suatu model penalaran yang penggabungkan pemecahan masalah,
pemahaman dan pembelajaran serta memadukan keseluruhannya dengan pemrosesan
memori. Tugas tersebut dilakukan dengan memanfaatkan kasus yang pernah dialami oleh
sistem, yang mana kasus merupakan pengetahuan dalam konteks tertentu yang mewakili
suatu pengalaman yang menjadi dasar pembelajaran untuk mencapai tujuan sistem [12].
Definisi CBR merupakan suatu teknik pemecahan masalah, yang mengadopsi solusi
masalah-masalah sebelumnya yang mirip dengan masalah baru yang dihadapi untuk
mendapatkan solusinya.
CBR dapat direpresentasikan sebagai suatu siklus proses yang dibagi menjadi empat
sub proses [13], yaitu:
a. Retrieve yaitu mencari kasus-kasus sebelumnya yang paling mirip dengan kasus baru.
b. Reuse yaitu menggunakan kembali kasus-kasus yang paling mirip tersebut untuk
mendapatkan solusi untuk kasus yang baru.
c. Revise yaitu melakukan penyesuaian dari solusi-solusi kasus-kasus sebelumnya agar
dapat dijadikan solusi untuk kasus yang baru.
d. Retain yaitu memakai solusi baru sebagai bagian dari kasus baru, kemudian kasus
baru di-update ke dalam basis kasus
Gambar 3 Siklus CBR [13]
Pada Gambar 3 dijelaskan mengenai tahapan proses CBR yaitu kasus baru
dicocokkan dengan kasus-kasus yang ada di dalam basis data penyimpanan kasus dan
menemukan satu atau lebih kasus yang mirip (retrieve). Solusi yang dianjurkan melalui
pencocokan kasus kemudian digunakan kembali (reuse) untuk kasus yang serupa, solusi
yang ditawarkan mungkin dapat dirubah dan diadopsi (revise). Jika kasus baru tidak ada
yang cocok di dalam database penyimpanan kasus, maka CBR akan menyimpan kasus
baru tersebut (retain) di dalam basis data pengetahuan.
Teknik-teknik yang digunakan untuk mengimplementasikan sistem CBR, yaitu:
1. Case Representation
Suatu kasus dapat diselesaikan dengan memanggil kembali kasus sebelumnya yang
sesuai atau cocok dengan kasus baru. Kasus dapat direpresentasikan dalam berbagai
bentuk, seperti representasi preposisional, representasi frame, representasi formlike dan
31
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
kombinasi dari ketiganya [12]. Kasus akan direpresentasikan dalam bentuk frame,
selanjutnya data kasus akan disimpan ke dalam database secara terindeks untuk
mempercepat proses retrieval nantinya.
2. Case Retrieval
Retrieval merupakan inti dari CBR, yaitu proses menemukan dalam case-base, kasus-kasus
yang paling dekat dengan kasus saat ini. Pengambilan kasus yang efektif harus
menggunakan kriteria seleksi yang menentukan bagaimana basis kasus dicari. Teknik
retrieval yang paling sering diselidiki sejauh ini, adalah k-nearest neighbor, pohon
keputusan dan turunannya. Teknik ini menggunakan smimilarity metric untuk
menentukan ukuran kedekatan (similarity) antar kasus [12]. Metode similarity yang
digunakan adalah weighted minkowski dengan rumus (3).
(3)
Keterangan:
( , ) :
:
:
:
( , ) :
Similaritas antara kasus T (target case) dan S (source case)
Jumlah atribut pada masing-masing kasus
Nilai bobot fitur ke-k
Faktor minkowski (integer positif)
Kesamaan fitur ke-k dari source case dan target case
Nilai r adalah bilangan prositif ≥ 1, (antara 1 sampai dengan tak hingga). Pada
penelitian yang dilakukan ini digunakan r=3. Penelitian sebelumnya yang dilakukan [14]
menunjukan bahwa dengan penggunaan r=3 diperoleh hasil akurasi maksimum.
3. Revisi Kasus
Revisi kasus merupakan bagian dari adaptasi sistem yang dilakukan oleh seorang pakar.
