CBR Ikan Hias

7/24/2019 CBR Ikan Hias

1/10

ISSN:20879172 1

CaseBasedReasoningUntukPendiagnosaan Penyakit..(David)

CASEBASEDREASONINGUNTUKPENDIAGNOSAAN

PENYAKITIKANHIAS

DAVIDProgramStudiTeknikInformatika,

SekolahTinggiManajemenInformatikadanKomputerPontianak

Jln.MerdekaBaratN0.372Pontianak,KalimantanBarat

Telp(0561)735555,Fax(0561)737777

Email:[email protected]@gmail.com

Abstract

Inaneffortto improvethequalityofornamentalfishandreducemortalityduetodiseasesof

ornamentalfish,fisheriesexpertswithexperienceisneeded.Thistime,theavailabilityoffisheryexperts

are still very limited and much expert knowledge is missing due to lack of documentation. On this

research,objectivesachievementistodesignaprototypesystemofcasebasedreasoning(CBR)thatcan

be used as a toolfor diagnosing diseases of ornamentalfish. The method used in this study is theexperimentalmethod.MakingprototypeCBRsystemisdoneusingknowledgerepresentationtakesthe

formofrules,theconceptofsimilarityandprobabilitycertaintyfactor. Theconclusionobtained isthe

prototypeCBRsystemscandiagnosediseasesofornamentalfishwellandtheresultsofanalysiscanbe

acceptedbyfisheriesexpertandnonexpertusers.Butthissystemstillhasshortcomingsthatislimitedin

itsknowledgebase.PrototypeCBRsystem isnot intended to replacefisheriesexpertbutasanaid in

diagnosingdiseasesofornamentalfish.

Keyword: OrnamentFishDiseases,CaseBasedReasoning,Similarity,CertaintyFactor

Abstrak

Dalamusahameningkatkankualitasikanhiasdanmengurangiangkakematianakibatpenyakit

ikanhias,dibutuhkanpakarperikananyangberpengalaman.Saat iniketersediaansumberdayapakar

perikanan

masih

sangat

terbatas

dan

banyak

pengetahuan

pakar

yang

hilang

akibat

kurangnya

dokumentasi.Tujuanyanghendakdicapaiadalahmerancangsuatuprototipesistempenalaranberbasis

kasus (CBR)yangdapatdigunakansebagaialatbantuuntukmelakukandiagnosapenyakitpada ikan

hias. Metode yang digunakan dalam penelitian ini adalah metode eksperimental pemrograman.

Pembuatan prototipe sistem CBR ini dilakukan dengan menggunakan representasi pengetahuan

dilakukandalambentukaturan,konsepsimilaritasdanprobabilitascertaintyfactor.Kesimpulanyang

diperolehadalahprototipesistemCBRinidapatmendiagnosapenyakitikanhiasdenganbaikdanhasil

analisisnyadapatditerimaoleh pakarperikananmaupunpenggunanonpakar.Namunsisteminimasih

memiliki kekuranganyaitu keterbatasan dalambasispengetahuannya. Prototipe sistem CBR ini tidak

dimaksudkanuntukmenggantikanpakarperikananmelainkansebagaialatbantudalammendiagnosa

penyakitpadaikanhias.

KataKunci: penyakitikanhias,penaralarancomputerberbasiskasus,similaritas,probabilitascertainty

factor

1.

PENDAHULUAN

Saat inisemakinbanyakperusahaanyangmulaibergerakdibidangbisnis ikan

hias.Untukmenghadapipersainganyangsemakinketatdalamperdaganganikanhias

beberapaperusahaanberusahamengembangkandiridanmempertahankanpelanggan

yang dimiliki dengan meningkatkan kualitas ikan hias yang dihasilkan dengan hanya


2/10

ISSN:20879172

JIKE

Vol.1,No.1, Januari2011: 110

2

menjual ikan dalam kondisi prima, sehat dan bagus agar dapat menunjukkan

penampilanyangindah.

Disampingmeningkatkankualitasyangdipengaruhipenampilanfisikikanhias,

jugaberusahamenekanangkakematianpadakomunitasikanyangditangkarkanyang

disebabkan penyakitmenular pada ikan hias. Sebagiankecil ikan hiasyang terinfeksi

penyakittertentu

apabila

tidak

ditangani

dengan

baik

akan

mengakibatkan

penularan

ke sebagian besar komunitas ikan hias dan dapat menyebabkan kematian dalam

jumlahbesaryangmengakibatkankerugianpadaperusahaan.Olehkarena itu,untuk

melakukanpengontrolanataskondisidankualitas ikansertamenjagakesehatan ikan

hias agar dapat mengurangi kematian ikan yang mengakibatkan kerugian, beberapa

perusahaanmempekerjakanpakarperikanan.

