uji algoritma probabilistic model, vector space - PLAGIAT ...

UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE

MODEL, DAN EXTENDED BOOLEAN MODEL PADA

SISTEM REKOMENDASI DIFFERENTIAL DIAGNOSE

PENYAKIT PARU – PARU (Studi Kasus: Puskesmas Jebed, Pemalang)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Vincentius Ardha Dian Rigitama

095314051

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2013

i

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PROBABILISTIC MODEL, VECTOR SPACE MODEL, AND

EXTENDED BOOLEAN MODEL ALGORITHMS TEST IN

LUNG DISEASE DIFFERENTIAL DIAGNOSE

RECOMMENDATION SYSTEMS (Case Study: Puskesmas Jebed, Pemalang)

A Thesis

Presented As A Partial Fulfillment of The Requrements

To Obtain The Bachelor Degree

Informatics Engineering Study Program

By:


095314051

INFORMATIC ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2013


HALAMAN PERSETUJUAN

SKRIPSI

UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE MODEL,

DAN EXTENDED BOOLEAN MODEL PADA SISTEM REKOMENDASI

DIFFERENTIAL DIAGNOSE PENYAKIT PARU - PARU

Oleh:


NIM: 095314051

Telah disetujui oleh:

Dosen Pembimbing Tugas Akhir

Puspaningtyas Sanjoyo Adi, S.T., M.T. Tanggal: ………………

ii


HALAMAN PENGESAHAN

SKRIPSI



DIFFERENTIAL DIAGNOSE PENYAKIT PARU - PARU

Dipersiapkan dan ditulis oleh


NIM: 095314051

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 18 Juli 2013

Dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama lengkap Tanda Tangan

Ketua Sri Hartati Wijono, S.Si., M.Kom. ………………….

Sekretaris JB. Budi Darmawan, S. T., M. Sc. ………………….

Anggota Puspaningtyas Sanjoyo Adi, S.T., M.T. ………………….

Yogyakarta, ……..

Faklutas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

(Paulina Heruningsih Prima Rosa, S.Si., M.Sc.)

iii


PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini

tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan

dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 18 Juli 2013

Penulis,


iv


HALAMAN MOTO

“Jalan yang berlubang itu bukan sebuah hambatan, tetapi

jalan yang harus dilalui. Tidak ada sesuatu yang tidak

mungkin, everything is possible.”

v


HALAMAN PERSEMBAHAN

Kupersembahkan skripsi ini kepada:

Tuhan Yesus Kristus dan Bunda Maria atas lindungan dan kasih – Nya.

Keluarga saya, Bapak Iwan, Ibu Yudhia, kakak Andreas dan Mita, dan

adik Tika yang selalu mendoakan dan memberi dukungan saya.

Orang – orang spesial yang selalu membantu, memberikan semangat,

kritik, dan saran:

Bp. Puspaningtyas, Ibu Tatik, & Pak Wawan selaku trio tim penguji

pendadaran yang hebat, “usted hace todo el mundo tiene miedo”.

Yosefina Agustin, Agustinus Wikrama, & Benediktus Eki yang selalu

menjadi senasib seperjuangan.

J.S Wulandari, Aden, Henfry, Unggul, Jenny, Audris, & Ageng yang

selalu mendukung, memotivasi, dan membantu dalam pengerjaan, gracias!!

TIM DEJ yang sangat memotivasi dan menginspirasi.

Teman – teman TI 2009, Ustedes son lo máximo!

muchas gracias por todo,

@vincentiusardha

vi


ABSTRAKSI

Differential diagnose adalah penentuan dua atau lebih penyakit atau

kondisi yang diderita pasien dengan membandingkan dan mengontraskan secara

sistematis hasil – hasil tindakan diagnostik. Petugas pelayanan kesehatan, dengan

berdasarkan pada pengamatan gejala pasien, akan menemukan sejumlah penyakit

yang mungkin terjadi. Hal ini tidak menutup kemungkinan adanya kesalahan

differential diagnose penyakit pasien. Masalah tersebut kemudian akan

diselesaikan menggunakan sebuah solusi dengan membuat sebuah aplikasi yang

mampu memberi urutan penyakit yang mungkin menjadi differential diagnose.

Dengan berdasar pada gejala – gejala umum yang ada dalam pedoman

yang telah dijadikan menjadi dokumen pendek, differential diagnose dihitung

menggunakan 3 (tiga) algoritma information retrieval, yakni extended boolean

model, vector space model, dan probabilistic model. Sistem akan diuji oleh 4

orang dokter, dengan mengisi kuesioner yang berisi gejala umum pasien dan

membandingkannya dengan hasil sistem. Hasil dari sistem kemudian dihitung

menggunakan algoritma recall – precision.

EBM mempunyai unjuk kerja paling tinggi diantara ketiga model dengan

rerata penurunan terhadap titik optimal sebesar 0,32473871. Rerata penurunan

terhadap titik optimal VSM adalah 0,3031798. PM mempunyai rerata penurunan

terhadap titik optimal sebesar 0,3676046. Algoritma EBM merupakan algoritma

terbaik yang dapat diterpakan pada sistem yang mampu memberikan akurasi

sebesar 81%.

vii


ABSTRACT

Differential diagnose is the determination of two or more diseases or

conditions suffered by patients, with comparing and contrasting the results of

diagnostic measures in systematic way. A doctor, based on the observations of the

patient's symptoms, will make a differential diagnosis. There is a possibility of a

wrong differential diagnosis. Based on that problem, will be solved by creating an

application that is able to provide feedback to the user the sequence of diseases

that may be included in the differential diagnosis.

Based on general symptoms that written in the guidelines, thats will be

present as a short document. Few of short documents, will be use as a collections.

Differential diagnosis will be calculated using three (3) information retrieval

algorithms, the extended Boolean models, the vector space models, and the

probabilistic models. We can define a short document is a document with number

of maximal term is 30. The system will be tested by 4 doctors. Testing method is

by filling out a questionnaire and then compared with the results of the system.

After that, the results will be calculated using recall – precision algorithm.

EBM has the highest performance among the three models, with a mean

decrease from the optimal point is a 0,2473871. The mean decrease from the

optimal point of VSM is a 0,3031798. PM has the lowest performance, with a

mean decrease from the optimal point is a 0,3676046. Extended Boolean Models

is the best algorithm that will be used in system and able to provide an accuracy at

81%.

viii


LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Vincentius Ardha Dian Rigitama

Nomor Mahasiswa : 095314051

Demi mengembangkan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:



DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU

Beserta perangkat yang diperlukan. Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan

dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media

lain untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta,

Pada tanggal: 18 Juli 2013

Yang menyatakan,


ix


KATA PENGANTAR

Puji dan syukur kepada Tuhan karena atas segala berkat dan bimbingan-

Nya, penulis dapat menyelesaikan tugas akhir ini dengan baik. Tugas akhir ini

ditulis untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana

Komputer dari Program Studi Teknik Informatika Universitas Sanata Dharma.

Penulis menyadari bahwa selesainya tugas akhir ini tak lepas dari bantuan orang –

orang di sekitar penulis. Oleh sebab itu, penulis mengucapkan terima kasih

kepada:

1. Tuhan Yesus Kristus yang selalu membimbing dan menuntun

penulis dalam menyelesaikan tugas akhir ini dan juga karena telah

mengabulkan doa penulis sehingga tugas akhir ini dapat selesai

dengan baik.

2. Bapak Puspaningtyas Sanjoyo Adi, S. T., M. T., selaku dosen

pembimbing yang telah meluangkan waktu, ide, serta pikiran untuk

membantu penulis dalam menyelesaikan tugas akhir ini.

3. Ibu Sri Hartati Wijono, S.Si., M.Kom., selaku ketua dosen penguji

yang telah meluangkan waktu untuk menguji tugas akhir ini.

4. Kepala Puskesmas Jebed, dr. Setiawan Raharjana, dan seluruh

keluarga besar Puskesmas Jebed, yang telah membantu saya dalam

mendapatkan data penelitian.

5. Keluarga saya, Bapak Iwan, Ibu Yudhia, kakak Andreas dan Mita,

dan adik Tika yang selalu mendoakan dan memberi dukungan

x


kepada penulis sehingga tugas akhir ini dapat selesai dengan baik

dan tepat pada waktunya.

6. Yosefina Agustin Nugraheni Bere, wanita spesial yang juga selalu

memberikan yang terbaik untuk memberi dukungan tak terbatas

kepada penulis agar tidak menyerah dan selalu bersemangat untuk

menyelesaikan tugas akhir ini dengan baik dan tepat waktu.

7. Tim DEJ, yang selalu menjadi inspirasi dan motivasi kepada

penulis.

8. J.S. Wulandari, Tinus, Eki, Audris, Aden, Unggul, Henfry, Surya,

mb. Anas, dan teman yang tidak bisa saya sebutkan, yang selalu

menyemangati, menghibur, memberi inspirasi, dan membantu

penulis dalam menyelesaikan tugas akhir ini.

Yogyakarta, 18 Juli 2013

Penulis

xi


DAFTAR ISI

HALAMAN PERSETUJUAN ................................................................................ ii

HALAMAN PENGESAHAN ................................................................................ iii

PERNYATAAN KEASLIAN KARYA ................................................................ iv

HALAMAN MOTO ............................................................................................... v

HALAMAN PERSEMBAHAN ............................................................................ vi

ABSTRAKSI ........................................................................................................ vii

ABSTRACT ......................................................................................................... viii

LEMBAR PERNYATAAN PERSETUJUAN ...................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xvi

DAFTAR TABEL ............................................................................................... xvii

DAFTAR QUERY BASIS DATA........................................................................ xx

DAFTAR LIST CODE ........................................................................................ xxi

DAFTAR GRAFIK ............................................................................................. xxii

DAFTAR LAMPIRAN ...................................................................................... xxiii

BAB I ...................................................................................................................... 1

PENDAHULUAN .................................................................................................. 1

1.1. Latar Belakang Permasalahan .................................................................. 1

1.2. Rumusan Masalah .................................................................................... 3

1.3. Batasan ..................................................................................................... 4

1.4. Tujuan Penelitian ...................................................................................... 5

1.5. Manfaat Penelitian .................................................................................... 6

xii


1.6. Metode Penelitian ..................................................................................... 7

1.7. Luaran ....................................................................................................... 8

1.8. Sistematika Penulisan ............................................................................... 9

BAB II ................................................................................................................... 10

LANDASAN TEORI ............................................................................................ 10

2.1. Gambaran Umum Lokasi Penelitian ...................................................... 10

2.1.1. Gambaran Umum Kondisi Kesehatan Masyarakat ......................... 12

2.1.2. Penyakit Paru – Paru di Puskesmas Jebed ...................................... 12

2.2. Penyakit Paru – Paru .............................................................................. 14

2.3. Information Retrieval ............................................................................. 16

2.4. Indexing .................................................................................................. 18

2.5. Term Frequency ..................................................................................... 21

2.6. Tokenizing .............................................................................................. 24

2.7. Stemming ................................................................................................ 25

2.7.1. Porter Stemmer Algorithm .............................................................. 26

2.7.2. Aturan Algoritma Porter untuk Bahasa Indonesia .......................... 27

2.8. Vector Space Model ................................................................................ 30

2.9. Extended Boolean Model ........................................................................ 32

2.10. Probabilistic Model ............................................................................ 36

2.10.1. Probability Ranking Principle (PRP) .......................................... 38

2.11. Algoritma Evaluasi: Recall – Precission ............................................ 45

BAB III ................................................................................................................. 46

ANALISIS DAN PERANCANGAN .................................................................... 46

3.1 Deskripsi Kasus ...................................................................................... 46

3.2 Cara Penyelesaian Masalah .................................................................... 48

xiii


3.2.1 Indexing ........................................................................................... 48

3.2.2 Pemrosesan Query ........................................................................... 52

3.2.3 Permodelan ...................................................................................... 53

3.3 Diagram dan Skenario Use Case ............................................................ 54

3.4 Perancangan Sistem ................................................................................ 65

3.4.1 Langkah penelitian .......................................................................... 65

3.4.2 Perancangan Basis Data .................................................................. 67

3.4.3 Desain Antarmuka ........................................................................... 71

3.4.4 Cara Pengujian dan Analisa Hasil ................................................... 73

3.4.5 Class Diagram ................................................................................ 74

3.5. Perhitungan Contoh Kasus ..................................................................... 77

3.5.1 Vector Space Model ........................................................................ 81

3.5.2 Extended Boolean Model ................................................................ 83

3.5.3 Probabilistic Model ......................................................................... 85

BAB IV ................................................................................................................. 87

IMPLEMENTASI ................................................................................................. 87

4.1. Spesifikasi Perangkat Keras dan Lunak ................................................. 87

4.2. Implementasi Tabel Basis Data .............................................................. 88

4.3. Implementasi Kelas Indexing ................................................................. 89

4.3.1. Proses Indexing ............................................................................... 90

4.3.2. Pemisahan Kata (Tokenizing) .......................................................... 90

4.3.3. Stemming ......................................................................................... 91

4.3.4. Pembacaan File Dokumen .............................................................. 97

4.3.5. Stopword Removal .......................................................................... 99

4.3.6. Penyimpanan pada Basis Data ...................................................... 100

xiv


4.3.7. Penambahan Dokumen.................................................................. 104

4.3.8. Perubahan Dokumen ..................................................................... 105

4.3.9. Penambahan Stopword .................................................................. 108

4.3.10. Perubahan Stopword .................................................................. 109

4.4. Implementasi Proses Query Processing ............................................... 112

4.5. Implementasi Proses Searching ............................................................ 113

4.5.1. Probabilistic Model (PM) ............................................................. 117

4.5.2. Vector Space Model (VSM) .......................................................... 121

4.5.3. Extended Boolean Model (EBM) .................................................. 123

BAB V ................................................................................................................. 125

HASIL DAN PEMBAHASAN ........................................................................... 125

5.1. Hasil Pengukuran (kuesioner) .............................................................. 125

5.2. Analisa Unjuk Kerja Model ................................................................. 141

5.3. Perbandingan Lama Waktu Pencarian.................................................. 151

5.4. Perhitungan Akurasi Differential Diagnose Sistem ............................. 155

BAB VI ............................................................................................................... 158

KESIMPULAN DAN SARAN ........................................................................... 158

6.1. Kesimpulan ........................................................................................... 158

6.2. Saran ..................................................................................................... 159

DAFTAR PUSTAKA ......................................................................................... 160

LAMPIRAN ........................................................................................................ 162

xv


DAFTAR GAMBAR

Gambar 2. 1 Kerangka dari sistem IR sederhana (P. Ingwersen, 1992) ............. 17

Gambar 2. 2 Operasi teks logical view dari sebuah dokumen ............................. 20

Gambar 2. 3 Proses tokenizing ............................................................................. 24

Gambar 2. 4 Desain dari Porter Stemmer for Bahasa Indonesia .......................... 26

Gambar 2. 5 Vector Space Model ........................................................................ 30

Gambar 2. 6 Contoh perhitungan peringkat menggunakan persamaan 26 .......... 43

Gambar 2. 7 Contoh perhitungan peringkat menggunakan persamaan 27 .......... 44

Gambar 2. 8 Contoh recall dan precision hasil IR............................................... 45

Gambar 3. 1 Gambar flowchart Porter Stemmer yang diimplementasikan ......... 49

Gambar 3. 2 Rancangan flowchart stored procedure indexing database ............ 50

Gambar 3. 3 Rancangan proses perhitungan binary tf ......................................... 51

Gambar 3. 4 Rancangan pemrosesan query ......................................................... 52

Gambar 3. 5 Rancangan proses pencarian ........................................................... 53

Gambar 3. 6 Diagram Use Case ........................................................................... 54

Gambar 3. 7 Diagram blok (indexing) ................................................................. 66

Gambar 3. 8 Diagram blok (searching) ............................................................... 66

Gambar 3. 9 ER Diagram..................................................................................... 67

Gambar 3. 10 Relasi antar tabel ........................................................................... 67

Gambar 3. 11 Desain menu utama MainForm ..................................................... 71

Gambar 3. 12 Desain menu DiagnoseForm ......................................................... 72

Gambar 3. 13 Desain menu DaftarForm untuk mengelola dokumen .................. 72

Gambar 3. 14 Desain menu StopwordsForm untuk mengelola kata buang ......... 73

Gambar 3. 15 Diagram kelas keseluruhan ........................................................... 74

Gambar 3. 16 Diagram kelas proses indexing ...................................................... 75

Gambar 3. 17 Diagram kelas untuk proses searching.......................................... 76

Gambar 5. 1 Hasil pencarian PM query 1 .......................................................... 134

Gambar 5. 2 Hasil pencarian VSM query 1 ....................................................... 134

Gambar 5. 3 Hasil pencarian EBM query 1 ....................................................... 134

xvi


DAFTAR TABEL

Tabel 2. 1 Tabel Detail Penduduk ......................................................................... 11

Tabel 2. 2 Gambaran lima besar penyakit di Puskesmas Jebed ............................ 13

Tabel 2. 3 10 besar penyakit paru – paru Puskesmas Jebed.................................. 13

Tabel 2. 4 Tabel gejala umum penyakit paru - paru ............................................. 14

Tabel 2. 5 Perbedaan sistem data retrieval dan sistem information retrieval ...... 16

Tabel 2. 6 Kelompok rule pertama: inflectional particles .................................... 27

Tabel 2. 7 Kelompok rule kedua: inflectional possesive pronouns ...................... 28

Tabel 2. 8 Kelompok rule ketiga: first order of derivational prefixes .................. 28

Tabel 2. 9 Kelompok rule keempat: second order of derivational prefixes ......... 29

Tabel 2. 10 Kelompok rule kelima: derivational suffixes ..................................... 29

Tabel 2. 11 Tabel persamaan perhitungan ukuran kesamaan dalam EBM ........... 35

Tabel 2. 12 Contingency Table (Baeza-Yates dan Ribeiro-Neto, 2011)............... 41

Tabel 3. 1 Contoh penggunaan binary TF ............................................................ 50

Tabel 3. 2 Tabel skenario case Differential Diagnose .......................................... 55

Tabel 3. 3 Tabel skenario case Melihat Dokumen ................................................ 56

Tabel 3. 4 Tabel skenario case Menambah Dokumen .......................................... 56