Pakar akan merevisi nama penyakit beserta tingkat kepercayaan terhadap penyakit hasil
diagnosa yang memiliki nilai similarity lebih kecil dari 0.8. Setelah kasus direvisi,
selanjutnya kasus tersebut akan dijadikan sebagai basis kasus baru(proses retain).
4. Case Adaptation
Adaptasi merupakan proses memindahkan solusi dari kasus yang berhasil di-retrieve
menjadi solusi pada kasus yang baru. Sejumlah pendekatan dapat digunakan untuk
adaptasi kasus antara lain substitution, compensation, modification,elimination, monitoring.
Adaptasi yang diterapkan pada solusi kasus baru adalah dengan mengambil solusi pada
kasus sebelumnya. Jika kasus baru dan kasus lama sangat mirip, maka tidak dilakukan
modifikasi. Akan tetapi jika dipandang perlu adanya modifikasi solusi pada kasus baru,
maka hal ini hanya dapat dilakukan oleh pakar (dokter spesialis). Modifikasi dapat
dilakukan dengan menghilangkan (elimination), mengganti (subtitution) atau mengubah
dosis dan aturan pakai obat pada solusi baru [15].
4. Pengujian Sistem
Pengujian sistem dilakukan dengan melakukan tes untuk mengukur kemampuan
sistem dalam melakukan diagnosa. [16] menjelaskan bahwa sensitivitas dan spesifisitas
digunakan untuk mengetahui tingkat akurasi. Analisis dilakukan dengan menggunakan 4
parameter yaitu TP, FP, TN dan FN. Selanjutnya digunakan menghitung sensitivitas
(sensitivity), spesifisitas (specificity), nilai prediksi positif (PPV) dan nilai prediksi negatif
(NPV). Perhitungan nilai-nilai tersebut menggunakan persamaan (4), (5), (6), (7) [17].
32
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
Sensitivity = [TP/(TP+FN)] x 100%
(4)
Specificity = [TN/TN+FP] x 100%
(5)
PPV = [TP/ (TP+FP)] x 100%
(6)
NPV = [TN/ (TN+FN)] x100%
(7)
Keterangan:
TP : Sistem menghasilkan kesimpulan positif untuk sampel data positif;
FP : Sistem menghasilkan kesimpulan positif untuk sampel data negatif;
TN : Sistem menghasilkan kesimpulan negatif untuk sampel data negatif, dan
FN : Sistem menghasilkan kesimpulan negatif untuk sampel data positif.
Menurut [18], Confusion Matrix adalah cara yang berguna untuk menganalisis seberapa
baik sistem mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi
ketika sistem benar, sedangkan FP dan FN memberitahu ketika sistem salah. Sensitivity dan
specificity dapat digunakan untuk pengklasifikasian akurasi. Sensitivity dapat ditunjuk sebagai
true positives (recognition) rate (proporsi dari tuple positif yang diidentifikasi dengan benar).
Sedangakan specificity adalah true negatives rate (proporsi tuple negatif yang diidentifikasi secara
benar). Fungsi
sensitivitas dan spesifisitas dapat menunjukkan tingkat akurasi
menggunakan persamaan (8) dan ukuran tingkat kesalahan sistem juga dapat dihitung
dengan persamaan (9).
=
( + )
+
( + )
(8)
+
(9)
100%
( + )
5. Gangguan Tumbuh Kembang Anak
Ada beberapa gangguan pada tumbuh kembang anak yang bisa menjadi masalah jika
tidak diperhatikan. Oleh karena itu, memantau sejak dini bisa memberikan penanganan
antisipatif. Memonitor tumbuh kembang anak, penting dilakukan. Tujuannya agar bisa
diketahui sejak dini, jika ada kelainan yang terjadi, sehingga penanganan antisipatif bisa
dengan cepat diambil.
Waktu terbaik untuk melakukan skrining tumbuh kembang adalah pada usia 0-3
tahun. Masa 0-3 tahun juga waktu terbaik untuk melakukan intervensi dini penyimpangan
tumbuh kembang anak. Dalam tumbuh kembang anak, ada beberapa hal yang bisa menjadi
masalah dan menghambat perkembangan anak. Jika masalah tidak cepat ditanganni, bisa
merugikan anak dilingkungan keluarga dan sosial kelak.