Penangananikanyangterinfeksiakanefektifapabilapenyakityangmenyerang

ikandapat terdeteksisedinimungkin.Dibutuhkanperawatan intensifpada ikanyang

terinfeksi dengan pengontrolan yang kontinuitas dan teratur selama beberapa hari

untuk mencegah meluasnya penyebaran penyakit tersebut dan memperkecil

kemungkinanterjangkitnyakembalipenyakit ikanhias.Apabilatidaksegeraditangani

akan

mengakibatkan

meluasnya

penyebaran

penyakit

serta

peningkatan

angka

kematianikandilokasipenangkaranyangmerupakankerugianbagiperusahaan.

Dari uraian tersebut dapat disimpulkan bahwa banyak kasus kematian pada

ikanyangterinfeksi.Olehkarenaituuntukmengurangipermasalahanyangtimbuldan

membantu tugas pakar perikanan dalam menangani perawatan ikan dibutuhkan

adanya suatu sistem yang dapat berfungsi sebagai alat bantu dalam mendiagnosa

penyakit pada ikan hias berbasiskan kasuskasus yang sudah pernah terjadi

sebelumnya.

Case Based Reasoning (CBR) adalah suatu metode penalaran pada bidang

kecerdasan buatan (artificial intelligence) di mana digunakan untuk mencari solusi

terbaik dari permasalahan yang berkaitan dengan memilih satu solusi dari banyak

solusi

[1].

Metode

CBR

dapat

digunakan

diberbagai

bidang

seperti

ekonomi,

ilmu

pengetahuan,danaplikasisosial[2].

CBR lebih popular dibandingkan dengan sistem tradisional yang berdasarkan

rulesyangbiasadisebutRuleBasedReasoning (RBR)karenaRBRmemilikibeberapa

kekuranganantara lain,sulitnyaprosesakuisisipengetahuan(knowledgeacquisition),

tidak ada penyimpanan data akan masalah atau pengalaman sebelumnya, efisiensi

inferensi yang lemah, tidak efektif bila berhubungan dengan exceptions, dan

performanceyang lemahuntukkeseluruhansystem[4].CBRdapatmengatasiseluruh

masalahyangtelahdisebutkansebelumnya.CBRyangberdasarkankasuslebihmudah

didapatdibandingkandenganrules[3].CBRdapatmenggunakankembali(reuse)hasil

sebelumnya, dari awal tidak memerlukan langkah demi langkah alasan, tetapi

efektivitasnyaakan

terus

berkembang

dengan

memecahkan

masalah

baru

[5].

Tujuan yang hendak dicapai dengan melakukan penelitian ini adalah untuk

merancang suatu sistem case based reasoning untuk mendeteksi penyakit ikan hias

berbasiskankasuskasusyangsudahpernahterjadisebelumnya.

2.METODEPENELITIAN

Penulis melakukan penelitian dalam bentuk studi kasus. Sedangkan metode

yang digunakan dalam penelitian adalah metode eksperimental dalam membuat


3/10

JIKE ISSN:20879172

CaseBasedReasoningUntukPendiagnosaanPenyakit(David)

3

perangkat lunak casebased reasoning. Dalam mengumpulkan data yang diperlukan

untukpenulisanpenelitianini,penulismelakukanwawancaradenganbeberapapakar

ikan hias. Serta mengumpulkan data melalui dokumen dan buku yang berkaitan

dengan topik pembahasan. Metode analisis dan perancangan perangkat lunak yang

digunakan adalah SDLC (SystemDevelopment LifeCycle) , sedangkan model analisis

danperancangan

perangkat

lunak

yang

digunakan

adalah

model

RapidPrototyping.

Penelitian ini menggunakan metode pengembangan perangkat lunak yang

terdiri dari tahaptahap sebagai berikut : 1). Observasi, Merupakan tahap

pengumpulandatayangakandijadikanpengetahuandarisistemyangakandibuat.,2)

AnalisaKasus,Merupakantahapuntukmenganalisakasusyangdiperolehdalamtahap

obeservasi, termasuk melakukan reduksi pengetahuan supaya tingkat redundansi

dapat berkurang., 3) Perancangan, Merupakan tahap perancangan terhadap

representasikasus.,4) Implementasi,Merupakantahapuntukmengimplementasikan

hasil rancangan sistem menjadi sebuah perangkat lunak., 5) Pengujian, Merupakan

tahapujicobadariperangkatlunakyangtelahdiimplementasikan.,dan6)Evaluasidan

PerbaikanKesalahan,Merupakantahapuntukmelakukanevaluasidandanperbaikan

terhadapkesalahan

kesalahan

yang

terjadi

dalam

perangkat

lunak

yang

dibuat.