Tabel 3. 5 Tabel skenario case Mengubah Dokumen ........................................... 58

Tabel 3. 6 Tabel skenario case Melihat Stopword ................................................ 59

Tabel 3. 7 Tabel skenario case Mengubah Stopword ........................................... 59

Tabel 3. 8 Tabel skenario case Mengubah Stopword ........................................... 60

Tabel 3. 9 Tabel skenario case Memasukkan Default Stopword .......................... 61

Tabel 3. 10 Tabel skenario case Pengaturan Sistem: Setting General .................. 62

Tabel 3. 11 Tabel skenario case Pengaturan Sistem: Setting Algoritma .............. 63

Tabel 3. 12 Tabel skenario case Pengaturan Sistem: Setting Koneksi ................. 64

Tabel 3. 13 Keterangan tabel dokumen pada basis data ....................................... 68

Tabel 3. 14 Keterangan tabel kata_dasar pada basis data ..................................... 69

Tabel 3. 15 Keterangan tabel dokumen_kata pada basis data ............................... 69

Tabel 3. 16 Keterangan tabel kata_stop pada basis data ....................................... 70

xvii


Tabel 3. 17 Keterangan tabel dictionary pada basis data ...................................... 71

Tabel 3. 18 Tabel pendataan token ....................................................................... 78

Tabel 3. 19 Tabel pengurutan dan pengelompokan token .................................... 79

Tabel 3. 20 Tabel frekuensi kata dalam dokumen contoh .................................... 80

Tabel 3. 21 Perhitungan idf menggunakan persamaan log𝑁𝑁𝑁𝑁𝑁𝑁 ............................ 80

Tabel 3. 22 Perhitungan w dokumen dan query contoh kasus (VSM) .................. 81

Tabel 3. 23 Perhitungan w dokumen dan query contoh kasus (EBM) .................. 83

Tabel 3. 24 Contingency table PM ........................................................................ 85

Tabel 3. 25 Perhitungan w dokumen contoh kasus (PM)...................................... 86

Tabel 3. 26 Tabel pengurutan dokumen PM ......................................................... 86

Tabel 5. 1 Daftar query ...................................................................................... 126

Tabel 5. 2 Rekap kemungkinan differential diagnose query 1 .......................... 128

Tabel 5. 3 Rekap differential diagnose query 2 ................................................. 128







Tabel 5. 10 Rekap differential diagnose query 9 ............................................... 130

Tabel 5. 11 Rekap differential diagnose query 10 ............................................. 131











xviii



Tabel 5. 23 Precision-Recall responden R1 pada query 1 (PM)........................ 135

Tabel 5. 24 Maksimal precision setiap titik recall R1 pada query 1 (PM) ........ 135

Tabel 5. 25 Precision-Recall responden R1 pada query 1 (VSM) ..................... 135

Tabel 5. 26 Maksimal precision setiap titik recall R1 pada query 1 (VSM) ..... 136

Tabel 5. 27 Precision-Recall responden R1 pada query 1 (EBM) ..................... 136

Tabel 5. 28 Maksimal precision setiap titik recall R1 pada query 1 (EBM) ..... 136

Tabel 5. 29 Perhitungan interpolasi responden R1 untuk query 1 (PM) ............ 137

Tabel 5. 30 Perhitungan interpolasi responden R1 untuk query 1 (VSM) ......... 138

Tabel 5. 31 Perhitungan interpolasi responden R1 untuk query 1 (EBM) ......... 138

Tabel 5. 32 Perhitungan rerata interpolasi (PM) ................................................ 142

Tabel 5. 33 Perhitungan rerata interpolasi (VSM) ............................................. 142

Tabel 5. 34 Perhitungan rerata interpolasi (EBM) ............................................. 143

Tabel 5. 35 Daftar penurunan nilai precision PM .............................................. 145

Tabel 5. 36 Daftar penurunan nilai precision VSM ........................................... 146

Tabel 5. 37 Daftar penurunan nilai precision EBM ........................................... 148

Tabel 5. 38 Perhitungan rerata interpolasi seluruh model beserta nilai penurunan

terhadap optimal .................................................................................................. 148

Tabel 5. 39 Tabel perbandingan nilai penurunan precision seluruh model ....... 150

Tabel 5. 40 Daftar waktu pencarian (PM) .......................................................... 152

Tabel 5. 41 Daftar waktu pencarian (VSM) ....................................................... 153

Tabel 5. 42 Daftar waktu pencarian (EBM) ....................................................... 153

Tabel 5. 43 Tabel perbandingan waktu pencarian ............................................. 154

Tabel 5. 44 Diagnose penyakit untuk setiap query ............................................ 156

Tabel 5. 45 Perhitungan akurasi model .............................................................. 157

Tabel 6. 1 Perbandingan rerata penurunan interpolasi model mengacu pada tabel

5.39 ...................................................................................................................... 158

Tabel 6. 2 Perbandingan algoritma mengacu pada tabel 5.39, 5.43, dan 5.45 ... 159

xix


DAFTAR QUERY BASIS DATA

Query 4. 1 Query DDL tabel dokumen ................................................................ 88

Query 4. 2 Query DDL tabel katadasar ................................................................ 88

Query 4. 3 Query DDL tabel katastop ................................................................. 88

Query 4. 4 Query DDL tabel dokumen_kata ....................................................... 89

Query 4. 5 Query DDL tabel dictionary............................................................... 89

Query 4. 6 Query SQL_CEKKATA .................................................................. 100

Query 4. 7 Stored procedure insert_dokumen_table .......................................... 101

Query 4. 8 Stored procedure insertKata ............................................................. 103

xx


DAFTAR LIST CODE

List Code 4. 1 List indexingDokumen .................................................................. 90

List Code 4. 2 Penggunaan metode replaceAll .................................................... 90

List Code 4. 3 Penggunaan metode split .............................................................. 91

List Code 4. 4 Stemming ...................................................................................... 92

List Code 4. 5 List rule1 ....................................................................................... 92



List Code 4. 8 List rule4 ...................................................................................... 95


List Code 4. 10 getCountWord ............................................................................ 97

List Code 4. 11 List pembacaan dokumen .......................................................... 98

List Code 4. 12 Stopword removal .................................................................... 100

List Code 4. 13 List insertDokumen ................................................................. 102

List Code 4. 14 Penambahan Dokumen ............................................................. 105

List Code 4. 15 List ubahIsiDokumen .............................................................. 107

List Code 4. 16 List penambahan stopword ....................................................... 109

List Code 4. 17 List perubahan stopword .......................................................... 111

List Code 4. 18 List pemrosesan query .............................................................. 113

List Code 4. 19 List getIndex ............................................................................ 115

List Code 4. 20 List getSimilarity ...................................................................... 116

List Code 4. 21 List hitungBobotPerKata .......................................................... 117

List Code 4. 22 List getDokumenRelevanByQuery .......................................... 118

List Code 4. 23 getDFRelevan ........................................................................... 119

List Code 4. 24 similarity (PM) ......................................................................... 121

List Code 4. 25 similarity (VSM) ..................................................................... 123

List Code 4. 26 similarity (EBM) ...................................................................... 124

xxi


DAFTAR GRAFIK

Grafik 5. 1 Grafik interpolasi responden R1 untuk query 1 (PM) ..................... 139

Grafik 5. 2 Grafik interpolasi responden R1 untuk query 1 (VSM) .................. 139

Grafik 5. 3 Grafik interpolasi responden R1 untuk query 1 (EBM) .................. 140

Grafik 5. 4 Grafik unjuk kerja PM pada pencarian query .................................. 144

Grafik 5. 5 Grafik unjuk kerja VSM pada pencarian query ............................... 145

Grafik 5. 6 Grafik unjuk kerja EBM pada pencarian query ............................... 147

Grafik 5. 7 Grafik interpolasi seluruh model ..................................................... 149

xxii


DAFTAR LAMPIRAN

Lampiran 1 Contoh Form Kuesioner ................................................................. 163

Lampiran 2 Query Gejala ................................................................................... 169

Lampiran 3 Kuesioner Responden 1 .................................................................. 171




Lampiran 7 Hasil Perhitungan Precision Semua Responden (PM) ................... 191

Lampiran 8 Hasil Perhitungan Precision Semua Responden (VSM) ................ 199

Lampiran 9 Hasil Perhitungan Precision Semua Responden (EBM) ................ 207

Lampiran 10 Tabel Interpolasi Semua Query (PM) ........................................... 215

Lampiran 11 Tabel Interpolasi Semua Query (VSM) ........................................ 216

Lampiran 12 Tabel Interpolasi Semua Query (EBM) ........................................ 217

Lampiran 13 Source Code Program ................................................................... 218

xxiii


BAB I

PENDAHULUAN

1.1. Latar Belakang Permasalahan

Paru – paru adalah organ tubuh manusia yang terdapat di dalam

dada. Paru – paru berfungsi sebagai tempat pertukaran oksigen dan

mengeluarkan karbondioksida dari darah dengan bantuan hemoglobin.

Manusia membutuhkan pasokan oksigen secara terus – menerus untuk

proses respirasi sel, dan membuang kelebihan karbondioksida sebagai

limbah beracun produk dari proses tersebut. Pertukaran gas antara oksigen

dengan karbondioksida dilakukan agar proses respirasi sel terus

berlangsung. Oksigen yang dibutuhkan untuk proses respirasi sel ini

berasal dari atmosfer, yang menyediakan kandungan gas oksigen sebanyak

21% dari seluruh gas yang ada. Oksigen masuk kedalam tubuh melalui

perantaraan alat pernapasan yang berada di luar. Pada manusia, alveolus

yang terdapat di paru – paru berfungsi sebagai permukaan untuk tempat

pertukaran gas.

Kekurangan pasokan oksigen selama selang waktu diluar ambang

batas kemampuan seseorang dapat menyebabkan kematian (PDPI, 2003).

Dengan demikian, mendapatkan oksigen merupakan kebutuhan primer

yang harus dipenuhi oleh seseorang. Udara bersih yang kaya akan oksigen

1


2

sangat dibutuhkan oleh sistem pernapasan manusia untuk melakukan

proses metabolisme. Akan tetapi, udara yang tercemar dapat merusak

fungsi dari paru – paru, atau bahkan merusak paru – paru secara fisik.

Dampak kesehatan dari pencemaran udara yang paling umum

dijumpai adalah INSA (infeksi saluran napas atas), termasuk di antaranya,

asma, bronkitis, dan gangguan pernapasan lainnya. Beberapa zat pencemar

dikategorikan sebagai toksik dan karsinogenik (PDPI, 2003). Sebagai

contoh dampak dari pencemaran udara di Jakarta yang berkaitan dengan

kematian prematur, perawatan rumah sakit, berkurangnya hari kerja

efektif, dan INSA pada tahun 1998 senilai dengan 1,8 trilyun rupiah dan

akan meningkat menjadi 4,3 trilyun rupiah di tahun 2015 (DEPKES

RI,2000).

Tingginya tingkat pencemaran udara di Indonesia menjadi salah

satu faktor penyebab terjangkitnya penyakit paru – paru. Penyakit paru –

paru dapat menyerang manusia di segala usia. Beberapa penyakit paru –

paru mempunyai gejala umum yang sama, seperti batuk, sesak nafas,

mengi, ataupun nyeri di dada. Hal tersebut menyebabkan kemunculan

sejumlah penyakit pada differential diagnose.

Differential diagnose merupakan tahap sebelum diagnose dan

ditentukan berdasarkan pada gejala yang ditemukan pertama kali. Pada

tahap ini, diagnose penyakit yang pasti belum dapat disimpulkan tetapi

hanya kemungkinan – kemungkinan penyakit yang muncul dari gejala

yang ditemukan (DEPKES RI,2000). Petugas pelayanan kesehatan,


3

khususnya pada bagian poli umum, dengan berdasarkan pada pengamatan

gejala pasien, akan menemukan sejumlah penyakit yang mungkin terjadi

(differential diagnose). Hal ini tidak menutup kemungkinan adanya

kesalahan differential diagnose penyakit pasien. Kesalahan pada

differential diagnose akan berimbas pada kesalahan pemberian obat,

dengan demikian pasien mengkonsumsi obat yang seharusnya tidak

dikonsumsi.

Perkembangan teknologi dapat membantu dalam penentuan

differential diagnose. Komputerisasi dilakukan dengan memanfaatkan

algoritma pada ilmu information retrieval (temu kembali informasi).

Komputerisasi pada differential diagnose ini bukan merupakan hal yang

mudah. Hal ini dikarenakan gejala umum pada tiap penyakit yang akan

dijadikan model bukan merupakan dokumen panjang. Model dari tiap

penyakit biasanya hanya terdiri dari 5 – 10 gejala umum. Hal ini berbeda

dengan penerapan ilmu information retrieval pada umumnya, yaitu

menggunakan dokumen dengan jumlah kata atau kalimat dalam jumlah

yang besar (dokumen panjang).

1.2. Rumusan Masalah

Berdasarkan pada latar belakang permasalahan, maka masalah

yang akan dibahas pada tulisan ini adalah:


4

1. Bagaimana membangun sistem rekomendasi differential

diagnose penyakit paru – paru yang dapat melakukan

differential diagnose dengan baik berbasis pada information

retrieval dengan menggunakan dokumen pendek? Dokumen

pendek adalah dokumen yang berjumlah kata maksimal 30

kata.

2. Bagaimana unjuk kerja algoritma extended boolean model,

vector space model: cosine similarity,dan probabilistic model

untuk dokumen pendek pada sistem rekomendasi differential

diagnose penyakit paru – paru secara akurat?

3. Bagaimana keakuratan algoritma information retrieval

(extended boolean model, vector space model: cosine

similarity,dan probabilistic model) untuk dokumen pendek

pada sistem rekomendasi differential diagnose penyakit paru –

paru?

1.3. Batasan

Dengan permasalahan yang terjadi dan telah diungkapkan di atas,

penulis bermaksud menyusun skripsi dengan judul “Uji Algoritma

Probabilistic Model, Vector Space Model, dan Extended Boolean Model

Pada Sistem Rekomendasi Differential Diagnose Penyakit Paru - Paru”.

Batasan yang akan diambil dalam skripsi ini adalah sebagai berikut:


5

1. Studi kasus hanya dilakukan di Puskesmas Jebed Pemalang.

2. Melakukan differential diagnose hanya pada penyakit paru –

paru yang termasuk sepuluh besar di Puskesmas Jebed.

3. Data yang digunakan dari tahun 2009 hingga tahun 2011.

4. Differential diagnose hanya dilakukan berdasarkan gejala

awal, penyakit yang awal diagnose dengan cek lab tidak

digunakan.

5. Differential diagnose lanjutan berdasar hasil cek lab tidak akan

dibahas.

6. Sistem rekomendasi yang dibangun tidak menangani

pemberian saran terkait (langkah lanjutan yang dilakukan).

7. Differential diagnose dilakukan secara terkomputerisasi

dengan penerapan teknologi informatika, ilmu information

retrieval.

8. Algoritma information retrieval yang digunakan adalah

extended boolean model, vector space model: cosine

similarity,dan probabilistic model.

1.4. Tujuan Penelitian

Tujuan yang akan dicapai dalam penulisan skripsi ini adalah:

1. Mengkaji algoritma extended boolean model, vector space

model: cosine similarity, dan probabilistic model untuk


6

dokumen pendek yang akan diterapkan pada sistem

rekomendasi differential diagnose penyakit paru – paru.

2. Melakukan implementasi algoritma extended boolean model,

vector space model: cosine similarity,dan probabilistic model

dengan menggunakan dokumen pendek pada sistem

rekomendasi differential diagnose penyakit paru – paru.

3. Melakukan pengujian aplikasi yang telah dibangun

menggunakan algoritma recall – precission untuk mengetahui

algoritma information retrieval terbaik untuk menangani

differential diagnose penyakit paru – paru menggunakan

dokumen pendek.

1.5. Manfaat Penelitian

Manfaat dari pembangunan perangkat lunak sistem rekomendasi

differential diagnose penyakit paru – paru ini adalah membantu

mengkonversi gejala – gejala yang muncul dari pengamatan terhadap

pasien menjadi sebuah rekomendasi differential diagnose penyakit paru –

paru secara tepat, cepat, akurat, dan efisien dengan algoritma yang

menghasilkan nilai paling baik. Tidak hanya itu, pembangunan perangkat

lunak ini sekaligus menguji algoritma pada dokumen pendek. Dengan

demikian pengujian algoritma extended boolean model, vector space

model: cosine similarity,dan probabilistic model perlu dilakukan untuk


7

menentukan algoritma yang paling baik pada dokumen pendek. Dengan

penerapan algoritma terbaik, sistem diharapkan dapat membantu peran

pelaku pelayanan kesehatan dalam menentukan tindak lanjut sebagai

penanganan serta dasar pengambilan diagnose akhir pada penyakit paru –

paru.

1.6. Metode Penelitian

Metode penelitian yang digunakan adalah:

1. Studi Pustaka: metode studi pustaka ini dilakukan dengan

mengambil referensi dari internet, buku, dan jurnal penelitian

yang berhubungan dengan konsep information retrieval serta

penyakit paru – paru.

2. Analisis dan Perancangan Sistem: melakukan analisis kebutuhan

dari sistem yang akan dibangun. Dilanjutkan dengan

perancangan sistem yang akan diimplementasikan menjadi

sebuah sistem yang dapat berjalan dengan baik dan sesuai

dengan yang diharapkan.

3. Implementasi Sistem: implementasi sistem menggunakan dasar

analisa desain sistem yang telah dibuat. Melakukan eksplorasi

dan penerapan algoritma extended boolean model, vector space

model: cosine similarity,dan probabilistic model.


8

4. Evaluasi Algoritma Sistem: pengujian algoritma extended

boolean model, vector space model: cosine similarity, dan

probabilistic model pada perhitungan kemiripan gejala.

5. Pengujian dan Perbaikan: perangkat lunak yang telah dibangun

diuji untuk meminimalkan error dan dapat bekerja dengan baik

secara akurat.

6. Analisis Luaran Sistem: melakukan pengujian perangkat lunak

dan pengkajian berdasarkan data uji serta menghitung akurasi

menggunakan algoritma recall – precission. Ketiga algoritma

information retrieval akan dikaji berdasarkan penurunan

terhadap nilai optimal (1.0), waktu pencarian, serta akurasi

untuk menentukan algoritma terbaik yang diterapkan pada

perangkat lunak.