Terdapat beberapa jenis gangguan tumbuh kembang anak yang umum terjadi, baik
yang berhubungan dengan fisik maupun psikis anak tersebut. Beberapa gangguan tumbuh
kembang anak yang perlu di kenali untuk mendapatkan perhatian lebih lanjut antara lain
gangguan bicara dan bahasa, cerebral palsy, sindrom down, gangguan autisme, retardasi mental,
gangguan pemusatan perhatian dan hiperaktivitas (GPPH) dan perawakan pendek [1].
=
HASIL DAN PEMBAHASAN
1. Akuisisi Pengetahuan
Case base akan dibentuk dari kumpulan data rekam medis pasien. Sedangkan rule base
merupakan aturan penelusuran gangguan berdasarkan kepakaran. Pembentukan case base
dan rule base memerlukan tahapan yang disebut akuisisi. Perbedaanya adalah case base di
peroleh dari kumpulan kasus sedangan rule base berisi kumpulan aturan. Tahap akuisisi
pengetahuan yaitu proses untuk mengumpulkan data-data pengetahuan dari sumber
pengetahuan. Sumber pengetahuan tersebut dijadikan sebagai informasi untuk dipelajari,
33
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
diolah dan diorganisasikan secara terstruktur menjadi basis pengetahuan. Sumber
pengetahuan diperoleh dari seorang pakar (dokter spesialis). Selain pakar, bahan
pengetahuan ini juga diperoleh dari literatur-literatur yang berkaitan dengan masalah
tersebut, seperti buku, jurnal, artikel dan lain sebagainya. Data-data yang diperlukan di
sajikan pada Tabel 1 dan Tabel 2.
Kode
P001
P002
P003
P004
P005
P006
P007
Tabel 1 Data gangguan
Gangguan
Selebral palsy
Sindrom down
Retardisi mental
Gangguan pemusatan perhatian dan hiperaktif
Gangguan bicara dan bahasa pada anak
Autisme
Perawakan pendek
Tabel 2 Data gejala
Kode
G001
G002
G003
G004
G005
G006
G007
G008
G009
G010
G011
G012
G013
G014
G015
G016
G017
G018
G019
G020
G021
G022
G023
G024
G025
G026
.…
Gejala
Mengalami depresi saat masih bayi
Mengalami reaksi yang berlebihan terhadap stimulus saat
masih bayi
Kejang- kejang saat masih bayi
Gejala neuroligik local
Perkembangan motorik lambat
Terdapat paralisis spastik
Terdapat gerakan-gerakan involunter
Menetapnya refleks primitive
Keterlambatan “milestone” perkembangan
Disfungsi tangan
Gangguan cara berjalan
Terdapat spastisitas
Retardisi mental
Gangguan bicara
Gangguan Pendengaran
Gangguan pengelihatan
Sutura sagitalis (sela panah) yang terpisah
Filsura Palpebralis yang miring
Jarak yang lebar antara kaki I dan kaki II
Fontanela “Palsu”
“Plantar Crease” Jari Kaki I Dan II
Hiperfleksibilitas
Peningkatan jaringan sekitar leher
Bentuk palatum yang abnormal
Hidung hipoplastik `
Kelemahan otot
dst
2. Representasi Basis Kasus (Case Base) dan Basis Aturan (Rule Base)
34
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
Data-data kumpulan kasus yang diperoleh dari catatan rekam medis pasien akan
disimpan menjadi case base. Kasus-kasus yang sudah dikumpulkan akan direpresentasikan ke
dalam bentuk frame seperti terlihat pada Tabel 3.
Tabel 3 Contoh representasi basis kasus
Kasus Kelamin Usia
Gangguan Gejala Bobot
(Thn)
K001 P
5
P001
G001 2
G003 3
G006 5
K002 L
4
P002
G002 7
G003 5
G004 2
G006 6
Frame seperti yang terlihat pada Tabel 3 berisi relasi antara data pasien, gangguan yang
diderita dan gejala serta bobot gejala yang menyertai kasus tersebut. Problem space adalah
gejala-gejala d an solution space adalah nama gangguan.
Setiap gejala memiliki bobot yang menunjukan tingkat kepentingan terhadap
gangguan yang diderita pasien. Nilai bobot antara 1 sampai dengan 10, semakin besar nilai
bobot menunjukan semakin penting gejala tersebut untuk menentukan jenis gangguan.