2.1 PerancanganSistem

Aplikasi CBR pada gambar 1 melibatkan dua pengguna yaitu pakar dan user.

Pakar yang bertugas menginputkan basis pengetahuan (knowledge base) ke dalam

database case. Basis pengetahuan (knowledge base) yang diinputkan oleh pakar

meliputikasuskasusterkaitmasalahpenyakitikanhiasdansolusimasalahnya.Selain

itu, pakarjuga bertugas melakukan evaluasi atau peninjauan ulang atas solusi yang

disarankan kepada user (suggest solution) dalam menyelesaikan permasalahan yang

dihadapiuser.

Jika suggest solution tersebut sudah dapat mengatasi permasalahan yang

dihadapi

maka,

solusi

tersebut

akan

digunakan

untuk

menyelesaikan

permasalahanpada kasus baru yang memiliki permasalahan serupa. Namunjika suggest solution

tersebut belum menyelesaikan masalah maka akan dilakukan revisi pada database

caseolehpakar.TahapinidikenaldengantahapRevise.Sedangkanjikaterdapatkasus

baruyangtidakcocokdidalamdatabasekasus,makaprogramakanmenyimpankasus

barutersebutdidalambasisdatapengetahuandanmenggunakansolusibarusebagai

bagiandarikasusbaru.TahapinidikenaldengantahapRetain.

Sedangkanuser adalah pihak yang menjalankan perangkat lunakdengan cara

melakukan input data atas masalah yang dihadapi terkait dengan gejalagejala

penyakit yang muncul pada ikan hias. Data yang diinputkan oleh user akan diproses

sehinggaperangkatlunakakanmeretrievedatainputtersebutyaitumelakukanproses

pencariansejumlah

kasus

kasus

yang

terdapat

dalam

database

caseyang

memiliki

kemiripan dengan kasus baru yang diinputkan oleh user kemudian dihitung nilai

similaritas untuk setiap kasus dan kasus yang memiliki nilai similaritas tertinggi akan

dijadikan sebagai suggest solution, yaitu solusi yang didapatkan dan solusi yang

disarankankepadauserdalammenyelesaikanpermasalahanyangdihadapiolehuser

terkait dengan gejalagejala penyakit ikan hias. Tahapan selanjutnya, solusi yang

disarankankeuser(suggestsolution)akandigunakankembali(reuse)untukkasusbaru

lainnyayangmemilikimasalahserupa.


4/10

ISSN:20879172

JIKE


4

Gambar1.ArsitekturSistem

2.2

Konsep

Similaritas

Similaritydapatdiformulasikanmelaluiperhitungansimilarityyangdimodekan

dengan mengkombinasikan beberapa parameter perhitungan similarity lokal untuk

fitur individudenganfungsiagregatglobal.Dengandemikianglobaldanpilihanuntuk

pemilihanprodukdapatdimodelkan.Tujuanutamakomponenretrievaladalahuntuk

memilih dari basis data produk, set produk dengan similarity tertinggi yang dihitung

dariperhitungansimilarity.

Hubungan

target

case

ke

sebuah

source

case

untuk

setiap

atributnya

menentukan similarity. Pengukuran similarity dapat dilakukan dengan perhitungan

factorpembobotan.Similaritydapatdinotasikandenganbentukberikut[6]:

=

=n

i

iii wSTfSTSimilarity1

).,(),( .................................................................... (1)

Dimana:

T = targetcase

S = sourcecase

n = jumlah atributtiapcase

i = atributtunggaldari1sampain

f = fungsisimilarityuntukatributipadacaseTdanS

w = bobotpentingdariatributi

2.2 PerancanganBasisData

DalammenyusundiagnosapenyakitikanhiasmenggunakanmetodeCBR,maka

datadata kasus sebelumnya yang mencakup komponenkomponen utama gejala

gejalapenyakitdimasukkandalamdatabaseuntukmembantupenyelesaianmasalah.

DiagramhubunganentitaspadabasisdataCBRinidapatdilihatpadagambar2.


5/10

JIKE ISSN:20879172


5

Gambar2.DiagramHubunganEntitasbasisdataCBRIkanHias

3.ANALISISDANPEMBAHASAN

3.1

Perhitungan

Similarity

Untuk

dapat

menemukan

kemiripan

kasus

lama

dalam

sistem

ini,

maka

dapat

dihitungmenggunakanfungsisimilarity,fungsisimilarityadalahsebagaiberikut:

=

=n

i

iiii cqwcq1

),(),( dimana=

=n

i

iw1

1dan 0iw untuksemuai.

