Penerapan Case Based Reasoning (CBR) untuk

Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016
ISBN: 978-602-1034-40-8
Penerapan Case Based Reasoning (CBR) untuk
Mendiagnosa Jenis Pecandu Narkoba
Andik Adi Suryanto1, Imron Rosyidi2, Miftahul Ulum3, Adi Wendra4
1,2,3,4
Jurusan Teknik Informatika, FT, Universitas PGRI Ronggolawe Tuban
Email: [email protected], [email protected], [email protected],
4
[email protected]
Abstrak
Case Based Reasoning (CBR) merupakan metode yang digunakan untuk membangun sebuah sistem berbasis
pengetahuan. Sumber pengetahuan sistem diperoleh dengan mengumpulkan penanganan kasus-kasus oleh seorang
ahli/pakar. Keuntungan dengan penerapan metode ini adalah membangun pengetahuan tidak perlu melakukan akuisisi
pengetahuan secara langsung dengan seorang pakar. Pada penelitian ini penulis mengimplementasikan metode Case
Based Reasoning (CBR) untuk membantu pendiagnosisan jenis pecandu narkoba. Kasus-kasus yang digunakan dalam
sistem ini diperoleh dari catatan penanganan kasus diagnosa pecandu narkoba dari seorang dokter ahli. Sistem ini
akan memberikan keluaran berupa kemungkinan jenis pecandu narkoba dan saran terapi yang didasarkan pada
kemiripan kasus baru dengan pengetahuan yang dimiliki sistem.
Kata Kunci: Case Based Reasoning, Pecandu, Narkoba, Diagnosa
Abstract
Case Based Reasoning (CBR) is a method used to build a knowledge-based system. Source systems knowledge
gained by collecting the handling of cases by an expert/specialist. The advantage with this method is the application
of knowledge building does not need to do the acquisition of knowledge directly with an expert. In this study, the
authors implement methods Case Based Reasoning (CBR) to help diagnozing types of drug addicts. The cases used in
this system is derived from the record of handling cases diagnosed drug addicts from a medical expert. This system
will provide the output of possible types of drug addicts and treatment suggestions based on resemblances new cases
with the knowledge of the present system.
Keyword: Case Based Reasoning, Addicts, Drug, Diagnotics
1.
PENDAHULUAN
Penulis menerapkan metode Case Based Reasoning (CBR) untuk membangun sebuah sistem yang
memiliki kemampuan mendiagnosa pecandu narkoba. Proses mendiagnosa pecandu narkoba biasanya
dilakukan oleh dokter/ahli yang biasa menangani kasus-kasus tentang narkoba, namun dokter/ahli tidak
semua ada di rumah sakit bahkan belum tentu disetiap kota ada ahli dalam bidang narkoba. Di rumah
sakit hanya bisa menentukan pesien merupakan positif atau negatif pengguna narkoba melalui
pemeriksaan laboratorium dan tidak bisa melakukan proses rehabilitasi narkoba seperti yang dilakukan
oleh ahli, sehingga setiap ada pasien yang positif pecandu narkoba sulit untuk dapat dilakukan rehabilitasi
narkoba.
Maka perlu adanya sistem yang dapat mengetahui apakah orang ini sebagai pecandu narkoba atau bahkan
dapat diketahui sejauh mana kecanduan yang dialami. Sekumpulan pemeriksaan laboratorium yang
dirancang untuk tujuan tertentu misalnya untuk mendeteksi penyakit, menentukan risiko, menentukan
perkembangan penyakit, memantau pengobatan dan lain-lain. Proses diagnosis penyakit melalui hasil
pemeriksaan laboratorium itu sendiri selama ini hanya dapat dilakukan oleh para medis secara manual
saja. Para pekerja medis seperti laboran atau perawat hanya bekerja untuk melakukan proses pemeriksaan.
Mereka tidak dapat melakukan diagnosis penyakit layaknya seorang dokter. Dan pasien pada akhirnya
dituntut untuk melakukan konsultasi langsung kepada dokter dengan membawa hasil pemeriksaan
laboratorium, akan tetapi tidak tahu sejauhmana kecanduan yang dialami pasien, sehingga dokter akan
kesulitan untuk proses rehabilitasi pasien tersebut. Serta kenyataan yang terjadi adalah berbedanya nilai
normal pada setiap laboratorium karena rata-rata dokter merujuk pasien kebeberapa laboratorium dengan
tujuan untuk melakukan perbandingan hasil diagnosa yang nantinya digunakan sebagai acuan untuk
memvonis pasien menderita suatu penyakit. Namun, hal ini dapat membingungkan dokter untuk
memperoleh informasi secara akurat tentang tingkat kecanduan yang dialami karena perbedaan hasil di
beberapa laboratorium rujukan dokter tersebut.