Penilaian gejala dilihat dari kemunculan gejala yang dirasakan oleh pasien, yaitu 1 (satu) jika
Ya dan 0 (nol) jika “Tidak”. Sedangkan contoh aturan gangguan dan gejala disajikan pada
Tabel 4.
Tabel 4 Contoh representasi basis aturan
Aturan Gangguan Gejala MB MD
R001
P001
G004 0,92 0,01
G005 0,78 0,05
G006 0,61 0,12
G009 0,49 0,21
G013 0,91 0,1
G016 0,45 0,2
G008 0,51 0,11
G001 0,34 0,04
G002 0,44 0,3
R002
P002
G042 0,76 0,42
G049 0,45 0,01
G051 0,65 0,2
G003 0,66 0,23
G046 0,45 0,12
G047 0,32 0,08
G044 0,67 0,2
G045 0,87 0,32
G048 0,28 0,1
G050 0,56 0,22
G043 0,34 0,07
R003
P003
G042 0,72 0,29
G049 0,86 0,2
G051 0,34 0,1
G046 0,56 0,1
35
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
G047
G044
G045
G048
G050
0,53
0,25
0,74
0,39
0,39
0,21
0,01
0,12
0,11
0,04
3. Retrieval dan Similarity
Teknik retrieval yang digunakan dalam penelitian ini adalah teknik nearest neighbor yaitu
pendekatan dalam mencari kemiripan dua buah kasus dengan menghitung kedekatan
antara kasus baru dengan kasus lama. Perhitungan ukuran kemiripan antara kasus lama
(source case) dan kasus baru (target case) menggunakan metode similarity metric. Perhitungan
dilakukan berdasarkan pada pencocokan bobot dari sejumlah fitur yang dimiliki kedua
kasus. Dasar dari teknik ini adalah membandingkan setiap atribut target case dengan setiap
atribut pada source case yang ada dalam case base, kemudian perbandingan tersebut dihitung
dengan menggunakan fungsi similarity weighted minkowski.
Solusi dari source case akan rekomendasikan untuk menjadi solusi dari kasus baru (target
case) jika nilai source case yang dibandingkan sama atau hampir sama dengan nilai target case.
Similaritas dihitung menggunakan rumus weighted minkowski yaitu persamaan (3).
Tabel 5 Contoh kasus
Source Case (S)
Data
No
K001
K002
Kasus
Nilai Bobot Nilai Bobot
Gejala
1
G001
1
1
1
1
2
G002
1
2
1
3
3
G003
1
2
0
0
4
G004
1
3
0
0
5
G005
1
4
0
0
6
G006
1
4
0
0
7
G007
1
5
0
0
8
G008
1
5
0
0
9
G017
0
0
1
8
10 G019
0
0
1
8
11 G020
0
0
1
8
12 G022
0
0
1
7
13 G023
0
0
1
9
14 G025
0
0
1
9
15 G026
0
0
1
9
Gangguan
P001
P003
Target
Case (T)
Nilai
1
1
0
0
0
0
1
0
0
1
1
1
1
0
0
Berdasarkan contoh kasus pada Tabel 5, perhitungan similaritas dapat diselesaikan
menggunakan persamaan (3). Sehingga proses perhitungan similaritas secara manual pada
contoh diatas adalah sebagai berikut.
a. Kemiripan taget case dengan source case (K001)
b. Kemiripan taget case dengan source case (K002)
36
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
Berdasarkan hasil perhitungan similaritas kasus baru terhadap kasus lama yang
terdapat pada basis kasus (K001 dan K002), nilai kemiripan pada kasus K002 lebih besar
dari pada kasus K001, sehingga dapat disimpulkan kasus yang paling mirip adalah kasus
K002 dengan tingkat kemiripan 0.8 atau 80%.
4. Faktor Kepercayaan (Certainty Factor)
Untuk melakukan perhitungan faktor kepercayaan maka diperlukan pengecekan
terhadap sebuah aturan diama setiap gejala dalam sebuah aturan memiliki nilai MB dan
MD. Sebagai contoh, jika user memasukan 3 (tiga) buah gejala (Tabel 6). Perhitungan nilai
CF secara manual akan dilakukan menggunakan persamaan 2.
