Post on 07-Mar-2019
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Empiris
Ada beberapa penelitian terkait yang pernah dilakukan mengenai Penerapan
Metode Probabilitas Bayesian dan Nearest Neighbour dalam Sistem Pakar
Berbasis Case Based Reasoning (CBR) yaitu:
1. Sistem Pakar Untuk Mendiagnosa Penyakit Gagal Ginjal Dengan
Menggunakan Metode Bayes (Sri Rahayu. 2013)
Adapun tujuan yang akan dicapai adalah untuk membuat aplikasi
sistem pakar yang berguna sebagai alat bantu untuk mendapatkan
informasi dan dugaan awal dalam mendiagnosa penyakit gagal ginjal.
Hasil dalam penelitian ini adalah sistem pakar untuk mendiagnosa
penyakit gagal ginjal dengan menggunakan metode bayes dapat
menyelesaikan masalah diagnosis penyakit gagal ginjal, karena dapat
memberikan hasil diagnosis dengan nilai probabilitas kemunculan setiap
jenis penyakit. Dari perhitungan maka dapat dipastijan bahwa pasien
menderita penyakit gagal ginjal kronis dengan nilai 63.922%.
2. Implementasi Case-Based Reasoning Untuk Pendukung Dokter Jaga
Dalam Mendiagnosa Penyakit Pada RSU PKU Muhammadiyah
Delanggu (Ardian Nur Romadhan, 2013)
Keberadaan sistem ini diharapkan dapat membantu kerja dokter
pada RSU PKU Muhammadiyah Delanggu dalam melakukan diagnosa
yang menghasilkan keluaran berupa kemungkinan penyakit dan saran
pengobatan yang didasarkan pada persamaan kasus baru dengan
pengetahuan yang dimiliki sistem. Dari perhitungan yang dilakukan
peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah
kasus K1 dengan tingkat kemiripan sebesar 0.777, atau 77,7% merupakan
kasus terdekat dengan similarty tertinggi terhadap kasus baru.
3. Pengembangan Sistem Cerdas Menggunakan Penalaran Berbasis
Kasus (Case Based Reasoning) Untuk Mendiagnosa Penyakit Akibat
Virus Eksantema (Agus Sasimito Aribowo, 2010)
Seiring perkembangan ilmu pengetahuan dan teknologi informasi
maka keberadaan seorang ahli dapat digantikan oleh komputer. Sistem ini
dinamai dengan Sistem Pakar. Biaya pembuatan Sistem Pakar relatif lebih
murah bila dibandingkan untuk menjadi seorang pakar. Sistem ini dapat
digunakan pada lingkungan kerja yang mungkin dapat membahayakan
manusia, misalnya di daerah endemi. Sifat kepakaran yang dimilikinya
permanen, dapat dikembangkan, dan umumnya dilengkapi dengan
fasilitas yang dapat mengolah proses penalaran yang digunakan untuk
menarik kesimpulan. Karena memiliki sifat komputer maka responnya
cepat dan dapat diandalkan setiap saat. Untuk lebih fokus dalam
pembangunan sistem pakar tersebut, maka sistem akan dibatasi untuk
mendeteksi sebelas penyakit yang diakibatkan oleh Eksantema Virus
antara lain: Varisela (Chicken pox, cacar air), Variola (Small pox, cacar),
Rubeola (Measles, campak), Rubela (German measles, campak jerman),
Infeksi Enterovirus, Hand-Foot-and-Mouth Syndrome, Mononukleosis
Infeksiosa, Infeksi Cytomegalovirus Kongenital, Roseola Infantum
(eksantema subitum), Eritema Infeksiosum, Sindrom Gianotti – Crust.
Pendekatan penalaran menggunakan penalaran berbasis kasus (Case
Based Reasoning), artinya sistem pakar akan melakukan diagnosa dengan
cara mencocokkan kasus baru yang hendak didiagnosa dengan mencari
kasus-kasus yang mirip atau hampir mirip di yang sudah pernah direkam
dalam sistem. Kemudian solusi dari kasus direkam tersebut dijadikan
rekomendasi solusi kasus baru tersebut. Dari perhitungan yang dilakukan
peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah
kasus terdekat adalah kasus K1 dengan tingkat kemiripan sebesar 0.452,
atau 45,2% dengan kasus baru.