315
Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016
ISBN: 978-602-1034-40-8
Untuk mengatasi masalah ini, maka diperlukan sebuah sistem pendukung pakar untuk mendiagnosis
tingkat kecanduan melalui hasil pemeriksaan ciri-ciri dan gejala yang dialami oleh pasien. Oleh karena
itu, pada penelitian ini dibangun sebuah sistem pakar yang dapat menentukan suatu keputusan mengenai
diagnosis pecandu narkoba secara tepat dan akurat melalui hasil pemeriksaan ciri-ciri dan gejala yang
dialami oleh pasien dengan menggunakan metode penalaran berbasis kasus (Case Based Reasoning)
dengan harapan dapat digunakan oleh para pekerja medis lainnya.
2.
METODE
2.1 Case Based Reasoning (CBR)
Case Based Reasoning (CBR) suatu model penalaran yang penggabungkan pemecahan masalah,
pemahaman dan pembelajaran serta memadukan keseluruhannya dengan pemrosesan memori [1]. 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. Dalam definisi lain CBR merupakan metode pemecahan
masalah/kasus baru dengan melakukan adaptasi terhadap metode yang digunakan untuk memecahkan
masalah/kasus lama.
Alur proses Case Based Reasoning (CBR) dalam memecahkan masalah didefinisikan dalam 4 langkah
RE [2], yaitu:
a.
b.
c.
d.
REtrive, mengambil masalah/kasus yang paling serupa.
REuse, menggunakan kembali masalah/kasus untuk mencoba memecahkan masalah/kasus.
REvise, merevisi solusi yang diajukan jika perlukan.
REtain, mempertahankan/menyimpan solusi baru sebagai bagian dari masalah/kasus baru.
Adapun alur proses dari Case Based Reasoning (CBR) dapat dilihat pada Gambar 1 berikut:
Gambar 1. Alur proses metode Case Based Reasoning (CBR)
2.2 Algoritma Nearest Neighbor Retrieval
Algoritma Nearest Neighbor Retrieval (K-Nearest Neighbor atau K-NN) adalah sebuah algoritma untuk
melakukan klasifikas terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan
objek tersebut. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang
paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor [3].
Algoritma nearest neighbor berdasarkan pada proses pembelajaran menggunakan analogi/learning by
analogy. Training sampelnya dideskripsikan dalam bentuk atribut numerik n-dimensi. Tiap sampel
mewakili sebuah titik pada ruang n-dimensi. Dengan cara ini, semua training sampel disimpan pada pola
ruang n-dimensi.
Ketika diberikan “unknown” sampel, k-nearest neighbor classifier mencari pola ruang K training sampel
yang paling dekat “unknown” sampel tersebut. K training sampel ini adalah k nearest neighbor dari
unknown sampel. Unknown sampel ditetapkan dengan class yang paling umum diantara k nearest
neighborsnya. Ketika k = 1, unknown sampel ditetapkan dengan class dari training sampel yang paling
dekat dengan pola ruangnya.
316
Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016
ISBN: 978-602-1034-40-8
Algoritma nearest neighbor retrieval menyimpan semua training sampel dan tidak membangun classifier
sampai sampel baru (unlabeled) perlu diklasifikasikan, sehingga algoritma nearest neighbor retrieval
sering disebut dengan instance-based atau lazy learners. Rumus untuk menghitung bobot kemiripan
(similarity) dengan nearest neighbor retrieval adalah:
(
)
(1)
Keterangan:
S = similarity (nilai kemiripan)
W = weight (bobot yang diberikan)
2.3. Analisis Kasus Pada Case Based Reasoning (CBR)
Metode Cased Based Reasoning merupakan metode yang menerapkan 4 tahapan proses, yaitu retrieve,
reuse, revise, dan retain [3]. Cara kerja sistem secara umum berpedoman pada basis pengetahuan yang
dimiliki oleh sistem yang bersumber dari kasus-kasus yang pernah dialami oleh pecandu narkoba yang
kemudian dihitung tingkat kemiripannya dengan kasus baru yang dimasukan pengguna. Berdasarkan
tingkat kemiripan kasus inilah sistem akan mengeluarkan diagnosis jenis pecandu narkoba berikut saran
pengobatannya. Analisa kasus lama [4] seperti pada Tabel 1.
Tabel 1. Analisa kasus lama jenis pecandu
Kasus Lama: ID P01
Kasus Lama: ID P02
Kasus Lama: ID P03
Pecandu Ganja:
Pecandu Putaw:
Pecandu Ektasi:
a. Denyut jantung
a. gelisah,
a. Euforia,
meningkat dan suhu
b. sering cemas dan
b. hilang rasa sakit,
tubuh menurun,
panik,
c. hilang rasa malu,
b. mata merah,
c. merasa sangat
d. hilang rasa lapar,
c. kelopak mata mengatup
ketakutan,
e. merasa sehat dan
terus,
d. sering ngantuk,
kuat.
d. lebih sering makan
e. pupil mengecil,
karena perut merasa
f. jantung melemah,
lapar terus,
g. sesak nafas.
e. suka tertawa jika terlibat
pembicaraan lucu,
f. konsentrasi terganggu,
g. sering cemas dan panik
Berdasarkan ciri-ciri pada tabel diatas, merupakan dasar pertanyaan yang akan ditujukan kepada user
sehingga nantinya dapat memberikan informasi user untuk melakukan rehabilitasi narkoba berdasarkan
jenis narkoba yang dikonsumsi karena proses rehabilitasi narkoba ini membutuhkan data dan laporan
tentang user untuk mempermudah dilakukan proses rehabilitasi sesuai yang telah ditetapkan oleh
program, seperti yang terlihat pada Tabel 2.