7. Kesimpulan dan Saran: membuat kesimpulan dan saran dari

seluruh tahapan yang dilalui.

1.7. Luaran

Luaran dari penelitian ini adalah terciptanya perangkat lunak

“Sistem Rekomendasi Differntial Diagnose Penyakit Paru - Paru”

menggunakan algoritma information retrieval (extended boolean model,

vector space model: cosine similarity,dan probabilistic model) yang

diterapkan pada dokumen pendek.


9

1.8. Sistematika Penulisan

Tulisan ini akan dibahas dalam enam (6) bab, yaitu sebagai

berikut:

Bab I : berisi pendahuluan yang membahas latar belakang

permasalahan, rumusan masalah yang berisi masalah yang

akan dibahas pada tulisan ini, batasan yang dibahas, tujuan

penelitian, manfaat penelitian, metodologi, luaran, dan

sistematika penulisan.

Bab II : berisi review literatur yang digunakan sebagai sebagai acuan

penulisan.

Bab III : berisi analisis dan perancangan sebagai acuan dalam

implementasi sistem rekomendasi differential diagnose

penyakit paru – paru.

Bab IV : berisi implementasi sistem.

Bab V : berisi hasil dan analisa dari penelitian yang telah dilakukan.

BAB VI : berisi kesimpulan dari analisa berdasar metode dan literatur

yang ada, serta saran yang diberikan untuk pengembangan

sistem.


BAB II

LANDASAN TEORI

Differential diagnose adalah penentuan dua atau lebih penyakit

atau kondisi yang diderita pasien dengan membandingkan dan mengontraskan

secara sistematis hasil – hasil tindakan diagnostik

(www.kamuskesehatan.com, 2012). Perkembangan teknologi dapat

diupayakan untuk berperan membantu proses differential diagnose.

Pendekatan yang digunakan adalah memanfaatkan algoritma pada

information retrieval. Pendekatan ini tergolong berbeda karena dokumen /

model yang digunakan merupakan sebuah dokumen pendek. Untuk lebih

jelasnya pada bab ini akan dibahas mengenai teori-teori apa saja yang akan

digunakan untuk menunjang penulisan.

2.1. Gambaran Umum Lokasi Penelitian

Puskesmas Jebed adalah salah satu unit pelayanan kesehatan di

Kabupaten Pemalang. Terletak di Kecamatan Taman, di desa Jebed

Selatan. Wilayah kerjanya terdiri atas 11 desa dengan jumlah penduduk

sekitar 78.000 jiwa. Desa yang ditangani adalah sebagai berikut:

1. Jebed Utara

10


11

2. Jebed Selatan

3. Cibelok

4. Kaligelang

5. Penggarit

6. Kejambon

7. Sokawangi

8. Pener

9. Gondang

10. Jerakah

11. Sitemu

Sedangkan dari 11 desa yang ditangani, jumlah penduduk yang

ditangani oleh Puskesmas Jebed adalah sebagai berikut:

Tabel 2. 1 Tabel Detail Penduduk

Laki - Laki (Tahun) 0-4 5-14 15-44 45-64 >=65 JML

Jumlah 4.375 8.706 17.709 6.031 2.160 38.960

Perempuan (Tahun) 0-4 5-14 15-44 45-64 >=65 JML

Jumlah 4.123 8.377 18.168 5.740 2.537 38.945

Detail keterangan Puskesmas Jebed adalah sebagai berikut:

Nama : Pusat Kesehatan Masyarakat Jebed

Kode UPK : P3327090203

Alamat : Jl. Raya Jebed Selatan, Jebed

Telp : (0284) 5800082


12

Kepala (Plt) : dr. Paulus Setiawan R.

Jumlah Desa : 11

Hari Pelayanan : Senin – Sabtu

Jam Pelayanan : 07.30 – 14.00 WIB

2.1.1. Gambaran Umum Kondisi Kesehatan Masyarakat

Menurut Kepala Puskesmas Jebed, kesadaran masyarakat tentang

kesehatan dapat dikatakan sangat kurang sekali. Kondisi ekonomi

masyarakat yang didominasi oleh masyarakat dengan taraf menengah ke

bawah, juga mempengaruhi pola hidup masyarakat yang jauh dari hidup

sehat. Sebagai contoh, masyarakat Desa Sokawangi menggunakan air

sungai yang kotor sebagai sarana untuk kegiatan MCK dan juga untuk

kegiatan memasak. Penularan penyakit juga dapat dikatakan mudah

terjadi, hal ini dikarenakan pengetahuan masyarakat tentang bahaya

penyakit dan penularannya sangat kurang.

2.1.2. Penyakit Paru – Paru di Puskesmas Jebed

Menurut Kepala Puskesmas Jebed, puskesmas ini menangani

beberapa jenis penyakit yang termasuk ke dalam penyakit paru – paru.


13

Penyakit paru – paru termasuk ke dalam penyakit yang mendapatkan

perhatian khusus. Berikut adalah gambaran lima (5) besar penyakit yang

ditangani Puskesmas Jebed.

Tabel 2. 2 Gambaran lima besar penyakit di Puskesmas Jebed

Kategori Penyakit 2009 2010 2011 Gangguan dan Infeksi Pencernaan 2.238 2.395 2.306 Nasopharingitis Akuta (common cold) ISPA dan Penyakit Paru 2.202 2.263 2.243 Gastrtitis 695 683 583 Rhumatoid Arthritis Lain 763 663 465 Penyakit Kulit dan Infeksi Lain 590 467 410

Berikut adalah rekapan 10 besar penyakit paru – paru yang

ditangani oleh Puskesmas Jebed.

Tabel 2. 3 10 besar penyakit paru – paru Puskesmas Jebed

Penyakit Paru 2009 2010 2011 Asma 607 579 600 TB Paru 189 196 207 Displasia Bronkopulmoner 175 158 159 Bronkiolitis 120 141 152 Asbestosis 143 140 139 Silikosis 138 120 133 Fibrosis Paru 112 106 94 TB Paru BTA - Rontgen + 93 98 91 Emfisema 88 94 93 Pneumonia 60 80 110

Dari tabel 2.3 dapat dilihat bahwa, penyakit asma merupakan

penyumbang terbanyak pada kategori ISPA dan penyakit paru – paru.


14

2.2. Penyakit Paru – Paru

Penyakit paru – paru sangat bervariasi jenisnya. Penyebab penyakit

paru – paru juga dapat dikatakan sangat bervariasi, dari udara yang

tercemar, perpindahan bakteri penyakit, hingga masuknya virus ke dalam

rongga paru – paru. Menurut pedoman penganggulangan penyakit yang

dikeluarkan oleh pemerintah Indonesia, gejala – gejala umum yang ada

pada penyakit paru – paru dapat dilihat pada tabel 2.2. Penyakit yang

diambil merupakan penyakit yang sering ditemui pada Puskesmas Jebed.

Tabel 2. 4 Tabel gejala umum penyakit paru - paru

Penyakit Gejala Umum

Bronkiolitis Batuk kering serak, batuk terus menerus, bernapas

cepat, demam, denyut jantung cepat, rinorea, hidung

tersumbat, sesak napas, mengi, muntah setelah

makan, napas cuping hidung, ada riwayat infeksi

saluran napas, retraksi dinding dada, dan riwayat

kontak dengan penderita infeksi saluran napas.

Silikosis

Demam, batuk kronis, bernapas cepat, tidak selera

makan, mudah lelah, riwayat pekerjaan kontak

dengan silikon, sesak napas, penurunan berat badan,

dan sakit di dada.

Displasia

Bronkopulmoner

Batuk kronis, bernapas cepat, warna biru pada kulit,

sianosis, mengi, postur leher buruk, postur bahu

buruk, postur badan buruk, sesak napas, dan perkusi

dada terdapat bagian yang redup.


15

Asbestosis

Demam , batuk kronis, bernapas cepat, tidak selera

makan, mudah lelah, riwayat pekerjaan kontak

dengan asbes, sesak napas, penurunan berat badan,

dan sakit di dada.

Fibrosis Paru

Batuk kering, kelelahan, kelemahan pada tangan,

nyeri otot (mialgia), pembuluh darah bengkak pada

putih mata, penurunan berat badan yang tidak

diinginkan, rasa sakit pada persendian, ruam kulit

yang gatal, dan sesak napas.

Asma

Batuk, dada sesak, warna biru pada kulit, sianosis,

mengi, sakit di dada, sesak napas, napas cuping

hidung, bernapas dengan melibatkan otot bantu

pernapasan, pada keadaan tenang bisa tanpa gejala

dan nampak sehat, ada pemicu serangan (alergi,

stress emosional, kelelahan infeksi), dan eksperium

diperpanjang.

TBC

Batuk terus menerus, Batuk bberdahak selama 3

(tiga) minggu atau lebih, batuk bercampur darah,

sesak napas, nyeri dada, badan lemah, nafsu makan

menurun, berat badan turun, kurang enak badan,

malaise, berkeringat pada malam hari, riwayat

kontak dengan penderita TBC, panas nglemeng, dan

pembesaran limfonodi leher.

Tabel 2.4 merupakan pedoman gejala umum untuk melakukan

differential diagnose pada penyakit paru – paru di Indonesia. Tabel 2.4

merupakan kesimpulan survei yang dilakukan Ikatan Dokter Indonesia

(IDI) dan pemerintah Indonesia dari hasil pengamatan pada pasien

penderita penyakit paru – paru (DEPKES RI, 2007).


16

2.3. Information Retrieval

ISO 2382/1 mendefinisikan Information Retrieval (IR) sebagai

tindakan, metode dan prosedur untuk menemukan kembali data yang

tersimpan, kemudian menyediakan informasi mengenai subyek yang

dibutuhkan. Informasi termasuk pengetahuan terkait yang dibutuhkan

untuk mendukung penyelesaian masalah dan akuisisi pengetahuan.

Menurut Lancaster (1968), sebuah sistem information retrieval tidak

memberitahu pengguna mengenai masalah yang ditanyakannya. Sistem

tersebut hanya memberitahukan keberadaan atau ketidakberadaan dan

keterangan dokumen – dokumen yang berhubungan dengan permintaannya

(van Rijsbergen, 1979). Dengan demikian, sistem IR hanya

memberitahukan keberadaan serta keterangan dokumen berdasarkan query

dari pengguna. Sifat pencarian sistem IR berbeda dengan sistem data

retrieval (misalnya dalam sistem manajemen basis data) dalam beberapa

segi, antara lain spesifikasi query yang tidak lengkap, dan tingkat

ketanggapan kesalahan yang tidak peka (van Rijsbergen, 1979).

Tabel 2. 5 Perbedaan sistem data retrieval dan sistem information retrieval

Data Retrieval Information Retrieval

Matching Exact Match Partial (best) Match

Inference Deduksi Induksi


17

Model Deterministik Probabilistik

Klasifikasi Monothetic Polythetic

Bahasa Query Artificial Natural

Spesifikasi Query Lengkap Tidak Lengkap

Item yang diinginkan Matching Relevan

Respon Error Sensitif Tidak Sensitif

Kerangka dari sistem IR secara sederhana terbagi menjadi dua

bagian. Untuk lebih jelasnya, gambar 2.1 merupakan kerangka sederhana

sistem IR

Gambar 2. 1 Kerangka dari sistem IR sederhana (P. Ingwersen, 1992)

Bagian pertama adalah pencari informasi atau pengguna sistem.

Pengguna dari sistem IR harus menerjemahkan informasi yang dicarinya

agar dapat diproses oleh sistem dengan cara memasukan kata kunci. Kata

kunci tersebut akan di proses menjadi sebuah query yang dapat dimengerti


18

oleh sistem. Bagian kedua adalah bagian dari dokumen. Pada bagian ini

dokumen – dokumen direpresentasikan dalam bentuk indeks. Query

pengguna akan diproses melalui fungsi kesamaan untuk membandingkan

query dengan indeks dari dokumen untuk mendapatkan dokumen yang

relevan. Sistem IR mungkin tidak memberikan hasil apapun jika memang

tidak ditemukan dokumen yang relevan.

2.4. Indexing

Mencari sebuah informasi yang relevan sangat tidak mungkin

dapat dilakukan oleh sebuah komputer, meskipun dilakukan oleh sebuah

komputer yang memiliki spesifikasi yang canggih. Agar komputer dapat

mengetahui sebuah dokumen itu relevan terhadap sebuah informasi,

komputer memerlukan sebuah model yang mendeskripsikan bahwa

dokumen tersebut relevan atau tidak. Salah satu caranya adalah dengan

menggunakan indeks istilah. Indeks adalah bahasa yang digunakan di

dalam sebuah buku konvensional untuk mencari informasi berdasarkan

kata atau istilah yang mengacu ke dalam suatu halaman. Dengan

menggunakan indeks pencari informasi dapat dengan mudah menemukan

informasi yang diinginkannya. Pada sistem temu-kembali informasi,

indeks ini nantinya yang digunakan untuk merepresentasikan informasi di

dalam sebuah dokumen.


19

Elemen dari indeks adalah index term yang didapatkan dari teks

yang dipecah di dalam sebuah dokumen. Elemen lainnya adalah bobot

istilah (term weighting) sebagai penentuan peringkat dari kriteria relevan

pada sebuah dokumen yang memiliki istilah yang sama. Proses pembuatan

indeks dari sebuah dokumen teks atau dikenal dengan proses analisis teks

(automatic teks analysis) melalui beberapa tahap (Baeza-Yates dan

Ribeiro-Neto, 1999):

1. Proses penentuan digit, tanda hubung, tanda baca dan penyeragaman

dari huruf yang digunakan.

2. Penyaringan kata meliputi penghilangan kata yang memiliki arti niliai

paling rendah (stopwords) untuk proses IR.

3. Penghilangan imbuhan kata, baik awalan maupun akhiran kata.

Penghilangan imbuhan kata ini dikenal dengan stemming.

4. Pemilihan istilah untuk menentukan kata atau stem (atau kelompok

kata) yang akan digunakan sebagai elemen indeks.

5. Pembentukan kategori istilah terstruktur seperti kelompok persamaan

kata yang digunakan untuk perluasan dari query dasar yang diberikan

oleh pengguna sistem IR dengan istilah lain yang sesuai.

Pengindeksan dapat dilakukan dengan dua cara yaitu manual dan

otomatis. Idealnya, untuk mendapatkan indeks istilah yang sempurna

sebuah pengindeksan dilakukan secara manual (konvensional). Akan

tetapi, menurut Salton, sistem pencarian dan analisa teks yang sepenuhnya

otomatis tidak menghasilkan kinerja temu-kembali yang lebih buruk


20

dibandingkan dengan sistem konvensional yang menggunakan

pengindeksan dokumen manual dan formulasi pencarian. Untuk lebih

jelasnya mengenai proses pengindeksan dari sebuah dokumen yang

memiliki sekumpulan teks menjadi istilah dapat dilihat pada Gambar 2.2

(Baeza-Yates dan Ribeiro-Neto, 1999).

Gambar 2. 2 Operasi teks logical view dari sebuah dokumen

Inverted index adalah salah satu mekanisme untuk pengindeksan

sebuah koleksi teks yang digunakan untuk mempercepat proses pencarian.

Struktur dari inverted index terdiri dari dua elemen yaitu kosakata dan

posisinya di dalam sebuah dokumen (Baeza-Yates dan Ribeiro-Neto,

1999). Sebagai contoh, istilah t1 terdapat dalam dokumen D1, D2, dan D3

sedangkan istilah t2 terdapat dalam dokumen D1 dan D2 maka inverted

index yang dihasilkan adalah sebagai berikut:

t1 → D1, D2, D3

t2 → D1, D2


21

Penggunaan inverted index di dalam sistem IR memiliki

kelemahan yaitu lambat di dalam pengindeksan, tetapi cepat di dalam

proses pencarian informasi.

2.5. Term Frequency

Term Frequency (TF) adalah algoritma pembobotan heuristik

yang menentukan bobot dokumen berdasarkan kemunculan term (istilah).

Semakin sering sebuah istilah muncul, semakin tinggi bobot dokumen

untuk istilah tersebut, dan sebaliknya. Hasil pembobotan ini selanjutnya

akan digunakan oleh fungsi perbandingan untuk menentukan dokumen –

dokumen yang relevan. Terdapat empat buah algoritma TF yang

digunakan (Wibowo, 2011):

• Raw TF

Raw TF menentukan bobot suatu dokumen terhadap istilah

dengan menghitung frekuensi kemunculan suatu istilah tersebut pada

dokumen. Raw TF selanjutnya akan dituliskan sebagai tf.

• Logarithmic TF

Logarithmic TF mengurangi tingkat kepentingan kemunculan

kata dalam menghitung bobot dokumen terhadap suatu istilah dengan

melakukan log terhadap TF. Log TF dapat dihitung dengan

persamaan:


22

𝑙𝑙𝑙𝑙𝑁𝑁 = 1 + log(𝑙𝑙𝑁𝑁) ( 1 )

• Binary TF

Binary TF menyeragamkan bobot dokumen terhadap istilah

dengan memberi nilai 0 dan 1. Nilai 1 menyatakan suatu istilah

muncul minimal satu kali dalam suatu dokumen, sementara 0

menyatakan sebaliknya.