4. Implementasi Case Based Reasoning Untuk Sistem Diagnosis
Penyakit Anjing (Fransica Octaviani S, Joko Purwadi, dan Rosa Delima)
Pada penelitian ini penulis menerapkan metode CBR untuk
membangun sebuah sistem yang memiliki kemampuan mendiagnosa
penyakit pada anjing. Proses diagnosa penyakit pada anjing memang
sebaiknya dilakukan oleh seorang pakar yang merupakan seorang dokter
hewan, namun dikarenakan anjing merupakan hewan peliharaan yang
umum dimiliki oleh masyarakat dan biaya untuk konsultasi ke dokter
hewan juga cukup mahal maka sebagian masyarakat yang memiliki
anjing biasanya melakukan pengobatan sendiri terhadapt anjing mereka
yang sedang sakit. Minimnya pengetahuan yang dimiliki oleh masyarakat
dapat menyebabkan penanganan yang salah terhadap anjing peliharaan
mereka dan hal ini dapat berdampak fatal dan tidak jarang mengakibatkan
kematian pada hewan peliharaannya. Keberadaan sistem ini diharapkan
dapat membantu masyarakat dalam melakukan diagnosa awal terhadap
penyakit yang diderita anjing mereka dan memberikan saran pengobatan
terhadap penyakit tersebut. Dari perhitungan diatas kasus yang memiliki
bobot kemiripan paling rendah adalah kasus ID 74 yaitu sebesar 0,7058.
Kasus ID 81 dan ID 137 menghasilkan bobot kemiripan yang hampir
sama tinggi yaitu 0,9333 dan 0,9286, hanya selisih sedikit saja yaitu
sebesar 0,0047.
2.2 Tinjauan Teoritis
2.2.1 Kecerdasan Buatan (Artifical Intelligence)
Kecerdasan buatan berasal dari kata Artificial Intelligence yang mengandung
arti tiruan dan kecerdasan. Kecerdasan buatan merupakan salah satu bagian ilmu
komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan
seperti dan sebaik yang dilakukan oleh manusia.
Aplikasi kecerdasan buatan terdiri dari 2 bagian utama yang harus dimiliki,
diantaranya :
a. Basis Pengetahuan (Knowledge-Base), berisi fakta-fakta, teori, pemikiran
dan hubungan antara satu dengan lainnya.
b. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
Kunci dari Artificial Intelligence yaitu adanya pengetahuan berupa fakta-
fakta, konsep-konsep, teori-teori, prosedur-prosedur, dan hubungan-hubungan
yang didapat dari proses pendidikan dan latihan. Sekumpulan pengetahuan
yang dihubungkan dengan suatu permasalahan yang digunakan dalam sistem
kecerdasan buatan disebut dengan Knowledge Base atau basis pengetahuan.
Kecerdasan buatan akan menggunakan basis pengetahuan sebagai dasar
penarikan kesimpulan oleh komputer, sehingga komputer akan mampu
mengambil kesimpulan dan memutuskan suatu keadaan dan relasinya sesuai
dengan yang dituliskan dalam basis pengetahuan.
1.2.2 Sistem Pakar (Expert System)
1.2.2.1 Konsep Dasar Sistem Pakar
Secara umum, sistem pakar (Expert System) adalah sistem yang berusaha
mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar
yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu
dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun
dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat
diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan
membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa
definisi tentang sistem pakar, antara lain :
a. Sistem pakar adalah sistem berbasis komputer yang menggunakan
pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah,
yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang
tertentu (Martin dan Oxman, 1988).
b. Sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis
pengetahuan (Knowledge Base System), memungkinkan komputer dapat
berfikir dan mengambil keputusan dari sekumpulan kaidah (Ignizio, 1991).
c. Sistem pakar adalah program komputer yang didesain untuk meniru
kemampuan memecahkan masalah dari seorang pakar. Pakar adalah orang
yang memiliki kemampuan atau mengerti dalam menghadapi suatu
masalah. Lewat pengalaman, seorang pakar mengembangkan kemampuan
yang membuatnya dapat memecahkan permasalahan dengan hasil yang
baik dan efisien (John Durkin, 1994)
d. Sistem pakar adalah salah satu cabang kecerdasan buatan yang
menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh
seorang ahli untuk menyelesaikan suatu masalah tertentu (Giarratano dan
Riley, 2005).
1.2.2.2 Bentuk Sistem Pakar
Ada 4 bentuk sistem pakar, yaitu :
1. Berdiri sendiri. Sistem pakar jenis ini merupakan software yang berdiri-sendiri
tidak tergantung dengan software yang lainnya.
