Kamis, 29 Desember 2016

TUGAS SOFTSKILL REVIEW JURNAL CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)

TUGAS SOFTSKILL REVIEW JURNAL
CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)


A. Sumber
Judul:CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)
Penyusun:Tedy Rismawan dan Sri Hartati
Lembaga:Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
Link:Link : https://jurnal.ugm.ac.id/ijccs/article/view/2154/1934
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.
About Us