Tabel 2. Bobot nilai kepentingan pada gejala pecandu narkoba
Gejala
Penting
Sedang
Biasa
Keterangan
Ganja
Denyut jantung meningkat
dan suhu tubuh menurun
Mata merah
Kelopak mata mengatup
terus,
Lebih sering makan karena
perut merasa lapar terus,
Luka tertawa jika terlibat
pembicaraan lucu,
Konsentrasi terganggu
Sering cemas dan panik
Putaw
Gelisah
X
X
X
X
X
X
X
X
317
Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016
ISBN: 978-602-1034-40-8
Gejala
Sering cemas dan panik
Merasa sangat ketakutan
Sering ngantuk
Pupil mengecil
Jantung melemah
Sesak nafas
Ekstasi
Euforia
Hilang rasa sakit
Hilang rasa malu
Hilang rasa lapar
Merasa sehat dan kuat
3.
Penting
Sedang
X
X
Biasa
Keterangan
X
X
X
X
X
X
X
X
X
HASIL DAN PEMBAHASAN
3.1 Halaman operator
Halaman ini merupakan halaman beranda untuk operator yang digunakan untuk mengolah data diagnosa
pasien yang ditunjukan pada Gambar 2.
Gambar 2. Halaman operator
3.2 Halaman diagnosa
Pada halaman ini digunakan untuk memasukkan data pasien yang positif narkoba yanga akan didiagnosa.
Data yang dimasukkan meliputi data pasien berupa nama, umur, dan keterangan gejala dan hasil
pemeriksaan positif narkoba pada pasien, seperti yang ditunjukan pada Tabel 3.
Nama
Umur
Alamat
Tabel 3. Data hasil diagnosa pasien
Nn. Widya Sari
24 Tahun
Ds. Perunggahan Kulon - TBN
Pemeriksaan
Narkoba
Hasil
Positif
Gejala
- Mata merah,
- Kelopak mata mengatup terus,
- Doyan makan karena perut merasa lapar
- Sukat tertawa jika terlibat pembicaraan lucu,
- Wajah terlihat lelah,
318
Nilai Normal
Negatif
Keterangan
Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016
ISBN: 978-602-1034-40-8
Dari data pasien yang ditunjukkan pada Tabel 3 dimasukkan ke dalam sistem seperti yang ditunjukkan
pada Gambar 3.
Gambar 3. Halaman diagnosa
3.3 Halaman Hasil Diagnosa
Ketika data pasien dan gejala sudah diinputkan oleh operator maka akan menghasilkan analisis, seperti
yang ditunjukkan pada Gambar 4. Dari proses diagnosa pasien menunjukan hasil bahwa pesien tersebut
merupakan pecandu ganja, dengan nilai similaritas yang dihasilkan oleh sistem.
Gambar 4. Hasil Diagnosa
4.
SIMPULAN
Aplikasi pendeteksi jenis pecandu narkoba merupakan sebuah sarana penyedia informasi yang dapat
memberikan informasi penyakit yang terdapat pada pecandu narkoba, yaitu pecandu ganja, pecandu
putaw dan pecandu inex atau ektasi,. Sistem dapat melakukan pendeteksi pecandu narkoba berdasarkan
gejala-gejala yang diinputkan oleh operator melalui pertanyaan gejala yang diajukan oleh sistem. Dengan
mengetahui gejala-gejala pecandu narkoba secara tepat maka akan dapat ditentukan jenis rehabilitasi dan
terapi apa yang paling tepat untuk digunakan. Semakin spesifik ciri-ciri gejala pecandu narkoba maka
akan semakin besar prosentase kemungkinan terdeteksi jenis pecandu narkoba yang lebih spesifik.
5.
REFERENSI
[1] Pal, S. K., Shiu, S. C. 2004. Foundations of Soft Case-Based Reasoning. John Wiley & Sons, Canada.
[2] Rismawan, T., Hartati, S. 2012. Case-Based Reasoning untuk Diagnosa Penyakit THT (Telinga
Hidung Tenggorokan). IJCCS. Vol. 6(2): 67-78.
[3] Kusrini., Luthfi, E. R. 2009. Algoritma dan Data Mining. Andi Offset, Yogyakarta.
[4] Laksana, P. 2015. Waspada Narkoba. PT Bengawa Ilmu, Semarang.
319