2. Tergabung. Sistem pakar jenis ini merupakan bagian program yang terkandung
didalam suatu algoritma (konvensional), atau merupakan program dimana
didalamnya memanggil algoritma subrutin lain (konvensional).
3. Menghubungkan ke software lain . Bentuk ini biasanya merupakan sistem
pakar yang menghubungkan ke suatu paket program tertentu, misalnya DBMS.
4. Sistem Mengabdi. Sistem pakar merupakan bagian dari komputer khusus yang
dihubungkan dengan suatu fungsi tertentu. Misalnya sistem pakar yang
digunakan untuk membantu menganalisis data radar.
1.2.2.3 Struktur Sistem Pakar
Sistem pakar terdiri dari 2 bagian pokok, yaitu : lingkungan
pengembangan (development environment) dan lingkungan konsultasi
(consultation environment). Lingkungan pengembangan digunakan sebagai
pembangunan sistem pakar baik dari segi pembangunan komponen maupun
basis pengetahuan. Lingkungan konsultasi digunakan oleh seorang yang
bukan ahli untuk berkonsultasi.
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian
masalah, tentu saja di dalam domain tertentu. Ada 2 bentuk pendekatan
basis pengetahuan yang sangat umum digunakan, yaitu :
a. Penalaran berbasis aturan (Rule-Based Reasoning)
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 si pakar dapat menelesaikan msalah
tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan
apabila dibutuhkan penjelasan tentang jejak (langkah-langkah)
pencapaian solusi.
b. Penalaran berbasis kasus (Case-Based Reasoning)
Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-
solusi yang telah dicapai sebelumnya, kemudian akan diturunkan
suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada).
Bentuk ini digunakan apabila user menginginkan untuk tahu lebih
banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu,
bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi
atau kasus tertentu dalam basis pengetahuan.
2. Motor Inferensi (Inference Engine)
Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu :
a. Forward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF
dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu
untuk menguji kebenaran hipotesis.
b. Backward Chaining
Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan
(THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis
terlebih dahulu, dan untuk menguji kebenara hipotesis tersebut dicari
harus dicari fakta-fakta yang ada dalam basis pengetahuan
1.2.2.4 Permasalahan Yang Disentuh Oleh Sistem Pakar
Ada beberapa masalah yang menjadi area luas aplikasi sistem pakar,
antara lain :
1. Interpretasi
Pengambilan keputusan dari hasil observasi, termasuk diantaranya
yaitu pengawasan, pengenalan ucapan, analisis citra, interpretasi
sinyal, dan beberapa analisis kecerdasan.
2. Prediksi
Termasuk diantaranya yaitu peramalan, prediksi demografis,
peramalan ekonomi, prediksi lalulintas, estimasi hasil, militer,
pemasaran, atau peramalan keuangan
3. Diagnosis
Termasuk diantaranya yaitu medis, elektronis, mekanis, dan diagnosis
perangkat lunak.
4. Perancangan
Termasuk diantaranya yaitu layout sirkuit dan perancangan bangunan.
5. Perencanaan
Termasuk diantaranya yaitu perencanaan keuangan, komunikasi,
militer, pengembangan produk, routing, dan manajemen proyek. .
1.2.3 Case Based Reasoning
Case Based Reasoning (CBR) adalah salah satu metode untuk membangun
sistem dengan pengambilan keputusan untuk memecahkan kasus atau masalah
yang baru dengan cara mengingat solusi dari kasus lama/sebelumnya dengan
menggunakan informasi dan pengetahuan pada situasi tersebut. Semakin mirip
masalah, semakin mirip pula solusinya.
CBR dapat digunakan untuk menyimpan dan menggunakan kembali
pengetahuan dari pengalaman sebelumnya. Dalam CBR pengalaman dimodelkan
ke dalam bentuk problem dan solusi dan biasa disebut dengan kasus (cases).
Berdasarkan model deskripsi suatu masalah dan solusi yang berisi hasil
penyelesaian masalah. Untuk kasus–kasus yang tersimpan dalam tempat
penyimpanan kasus (case base) disebut dengan kasus asal (source case),
sedangkan untuk yang baru akan dicari solusinya disebut dengan kasus target
(target case).