Tabel 6 Nilai MB dan MD
Gejala
Kode MB MD
Gejala 1 G004 0,92 0,01
Gejala 2 G005 0,78 0,05
Gejala 3 G006 0,61 0,12
a. CF gejala 1
= MB – MD
= 0, 92 – 0,01
= 0,91
b. CF gejala 2 =[MBLama+MB(1–MBLama)]–[MDLama+MD(1–MDLama)]
= [0,92+0,78*(1–0,92)] – [0,01+0,05*(1–0,01)]
= 0,9824–0,0595
= 0,9229
c. CF gejala 3 = [MBLama+MB(1–MBLama)]– [MDLama+MD(1–MDLama)]
= [0,9824 +0,61*(1–0, 9824)] – [0,0595 +0,12*(1–0,0595)]
= 0,993136– 0,17236
= 0,820776 (pembulatan 0,82)
Berdasarkan perhitungan diatas dengan mengacu pada Tabel 4, maka nilai CF dari
Gangguan (P001) adalah 0.82 atau 82 %.
5. Proses Diagnosa
Proses diagnosa meliputi proses peng-inputan kondisi pasien, pemeriksaan/pencarian
kasus terdahulu yang mirip dengan kasus baru (retrieve), menghitung tingkat kemiripan
(similaritas) dan menyimpulkan hasil diagnosa berdasarkan tingkat kemiripan atau nilai CF
paling tinggi.
Proses pada form diagnosa dimulai dengan memilih menu diagnosa. Pada saat
muncul form diagnosa sistem akan secara otomatis memberikan nomor kasus berdasarkan
nomor urut kasus yang telah tersimpan dalam basis data. Selanjutnya user (baik pakar
maupun paramedis) harus memilih data pasien dengan mengklik tombol cari pada bagian
data pasien. Jika pasien belum tersimpan dalam basis data, maka user dapat melakukan
penambahan data pasien baru.
Data berikutnya yang perlu dimasukan oleh user adalah data gejala yang dimiliki
pasien. Peng-inputan data gejala dapat dilakukan dengan memilih daftar gejala pada
combobox atau dapat juga dilakukan dengan mencari data dengan meng-klik tombol cari pada
bagian gejala. Setelah semua data pasien dimasukan (seperti terlihat pada Gambar 4),
37
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
selanjutnya user harus mengklik tombol hasil diagnosa untuk mengetahui hasil diagnosa
pasien tersebut.
Saat user meng-klik tombol hasil diagnose, sistem akan mencocokan data kasus baru
dengan data basis kasus (proses CBR) dan melakukan penelusuran berdasarkan basis aturan
serta menghitung tingkat kepercayaan/CF (proses RBR). Setelah diperoleh nilai similaritas
atara kasus baru dan basis kasus serta nilai kepastian berdasarkan basis aturan, selanjutnya
hasil diagnosa akan ditentukan berdasarkan perbandingan kedua nilai tersebut. Jika nilai
similaritas lebih besar daripada nilai kepastian (CF) maka kesimpulan hasil diagnosa adalah
kesimpulan berdasarakan proses CBR dan sebaliknya, jika nilai kepastian lebih besar maka
kesimpulan hasil diganosa adalah hasil penelusuran proses RBR.
Gambar 4 Pengisisan data kasus baru
Tampilan form hasil diagnosa sebagaimana ditampilkan pada Gambar 5
menampilkan informasi kode kasus, nomor rekam medis, usia, tanggal diagnosa, nama
gangguan yang dialami pasien, nilai kesamaan (similaritas) dengan basis kasus, nilai
kepastian (CF) serta informasi penentuan kesimpulan berdasarkan nilai similaritas atau nilai
CF.
Gambar 5 Hasil diagnosa
6. Pengujian Sistem
Proses pengujian sistem dilakukan dengan dengan menggunakan sampel data acak
sebanyak 50% dari basis kasus (50 sampel). Guna keperluan pengujian, ditambahkan 10
sampel kasus sebagai data uji yang bukan merupakan kasus ganggaun tumbuk kembang.