𝑏𝑏𝑙𝑙𝑁𝑁 = � 1, 𝑖𝑖𝑖𝑖𝑙𝑙𝑖𝑖𝑙𝑙𝑖𝑖ℎ 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑙𝑙 𝑁𝑁𝑖𝑖𝑙𝑙𝑖𝑖𝑚𝑚 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚0, 𝑖𝑖𝑖𝑖𝑙𝑙𝑖𝑖𝑙𝑙𝑖𝑖ℎ 𝑙𝑙𝑖𝑖𝑁𝑁𝑖𝑖𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑙𝑙 𝑁𝑁𝑖𝑖𝑙𝑙𝑖𝑖𝑚𝑚 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚

� ( 2 )

• Augmented TF

Augmented TF menyeragamkan bobot dokumen terhadap istilah

dengan memberikan range antara 0.5 hingga 1 sebagai bobot

dokumen. Augmented TF dapat dihitung dengan persamaan:

𝑖𝑖𝑙𝑙𝑁𝑁 = 0.5 + 0.5 × 𝑙𝑙𝑁𝑁max 𝑙𝑙𝑁𝑁 𝑁𝑁𝑖𝑖𝑑𝑑𝑖𝑖 𝑖𝑖𝑑𝑑𝑙𝑙𝑚𝑚𝑑𝑑 𝑚𝑚ℎ 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚

( 3 )

Pembobotan lokal (tf) hanya berpedoman pada frekuensi

munculnya term dalam suatu dokumen dan tidak melihat frekuensi

kemunculan term tersebut di dalam dokumen lainnya. Pembobotan global

digunakan untuk memberikan tekanan terhadap term yang mengakibatkan

perbedaan dan berdasarkan pada penyebaran dari term tertentu di seluruh

dokumen. Banyak skema didasarkan pada pertimbangan bahwa semakin

jarang suatu term muncul di dalam total koleksi maka term tersebut

menjadi semakin berbeda. Pemanfaatan pembobotan ini dapat

menghilangkan kebutuhan stop word removal karena stop word

mempunyai bobot global yang sangat kecil. Pendekatan terhadap


23

pembobotan global mencakup inverse document frequency (idf), squared

idf, probabilistic idf, GF-idf, entropy. Pendekatan idf merupakan

pembobotan yang paling banyak digunakan saat ini. Beberapa aplikasi

tidak melibatkan bobot global, hanya memperhatikan tf, yaitu ketika tf

sangat kecil atau saat diperlukan penekanan terhadap frekuensi term di

dalam suatu dokumen.

Faktor normalisasi digunakan untuk menormalkan vektor

dokumen sehingga proses retrieval tidak terpengaruh oleh panjang dari

dokumen. Normalisasi ini diperlukan karena dokumen panjang biasanya

mengandung perulangan term yang sama sehingga menaikkan frekuensi

term (tf). Dokumen panjang juga mengandung banyak term yang berbeda

sehingga menaikkan ukuran kemiripan antara query dengan dokumen

tersebut, meningkatkan peluang di-retrieve-nya dokumen yang lebih

panjang.

Bobot lokal suatu term i di dalam dokumen j (tfij) dapat

didefinisikan sebagai (Lee D. L., 1997):

𝑙𝑙𝑁𝑁𝑖𝑖=𝑁𝑁𝑖𝑖𝑖𝑖

𝑚𝑚𝑖𝑖𝑚𝑚 𝑙𝑙(𝑁𝑁𝑖𝑖𝑖𝑖 ) ( 4 )

fij merupakan jumlah berapa kali termi muncul di dalam

dokumen j. Frekuensi tersebut dinormalisasi dengan frekuensi dari most

common term di dalam dokumen tersebut. Bobot global dari suatu term i

pada pendekatan inverse document frequency (idfi) dapat didefinisikan

sebagai (Lee D. L., 1997):


24

𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖= log ( 𝑚𝑚𝑁𝑁𝑁𝑁𝑖𝑖

) ( 5 )

Dimana dfi adalah frekuensi dokumen dari termi dan sama dengan

jumlah dokumen yang mengandung term i. Log digunakan untuk

memperkecil pengaruhnya relatif terhadap tfij. Bobot dari termi di dalam

sistem IR (wij) dihitung menggunakan ukuran tf-idf yang didefinisikan

sebagai berikut (Lee D. L., 1997):

𝑤𝑤𝑖𝑖𝑖𝑖=𝑙𝑙𝑁𝑁𝑖𝑖𝑖𝑖 × 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 ( 6 )

2.6. Tokenizing

Tokenizing adalah proses membagi deretan kalimat menjadi

kalimat, dan kalimat menjadi token – token. Token tidak hanya terdiri dari

kata – kata, tetapi juga angka – angka, tanda kutip, tanda kurung, dan tanda

baca lainnya. Proses tokenizing pada gambar 2. 4 masukan (input) berupa

sebuah kalimat “Ada riwayat infeksi saluran napas”. Proses tokenizing

memisah kalimat tersebut menjadi potongan – potongan kata

penyusunnya. Potongan kata seperti “riwayat”, “infeksi”, “saluran”, dan

“napas” akan digunakan untuk proses selanjutnya.

Gambar 2. 3 Proses tokenizing


25

2.7. Stemming

Stemming merupakan suatu proses yang terdapat dalam sistem IR

yang mentransformasi kata-kata yang terdapat dalam suatu dokumen ke

kata – kata dasarnya (root word) dengan menggunakan aturan – aturan

tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan di–

stem ke root word–nya yaitu “sama”. Proses stemming pada teks berbahasa

Indonesia berbeda dengan stemming pada teks berbahasa Inggris. Pada

teks berbahasa Inggris, proses yang diperlukan hanya proses

menghilangkan sufiks. Sedangkan pada teks berbahasa Indonesia, selain

sufiks, prefiks, dan konfiks juga dihilangkan (Agusta, 2009).

Stemming khusus bahasa Inggris yang ditemukan oleh Martin

Porter. Mekanisme algoritma dalam mencari kata dasar suatu kata

berimbuhan dengan membuang imbuhan – imbuhan (atau lebih tepatnya

akhiran) pada kata–kata bahasa Inggris karena dalam bahasa Inggris tidak

mengenal awalan. Karena bahasa Inggris datang dari kelas yang berbeda,

beberapa modifikasi telah dilakukan untuk membuat Algoritma Porter

sehingga dapat digunakan sesuai dengan bahasa Indonesia. Implementasi

Porter Stemmer for Bahasa Indonesia berdasarkan English Porter

Stemmer yang dikembangkan oleh W.B. Frakes pada tahun 1992. Karena

bahasa Inggris datang dari kelas yang berbeda, beberapa modifikasi telah

dilakukan untuk membuat algoritma Porter dapat digunakan sesuai dengan

bahasa Indonesia.


26

Gambar 2. 4 Desain dari Porter Stemmer for Bahasa Indonesia

2.7.1. Porter Stemmer Algorithm

Algoritma atau langkah – langkah stemming pada teknik Porter

Stemmer adalah sebagai berikut:

1. Menghapus partikel seperti: -kah, -lah, -tah

2. Mengapus kata ganti (Possesive Pronoun), seperti –ku, -mu, -nya

3. Mengapus awalan pertama. Jika tidak ditemukan, maka lanjut ke

langkah 4a, dan jika ada maka lanjut ke langkah 4b.

4. a. Menghapus awalan kedua, dan dilanjutkan pada langkah ke 5a


27

b. Menghapus akhiran, jika tidak ditemukan maka kata tersebut

diasumsikan sebagai kata dasar (root word). Jika ditemukan maka

lanjut ke langkah 5b.

5. a. Menghapus akhiran dan kata akhir diasumsikan sebagai kata dasar

(root word).

b. Menghapus awalan kedua dan kata akhir diasumsikan sebagai kata

dasar (root word) (Agusta, 2009).

2.7.2. Aturan Algoritma Porter untuk Bahasa Indonesia

Terdapat 5 aturan pada Algoritma Porter untuk Bahasa Indonesia.

Dasar dari aturan ini adalah membagi kata berdasarkan imbuhan yang

diberikan pada kata tersebut. Aturan tersebut dapat dilihat pada tabel

berikut (Tala, 2003):

Tabel 2. 6 Kelompok rule pertama: inflectional particles

Suffix Replacement Meassure

Condition

Additional

Condition Contoh

-kah NULL 2 NULL bukukah buku

-lah NULL 2 NULL adalah ada

-pun NULL 2 NULL bukupun buku


28

Tabel 2. 7 Kelompok rule kedua: inflectional possesive pronouns


Condition

Additional

Condition Contoh

-ku NULL 2 NULL bukuku buku

-mu NULL 2 NULL bukumu buku

-nya NULL 2 NULL bukunya buku

Tabel 2. 8 Kelompok rule ketiga: first order of derivational prefixes

Prefix Replacement Meassure

Condition

Additional

Condition Contoh

meng- NULL 2 NULL mengukur ukur

meny- s 2 V...* menyapu sapu

men- NULL 2 NULL menduga duga

mem- p 2 V... memilah pilah

mem- NULL 2 NULL membaca baca

me- NULL 2 NULL merusak rusak

peng- NULL 2 NULL pengukur ukur

peny- s 2 V... penyapu sapu

pen- NULL 2 NULL pendosa dosa

pem- p 2 V... pemilah pilah

pem- NULL 2 NULL pembaca baca

di- NULL 2 NULL diukur ukur

ter- NULL 2 NULL tersapu sapu

ke- NULL 2 NULL kekasih kasih


29

Tabel 2. 9 Kelompok rule keempat: second order of derivational prefixes

Prefix Replacement Meassure

Condition

Additional

Condition Contoh

ber- NULL 2 NULL berlari lari

bel- NULL 2 ajar belajar ajar

be- NULL 2 k*er... bekerja kerja

per- NULL 2 NULL perjelas jelas

pel- NULL 2 ajar pelajar ajar

pe- NULL 2 NULL pekerja kerja

Tabel 2. 10 Kelompok rule kelima: derivational suffixes


Condition

Additional

Condition Contoh

-kan NULL 2 Prefix ∉ {ke-,

peng-}

tarikkan tarik

(meng)ambilkan

ambil

-an NULL 2 Prefix ∉ {di-, ter-,

meng-}

makanan makan

(per)janjian janji

-i NULL 2

V|K...c1 c1, c1 ≠ s,

c2 ≠ i dan prefix ∉

{ber-, ke-, peng-}

tandai tanda

(men)dapati dapat

Pantai panta


30

2.8. Vector Space Model

Vector Space Model (VSM) menganalogikan dokumen sebagai

vektor yang memiliki besaran. Gambar 2.6 menunjukkan perlakuan yang

diterapkan VSM terhadap query pencarian.

Gambar 2. 5 Vector Space Model

Sebagai vektor yang memiliki besaran, jarak antar dokumen dapat

dihitung menggunakan persamaan cosine similarity (Manning, et al,

2008).

𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) = 𝑣𝑣→(𝐷𝐷1).

𝑣𝑣→(𝐷𝐷2)

�𝑣𝑣→(𝐷𝐷1)��

𝑣𝑣→(𝐷𝐷2)�

( 7 )

Dimana:

• 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) adalah jarak kedekatan dokumen 1 dan

dokumen 2.

• D1 adalah dokumen 1.

• D2 adalah dokumen 2.

• 𝑣𝑣→ (𝐷𝐷1) adalah reperentasi vektor dokumen 1.


31

• 𝑣𝑣→ (𝐷𝐷2) adalah reperentasi vektor dokumen 2.

Salah satu cara untuk mengukur jarak antar vektor adalah dengan

menggunakan persamaan Euclidian Distance. Dengan berasumsi bahwa t

adalah komponen dari vektor, maka Euclidian Distance untuk vektor

𝑣𝑣→ (𝐷𝐷) dapat ditulis sebagai berikut:

�∑ 𝑣𝑣𝑖𝑖2 (𝐷𝐷)�⎯⎯�𝑙𝑙

𝑖𝑖=1 ( 8 )

Dand hasil dari perkalian dot product antara 2 (dua) vektor 𝑣𝑣→ dan

𝑚𝑚→ dapat ditulis sebagai berikut:

∑𝑣𝑣𝑖𝑖→ .

𝑚𝑚𝑖𝑖→𝑙𝑙

𝑖𝑖=1 ( 9 )

Dengan melihat persamaan 8 dan 9, persamaan 7 dapat ditulis

ulang menjadi:

cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) = ∑ (𝐷𝐷1.𝐷𝐷2)𝑙𝑙𝑖𝑖=1

�∑ 𝑣𝑣𝑖𝑖2 (𝐷𝐷1).𝑣𝑣𝑖𝑖

2 (𝐷𝐷2)𝑙𝑙𝑖𝑖=1

( 10 )

Nilai cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) menunjukkan jarak kedekatan dokumen D1

dan D2. Besaran cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) memiliki rentang dari 0,0 – 1,0.

Semakin besar nilai yang diperoleh, tingkat kemiripan dokumen yang

dibandingkan akan semakin tinggi. Sebaliknya, semakin kecil nilai yang

diperoleh, tingkat kemiripan dokumen yang dibandingkan semakin rendah.

Dalam membentuk model hasil pencarian, VSM membandingkan

nilai kesamaan antara query pencarian terhadap setiap dokumen yang

tersedia. Dengan melihat persamaan 7, perhitungan jarak antara query

pencarian dengan dokumen yang tersedia dapat ditulis seperti berikut:


32

𝑖𝑖𝑖𝑖𝑚𝑚 (𝑄𝑄,𝐷𝐷𝑖𝑖) = 𝑣𝑣→(𝑄𝑄).

𝑣𝑣→(𝐷𝐷𝑖𝑖)

�𝑣𝑣→(𝑄𝑄)��

𝑣𝑣→(𝐷𝐷𝑖𝑖)�

( 11 )

Dimana:

• 𝑖𝑖𝑖𝑖𝑚𝑚 (𝑄𝑄,𝐷𝐷𝑖𝑖) adalah jarak kedekatan query dan dokumen i.

• Q adalah query pencarian.

• Di adalah dokumen i.

• 𝑣𝑣→ (𝑄𝑄) adalah reperentasi vektor query pencarian.

• 𝑣𝑣→ (𝐷𝐷𝑖𝑖) adalah reperentasi vektor dokumen i.

Dengan melihat pada persamaan 10 dan 11, dapat ditulis ulang

menjadi:

cos 𝑖𝑖𝑖𝑖𝑚𝑚 �𝑄𝑄,𝐷𝐷𝑖𝑖 � = ∑ �𝑄𝑄𝑖𝑖 .𝐷𝐷𝑖𝑖𝑖𝑖 �𝑙𝑙𝑖𝑖=1

�∑ 𝑣𝑣𝑖𝑖2 (𝑄𝑄𝑖𝑖).𝑣𝑣𝑖𝑖

2 (𝐷𝐷𝑖𝑖 )𝑙𝑙𝑖𝑖=1

( 12 )

VSM akan mengurutkan dokumen berdasarkan nilai jarak

kesamaan masing – masing dokumen dengan query pencarian. Semakin

dekat jarak dokumen dengan query pencarian, posisi dokumen akan berada

semakin atas.

2.9. Extended Boolean Model

Boolean model merupakan model IR sederhana yang berdasarkan

atas teori himpunan dan aljabar. Boolean model merepresentasikan

dokumen sebagai suatu himpunyan kata kunci (set of keywords). Query


33

direpresentasikan sebagai ekspresi boolean. Query dalam ekspresi boolean

merupakan kumpulan kata kunci yang saling dihubungkan melalui

operator boolean seperti AND, OR, dan NOT serta menggunakan tanda

kurung untuk menentukan scope operator. Hasil pencarian dokumen dari

model boolean adalah himpunan dokumen yang relevan (Baetza - Yates

dan Riberio – Neto, 1998). Karena sifatnya yang sederhana, boolean

model saat ini masih dipergunakan oleh sistem IR modern, antara lain oleh

www.google.com. Kekurangan model boolean diperbaiki oleh VSM dan

extended boolean model yang mampu menghasilkan dokumen – dokumen

terurut berdasarkan kesesuaian query.

Extended boolean model merupakan lanjutan dari boolean model

dengan menggabungkan karakateristik dari vector space model dengan

sifat – sifat aljabar boolean dan peringkat kesamaan antara query dan

dokumen berdasarkan p-norm model (Salton, 1989). Cara ini dikatakan

sebagai alternatif dari model klasik boolean model. Algoritma extended

boolean model (EBM) pada dasarnya merupakan model pengembangan

model vektor. Model vektor memberikan nilai kepada kata atau frasa yang

terdapat pada dokumen indeks dimana kata tersebut mempunyai asosiasi

dengan kata yang ada dalam user query (Baetza - Yates dan Riberio –

Neto, 1998). Nilai ini disebut sebagai bobot dari kata atau frasa yang

terdapat dalam dokumen. Bobot ini kemudian digunakan untuk membuat

derajat kemiripan antara tiap dokumen yang disimpan dalam text database

dan query yang diberikan oleh user.


34

Dalam EBM, bobot kata dalam dokumen harus dalam interval 0

sampai 1. Oleh karena itu bobot harus dinormalisasi (Salton, 1989).

Perhitungan bobot dalam EBM dihitung menggunakan persamaan sebagai

berikut:

𝑊𝑊i,j = 𝑙𝑙𝑁𝑁𝑖𝑖 ,𝑖𝑖𝑙𝑙𝑁𝑁max 𝑖𝑖 ,𝑖𝑖

× 𝑖𝑖𝑁𝑁𝑁𝑁 𝑖𝑖𝑖𝑖𝑁𝑁𝑁𝑁max 𝑖𝑖

( 13 )

Dimana:

• Wi,j merupakan bobot kata i pada dokumen j.

• tfi,j merupakan frekuensi kata i pada dokumen j.

• tfmax i,j merupakan frekuensi maksimum kata i dalam dokumen j.

• idfi merupakan nilai idf dari kata i dalam koleksi.

• idfmax i merupakan nilai maksimum idf kata i dalam koleksi.

P-Norm model memberikan gagasan untuk memasukkan nilai p,

yaitu nilai yang menunjukkan keketatan pada operator. Nilai p berkisar

dari satu sampai tidak terhingga. Untuk P-Norm model ukuran kesamaan

antara dokumen dan query didefinisikan sebagai berikut (Savoy, 1993):

𝑖𝑖𝑖𝑖𝑚𝑚�𝐷𝐷,𝑄𝑄𝑑𝑑𝑑𝑑 (𝑝𝑝)� = �𝑖𝑖1𝑝𝑝𝑁𝑁𝐴𝐴1

𝑝𝑝 + 𝑖𝑖2𝑝𝑝𝑁𝑁𝐴𝐴2

𝑝𝑝 + …+ 𝑖𝑖𝑚𝑚𝑝𝑝𝑁𝑁𝑚𝑚

𝑝𝑝

𝑖𝑖1𝑝𝑝+𝑖𝑖1

𝑝𝑝+ …+ 𝑖𝑖1𝑝𝑝 �

1𝑝𝑝 ( 14 )

𝑖𝑖𝑖𝑖𝑚𝑚�𝐷𝐷,𝑄𝑄𝑖𝑖𝑚𝑚𝑁𝑁 (𝑝𝑝)� = 1 − �𝑖𝑖1𝑝𝑝 (1−𝑁𝑁𝐴𝐴1)𝑝𝑝+𝑖𝑖2

𝑝𝑝 (1−𝑁𝑁𝐴𝐴2)𝑝𝑝+ …+𝑖𝑖𝑚𝑚𝑝𝑝 (1−𝑁𝑁𝑚𝑚 )𝑝𝑝

𝑖𝑖1𝑝𝑝+𝑖𝑖1

𝑝𝑝+ …+ 𝑖𝑖1𝑝𝑝 �

1𝑝𝑝

( 15 )

Dengan:

• Persamaan 13 merupakan persamaan untuk query OR.

