|
CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN) |
||||||||||||||
|
A.
|
Sumber
|
|||||||||||||
|
||||||||||||||
|
B.
|
Pendahuluan
|
|||||||||||||
|
Case-Based Reasoning (CBR)
merupakan sistem penalaran komputer yang menggunakan pengetahuan lama untuk
mengatasi masalah baru.CBR memberikan solusi terhadap kasus baru dengan
melihat kasus lama yang paling mendekati kasus baru. Hal ini akan sangat
bermanfaat karena dapat menghilangkan kebutuhan untuk mengekstrak model
seperti yang dibutuhkan oleh sistem berbasis aturan. Penelitian ini mencoba
untuk membangun suatu sistem Penalaran Berbasis Kasus untuk melakukan
diagnosa penyakit THT (Telinga, Hidung dan Tenggorokan).
Proses diagnose dilakukan dengan
cara memasukkan kasus baru (target case) yang berisi gejala-gejala ang akan
didiagnosa ke dalam sistem, kemudian sistem akan melakukan proses indexing
dengan metode backpropagation untuk memperoleh indeks dari kasus baru
tersebut. Setelah memperoleh indeks, sistem selanjutnya melakukan proses
perhitungan nilai similarity antara kasus baru dengan basis kasus yang
memiliki indeks yang sama menggunakan metode cosine coefficient. Kasus yang
diambil adalah kasus dengan nilai similarity paling tinggi. Jika suatu kasus
tidak berhasil didiagnosa, maka akan dilakukan revisi kasus oleh pakar. Kasus
yang berhasil direvisi akan disimpan ke dalam sistem untuk dijadikan
pengetahuan baru bagi sistem. Hasil penelitian menunjukkan sistem penalaran
berbasis kasus untuk mendiagnosa penyakit THT ini membantu paramedis dalam
melakukan diagnosa. Hasil uji coba sistem terhadap 111 data kasus uji,
terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8.
|
||||||||||||||
|
C.
|
Metode Penelitian
|
|||||||||||||
|
Proses pada sistem dimulai dengan
melakukan pembentukan indeks untuk kasus-kasus yang ada, indeks pada kasus
yang ada diperoleh dari pakar. Setelah diperoleh indeks dari setiap kasus
yang ada, maka proses selanjutnya adalah melatih kasus-kasus yang ada dengan
backpropagation, dimana gejala dari kasus menjadi data input dan indeks pada
kasus menjadi target. Hasil dari pelatihan backpropagation berupa nilai bobot
akhir yang nantinya akan digunakan untuk proses indexing pada kasus baru.
Proses selanjutnya yang terjadi
pada sistem adalah menginisialisasi gejala yang dialami oleh pasien yang
dianggap sebagai kasus baru, setelah itu sistem akan melakukan proses
indexing terhadap kasus baru tersebut berdasarkan nilai bobot akhir
backpropagation yang telah dilatih sebelumnya berdasarkan kasus-kasus lama.
Setelah memperoleh indeks dari kasus baru, maka selanjutnya sistem melakukan
perhitungan nilai similarity kasus baru terhadap kasus yang lama yang
memiliki indeks sama. Proses perhitungan similarity mengunakan Cosine
Coefficient. Nilai similarity berkisar antara 0 sampai dengan 1. Apabila
similarity kasus baru dengan salah satu kasus yang ada pada basis kasus
bernilai 1, berarti kasus baru tersebut sama dengan kasus lamayang ada dalam
basis kasus.
Apabila similarity kasus baru
memiliki nilai 0.8, maka kasus baru akan menggunakan solusi yang sama dengan
kasus lama yang ada pada basis kasus. Namun, apabila nilai similarity tidak
mencapai nilai 0.8, maka dianggap kasus baru tersebut tidak memiliki solusi
dan kasus tersebut selanjutnya akan disimpan sebagai kasus baru yang nantinya
akan dievaluasi oleh pakar (revise) dan disimpan kembali ke dalam sistem
sebagai kasus baru dengan solusi yang telah diberikan (retain).
|
||||||||||||||
|
D.
|
Hasil dan Pembahasan
|
|||||||||||||
|
1.
|
Proses pengisian case base
|
|||||||||||||
|
Tahap awal dari penggunaan sistem
proses adalah pengisian case base. Data-data kasus yang akan dimasukkan ke
dalam case base diperoleh dari data rekam medis Poliklinik Telinga Hidung
Tenggorok (THT) RSUD dr. Soedarso, Pontianak. Terdapat 106 gejala THT dan 38
nama penyakit yang dibagi menjadi 3 kelas dan 9 subkelas. Kasus yang
dimasukkan ke dalam case base sebanyak 208 kasus. Setiap gejala penyakit
dibagi menjadi 4 kategori yaitu Tidak, Sedikit, Cukup dan Ya. Nilai untuk
masing-masing kategori adalah 0 untuk Tidak, 0.33 untuk Sedikit, 0.67 untuk
Cukup dan 1 untuk Ya. Pemberian nilai dari masing-masing gejala untuk setiap
kasus dilakukan oleh Pakar.
|
||||||||||||||
|
2.
|
Proses pelatihan basis kasus
|
|||||||||||||
|
Proses pelatihan data kasus dengan
backpropagation dilakukan untuk memperoleh bobot jaringan yang akan digunakan
pada proses indexing kasus baru. Pada proses ini jaringan backpropagation
digunakan untuk melatih semua data yang ada pada basis kasus dengan data
gejala sebagai input pelatihan dan data subkelas sebagai target pelatihan.