Secara umum, metode ini terdiri dari 4 langkah RE (Putri 2007, h.A130),
antara lain:
Gambar 2. 1 Tahapan Case Based Reasoning
(Sumber : Aamodt & Plaza, 1994)
1. Retrieve (penelusuran)
Proses akan dimulai dengan tahapan mengenali masalah, dan berakhir
ketika kasus yang ingin dicari solusinya telah ditemukan serupa dengan
kasus yang telah ada. Proses Retrieve akan melakukan dua langkah
pemrosesan, yaitu pencarian persamaan masalah (similar case) atau
pencarian masalah baru (new case) pada database.
2. Reuse (menggunakan kembali)
Masalah/kasus untuk mencoba memecahkan masalah/kasus. Reuse suatu
kasus dalam konteks kasus baru terfokus pada dua aspek:
a. Perbedaan antara kasus yang ada dengan kasus yang baru.
b. Bagian mana dari penelusuran kasus yang dapat digunakan pada kasus
yang baru
3. Revise (meninjau kembali/memperbaiki) usulan solusi.
Revise terdiri dari dua tugas, yaitu :
a. Mengevaluasi solusi kasus yang dihasilkan oleh proses Reuse. Jika
berhasil, maka dilanjutkan dengan proses Retain,
b. Jika tidak maka memperbaiki solusi kasus menggunakan domain
spesifik pengetahuan.
4. Retain (menyimpan)
Proses Retain akan menggunakan solusi baru sebagai bagian dari kasus
baru. Selanjutnya, solusi baru itu akan disimpan ke dalam knowledge-base
(basis pengetahuan) kemudian kasus baru di-update kedalam basis kasus
untuk menyelesaikan permasalahan yang akan datang. Tentunya,
permasalahan yang akan diselesaikan adalah permasalahan yang memiliki
kesamaan dengannya. Pada tahap ini terjadi suatu proses penggabungan
dari solusi kasus yang baru dan benar ke knowledge yang telah ada.
1.2.4 Probabilitas Bayesian
Probabilitas Bayesian merupakan salah satu cara yang baik untuk
mengatasi ketidakpastian data dengan menggunakan formula bayes yang
dinyatakan dengan persamaan (2.1) :
𝑃(𝐻|𝐸) = 𝑃(𝐸|𝐻).𝑃(𝐻)
𝑃(𝐸)………………………………………………….(2.1)
Keterangan :
P(H | E) : probabilitas hipotesis H jika diberikan evidence E
P(E | H) : probabilitas munculnya evidence apapun
P(E) : probabilitas evidence E
Dalam bidang kedokteran teorema Bayes sudah dikenal tapi teorema ini
lebih banyak diterapkan dalam logika kedokteran modern (Cutler:1991).Teorema
ini lebih banyak diterapkan pada hal-hal yang berkenaan dengan probabilitas serta
kemungkinan dari penyakit dan gejala-gejala yang berkaitan.
Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian
pada Case Based Reasoning (CBR) sebagai berikut
1. Melakukan proses pencarian kasus yang mirip dan dekat dengan gejala-
gejala untuk penyakit anak dari kasus yang diperoleh..
2. Membandingkan antara kasus lama dengan kasus baru. Kasus 1, 2, 3, dan
4 merupakan kasus lama. Sedangkan kasus 5 merupakan kasus baru yang
akan dibandingkan dengan 4 kasus lama tersebut. Contoh kasusnya
terdapat dalam Tabel 1.4. Kasus 1 adalah Demam Berdarah yang memiliki
3 gejala yang sama dengan kasus 5. Kasus 2 adalah Demam Berdarah yang
memiliki 4 gejala yang sama dengan kasus 5. Kasus 3 adalah Demam
Berdarah yang memiliki 3 gejala yang sama dengan kasus 5. Kasus 4
adalah Demam Thypoid yang memiliki 4 gejala yang sama dengan kasus
5.
3. Cari similarity value nya dengan cara :
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝑉𝑎𝑙𝑢𝑒 = 𝑔𝑒𝑗𝑎𝑙𝑎 𝑦𝑎𝑛𝑔 𝑠𝑎𝑚𝑎
𝑗𝑢𝑚𝑙𝑎 𝑔𝑒𝑗𝑎𝑙𝑎………………………………(2.2)
4. Setelah didapatkan SV dari masing-masing kasus, maka ditentukan
MSVnya, karena disini maksimal banyaknya gejala pada satu kasus adalah
6 jadi minimal gejala yang sama pada kasus baru adalah 3. Jadi karena
Similarity Value = 3/28 = 0.1072, maka MSVnya adalah 0.1072.