• Persamaan 14 merupakan persamaan untuk query AND.

• a,b merupakan query term berbobot.


35

• dA, dB merupakan bobot term A dan term B pada dokumen.

• 1 ≤ p ≤ ∞.

Perhitungan ukuran kesamaan dalam EBM menggunakan

persamaan berikut (Savoy, 1993):

Tabel 2. 11 Tabel persamaan perhitungan ukuran kesamaan dalam EBM

Query Retrieval Status Value (RSV)

A OR <p> B �𝑊𝑊𝑖𝑖𝑖𝑖

𝑝𝑝 + 𝑊𝑊𝑖𝑖𝑏𝑏𝑝𝑝

𝑚𝑚

𝑝𝑝

A AND <p> B 1 − �(1 −𝑊𝑊𝑖𝑖𝑖𝑖 )𝑝𝑝 + (1 −𝑊𝑊𝑖𝑖𝑏𝑏 )𝑝𝑝

𝑚𝑚

𝑝𝑝

NOT A 1 – Wia

Dimana :

• p adalah nilai p-norm yang dimasukkan pada query.

• Wia adalah bobot istilah A dalam indeks pada dokumen Di.

• Wib adalah bobot istilah B dalam indeks pada dokumen Di.

• n adalah jumlah kata yang dihubungkan menggunakan operator.

Nilai P-Norm yang umum digunakan adalah 2. Pemberian

peringkat dilakukan dengan cara mengurutkan nilai yang didapat dokumen

dari perhitungan RSV (retrieval status value) pada tabel 2.11.


36

2.10. Probabilistic Model

Probabilistic model mencoba untuk menangkap masalah pada IR

ke dalam kerangka probabilitas. Ide dasar dari model ini adalah,

berdasarkan query dari pengguna terdapat kumpulan dokumen yang berisi

sama dengan dokumen relevan dan ada yang tidak. Kumpulan dokumen

relevan tersebut merupakan kumpulan hasil yang ideal (ideal answer set).

Jika di dalam prosesnya, kumpulan jawaban ideal ini diberikan, maka tidak

akan ada kesulitan dalam melakukan proses IR (Baeza-Yates dan Ribeiro-

Neto, 1999).

Probabilistic model yang mengasumsikan beberapa hal, yaitu:

1. Klasifikasi biner, yaitu “Ada dan tidak ada”, “Relevan dan

tidak relevan”. Sebagai contoh, suatu term dapat dikatan “ada”

atau “tidak ada” dalam suatu dokumen. Dokumen juga dapat

dikatakan “relevan” atau “tidak relevan” dengan query.

2. Kerelevansian suatu dokumen adalah independen, yaitu tidak

tergantung dengen kerelevansian dokumen lain.

3. Term yang satu tidak memiliki kaitan (independent) dengan

term yang lain. Tetapi, van Rijsbergen menyatakan bahwa term

memiliki keterkaitan (dependent) dengan term yang lain.

Rijsbergen memberikan suatu mekanisme untuk menghitung

dependensi antar term yaitu dengan menggunakan pohon

ketergantungan (Dependence Tree) (van Rijsbergen, 1979).


37

Walaupun demikian, perhitungan matematis akan jauh lebih

mudah dilakukan jika term dipandang sebagai independent.

4. Term yang tersedia dalam koleksi dokumen tersebar secara

berbeda – beda di antara dokumen yang relevan dan tidak

relevan. Asumsi ini dikenal sebagai Cluster Hypothesis, dan

sudah dibuktikan oleh Rijsbergen dan Jones di tahun 1973.

Dapat disimpulkan pemrosesan query menjadi proses menentukan

sifat – sifat kumpulan hasil yang ideal. Secara umum proses tersebut

menjadi proses clustering. Permasalahan yang muncul adalah ketidak

tahuan sifat – sifat dari hasil ideal tersebut, sedangkan yang diketahui

hanyalah indeks yang digunakan untuk mengkarakterisasi sifat tersebut.

Sifat yang tidak diketahui pada saat query diberikan membuat adanya

perkiraan awal untuk menentukan hasil yang ideal.

Pada probabilistic model dokumen dapat dipresentasikan menjadi

vektor biner berdasar relevan tidaknya suatu dokumen terhadap query.

Secara matematis (van Rijsbergen, 1979):

𝑅𝑅�⃗ = (d1, d 2, ...dj) ( 16 )

Dimana dj = 0 jika dokumen tidak relevan terhadap query, dan d1=1 jika

dokumen tersebut relevan terhadap query. Dengan demikian, term juga

dapat dipresentasikan menjadi sebuah vektor biner dengan notasi ti.

ti = 0, jika term tidak berada pada dokumen

ti = 1, jika term berada pada dokumen.


38

Perhitungan peringkat pada model ini dilakukan menggunakan persamaan

pada probability ranking principle.

2.10.1. Probability Ranking Principle (PRP)

Probability Ranking Principle (PRP) merepresentasikan penilaian

teoritis dari model probabilistik. Asumsi yang dipakai oleh PRP dalam

memberikan ranking sebuah dokumen tidak adanya kaitan antara dokumen

yang satu dengan dokumen yang lain. Tetapi, dengan mengingat

karakteristik IR yang bersifat partial match dan relevant information, IR

yang sempurna sulit dilakukan. PRP menyatakan bahwa sistem IR optimal

tercapai ketika dokumen diurutkan menurun menurut angka kemungkinan

relevansi, dimana angka kemungkinan relevansi dihitung dengan

melibatkan semua data yang terlibat. Secara prinsip, Rijsbergen

menyatakan PRP sebagai berikut: “Jika respon yang diberikan dari suatu

sistem IR terhadap setiap query adalah ranking dari dokumen dalam

urutan relevansi yang menurun, dimana kemungkinan telah diperhitungkan

seakurat mungkin, maka secara umum efektifitas telah dicapai” (van

Rijsbergen, 1979).

Perhitungan kemiripan dokumen dengan query dapat dihitung

menggunakan persamaan sebagai berikut:

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� = 𝑃𝑃(𝑅𝑅|𝑁𝑁𝑖𝑖��⃗ )𝑃𝑃(𝑅𝑅�|𝑁𝑁𝑖𝑖��⃗ )

( 17 )


39

Dimana:

• R merupakan kumpulan dokumen yang relevan terhadap query q.

• 𝑅𝑅� merupakan kumpulan dokumen yang tidak relevan terhadap query

q.

• 𝑃𝑃(𝑅𝑅|𝑁𝑁𝑖𝑖��⃗ ) merupakan probabilitas dimana dj relevan terhadap query q.

• 𝑃𝑃(𝑅𝑅�|𝑁𝑁𝑖𝑖��⃗ ) merupakan probabilitas dimana dj tidak relevan terhadap

query q.

Dengan mengaplikasikan teori Bayes pada persamaan

perhitungan kemiripan pada model ini, maka persamaan perhitungan

kemiripan dapat dituliskan menjadi:

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� = 𝑃𝑃(𝑁𝑁𝑖𝑖��⃗ |𝑅𝑅,𝑞𝑞)×𝑃𝑃(𝑅𝑅,𝑞𝑞)𝑃𝑃(𝑁𝑁𝑖𝑖��⃗ |𝑅𝑅� ,𝑞𝑞)×𝑃𝑃(𝑅𝑅� ,𝑞𝑞)

~ 𝑃𝑃(𝑁𝑁𝑖𝑖��⃗ |𝑅𝑅,𝑞𝑞)𝑃𝑃(𝑁𝑁𝑖𝑖��⃗ |𝑅𝑅� ,𝑞𝑞)

( 18 )

Dimana:

• 𝑃𝑃(𝑁𝑁𝑖𝑖��⃗ |𝑅𝑅, 𝑞𝑞) merupakan probabilitas dari terpilihnya dokumen dj secara

acak dari kumpulan dokumen relevan R.

• 𝑃𝑃(𝑅𝑅, 𝑞𝑞) merupakan probabilitas dari terpilihnya dokumen secara acak

dari koleksi dokumen yang relevan terhadap query q.

• 𝑃𝑃�𝑁𝑁𝑖𝑖��⃗ �𝑅𝑅�, 𝑞𝑞� dan 𝑃𝑃(𝑅𝑅�,𝑞𝑞) merupakan pembanding dan pelengkap.

Pada probabilistic model, bobot wi,j yang digunakan adalah biner,

yaitu hanya bernilai 1 dan 0. Dengan menggunakan bobot biner, maka

persamaan perhitungan kemiripan dapat dirumuskan dalam bentuk lain

menjadi:


40

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� ~ �∏ 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ 𝑃𝑃(𝑙𝑙̅𝑖𝑖|𝑅𝑅,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 �

�∏ 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅� ,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ 𝑃𝑃(𝑙𝑙̅𝑖𝑖|𝑅𝑅� ,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 � ( 19 )

Dimana:

• 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞) merupakan probabilitas term ti terdapat pada dokumen yang

terambil secara acak dari kumpulan dokumen relevan R.

• 𝑃𝑃(𝑙𝑙�̅�𝑖|𝑅𝑅, 𝑞𝑞) merupakan probabilitas term ti tidak terdapat pada

dokumen yang terambil secara acak dari kumpulan dokumen relevan

R.

Berdasarkan pada teori peluang, maka 𝑃𝑃(𝑚𝑚) + 𝑃𝑃(�̅�𝑚) = 1 dapat

diterapkan untuki menyederhanakan persamaan perhitungan kemiripan.

Perumpamaan berikut dapat dipakai dalam penyederhanaan persamaan

perhitungan kemiripan.

PiR = 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞), qiR = 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞),

𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞) + 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞) =1, 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞) + 𝑃𝑃(𝑙𝑙�̅�𝑖|𝑅𝑅�, 𝑞𝑞) =1 ( 20 )

Persamaan perhitungan kemiripan dapat dituliskan kembali

menjadi:

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~�∏ 𝑃𝑃𝑖𝑖𝑅𝑅𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ (1−𝑃𝑃𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 �

�∏ 𝑞𝑞𝑖𝑖𝑅𝑅𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ (1−𝑞𝑞𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 � ( 21 )

Jika dirubah menjadi bentuk logaritma, persamaan diatas dapat

dituliskan menjadi:


41

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ log � 𝑃𝑃𝑖𝑖𝑅𝑅 𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=1

+ log � (1 − 𝑃𝑃𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=0

−

log∏ 𝑞𝑞𝑖𝑖𝑅𝑅 𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 − log∏ (1 − 𝑞𝑞𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 ( 22 )

Persamaan tersebut merupakan fungsi untuk semua indek term

dan tidak bergantung pada dokumen dj. Persamaan ini menjadi sebuah

tetapan untuk query q yang diberikan dan dapat diabaikan untuk tujuan

menghitung peringkat relevan. Dengan mengasumsikan ∀ 𝑙𝑙𝑖𝑖 ∉ 𝑞𝑞,𝑃𝑃𝑖𝑖𝑅𝑅 =

𝑞𝑞𝑖𝑖𝑅𝑅 dan mengkonversi persamaan logaritma menjadi total logaritma,

maka persamaan perhitungan mengalami perubahan menjadi:

𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ Σti ∈ q ⋀ ti ∈ dj log( 𝑃𝑃𝑖𝑖𝑅𝑅1−𝑃𝑃𝑖𝑖𝑅𝑅

) + log( 𝑞𝑞𝑖𝑖𝑅𝑅1− 𝑞𝑞𝑖𝑖𝑅𝑅

) ( 23 )

Persamaan ini menjadi dasar untuk melakukan proses perhitungan

peringkat pada probabilistic model. Dengan menghitung nilai balik

relevansinya, dapat dibuat sebuah tabel kesimpulan (contingency table),

yaitu:

Tabel 2. 12 Contingency Table (Baeza-Yates dan Ribeiro-Neto, 2011)

relevan Tidak relevan Semua dokumen

Dokumen yang mengandung ti ri ni - ri ni

Dokumen yang tidak

mengandung ti

R - ri N - ni - (R - ri) N - ni

Semua dokumen R N – R N

Dimana,

• N merupakan total dokumen dari koleksi.

• ni merupakan jumlah dokumen yang mengandung ti.

• R merupakan jumlah dokumen yang relevan pada query q.


42

• ri merupakan jumlah dokumen relevan yang mengandung ti.

Berdasarkan pada tabel kontingensi, untuk query q yang diberikan

dan tersedianya informasi variabel pada tabel kontingensi, maka dapat

dituliskan persamaan perhitungan untuk PiR dan qiR menjadi sebagai

berikut:

𝑃𝑃𝑖𝑖𝑅𝑅 = 𝑑𝑑𝑖𝑖𝑅𝑅

, 𝑞𝑞𝑖𝑖𝑅𝑅 = 𝑚𝑚𝑖𝑖− 𝑑𝑑𝑖𝑖𝑁𝑁−𝑅𝑅

( 24 )

Persamaan untuk menghitung peringkat pada probabilistic model dapat

dirubah menjadi persamaan lain yang sebangun. Persamaan tersebut dapat

dituliskan menjadi:

𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑑𝑑𝑖𝑖𝑅𝑅− 𝑑𝑑𝑖𝑖

× 𝑁𝑁− 𝑚𝑚𝑖𝑖− 𝑅𝑅+ 𝑑𝑑𝑖𝑖𝑚𝑚𝑖𝑖− 𝑑𝑑𝑖𝑖

�𝑙𝑙𝑖𝑖[𝑞𝑞 ,𝑁𝑁𝑖𝑖 ] ( 25 )

Dimana 𝑙𝑙𝑖𝑖�𝑞𝑞,𝑁𝑁𝑖𝑖 � merupakan penyederhanaan dari ti ∈ q ⋀ ti ∈ dj .

Pada persamaan sebelumnya, perhitungan masih bergantung pada

estimasi dokumen relevan dengan query q. Untuk menangani nilai ri yang

kecil, maka ditambahkan konstanta 0.5 untuk masing – masing istilah.

Persamaan ini dianggap sebagai perhitungan peringkat yang klasik, dan

persamaan ini dikenal sebagai persamaan Robertson-Sparck Jones. Untuk

menghindari estimasi dari ri dan R, maka diasumsikan bahwa R = ri = 0,

maka persamaan akan menghasilkan idf seperti pada perhitungan

peringkat. Dengan tidak adanya informasi tentang relevansi, maka

persamaan berikut dapat dipakai untuk menghitung bobot sementara dalam

probabilistic model.


43

𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑁𝑁− 𝑚𝑚𝑖𝑖+ 0.5𝑚𝑚𝑖𝑖+ 0.5


Perhitungan menggunakan persamaan diatas memungkinkan

untuk menghasilkan nilai negatif ketika ni > N/2. Sebagai contoh, akan

dilakukan perhitungan peringkat untuk query “to do” pada 4 dokumen d1,

d2, d3, d4 yang dapat dilihat pada gambar 2.8 (Baeza-Yates dan Ribeiro-

Neto, 2011).

Gambar 2. 6 Contoh perhitungan peringkat menggunakan persamaan 26

Pada contoh dalam gambar 2. 7, perhitungan menghasilkan nilai

negatif dikarenakan istilah “do” mempunyai nilai ni lebih besar dari nilai

N/2. Untuk menghindari nilai negatif pada perhitungan, maka persamaan

sebelumnya dapat dirubah menjadi:

𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑁𝑁+ 0.5𝑚𝑚𝑖𝑖+ 0.5


Dengan menggunakan persamaan yang baru, istilah yang muncul

dalam semua dokumen (ni = N) akan menghasilkan bobot bernilai 0.

Contoh pada gambar 2.7 akan dihitung kembali menggunakan persamaan

27 dengan dokumen dan query yang sama. Hasil perhitungan ini

menunjukkan pengurutan berdasarkan bobot dokumen dan menghilangkan


44

nilai negatif. Perhitungan tersebut dapat dilihat pada gambar 2.8(Baeza-

Yates dan Ribeiro-Neto, 2011).

Gambar 2. 7 Contoh perhitungan peringkat menggunakan persamaan 27

Perhitungan pada gambar 2.8 bernilai sama dengan persamaan

menghitung idf suatu istilah, dengan menghitung log dari jumlah dokumen

dibagi dengan jumlah isitilah yang terdapat pada dokumen relevan.

Persamaan 27 digunakan untuk menginisialisasi bobot. Setelah

inisialisasi bobot tersebut, maka relevansi semantara tiap dokumen dapat

diketahui. Dokumen yang dianggap relevan biasanya adalah dokumen

yang nilainya melebihi angka tertentu, umumnya angka tersebut diisi

dengan nilai 0,5 (Taufik Ramadhany,2008). Pengurutan dokumen

kemudian dilakukan dengan memanfaatkan contigency table dan

persamaan 25. Dokumen yang memliki bobot yang lebih besar akan

ditempatkan pada urutan atas. Untuk dokumen yang memiliki bobot yang

sama, akan diurutkan berdasarkan nilai idf (bobot sementara) dokumen,

semakin tinggi nilai idf urutan dokumen akan semakin di atas.


45

2.11. Algoritma Evaluasi: Recall – Precission

Evaluasi dari sistem temu-kembali informasi dipengaruhi oleh

dua parameter utama yaitu recall dan precision. Recall adalah rasio antara

dokumen relevan yang berhasil di-retrieve dari seluruh dokumen relevan

yang ada di dalam sistem. Precision adalah rasio dokumen relevan yang

berhasil di-retrieve dari seluruh dokumen yang berhasil di-retrieve.

Recall = |relevant ∩ retrieved| /|relevant|= P(retrieved | relevant) ( 28 )

Precision =|relevant ∩ retrieved| / |retrieved|= P(relevant | retrieved) ( 29 )

Kejadian yang terbaik adalah jika nilai precision dan recall

bernilai 1 (satu). Dengan demikian, dapat diartikan sebagai sistem

memperoleh kembali semua dokumen yang relevan tanpa menampilkan

dokumen yang tidak relevan dalam hasil pencarian. (Lee D. L., 1997).