Sebelum melakukan pelatihan, admin sebagai user yang memiliki hak akses
proses pelatihan harus mengisi parameter pelatihan terlebih dahulu. Pemilihan
parameter jaringan akan mempengaruhi pembelajaran yang dilakukan oleh
jaringan, sehingga harus digunakan parameter yang baik dalam melakukan
pelatihan. Namun, untuk memperoleh parameter pelatihan yang baik maka harus
dilakukan percobaan satu per satu terhadap parameter jaringan. Pada
penelitian ini parameter pelatihan yang digunakan adalah :
§ Laju pembelajaran : 0.3
§ Target error : 0.00001
§ Maksimum epoh : 15000
|
||||||||||||||
|
3.
|
Hasil Pengujian
|
|||||||||||||
|
Pada bagian ini akan dilakukan
pengujian kasus riil terhadap sistem. Kasus yang akan diuji memiliki gejala
sebagai berikut :
§ Demam : Ya
§ Nyeri telinga : Ya
§ Rasa penuh di telinga : Ya
§ Pendengaran berkurang : Cukup
§ Telinga berdengung : Sedikit
§ Cairan telinga bening : Ya
§ ISSN: 1978-1520
§ Laju pembelajaran : 0.3
Terdapat 106 gejala yang ada di
dalam penelitian yang dapat dipilih. Berdasarkan tabel gejala, dapat diketahui
bahwa gejala yang dipilih pada pengujian ini adalah gejala dengan indeks 1,
2, 5, 7, 8 dan 10.
Selanjutnya nilai dari gejala ini
dimasukkan ke dalam sebuah array yang memuat semua gejala. Array penyimpanan
memiliki 106 nilai dimana semua nilai untuk gejala yang tidak dialami akan
diberi nilai 0, dan gejala yang dialami akan diberi nilai sesuai dengan
tingkatan gejala dimana “Sedikit” bernilai 0.33, “Cukup bernilai 0.67 dan
“Ya” bernilai 1.
Setelah diperoleh nilai similarity
kasus uji dengan semua kasus yang memiliki indeks yang sama, maka langkah
selanjutnya adalah mencari nilai similarity terbesar. Berdasarkan nilai
similarity yang diperoleh pada tabel 3, dapat diketahui bahwa nilai
similarity terbesar adalah 1 dan terdapat pada kasus ke-3 dimana pada tabel
kasus dapat diketahui bahwa kasus 3 merupakan kasus yang memiliki id_penyakit
1. Kemudian id_penyakit yang diperoleh digunakan untuk mengambil nama penyakit
pada tabel penyakit sehingga dapat diambil keputusan bahwa kasus uji tersebut
memiliki kemiripan yang paling tinggi tehadap kasus 1 yang memiliki
id_penyakit 1 yang merupakan penyakit Otitis Media Akut.
Proses pengujian tersebut
dilakukan terhadap 111 kasus baru. Kasus baru yang digunakan pada pengujian
merupakan kasus yang pernah terjadi sebelumnya, namun tidak digunakan pada
basis kasus.Tabel 6.3 menunjukkan nilai similarity kasus-kasus yang diuji
terhadap sistem. Hasil uji coba menunjukkan, dari 111 kasus uji, terdapat 9
kasus yang memiliki nilai similarity di bawah 0.8 dan 102 kasus yang memiliki
nilai similarity di atas 0.8. Gambar 11 merupakan grafik hasil pengujian terhadap
111 data kasus uji.
 |
||||||||||||||
|
E.
|
Kesimpulan
|
|||||||||||||
|
1.
Penggunaan
metode backpropagation pada proses indexing dapat membantu sistem dalam
melakukan retrieval karena dengan menggunakan backpropagation, pencarian
nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang
sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation
memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan
satu per satu untuk memperoleh jaringan yang terbaik.
2.
Sistem akan
memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar
dari 0.8 terhadap kasus lama.
3.
Hasil uji
coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di
bawah 0.8.
4.
Ada 2 kondisi
revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama
sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki
kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai
similarity dibawah 0.8.
|
||||||||||||||
|
F.
|
Saran
|
|||||||||||||
|
1.
Penggunaan
metode backpropagation pada proses indexing dapat membantu sistem dalam
melakukan retrieval karena dengan menggunakan backpropagation, pencarian
nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang
sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation
memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan
satu per satu untuk memperoleh jaringan yang terbaik.
2.
Sistem akan
memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar
dari 0.8 terhadap kasus lama.
3.
Hasil uji
coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di
bawah 0.8.
4.
Ada 2 kondisi
revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama
sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki
kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai
similarity dibawah 0.8.
|
||||||||||||||
Heading Image source : http://www.onlinehealthissues.com/wp-content/uploads/2016/05/flu.jpg