Langkah pengujian dilakukan dengan mengadakan diagnosa menggunakan sistem seperti
dijelaskan pada bagian sebelumnya. Sistem dianggap berhasil mendiagnosa dengan benar jika
menujukan tingkat similaritas atau tingkat kepercayaan (CF) lebih besar atau sama dengan
80%.
Hasil pengujian akan digunakan sebagai bahan evaluasi sistem. Evaluasi penting
dilakukan untuk mengetahui apakah sistem yang dibuat layak diterapkan dalam
mendiagnosa gangguan tumbuh kembang anak. Evaluasi hasil pengujian sistem dalam
mediagnosa dilakukan dengan menghitung nilai sensitivitas, spesifisitas, PPV, NPV, tingkat
akurasi dan error rate.
38
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
Setelah proses pengujian, tahap pertama yang harus dilakukan adalah membuat
confusion matrix berdasarkan nilai similaritas hasil pengujian sistem, seperti terlihat pada
Tabel 7.
Tabel 7 Confusion matrix hasil pengujian sistem
Data Uji Sistem
Gangguan
Bukan
Total Kasus
T.K. Anak
Gangguan T.K.
Anak
Hasil
Positif
38 (TP)
1 (FN)
49 Kasus (P)
pengujian Negatif
12 (FP)
9 (TN)
21 Kasus (N)
sistem
Total
50 Kasus
10 Kasus
60
Kasus
Kasus
(P+N)
Confusion matrix pengujian sistem menunjukan sebanyak 38 sampel pasien ganggaun
tumbuh kembang terdiagnosa positif pada sistem dan sebanyak 12 sampel yang
terdiagnosa negative. Sedangkan pengujian dengan menggunakan sampel pasien bukan
ganggaun tumbuh kembang, hasil yang diperoleh dari proses diagnosa menggunakan
sistem 1 terdiagnosa positif dan 9 sampel terdiagnosa negatif. Berdasarkan data tersebut
dapat dihitung tingkat sensitivitas, spesifisitas, PPV, NPV, akurasi dan error rate
menggunakan persamaan (4), (5), (6), (7), (8) dan persamaan (9).
Hasil perhitungan diatas menunjukan persentase kemampuan sistem dalam
mengenali gangguan tumbuh kembang anak secara benar sebesar 97,44% (sensitifitas),
persentase kemampuan sistem dalam mengenali bukan gangguan tumbuh kembang
anak secara benar sebesar 42,86% (spesifisitas), nilai prediksi positif sebesar 76% (PPV),
nilai prediksi negatif sebesar 90% (NPV), dan tingkat akurasi sebesar 78,33% (accuracy)
dengan tingkat kesalahan (error rate) sebesar 21,67%. Berdasarkan hasil pengujian yang
dilakukan diatas maka dapat disimpulkan bahwa sistem ini sudah dapat berfungsi dengan
baik untuk melakukan deteksi dini gangguan tumbuh kembang anak, namun masih
memiliki tingkat kesalahan yang cukup tinggi yaitu 21,67%.
KESIMPULAN
Berdasarkan tahapan penelitian yang telah dilakukan dapat disimpulkan bahwa
Integrasi sistem basis aturan (rule based) dan basis kasus (case based) dapat dilakukan untuk
diagnosa gangguan tumbuh kembang anak dengan tingkat keberhasilan yang cukup baik.
Hasil pengujian menunjukan nilai sensitifitas sebesar 97,44%, spesifisitas 42,86%, PPV
76%, NPV 90% dan tingkat akurasi sebesar 78,33% dengan tingkat kesalahan (error rate)
sebesar 21,67%. Berdasarkan hasil pengujian yang dilakukan diatas maka dapat disimpulkan
bahwa sistem ini sudah dapat berfungsi dengan baik untuk melakukan deteksi dini
39
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012
gangguan tumbuh kembang anak, namun masih memiliki tingkat kesalahan yang cukup
tinggi yaitu 21,67%.
SARAN
Penelitian yang dilakukan terbatas pada diagnosa terhadap 6 jenis gangguan tumbuh
kembang anak, untuk penelitian selanjutnya disarankan untuk menggunakan sampel yang
lebih banyak sehingga kemampuan sistem akan lebih baik, serta penggunaan algoritma yang
berbeda dalam melakukan perhitungan similaritas dan perhitungan nilai kepercayaan.