Gambar 2. 8 Contoh recall dan precision hasil IR


BAB III

ANALISIS DAN PERANCANGAN

Di dalam penelitian ini, pengembangan sistem IR hanya akan

dibahas tahap pemodelan dan pembangunan perangkat lunak yang meliputi

analisis, perancangan, pembuatan serta pengujian perangkat lunak. Pada bab

ini akan dibahas adalah analisis serta perancangan mengenai sistem yang

akan dibangun. Hal yang menyangkut implementasi akan dibahas pada bab

selanjutnya.

3.1 Deskripsi Kasus

Differential diagnose digunakan sebagai dasar penanganan

pertama pada pasien, termasuk pemberian obat pada pasien. Selanjutnya

petugas Poli Umum (PU) akan melakukan seleksi pada differential

diagnose untuk membuat diagnose akhir. Keputusan diagnose akhir dapat

secara langsung dibuat jika gejala umum suatu penyakit tertentu sebagian

besar terdapat pada gejala pasien yang ditemukan. Aturan penentuan

secara langsung dengan dasar persentase gejala yang ditemukan berjumlah

diatas 80% dari gejala umum sebuah penyakit tertentu (DEPKES RI,

2007).

46


47

Kesalahan diagnose yang mungkin terjadi adalah ketika pada

tahap differential diagnose penyakit yang seharusnya diderita pasien tidak

diketemukan tetapi petugas PU sudah mengeluarkan diagnose. Dalam hal

ini petugas PU melakukan kelalaian dalam melakukan diagnose. Hal

tersebut dapat berdampak fatal pada penanganan pasien, karena dapat

dipastikan petugas PU sudah memberikan obat yang spesifik untuk

penyakit tertentu.

Selama ini penanganan pasien penderita penyakit paru – paru di

Puskesmas Jebed dilakukan dengan pengamatan secara langsung pada

pasien. Pasien datang ke puskesmas untuk melakukan pemeriksaan.

Petugas PU melakukan pengamatan serta mengajukan pertanyaan tentang

gejala yang dialami pasien secara langsung. Dari hasil pengamatan,

petugas PU melakukan differential diagnose. Differential diagnose

tersebut menghasilkan kemungkinan penyakit yang diderita pasien. Hasil

dari differential diagnose dapat berisi sejumlah penyakit. Banyaknya

jumlah penyakit yang muncul berdasar pada variasi gejala yang didapat

dari hasil pengamatan. Pemeriksaan ini berdasarkan pada pedoman

pelayanan puskesmas yang mencangkup gejala umum penyakit, jenis

penyakit, obat yang harus diberikan, serta informasi terkait. Gejala umum

penyakit, dalam kasus ini khususnya penyakit paru – paru, mempunyai

gejala yang hampir mirip satu dengan yang lainnya. Jumlah gejala umum

yang terdapat pada pedoman tidak terlalu banyak, karena sudah merupakan

hasil kesimpulan dari pengamatan – pengamatan yang dilakukan pihak


48

penulis pedoman. Gejala tersebut, jika dibuat menjadi sebuah dokumen

berdasar tiap jenis penyakit, menjadi sebuah dokumen pendek.

3.2 Cara Penyelesaian Masalah

Untuk membantu petugas PU melakukan differential diagnose

dapat diupayakan dengan melakukan komputerisasi. Komputerisasi

dilakukan dengan cara membangun perangkat lunak untuk melakukan

differential diagnose yang menerapkan algoritma dari pendekatan pada

ilmu IR.

3.2.1 Indexing

Proses diawali dengan melakukan proses pengindeksan. Proses

pengindeksan akan diawali dengan melakukan stemming. Proses stemming

dilakukan menggunakan algoritma Porter Stemmer for Bahasa Indonesia.

Pada proses stemming, untuk tiap dokumen dalam koleksi akan dicari kata

dasar pembentuknya. Sebelum dilakukan proses stemming , untuk setiap

kata pada dokumen yang masuk ke dalam golongan stop words akan

dihilangkan, sehingga dapat mempercepat proses stemming. Sebagai

contoh terdapat kata ”tidak” pada dokumen ke – i maka kata “tidak”

tersebut akan dihilangkan. Rancangan flowchart untuk proses stemming


49

menggunakan algoritma Porter Stemmer for Bahasa Indonesia yang

digunakan untuk aplikasi ini adalah:

Gambar 3. 1 Gambar flowchart Porter Stemmer yang diimplementasikan

Hasil dari proses stemming dokumen akan disimpan pada

database sebagai kata dasar. Hasil proses stemming ini akan menjadi dasar

proses indexing. Perhitungan term frequency akan diimplementasikan

sebagai store procedured pada basis data. Stored procedure ini juga akan

berfungsi untuk menyimpan kata dasar beserta nilai term frequency pada

tabel. Rancangan flowchart stored procedure adalah sebagai berikut:


50

Gambar 3. 2 Rancangan flowchart stored procedure indexing database

Pada stored procedure, term frequency masih dihitung secara raw

TF. Hal ini dilakukan untuk menyimpan nilai term frequency yang

sebenarnya pada dokumen. Penentuan term frequency (TF) selanjutnya

diubah menggunakan metode binary TF, dimana kata yang terdapat pada

dokumen ataupun pada query akan diberi nilai 1 dan 0 untuk sebaliknya.

Pemilihan metode ini dilakukan untuk menyamakan nilai TF untuk setiap

algoritma, dimana untuk algoritma Probabilistic Model harus

menggunakan binary TF. Sebagai contoh dapat dilihat pada tabel 3.1.

Tabel 3. 1 Contoh penggunaan binary TF

D1: Batuk kronis; Bernapas cepat; Mudah lelah;

D2: Batuk; Berat badan turun; Rinoera;

Q : Batuk Sesak napas Rinoera


51

No Term D1 D2 Q

1 badan 0 1 0

2 batuk 1 1 1

3 berat 0 1 0

.....

12 turun 0 1 0

Perhitungan binary tf akan dilakukan pada saat proses

pengambilan data indek pada basis data. Data indek yang diambil akan

disimpan pada variabel hash yang bertipe Hashmap. Data pada hash akan

berisi id dokumen, id kata, dan tf. Rancangan proses perhitungan binary tf

yang akan diimplementasikan adalah sebagai berikut:

Gambar 3. 3 Rancangan proses perhitungan binary tf

Dari algoritma tersebut, maka akan didapat nilai tf dari semua

kata beserta id kata dasar dan id dokumen. Penggunaan hash ini

dimaksudkan untuk mempermudah dalam proses pencarian. Proses indek

akan dilakukan pada saat pengguna melakukan penambahan data penyakit


52

(dokumen), merubah isi dokumen, menambah stopword, dan pada saat

merubah stopword. Pengisian hash dilakukan pada saat melakukan

pencarian.

3.2.2 Pemrosesan Query

Pemrosesan query dilakukan untuk mendapatkan kata dasar

penyusun query. Pengguna akan diarahkan untuk memisahkan gejala

menggunakan tombol “Enter”. Hal ini dapat mempermudah dalam

pemrosesan query. Rancangan pemrosesan query adalah sebagai berikut:

Gambar 3. 4 Rancangan pemrosesan query


53

3.2.3 Permodelan

Proses dilanjutkan dengan proses pencarian yang berfungsi

menentukan kemiripan dengan algoritma IR yang digunakan. Algortima

yang akan digunakan adalah extended boolean model (EBM), vector space

model: cosine similarity (VSM), dan probabilistic model (PM). Algoritma

tersebut akan diterapkan pada pencarian dokumen pendek. Dokumen

pendek yang digunakan sebagai model berekstensi .txt . Dokumen tersebut

berisi gejala umum dari penyakit paru – paru. Dari ketiga algoritma yang

digunakan akan dipilih yang terbaik, setelah dilakukan pengujian pada

semua algoritma, untuk diterapkan pada sistem sebagai default.

Gambar 3. 5 Rancangan proses pencarian


54

3.3 Diagram dan Skenario Use Case

Diagram dan skenario use case dari pengguna sistem rekomendasi

differential diagnose penyakit paru – paru dapat dilihat pada gambar 3.6

berikut :

Gambar 3. 6 Diagram Use Case

a. Nama Use Case : Differential Diagnose

Aktor : Petugas PU

Kondisi Awal : Koleksi dokumen sudah terindek dan aktor berada


55

pada DiagnoseForm

Skenario :

Tabel 3. 2 Tabel skenario case Differential Diagnose

Aksi Aktor Reaksi Sistem

1. Aktor memasukkan

gejala pasien dan

menekan tombol proses.

2. Sistem melakukan proses

perhitungan differential

diagnose dan menampilkan

pada tabel.

Alternatif

1. Aktor memasukkan

gejala pasien dan

menekan tombol

bersihkan field.

2. Sistem menghapus gejala yang

sudah diisikan oleh aktor.

1. Aktor memasukkan

gejala pasien yang tidak

terdapat pada koleksi

dokumen

2. Sistem menampilkan pesan

eror.

b. Nama Use Case : Melihat Dokumen

Aktor : Petugas PU

Kondisi Awal : Koleksi dokumen sudah terindek

Skenario :


56

Tabel 3. 3 Tabel skenario case Melihat Dokumen


1. Aktor memilih menu

Lihat Daftar Penyakit.

2. Sistem membuka DaftarForm.

3. Sistem menampilkan daftar

dokumen penyakit pada tabel.

4. Aktor memilih

dokumen pada tabel.

5. Sistem menampilkan isi

dokumen.

Alternatif

4. Aktor menekan tombol

tutup.

5. Sistem menutup DaftarForm dan

menampilkan MainForm.

c. Nama Use Case : Menambah Dokumen

Aktor : Petugas PU

Kondisi Awal : Dokumen baru belum terindek dan aktor berada

pada DaftarForm

Skenario :

Tabel 3. 4 Tabel skenario case Menambah Dokumen



tambah.

2. Sistem menampilkan

TambahForm.

3. Aktor memasukkan

nama dan gejala umum

5. Sistem menampilkan konfirmasi

penambahan.


57

penyakit


tambah


yes

7. Sistem melakukan penambahan

file dan data pada database

8. Sistem mengindek dokumen.


penambahan berhasil dilakukan.

Alternatif


batal.

2. Sistem menutup DaftarForm dan

menampilkan MainForm.


batal

5. Sistem menutup TambahForm

dan menampilkan DaftarForm


no atau cancel

7. Sistem menampilkan

penambahan batal dilakukan

d. Nama Use Case : Mengubah Dokumen

Aktor : Petugas PU

Kondisi Awal : Koleksi dokumen sudah terindek dan aktor berada

pada DaftarForm

Skenario :


58

Tabel 3. 5 Tabel skenario case Mengubah Dokumen


1. Aktor memilih

dokumen pada tabel.

2. Sistem menampilkan isi

dokumen.

3. Aktor merubah isi

dokumen dan menekan

tombol ubah


perubahan.


yes.

6. Sistem merubah data dokumen

pada file dan database

7. Sistem mengindek dokumen dan

sistem menampilkan pesan

perubahan berhasil

Alternatif


batal.


dokumen.


no atau cancel


perubahan batal dilakukan

e. Nama Use Case : Melihat Stopword

Aktor : Petugas PU

Kondisi Awal : Stopword sudah tersimpan

Skenario :


59

Tabel 3. 6 Tabel skenario case Melihat Stopword


1. Aktor memilih menu

Lihat Daftar Stopwords.

2. Sistem membuka

StopwordForm.


stopword pada tabel.

Alternatif


tutup.

5. Sistem menutup StopwordForm

dan menampilkan MainForm.

f. Nama Use Case : Menambah Stopword

Aktor : Petugas PU

Kondisi Awal : Stopword baru belum tersimpan dan aktor berada

pada StopwordForm

Skenario :

Tabel 3. 7 Tabel skenario case Mengubah Stopword


1. Aktor memasukkan

stopword baru pada

field dan menekan

tombol tambah.


penambahan.

3. Aktor menekan tombol 4. Sistem menambah stopword


60

yes pada database dan file


menampilkan pesan berhasil

Alternatif


batal.


stopword.


no atau cancel


stopword

g. Nama Use Case : Mengubah Stopword

Aktor : Petugas PU

Kondisi Awal : Stopword telah tersimpan dan aktor berada pada

StopwordForm

Skenario :

Tabel 3. 8 Tabel skenario case Mengubah Stopword


1. Aktor memilih

stopword pada tabel.

2. Sistem menampilkan stopword.

3. Aktor menambah

stopword baru pada

field dan menekan

tombol ubah


perubahan


61


yes

6. Sistem merubah stopword pada

database dan file


menampilkan pesan berhasil

Alternatif


batal.


stopword.


no atau cancel


stopword

h. Nama Use Case : Memasukkan Default Stopword

Aktor : Petugas PU

Kondisi Awal : Tabel daftar stopword masih kosong dan aktor

berada pada StopwrodForm

Skenario :

Tabel 3. 9 Tabel skenario case Memasukkan Default Stopword



Insert Default Stopword

to DB.

2. Sistem membaca default

stopword pada file dan

melakukan penambahan

stopword pada database.



62

penambahan berhasil dilakukan

Alternatif


tutup.

2. Sistem menutup StopwordForm

dan menampilkan MainForm

i. Nama Use Case : Setting General

Aktor : Petugas PU

Kondisi Awal : Aktor berada pada SettingDialog

Skenario :

Tabel 3. 10 Tabel skenario case Pengaturan Sistem: Setting General


1. Aktor memilih tab

General dan menekan

tombol Ubah Folder.

2. Sistem menampilkan pop up

pemilihan direktori dokumen.

3. Aktor memilih direktori

dan menekan tombol

Open

4. Sistem menampilkan url

direktori pada label.


Terapkan 6. Sistem menampilkan konfirmasi


yes

8. Sistem menyimpan pengaturan

pada file dan menutup dialog


63

Alternatif


Batal 2. Sistem menutup dialog


cancel 4. Sistem menutup pop up




no atau cancel 8. Sistem menutup dialog

j. Nama Use Case : Setting Algoritma

Aktor : Petugas PU


Skenario :

Tabel 3. 11 Tabel skenario case Pengaturan Sistem: Setting Algoritma



Model

2. Aktor memilih

algoritma model yang

digunakan dan menekan

tombol Terapkan



64


yes



Alternatif




batal 3. Sistem menutup pop up



k. Nama Use Case : Setting Koneksi

Aktor : Petugas PU


Skenario :

Tabel 3. 12 Tabel skenario case Pengaturan Sistem: Setting Koneksi



Database

2. Aktor mengisi field dan

menekan tombol Tes

Koneksi

3. Sistem pesan koneksi berhasil

4. Aktor menekan tombol 5. Sistem menampilkan konfirmasi


65

Terapkan


yes



Alternatif

2. Aktor mengisi field

dengan data yang salah

dan menekan tombol

Tes Koneksi


koneksi gagal


batal

5. Sistem menutup dialog



3.4 Perancangan Sistem

Berikut akan dipaparkan mengenai langkah – langkah

perancangan sistem yang ditempuh di dalam penelitian ini.

3.4.1 Langkah penelitian

Proses yang terjadi pada sistem dijelaskan melalui penggambaran

diagram blok berikut:


66

Gambar 3. 7 Diagram blok (indexing)

Gambar 3. 8 Diagram blok (searching)

Query

pengguna

tokenizing Penghilangan

stop word

stemming Query Processing

Pencarian pada

Hashmap index

Akar kata

Searching

Database

Pembobotan

PM

Modeling

VSM EBM

Analisa Hasil

Perhitungan

recall - precision

Dokumen

Koleksi

tokenizing Penghilangan

stop word

stemming Document Processing

Perhitungan tf Akar kata

Indexing Database


67

3.4.2 Perancangan Basis Data

Berikut ini langkah – langkah yang akan dilakukan dlam

perancangan database yaitu:

1. Conceptual Database Design

Gambar 3. 9 ER Diagram

2. Logical Database Design

Gambar 3. 10 Relasi antar tabel


68

3. Physical Database Design

Desain basis data yang akan digunakan dalam sistem rekomendasi

differential diagnose penyakit paru – paru dapat dijabarkan sebagai

berikut:

1. Tabel dokumen

Nama tabel : dokumen

Nama field kunci : id

Tabel ini berisi sejumlah field yang dijelaskan pada tabel

berikut:

Tabel 3. 13 Keterangan tabel dokumen pada basis data

Nama Field Tipe

Data

Ukuran Keterangan

id Integer 11 Sebagai field kunci tabel

judul varchar 255 Judul dokumen sebagai nama

penyakit

isi Text Isi dokumen yang berisikan

gejala umum penyakit

file_fisik varchar 255 Nama file fisik dokumen yang

tersimpan pada folder


69

2. Tabel kata_dasar

Nama tabel : kata_dasar

Nama field kunci : id_kata


berikut:

Tabel 3. 14 Keterangan tabel kata_dasar pada basis data

Nama Field Tipe

Data

Ukuran Keterangan

id_kata Integer 11 Sebagai field kunci tabel

kata_dasar varchar 255 Kata dasar dari koleksi

dokumen

3. Tabel dokumen_kata

Nama tabel : dokumen_kata

Nama field kunci : dokumen_id, katadasar_id


berikut:

Tabel 3. 15 Keterangan tabel dokumen_kata pada basis data

Nama Field Tipe

Data

Ukuran Keterangan

dokumen_id Integer 11 Sebagai foreign key dari tabel

dokumen serta primary key

tabel


70

katadasar_id Integer 11 Sebagai foreign key dari tabel

kata_dasar serta primary key

tabel

tf Integer 11 Nilai dari term frequency untuk

setiap kata dasar

4. Tabel katastop

Nama tabel : katastop

Nama field kunci : id_stop


berikut:

Tabel 3. 16 Keterangan tabel kata_stop pada basis data

Nama Field Tipe

Data

Ukuran Keterangan

id_stop Integer 11 Sebagai field kunci tabel

kata_stop varchar 255 Stopword sebagai kata buang

5. Tabel dictionary

Nama tabel : dictionary

Nama field kunci : id_kata


berikut:


71

Tabel 3. 17 Keterangan tabel dictionary pada basis data

Nama Field Tipe

Data

Ukuran Keterangan

id_kata Integer 11 Sebagai field kunci tabel

akar_kata varchar 255 Sebagai akar kata

3.4.3 Desain Antarmuka

Sistem ini akan dirancang menggunakan 4 (empat) form, yaitu

MainForm, DiagnoseForm, DaftarForm, dan StopwordsForm. MainForm

berfungsi sebagai menu utama untuk pengguna. Dari form ini, pengguna

dapat memilih menu untuk mengelola dokumen, stopword, dan memilih

menu untuk melakukan differential diagnose.