Langkah1:

Dimisalkanadainputkasusyangbarusebagaiberikut:

JenisIkanHias : Koi

Umur : 5Bulan

Lokasi : AkuariumC

MemilikiciricirigejalagejalaFisikantaralain:

a. Ditemukanadanya

bintik

bulat

berwarna

putih

b. Terjadikerontokkansisikikandalamjumlahtidaknormal

c. Warnakulitikanmenjadilebihpucatdariikansejenis.

CiricirigejalafisikdimasukkankedalamDefinequerysebagaikasusyangbaru.

Langkah2:

Ciriciriyangtelahditentukanakanmeretrievebeberapakasusyangmirip.Halini

dilakukan agar sistem dapat mendeteksi kasuskasus lama yang mirip dengan kasus

yang baru. Cari kasus lama pada database kasus, hasil pencarian kasus lama pada

databaseadalahsebagaiberiku:

Tabel1.

Tabelkasus

yang

mirip

IdC as e Id Ge jala G0 1 G0 2 G 03 G 04 G 05 G 06 G 07 G0 8 G0 9 G 10 G 11 G 12 G 13 G 14 G1 5 Id Penya kit

C022 GE1 FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P004

C032 GE1 FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P001

C043 GE1 TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P001


6/10

ISSN:20879172

JIKE


6

Gambar3.TampilanDefineQueryuntukKasusBaru

Langkah3:

Gunakanpembobotan

untuk

menentukan

prioritas

masing

masing

atribut

kasus.

Langkah

4

:

Gunakan logika fuzzy untuk menentukan nilai keaggotaan dari tiap atribut dengan

kasus yang dicari dengan ketentuan 0 x.1, di mana x merupakan atribut nilai

keanggotaan kasus baru dengan atribut kasus lama yang mirip. Hasil perhitungan

tingkatkemiripantiaptiapkasusdengankasusbarusbb:

Tabel2.TabelKemiripanKasusdengankasusyangdicari

idCased JumlahkemiripanxBobottiapatribut JumlahBobot

TingkatKemiripan

(Similarity)

P004

5,222 17 0,307176470

P001 10,628 17 0,625176470

P001 14,218 17 0,863636363

Gambar4.TampilanRetrieveCaseddanReuseCased


7/10


8/10

ISSN:20879172

JIKE


8

pemakaiyangmerupakanpakarperikanansedangkankelompokkeduaadalahpemakai

nonpakar(bukanmerupakanpakarperikanan).

Simulasi pengoperasian prototipe CBR dilakukan bersama kelompok pakar

untukmendapatkanevaluasiterhadapkemampuanprototipe inidalammendiagnosa

penyakit pada ikan hias dari pandangan pakar yang memiliki kemampuan dan

pengalamandalam

mendiagnosa

penyakit

ikan

hias.

Hasil

yang

diperoleh

dari

simulasi

yang dilakukan pada tiga kasus adalah perbandingan hasil diagnosis dengan

menggunakanprototipeCBRdanhasildiagnosispakarperikanansecaramanual.

Berdasarkan tanggapandarikeduapakarperikanandapatdisimpulkanbahwa

kemampuan dan hasil diagnosis prototipe CBR ini sudah dianggap wajar dan dapat

diterimaolehkeduapakarperikanan.PengoperasianCBR inidapatmemberikanhasil

diagnosispenyakitpadaikanhiasyangtidakberbedajauhdenganhasildiagnosisyang

dilakukanpakarperikanansecaramanual.

Berdasarkan hasil simulasi yang dilakukan diketahui bahwa perbedaan dapat

terjadi antara hasil diagnosis penyakit pada ikan hias yang dilakukan oleh para

pendiagnosa bukan pakar danjuga dengan hasil diagnosis prototipe CBR diagnose

penyakitikan

hias.

Perbedaan hasil diagnosis ini dapat disebabkan oleh beberapa faktor antara

lain perbedaan pengalaman dalam mendiagnosa penyakit pada ikan hias dan

perbedaan penilaian terhadap gejala yang tampak pada ikan yang terinfeksi.

Perbedaan penilaian terhadap gejala yang ditunjukkan ikan yang terinfeksi dapat

menyebabkan perbedaan hasil diagnosis yang dilakukan pada prototipe CBR. Hal ini

disebabkan hasil diagnosis pada prototipe CBR diperoleh dari fakta yang merupakan

kasuskasus yang sudah pernah diselesaikan oleh sistem. Perbedaan penilaian

terhadapgejalapadaikanhiasotomatismenyebabkanperbedaansolusidariCBR.