5. Setelah terkumpul kasus-kasus yang memiliki MSV >= 0.1072 maka
dihitunglah kasus tersebut mengunakan metode Probabilitas Bayesian.
Awalnya adalah dicari nilai dari masing-masing kasus tersebut, seperti
berikut
𝑃(𝐾) = 𝐾𝑎𝑠𝑢𝑠 (𝐾)
𝑆𝑒𝑙𝑢𝑟𝑢 𝐾𝑎𝑠𝑢𝑠…………………………………………………(2.3)
6. Setelah diperoleh hasil dari P(K) dari masing-masing kasus, akan dicari
P(S|K) dari masing-masing kasus seperti berikut
P(S|K) = 𝑃(𝐾) ∗ 𝑗𝑢𝑚𝑙𝑎ℎ𝑔𝑒𝑗𝑎𝑙𝑎………………………………(2.4)
7. Setelah itu dicari totalnya yaitu P(S) dari semua kasus tersebut
𝑃(𝑆) = (𝑃(𝐾1) ∗ 𝑃(𝑆|𝐾1)) + (𝑃(𝐾2) ∗ 𝑃(𝑆|𝐾2)) + (𝑃(𝐾𝑛) ∗ 𝑃(𝑆|𝐾𝑛))………(2.5)
8. Setelah itu akan diperoleh hasil Probabilitas Bayesian dari masing-masing
kasus seperti berikut
𝑃(𝐾|𝑆) = 𝑃(𝑆|𝐾)∗𝑃(𝐾)
𝑃(𝑆)…………………………………………………(2.6)
1.2.5 Nearest Neighbour
Nearest Neighbour adalah pendekatan untuk mencari kasus dengan
menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan
pada pencocokan bobot dari sejumlah fitur yang ada.
Metode Nearest Neighbour merupakan teknik sederhana untuk mencari
jarak terdekat dari tiap-tiap kasus (cases) yang ada di dalam database, dan
seberapa mirip ukuran kemiripan (similarity) setiap source case yang ada di dalam
database dengan target case. Fungsi similarity pada kasus ini diformulasikan
sebagai berikut (Kusrini 2009) :
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦(𝑇, 𝑆) = ∑ (𝑓𝑖
𝑇,𝑓𝑖𝑠)∗𝑊𝑖𝑛
𝑖=1
∑ 𝑊𝑖𝑛𝑖=1
…………………………………….(2.7)
Dengan :
T = Kasus Baru
S = Kasus yang dalam penyimpanan
n = Jumlah atribut masing – masing kasus
i = Atribut individu antara 1 s/d n
f = Fungsi similarity atribut i antara kasus T dengan kasus S
W = Bobot yang diberikan pada atribut ke i
Kemiripan biasanya jatuh dalam rentang 0 sampai dengan 1, dimana 0
sama sekali tidak ada kasus yang cocok atau mirip, dan nilai 1 berarti 100%
cocok. Kasus baru (T) merupakan kasus yang akan dijadikan target dan akan
dibandingkan dengan source case. Jumlah keseluruhan atribut (n) yaitu jumlah
atribut yang ada dalam kasus.
Setelah similarity antar kasus baru dan semua kasus yang disimpan telah
dihitung, kasus yang paling mirip akan diambil (kasus dengan nilai kemiripan
tertinggi). Kasus-kasus ini kemudian digunakan kembali untuk membantu
memecahkan kasus baru.
Gambar 2. 2 Ilustrasi Kedekatan Kasus
(Sumber : Ardian Nur Romadhan, 2013)
Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian
pada Case Based Reasoning (CBR) sebagai berikut
1. Akan melakukan proses pembobotan dengan melakukan pencocokan satu
per satu antara gejala yang dmasukan dengan data yang ada di dalam basis
pengetahuan. Proses pembobotan yang dilakukan oleh sistem ditampilkan
dalam perhitungan di bawah ini. Bobot parameter (w) :
Gejala Penting = 5
Gejala Sedang = 3
Gejala Biasa = 1
Dan Bobot Nilai Gejalanya adalah
Sangat Dirasakan = 1
Cukup Dirasakan = 0.67
Sedikit Dirasakan = 0.33
Dan untuk nilai pendekatan di setiap gejala nya seperti pada Tabel 1.5