Gambar 3. 11 Desain menu utama MainForm

Pengguna dapat melakukan differential diagnose menggunakan

DiagnoseForm. Melaui form ini, pengguna dapat memasukkan query


72

gejala penyakit pasien dan melakukan proses dagnose banding. Desain

DiagnoseForm dapat dilihat pada gambar 3.13 berikut:

Gambar 3. 12 Desain menu DiagnoseForm

Dalam kebutuhannya, pengguna dapat mengelola dokumen yang

berisi gejala umum penyakit melalui DaftarForm. Desain antarmuka

DaftarForm dapat dilihat pada gambar 3.14.

Gambar 3. 13 Desain menu DaftarForm untuk mengelola dokumen

StopwordsForm dapat digunakan pengguna untuk mengelola

stopword. Pembuatan StopwordsForm ini dimaksudkan agar pengguna

dapat melihat, menambah ataupun mengubah kata buang jika dirasa perlu.

Berikut desain antarmuka StopwordsForm:


73

Gambar 3. 14 Desain menu StopwordsForm untuk mengelola kata buang

3.4.4 Cara Pengujian dan Analisa Hasil

Pengujian akan dilakukan dengan memberikan kuesioner yang

berisikan sejumlah query gejala. Penguji sistem dalam penelitian ini,

merupakan petugas pelayanan umum di Puskesmas Jebed. Petugas

pelayanan umum tersebut berprofesi sebagai dokter. Setiap dokter akan

megisi kuesioner yang digunakan sebagai differential diagnose. Pemberian

tanda berdasarkan kemungkinan penyakit yang dapat ditimbulkan dari

gejala yang ada. Kemudian, setiap dokter akan menjalankan sistem dengan

3 (tiga) algortima IR.

Pada proses analisa, data akan digunakan untuk menghitung nilai

recall dan precision. Hasil perhitungan ini digunakan untuk menghitung

ketepatan sistem dalam menampilkan hasil pencarian yang relevan. Data

yang digunakan adalah hasil dari kuesioner. Untuk menghitung akurasi,

digunakan data yang berasal dari hasil wawancara dengan Kepala

Puskesmas Jebed. Hal ini dikarenakan, gejala yang digunakan merupakan


74

gejala yang sudah pernah terjadi dan tercatat dalam rekam medis pasien,

tetapi penyakit hasil diagnose tidak dapat diberikan karena untuk menjaga

informasi rahasia pasien. Untuk menggantikan informasi hasil diagnose,

maka dilakukan wawancara.

3.4.5 Class Diagram

Class diagram menggambarkan struktur sistem dari kelas – kelas

beserta interaksinya. Berikut adalah rancangan diagram kelas keseluruhan.

Gambar 3. 15 Diagram kelas keseluruhan

Rancangan kelas diagram akan digambarkan secara lebih detail

untuk 2 (dua) proses utama, yaitu proses pengindeksan dan proses

pencarian. Gambar 3.16 menampilkan kelas diagram untuk proses

pengideksan, sedangkan gambar 3.17 menampilkan kelas diagram untuk

proses pencarian (perhitungan kemiripan dokumen dengan query).


75

Gambar 3. 16 Diagram kelas proses indexing


76

Gambar 3. 17 Diagram kelas untuk proses searching


77

3.5. Perhitungan Contoh Kasus

Pada bagian ini akan dijelaskan langkah pengerjaan penelitian

menggunakan sebuah contoh kasus. Sebagai contoh, terdapat 6 buah

dokumen yaitu:

D1 : Riwayat pekerjaan kontak dengan asbes

D2 : Batuk kering serak

D3 : Batuk berdahak terus - menerus

D4 : Keringat pada malam hari

D5 : Batuk kering berdarah

D6 : Sesak napas

Dokumen contoh tersebut akan dikenai proses document

processing. Langkah pertama akan dilakukan tokenizing.

D1 : Riwayat pekerjaan kontak dengan asbes


D3 : Batuk berdahak terus - menerus

D4 : Keringat pada malam hari


D6 : Sesak napas

Langkah berikutnya, proses menghilangkan stopword akan

dilakukan pada masing – masing dokumen. Setelah proses penghilangan

stopword maka dokumen akan menjadi:

D1 : Riwayat kontak asbes


78


D3 : Batuk berdahak

D4 : Keringat malam


D6 : Sesak napas

Langkah berikutnya, setiap kata pada dokumen akan dirubah

menjadi kata dasar. Proses ini disebut dengan stemming. Dokumen

tersebut akan menjadi:

D1 : riwayat kontak asbes

D2 : batuk kering serak

D3 : batuk dahak

D4 : keringat malam

D5 : batuk kering darah

D6 : sesak napas

Setelah mengalami proses document processing, pembetukan

indexing seluruh dokumen akan dilakukan dengan menempuh cara berikut.

Pendataan token merupakan langkah awal pada proses indexing. Pendataan

token pada dokumen dapat dilihat pada tabel 3.18.

Tabel 3. 18 Tabel pendataan token

riwayat: D1 kontak: D1 asbes: D1

batuk: D2 kering: D2 serak: D2

batuk: D3 dahak: D3 keringat: D4

malam: D4 batuk: D5 kering: D5

darah: D5 sesak: D6 napas: D6


79

Token tersebut akan diurutkan berdasarkan abjad token. Setelah

proses pengurutan, token akan dikelompokkan. Pendataan kemudian akan

menjadi:

Tabel 3. 19 Tabel pengurutan dan pengelompokan token

Term Posting list df

asbes D1 1

batuk D2, D3, D5 3

dahak D3 1

darah D5 1

kering D2, D5 2

keringat D4 1

kontak D1 1

malam D4 1

napas D6 1

riwayat D1 1

serak D2 1

sesak D6 1

Modeling merupakan tahap dimana sistem akan mengolah data

untuk menampilkan hasil akhir pencarian. Perhitungan akan dilakukan

secara vector space model, probabilistic model, dan extended boolean

model. Perhitungan tf dilakukan menggunakan metode binary tf. Sebagai

contoh akan diberikan sebuah query pencarian sebagai berikut:

q : “riwayat batuk berdahak terus – menerus”

q setelah document processing : riwayat batuk dahak.

Perhitungan frekuensi kata i di dalam dokumen j (tfij):


80

Tabel 3. 20 Tabel frekuensi kata dalam dokumen contoh

Term D1 D2 D3 D4 D5 D6 df

asbes 1 0 0 0 0 0 1

batuk 0 1 1 0 1 0 3

dahak 0 0 1 0 0 0 1

darah 0 0 0 0 1 0 1

kering 0 1 0 0 1 0 2

keringat 0 0 0 1 0 0 1

kontak 1 0 0 0 0 0 1

malam 0 0 0 1 0 0 1

napas 0 0 0 0 0 1 1

riwayat 1 0 0 0 0 0 1

serak 0 1 0 0 0 0 1

sesak 0 0 0 0 0 1 1

Tabel 3. 21 Perhitungan idf menggunakan persamaan log 𝑁𝑁𝑁𝑁𝑁𝑁

idf

log 6 1=0,778151

log 63=0,30103

log 6 1=0,778151

log 6 1=0,778151

log 6 2=0,477121


81

log 6 1=0,778151

log 6 1=0,778151

log 6 1=0,778151

log 6 1=0,778151

log 6 1=0,778151

log 6 1=0,778151

log 6 1=0,778151

Perhitungan bobot kata menggunakan persamaan w = tfij * idfi.

Penggunaan metode binary tf menyebabkan penyederhanaan persamaan

menjadi 𝑤𝑤 = 11

× 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 = 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 untuk tfij=1, karena nilai tfij 1 atau 0.

3.5.1 Vector Space Model

Tabel 3. 22 Perhitungan w dokumen dan query contoh kasus (VSM)

Term wD1 wD2 wD3 wD4 wD5 wD6 wQ

asbes 0,7782 0 0 0 0 0 0

batuk 0 0,3010 0,3010 0 0,3010 0 0,3010

dahak 0 0 0,7782 0 0 0 0,7782

darah 0 0 0 0 0,7782 0 0

kering 0 0,4771 0 0 0,4771 0 0

keringat 0 0 0 0,7782 0 0 0

kontak 0,7782 0 0 0 0 0 0

malam 0 0 0 0,7782 0 0 0

napas 0 0 0 0 0 0,7782 0


82

riwayat 0,7782 0 0 0 0 0 0,7782

serak 0 0,7782 0 0 0 0 0

sesak 0 0 0 0 0 0,7782 0

Berdasarkan pada tabel 3.22, perhitungan kemiripan antara

masing – masing dokumen dengan query pencarian dapat dituliskan

sebagai berikut:

cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷1, 𝑞𝑞) = (0,7782 × 0,7782)

� (0,77822 + 0,77822 + 0,77822)× (0,30102 + 0,77822 + 0,77822)

= 0,393781

cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷2, 𝑞𝑞) = (0,3010 × 0,3010)

� (0,30102 + 0,47712 + 0,77822)× (0,30102 + 0,77822 + 0,77822)

= 0,082639

cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷3, 𝑞𝑞) = �(0,3010 × 0,3010) + (0,7782 × 0,7782)�

� (0,30102 + 0,77822)× (0,30102 + 0,77822 + 0,77822)

= 0,731306

cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷5, 𝑞𝑞) = (0,3010 × 0,3010)

� (0,30102 + 0,77822 + 0,47712)× (0,30102 + 0,77822 + 0,77822)

= 0,082639

Dokumen D4 dan D6 tidak dihitung karena tidak ada term pada

D4 dan D6 yang terdapat pada query q. Dari perhitungan, dokumen

relevan dapat diurutkan berdasarkan nilai kemiripannya. Semakin besar


83

nilai kemiripan, semakin tinggi urutan dokumen. Dokumen yang

mempunyai nilai kemiripan yang sama, urutan akan berdasar pada abjad

nama dokumen, sehingga urutan dokumen akan menjadi D3, D1, D2, D5.

3.5.2 Extended Boolean Model

Pada EBM, query akan diberikan operator boolean “and”.

Dengan demikian query q akan menjadi “riwayat and batuk and dahak”.

Perhitungan bobot kata pada EBM menggunakan persamaan 13, sehingga

bobot kata pada EBM dapat dituliskan pada tabel berikut:

Tabel 3. 23 Perhitungan w dokumen dan query contoh kasus (EBM)

Term wD1 wD2 wD3 wD4 wD5 wD6

asbes 0 0 0 0 0 0

batuk 0 0,3869 0,3869 0 0,3869 0

dahak 0 0 1 0 0 0

darah 0 0 0 0 0 0

kering 0 0 0 0 0 0

keringat 0 0 0 0 0 0

kontak 0 0 0 0 0 0

malam 0 0 0 0 0 0

napas 0 0 0 0 0 0

riwayat 1 0 0 0 0 0

serak 0 0 0 0 0 0

sesak 0 0 0 0 0 0


84

Perhitungan kemiripan dengan operator and dihitung

menggunakan persamaan pada tabel 3.23. Hasil perhitungan kemiripan

adalah sebagai berikut:

𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷1, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0)2 + (1 − 1)2 3

2

= 0,183503

𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷2, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 0)2 3

2

= 0,110076

𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷3, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 1)2 3

2

= 0,322777

𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷5, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 0)2 3

2

= 0,110076

Dari perhitungan, dokumen relevan dapat diurutkan berdasarkan

nilai kemiripannya. Semakin besar nilai kemiripan, semakin tinggi urutan

dokumen. Dokumen yang mempunyai nilai kemiripan yang sama, urutan

akan berdasar pada abjad nama dokumen, sehingga urutan dokumen akan

menjadi D3, D1, D2, D5.


85

3.5.3 Probabilistic Model

Peluang kemunculan untuk masing – masing kata pada query

pencarian adalah sebagai berikut:

riwayat : log ((6+0,5)/(1+0,5)) = 0,6368

batuk : log ((6+0,5)/(3+0,5)) = 0,2688

dahak : log ((6+0,5)/(1+0,5)) = 0,6368

Peluang kemunculan kata pencarian pada setiap dokumen:

D1 : riwayat kontak asbes = 0,6368 + 0 + 0 = 0,6368

D2 : batuk kering serak = 0,2688+ 0 + 0 = 0,2688

D3 : batuk dahak = 0,2688 + 0,6368= 0,9056

D5 : batuk kering darah = 0,2688 + 0 + 0 = 0,2688

Dokumen D2 dan D5 dianggap tidak relevan karena mempunyai

bobot sementara kurang dari 0,5. Dengan demikian tabel contingency

menjadi:

Tabel 3. 24 Contingency table PM

riwayat batuk dahak

N 6 6 6

n 1 3 1

R 2 2 2

r 1 1 1

Untuk setiap kata, akan dihitung bobot (w) sebagai berikut:


86

w = log �𝑑𝑑𝑖𝑖 + 0,5

𝑅𝑅 − 𝑑𝑑𝑖𝑖 + 0,5 ×

𝑁𝑁 − 𝑚𝑚𝑖𝑖 − 𝑅𝑅 + 𝑑𝑑𝑖𝑖 + 0,5𝑚𝑚𝑖𝑖 − 𝑑𝑑𝑖𝑖 + 0,5

�

wriwayat = log �1 + 0,5

2 − 1 + 0,5 ×

6 − 1 − 2 + 1 + 0,51 − 1 + 0,5

�

= 0,954243

wbatuk = log �3 + 0,5

2 − 1 + 0,5 ×

6 − 3 − 2 + 1 + 0,53 − 1 + 0,5

�

= 0,367977

wdahak = log �1 + 0,5

2 − 1 + 0,5 ×

6 − 1 − 2 + 1 + 0,51 − 1 + 0,5

�

= 0,954243

Sehingga dapat dihitung bobot setiap dokumen sebagai berikut:

Tabel 3. 25 Perhitungan w dokumen contoh kasus (PM)

Dokumen Bobot

D1 0,954243+ 0 + 0 =0,954243

D2 0,367977+ 0 + 0 =0,367977

D3 0,367977 + 0,954243 + 0 =1,322219

D5 0,367977 + 0 + 0 =0,367977

Tabel 3. 26 Tabel pengurutan dokumen PM

D3 1,322219

D1 0,954242

D2 0,367976

D5 0,367976


BAB IV

IMPLEMENTASI

Pada bagian ini, penulis akan memaparkan mengenai proses

implementasi sistem ke dalam bahasa pemrograman.

4.1. Spesifikasi Perangkat Keras dan Lunak

Aplikasi dibuat dengan menggunakan sebuah IDE (Integrated

Development Environment), yakni Netbeans IDE 6.9.1. Sistem manajemen

basis data (DBMS) yang digunakan adalah MySQL versi 5.5.21. Perangkat

keras yang digunakan dalam pembuatan aplikasi untuk penelitian ini

adalah sebuah notebook dengan spesifikasi sebagai berikut:

• System Model : Inspiron N4030

• Processor : Intel(R) Pentium(R) CPU P6000 @1.87 GHz

• Memory : 3072MB RAM

• Sistem Operasi : Windows 7 Ultimate 32-bit

Aplikasi dibuat untuk ditargetkan pada sistem operasi Windows

XP dengan menggunakan processor Intel(R) Pentium(R) CPU E2160

@1.80GHz dan memory 512MB RAM. Perangkat keras puskesmas akan

ditambah dengan Java SE Runtime Environment versi 6.

87


88

4.2. Implementasi Tabel Basis Data

Bagian ini akan memaparkan query pembuatan tabel pada basis

data. Terdapat 4 (empat) tabel yang digunakan dalam implementasi sistem,

yaitu tabel dokumen, tabel katadasar, tabel katastop, dan tabel

dokumen_kata.

CREATE TABLE `dokumen` (

ìd` int(11) NOT NULL AUTO_INCREMENT,

`judul` varchar(255) DEFAULT NULL,

ìsi` text,

`file_fisik` varchar(255) DEFAULT NULL,

PRIMARY KEY (ìd`)

) ENGINE=InnoDB AUTO_INCREMENT=8 DEFAULT CHARSET=latin1; Query 4. 1 Query DDL tabel dokumen

CREATE TABLE `katadasar` (

ìd_kata` int(11) NOT NULL AUTO_INCREMENT,

`kata_dasar` varchar(255) DEFAULT NULL,

PRIMARY KEY (ìd_kata`)

) ENGINE=InnoDB AUTO_INCREMENT=83 DEFAULT CHARSET=latin1; Query 4. 2 Query DDL tabel katadasar

CREATE TABLE `katastop` (

ìd_stop` int(11) NOT NULL AUTO_INCREMENT,

`kata_stop` varchar(255) NOT NULL,

PRIMARY KEY (ìd_stop`)

) ENGINE=InnoDB AUTO_INCREMENT=325 DEFAULT CHARSET=latin1; Query 4. 3 Query DDL tabel katastop

CREATE TABLE `dokumen_kata` (

`dokumen_id` int(11) NOT NULL,

`katadasar_id` int(11) NOT NULL,

`tf` int(11) NOT NULL DEFAULT '0',

PRIMARY KEY (`dokumen_id`,`katadasar_id`),


89

KEY `FK_dokumen_kata_dok` (`dokumen_id`),

KEY `FK_dokumen_kata_katadasar` (`katadasar_id`),

CONSTRAINT `FK_dokumen_kata_dok` FOREIGN KEY (`dokumen_id`)

REFERENCES `dokumen` (ìd`),

CONSTRAINT `FK_dokumen_kata_katadasar` FOREIGN KEY (`katadasar_id`)

REFERENCES `katadasar` (ìd_kata`)

) ENGINE=InnoDB DEFAULT CHARSET=latin1; Query 4. 4 Query DDL tabel dokumen_kata

CREATE TABLE `dictionary` (

ìd_kata` INT(11) NOT NULL AUTO_INCREMENT,

àkar_kata` VARCHAR(255) DEFAULT NULL,

PRIMARY KEY (ìd_kata`)

) ENGINE=INNODB DEFAULT CHARSET=latin1

Query 4. 5 Query DDL tabel dictionary

4.3. Implementasi Kelas Indexing

Bagian ini akan menjelaskan implementasi kelas yang digunakan

pada sistem. Sistem akan mempersiapkan dokumen untuk dapat digunakan

dalam proses pencarian. Proses – proses yang dilakukan adalah pemisahan

kata, stemming, pembacaan dokumen, stopword removal, penyimpanan

pada basis data. Indexing dilakukan jika terjadi penambahan atau

perubahan dokumen serta jika terjadi penambahan atau perubahan

stopword. Berikut adalah metode indexingDokumen(Dokumen).