Gambar5.HasilPengujianSistem


9/10

JIKE ISSN:20879172


9

3.6 EvaluasiSistem

Pada evaluasi keseluruhan tentang kinerja sistem, kemampuan dan hasil

diagnosisprototipeCBRinisudahdapatditerimaolehpemakaiyangmerupakanpakar

perikananmaupunpemakainonpakar.SelainitucarapengoperasianprototipeCBRini

mudah dilakukan danjuga memiliki fleksibelitas karena pemakai dapat memperbaiki

maupunmembatalkan

jawaban

yang

telah

diberikan

pada

pertanyaan

sebelumnya.

Sedangkansaranyang diperolehadalah mengenai penggunaangambar untuk

mendukung penjelasan gejalagejala penyakit serta pengembangan program menjadi

sistem informasi ikan hias yang mencakup data berupa keterangan dan gambar ikan

hias, penyakit dan pengobatan ikan hias, tips perawatan ikan hias serta informasi

lainnyayangberkaitandenganikanhias.

4.KESIMPULAN

Darihasilanalisis,rancangan,penelitiandanpembahasandarisejumlahbahasan

diatas,makapenulisdapatmenariksejumlahkesimpulan,sebagaiberikut:

1) CaseBaseReasoninguntukpendiagnosaanpenyakitikanhiasdisusunberdasarkan

knowledge

based

yang

diambil

dari

kepakaran,

sistem

ini

dapat

dikembangkan

untuk keperluan diagnosis yang lain, dengan menggunakan komponen adaptasi,

makarulebaseknowledgebarudapatditambahkan.

2) Penerapan CBR sangat bergunajika menggabungkan metode ini dengan teknik

lainnyasepertiteknologiprobabilistikseperticertaintyfactordanbayes,teknologi

JaringanSyarafTiruan,AlgoritmaGenetika,ANTcolonytechnologydanlogikafuzzy

akan menghasilkan perangkat penarikan kesimpulan yang cocok untuk analisa

kasusdanmendapatkanhasil.

3) Untukpenelitianlebihlanjut,topikberikutdapatmenjadibahanpertimbangan:a)

Menyelesaikancontohpermasalahandenganlebihdanlebihdetil,databasekasus

dan lebihbanyakfaktapenyakit,b)Membangundatabasekasusyang lebihbesar,

c)Menulis

program

untuk

pendekatan

tersebut,

dan

d)

Memperkenalkan

metode

lainuntukfungsisimilaritasdanjalanlainuntukmenentukanadaptasikasus.

DAFTAR

PUSTAKA

[1]. Daqing,CandBurrell,P.,CasebasedReasoningsystemsandArtificialNeural

Networks:Areview,SpringerVerlag, 2001

[2]. Pal,S.K.,Shiu,S.C.K.,FoundationsofsoftCaseBasedReasoning,JohnWiley&

Sons,Inc.,2004

[3]. Salem.M.,Roushdy.MandHodHod.R.A.,2005,Acasebasedexpertsystemfor

supporting diagnosis of heart diseases, AIML Journal, Volume (5), Issue (1),

March,2005

[4]. Gayer,

G.,

Gilboa,

I.,

dan

Lieberman,

O.,

Rule

Based

and

Case

Based

Reasoning

in Housing Prices, Journal of Theoretical Economics, Vol. 7: Iss. 1 (Advances),

Article10,2007

[5]. Aadmodt, A and Plaza, E., CaseBased Reasoning: Foundational Issues,

Methodological Variations, and System Approaches,

http://www.iiia.csic.es/People/enric/AICom.pdf,23Oktober2009.


10/10

ISSN:20879172

JIKE


10

[6]. Watson,Ian,ApplyingCaseBasedReasoning,MorganKaufmannPublisherInc,

SanFrancisco,California,1997

[7]. Durkin,John,ExpertSystemsDesignandDevelopment,PrenticeHall,1994

[8]. Supriyadi, Hambali, Membuat Ikan Hias Tampil Sehat dan Prima, Penerbit

AgromediaPustaka,Jakarta,2004

[9]. Kabata,

Z.,

Parasites

and

Diseases

of

Fish

Cultured

in

The

Tropic,

Taylor

and

Francis,London,1995

[10]. Petrovicky,I., AquariumFishofTheWorld,TheHamlynpublishingGroupLtd.,

London,1988

CBR Ikan Hias

Documents

Transcript of CBR Ikan Hias