DAFTAR PUSTAKA
[1] Hidayat, A.A, 2008, Pengantar Ilmu Kesehatan Anak untuk Pendidikan Kebidanan, Salemba
Medika, Jakarta.
[2] Adriana, D., 2011, Tumbuh Kembang dan Terapi Pada Anak.Jakarta, Salemba Medika,
Jakarta.
[3] Dinkes, 2014, Stimulasi, Deteksi dan Intervensi Dini Tumbuh Kembang Balita
Sosialisasi Buku Pedoman Pelaksanaan DDTKdi tingkat Pelayanan Kesehatan Dasar,
Bakti Husada, Jakarta.
[4] Faizal, E., 2013, Case-Based Reasoning untuk Mendiagnosa Penyakit
Cardiovascular dengan Metode Weighted Minkowski, Tesis, S2 Ilmu Komputer
UGM, Yogyakarta.
[5] Tutik, A.G.A.K., Delima, R. dan Proboyekti, U., 2009, Penerapan Forward
Chaining Pada Program DiagnosaAnak Penderita Autisme, Jurnal Informatika, Vol 5 /
No 2, Yogyakarta.
[6] Faizal, E, 2010, Implementasi Expert System Sebagai Media Konsultasi Medis Penyakit
Common Cold Menggunakan Metode Certainty Factor, Jurnal Fahma, Vol 8 /No
3/ISSN: 1693-227, Yogyakarta.
[7] Mancasari, U.A., 2012, Sistem Pakar Menggunakan Penalaran Berbasis Kasus
untuk Mendiagnosa Penyakit Syaraf pada Anak, Skripsi, Ilmu Komputer UGM,
Yogyakarta.
[8] Labellapansa, A., 2013, Implementasi Penalaran Berbasis Aturan dan Berbasis
Kasus untuk Diagnosa Gangguan Kejiwaan Psikosis, Tesis, S2 Ilmu Komputer UGM,
Yogyakarta.
[9] Kusumadewi, S., 2003, Artificial Intelence : Teknik dan Aplikasinya, Graha Ilmu,
Yogyakarta.
[10] Kusrini, 2006, Sistem Pakar: Teori dan Aplikasi, Penerbit Andi offset, Yogyakarta.
[11] Mulyana, S., dan Hartati, S., 2009, Tinjauan Singkat Perkembangan Case -Based
Reasoning, Seminar Nasional Informatika (SEMNASIF), ISBN 1979-2328,Halaman
D17-D24 , Yogyakarta.
[12] Pal, K. S., dan Shiu, K.C.S., 2004, Foundations of Soft Case-based Reasoning, A John Wiley
& Sons, Inc., Publication, New Jersey.
[13] Aamodt, A., dan Plaza, E., 1994, Case-Based Reasoning: Foundational Issues,
Methodological Variations, and System Approaches. AI Communications, Vol. 7, 39-59.
[14] Seetha, M., Sunitha, K.V.N., dan Devi, M., 2012, Performance Assessment of Neural
Network and K-Nearest Neighbour Classification with Random Subwindows,
International Journal of Machine Learning and Computing, Vol. 2, No. 6, pp 844-847.
[15] Vorobieva, O., Gierl, L., dan Schmidt, R., 2003, Adaptation Methods in an Endocrine
40
FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3, September 2015
Therapy Support System, Workshop Proceedings of the Fifth International Conference on
Case-Based Reasoning, Trondheim, Norway.
[16] Akobeng, A.K., 2007, Understanding diagnostic tests 1: sensitivity, specificity and
predictive values, Acta Pædiatrica, Vol. 96 No. 3, ISSN:1651-2227, Halaman 338-341.
[17] Tomar, P.P.S., Singh, R., Saxena, P.K., dan Sharma, B.K., 2012, A Medical Multimedia
Based DSS for Heart Diseases Diagnosis and Training, Canadian Journal on Biomedical
Engineering & Technology Vol. 3 No. 2.
[18] Han, J., dan Kamber, M., 2006, Data Mining: Concepts and Techniques Second Edition,
Morgan Kauffman, ISBN 978-92-4-156437-3, San Fransisco.
41