90

4.3.1. Proses Indexing

Proses indexingDokumen secara umum akan memanggil metode

indexing(Dokumen).

public void indexingDokumen(Dokumen dokumen) throws SQLException {

PorterStemmer stemming = new PorterStemmer();

Dokumen d = dokumen;

String isiDok = FileController.getKoneksiKontrol().ambilKata(d.getFileFisik());

d.setIsi(isiDok);

FileController.getKoneksiKontrol().insertDokumen(d);//insert doc

String[] doc = isiDok.toLowerCase().replaceAll(";", " ").split(" ");

for (int j = 0; j < doc.length; j++) {

if (!doc[j].isEmpty()) {

int index = IndexingController.getKoneksiKontrol().cekKata(doc[j]);

if (index == -1) {

IndexingController.getKoneksiKontrol().insertKata(d,

stemming.stemming(doc[j]));//insert word}}}}} List Code 4. 1 List indexingDokumen

4.3.2. Pemisahan Kata (Tokenizing)

Pada tahap ini, sistem akan melakukan proses pemisahan kata

menggunakan metode replaceAll. Tanda baca ”;” digunakan sebagai

pemisah gejala dan query. Dengan menggunakan metode split sebuah

String dapat dipotong menjadi kata penyusunnya.

dokumen.setIsi(isi.replaceAll("\n", "\\;"));

List Code 4. 2 Penggunaan metode replaceAll


91

String[] doc = isiDok.toLowerCase().replaceAll(";", " ").split(" ");

List Code 4. 3 Penggunaan metode split

4.3.3. Stemming

Proses stemming merupakan proses untuk mencari kata dasar.

Pencarian kata dasar untuk bahasa Indonesia menggunakan metode Porter

Stemmer for Bahasa Indonesia. Proses akan menerima masukan sebuah

kata yang bertipe String. Proses stemming pada kata tersebut berdasarkan

aturan – aturan yang diberikan pada metode Porter Stemmer for Bahasa

Indonesia. Proses akan mengembalikan String sebagai kata dasar.

public String stemming(String kata) {

String hasil = "";

try {

int id_Dic = IndexingController.getKoneksiKontrol().cekKataKamus(kata);

if (id_Dic > 0) {

hasil = kata;

} else {

hasil = rule2(rule1(kata));

String temp = rule3(hasil);

if (temp.equalsIgnoreCase(hasil)) {

temp = rule4(hasil);

temp = rule5(temp);

hasil = temp;

} else {

String temp2 = rule5(temp);

if (!temp2.equalsIgnoreCase(temp)) {

hasil = temp2;

} else {

hasil = rule4(temp2);


92

}}}

if (hasil.matches("[a-zA-Z]*")) {

int idKataKamus =

IndexingController.getKoneksiKontrol().cekKataKamus(hasil);

int idKataStop = IndexingController.getKoneksiKontrol().cekKata(hasil);

if (idKataKamus < 1 && idKataStop < 1) {

IndexingController.getKoneksiKontrol().insertKamus(hasil);

}}

} catch (SQLException ex) {

Logger.getLogger(PorterStemmer.class.getName()).log(Level.SEVERE, null, ex);

}

return hasil;

} List Code 4. 4 Stemming

Pada metode stemming memanggil metode rule1(String). Metode

tersebut mengimplementasikan algoritma penghapusan partikel -kah, -lah,

-pun. Berikut adalah pemaparan metode rule1(String).

public String rule1(String kata) {

String hasil = kata;

int count = getCountWord(kata);

if (count > 3) {

char[] a = kata.toLowerCase().toCharArray();

if (a[a.length - 3] == 'k' && a[a.length - 2] == 'a' && a[a.length - 1] == 'h') {

hasil = String.valueOf(a, 0, a.length - 3);

} else if (a[a.length - 3] == 'l' && a[a.length - 2] == 'a' && a[a.length - 1] == 'h') {


} else if (a[a.length - 3] == 'p' && a[a.length - 2] == 'u' && a[a.length - 1] == 'n')

{hasil = String.valueOf(a, 0, a.length - 3); }}

return hasil;

} List Code 4. 5 List rule1


93

Metode rule2(String) mengimplementasikan algoritma

penghapusan partikel - ku, -mu, -nya. Berikut adalah pemaparan metode

rule2(String).




if (count > 3) {


if (a[a.length - 2] == 'k' && a[a.length - 1] == 'u') {


} else if (a[a.length - 2] == 'm' && a[a.length - 1] == 'u') {


} else if (a[a.length - 3] == 'n' && a[a.length - 2] == 'y' && a[a.length - 1] == 'a')

{


}

}

return hasil;



penghapusan awalan meng-, meny-, men-, mem-, mem-, me-, peng-, peny-

, pen-, pem-, di-, ter-, dan ke-. Berikut adalah pemaparan metode

rule3(String).




if (count > 4) {


if (a[0] == 'm' && a[1] == 'e') {


if (a[2] == 'n') {


94


if (String.valueOf(a[3]).matches("[aiueoAIUEO]")) {

hasil = "t".concat(String.valueOf(a, 3, a.length - 3));

}

if (a[3] == 'g') {


} else if (a[3] == 'y') {



hasil = "s".concat(String.valueOf(a, 4, a.length - 4));

}}} else if (a[2] == 'm') {



hasil = "p".concat(String.valueOf(a, 3, a.length - 3));

}} } else if (a[0] == 'p' && a[1] == 'e') {

if (a[2] == 'n') {




}

if (a[3] == 'g') {hasil = String.valueOf(a, 4, a.length - 4); }

else if (a[3] == 'y') {




}}} else if (a[2] == 'm') {hasil = String.valueOf(a, 3, a.length - 3);


hasil = "p".concat(String.valueOf(a, 3, a.length - 3)); }}

} else if (a[0] == 'd' && a[1] == 'i') {hasil = String.valueOf(a, 2, a.length - 2);

} else if (a[0] == 'k' && a[1] == 'e') {hasil = String.valueOf(a, 2, a.length - 2);

} else if (a[0] == 't' && a[1] == 'e' && a[2] == 'r') {hasil = String.valueOf(a, 3,

a.length - 3); }}

return hasil;



95


penghapusan awalan ber-, bel-, be-, per-, pel-, pe-. Berikut adalah

pemaparan metode rule4(String).




if (count > 3) {


if (a[0] == 'b' && a[1] == 'e') {


if (a[2] == 'r') {


} else if (a[2] == 'l') {


} else if (a[2] == 'n' && a[3] == 'g') {

hasil = kata;

}

} else if (a[0] == 'p' && a[1] == 'e') {


if (a[2] == 'r') {


} else if (a[2] == 'l') {


}}}

return hasil;



penghapusan akhiran -kan, -an, -i. Berikut adalah pemaparan metode

rule5(String). Pada proses ini terdapat penambahan pada algoritma untuk

menghindari masukan kata dengan awalan pada rule3 yang dikombinasi

dengan akhiran pada rule5.


96




if (count > 3) {


if (a[a.length - 3] == 'k' && a[a.length - 2] == 'a' && a[a.length - 1] == 'n') {

if (kata.startsWith("ke") || kata.startsWith("peng")) {

hasil = kata;

} else {


}

} else if (a[a.length - 2] == 'a' && a[a.length - 1] == 'n') {

if (kata.startsWith("di") || kata.startsWith("ter") || kata.startsWith("meng")) {

hasil = kata;

} else {


}

} else if (a[a.length - 1] == 'i') {

if (kata.startsWith("ber") || kata.startsWith("ke") || kata.startsWith("peng")) {

hasil = kata;

} else {


}

}

}

return hasil;


Pada proses stemming memanggil metode getCountWord(String)

yang digunakan untuk menghitung jumlah abjad kata masukkan. Dengan

demikian tanda baca dan angka akan dihiraukan. Metode ini akan

mengembalikan nilai bertipe integer. Nilai tersebut merupakan jumlah


97

abjad pada kata masukkan. Berikut pemaparan metode

getCountWord(String).

public int getCountWord(String kata) {

int max = 0;

if (kata != null) {

char[] charArr = kata.toCharArray();

for (int i = 0; i < charArr.length; i++) {

if (String.valueOf(charArr[i]).matches("[a-zA-Z]")) {

max = max + 1;

}

}

}

return max;

} List Code 4. 10 getCountWord

4.3.4. Pembacaan File Dokumen

Pembacaan file dokumen dilakukan setelah pembuatan file

dokumen. Pembacaan ini digunakan sebelum tahap penyimpanan indek

dokumen pada basis data. Penggunaaan dua data dimaksudkan untuk

membantu ketika basis data mengalami error, pengguna masih

mempunyai file (dokumen) yang sama dengan yang ada pada basis data.

Dengan demikian, pengguna dapat melakukan penyimpanan ulang pada

basis data menggunakan file fisik dokumen. Fungsi dari metode ini adalah

membaca isi dokumen yang bertipe file. Berikut adalah pemaparan list

untuk melakukan pembacaan file.


98

public String ambilKata(File file) {

String isiDok = "";

String hasil = "";

FileInputStream fis = null;

BufferedInputStream bis = null;

DataInputStream dis = null;

try {

fis = new FileInputStream(file);

bis = new BufferedInputStream(fis);

dis = new DataInputStream(bis);

while (dis.available() != 0) {

hasil += dis.readLine();

}

fis.close();

bis.close();

dis.close();

} catch (FileNotFoundException e) { e.printStackTrace();

} catch (IOException e) {e.printStackTrace();

} char[] charArr = hasil.toCharArray();

for (int i = 0; i < charArr.length; i++) {

if (file.getName().equalsIgnoreCase("stopword.txt")) {

if (String.valueOf(charArr[i]).matches("[-;a-zA-Z ]")) {

isiDok = isiDok.concat(String.valueOf(charArr[i]));

} else {

isiDok = isiDok.concat(" ");

}

} else {

if (String.valueOf(charArr[i]).matches("[;a-zA-Z ]")) {

isiDok = isiDok.concat(String.valueOf(charArr[i]));

} else { isiDok = isiDok.concat(" "); }

}

}

return isiDok;

} List Code 4. 11 List pembacaan dokumen


99

Pada metode ini, String yang dikembalikan hanya mengandung

abjad dan tanda baca “;”. Hal ini dimaksudkan untuk menghilangkan tanda

baca dan angka. Metode ini juga digunakan pada file stopword.txt yang

berfungsi menyimpan daftar stopword.

4.3.5. Stopword Removal

Penghilangan stopword dilakukan menggunakan metode

cekKata(String). Metode ini menggunakan masukkan String, dan

mengembalikan nilai integer yang merupakan indek stopword. Nilai

kembalian akan bernilai lebih besar dari 0 (nol) jika kata masukkan

termasuk dalam kategori stopword.

public int cekKata(String kata) throws SQLException {

PreparedStatement statement = null;

ResultSet result = null;

int index = -1;

try {

connection.setAutoCommit(false);

statement = connection.prepareStatement(SQL_CEKKATA);

statement.setString(1, kata.toLowerCase());

result = statement.executeQuery();

if (result.next()) {

index = result.getInt(1);

}

connection.commit();

return index;

} catch (SQLException exception) {

connection.rollback();

throw exception;


100

} finally {

try {

connection.setAutoCommit(true);

if (result != null) {

result.close();

}

if (statement != null) {

statement.close();

}


throw exception;

}

}

} List Code 4. 12 Stopword removal

Query basis data yang digunakan adalah variabel

SQL_CEKKATA. Query tersebut berfungsi mengambil nilai indek

stopword. Berikut adalah pemaparan variabel SQL_CEKKATA.

private final String SQL_CEKKATA = "SELECT id_stop FROM katastop WHERE

lower(kata_stop) LIKE ?";

Query 4. 6 Query SQL_CEKKATA

4.3.6. Penyimpanan pada Basis Data

Penyimpanan pada basis data merupakan proses dimana sistem

akan menyimpan dokumen, menghitung nilai tf, serta membuat indek pada

basis data. Pada proses ini penyimpanan dokumen, sistem menggunakan

stored procedure insert_dokumen_table. Berikut adalah stored procedure

insert_dokumen_table.


101

DELIMITER $$

USE `skripsi095314051`$$

DROP PROCEDURE IF EXISTS `insert_dokumen_table`$$

CREATE DEFINER=`skripsi`@`localhost` PROCEDURE `insert_dokumen_table`(IN

p_judul VARCHAR(255), IN p_isi TEXT, IN p_nama_file VARCHAR(255))

BEGIN

DECLARE v_judul VARCHAR(255);

DECLARE v_isi TEXT;

DECLARE v_id INT;

SELECT judul, isi INTO v_judul, v_isi

FROM dokumen WHERE judul LIKE p_judul AND isi LIKE p_isi;

IF v_judul IS NULL AND v_isi IS NULL THEN

INSERT INTO dokumen (judul, isi, file_fisik) VALUES (p_judul,

p_isi, p_nama_file);

ELSE

SELECT id INTO v_id FROM dokumen WHERE judul LIKE p_judul;

UPDATE dokumen SET judul = p_judul, isi = p_isi WHERE id = v_id;

END IF;

END$$

DELIMITER ; Query 4. 7 Stored procedure insert_dokumen_table

Untuk menjalankan stored procedure insert_dokumen_table,

sistem akan memanggil metode insertDokumen(Dokumen). Berikut adalah

pemaparan metode insertDokumen.

public void insertDokumen(Dokumen dokumen) throws SQLException {

CallableStatement statement = null;


try {


statement = connection.prepareCall(SQL_INSERTDOKUMEN);

statement.setString(1, dokumen.getJudul());

statement.setString(2, dokumen.getIsi());


102

statement.setString(3, dokumen.getNamaFile());

statement.executeUpdate();




throw exception;

} finally {

try {


if (result != null) {result.close();}

if (statement != null) { statement.close();}


throw exception;

}

}

} List Code 4. 13 List insertDokumen

Perhitungan tf dilakukan pada saat proses penyimpanan kata dari

sebuah dokumen. Proses ini memanfaatkan stored procedure insertKata.

Stored procedure akan berfungsi untuk menyimpan kata pada basis data

dan menghitung nilai tf. Tidak hanya itu, stored procedure ini juga

berfungsi membuat indek pada basis data. Indek tersebut akan tersimpan

pada tabel dokumen_kata. Berikut adalah pemaparan stored procedure

insertKata.

DELIMITER $$

USE `skripsi095314051`$$

DROP PROCEDURE IF EXISTS `insertKata`$$

CREATE DEFINER=`skripsi`@`localhost` PROCEDURE `insertKata`(IN p_judul

VARCHAR(255), IN kata VARCHAR(255))

BEGIN

DECLARE v_idkata INT;

DECLARE v_iddok INT;


103

DECLARE v_tf INT DEFAULT 0;

DECLARE v_id INT;

DECLARE v_idstop INT DEFAULT 0;

SELECT IFNULL(id_stop,0) INTO v_idstop FROM katastop WHERE

kata_stop LIKE kata;

IF v_idstop = 0 THEN

SELECT IFNULL(id_kata,0) INTO v_idkata FROM katadasar

WHERE kata_dasar LIKE kata;

SELECT IFNULL(id,0) INTO v_iddok FROM dokumen WHERE

LOWER(judul) LIKE p_judul;

IF v_idkata = 0 THEN /*jika belum ada*/

INSERT INTO katadasar (kata_dasar) VALUES (kata);

END IF;

SELECT IFNULL(id_kata,0) INTO v_idkata FROM katadasar

WHERE kata_dasar LIKE kata;

SELECT IFNULL(tf,0) INTO v_tf FROM dokumen_kata WHERE

dokumen_id = v_iddok AND katadasar_id = v_idkata;

IF v_tf = 0 THEN/*jika belum ada*/

INSERT INTO dokumen_kata (dokumen_id, katadasar_id, tf)

VALUES(v_iddok, v_idkata, 1);

ELSE/*jika sudah ada kata*/

UPDATE dokumen_kata SET tf = (v_tf+1) WHERE

dokumen_id = v_iddok AND katadasar_id = v_idkata;

END IF;

END IF;

END$$

DELIMITER ; Query 4. 8 Stored procedure insertKata

Sistem akan memanggil metode insertKata(String) untuk

menjalankan stored procedure Query 4. 8.


104

4.3.7. Penambahan Dokumen

Pada proses ini, sistem akan menerima sebuah masukan JDialog

dialog, JTextField field, JTextArea area. Nilai field digunakan sebagai

nama penyakit (judul) dan nilai area digunakan sebagai gejala penyakit

(isi). Penggunaan dialog adalah sebagai antarmuka penambahan dokumen.

Sistem akan membaca direktori yang telah ditentukan pengguna sebagai

penyimpanan file fisik dokumen. Jika pengguna belum menentukan

direktori, maka direktori dianggap menggunakan default yaitu pada folder

“List penyakit” pada direktori yang sama dengan sistem. Sistem akan

menyimpan isi pada file dengan nama file menggunakan judul. File ini

akan disimpan dengan menggunakan ekstensi .txt. Proses dilanjutkan

dengan melakukan indexing file tersebut.

public void tambahDokumen(JDialog dialog, JTextField field, JTextArea area) throws

FileNotFoundException, UnsupportedEncodingException, SQLException {

String nama = field.getText();

String isi = area.getText();

String pathSetting = SettingController.getSettingController().getPengaturan();

String path = "";

if (!pathSetting.isEmpty() && pathSetting.startsWith("FILE_DIR")) {

String[] n = pathSetting.split(";");

path = n[0].substring(11).concat("/" + nama + ".txt");

} else {

path = "./List penyakit/" + nama + ".txt";

}

String[] perBaris = isi.split("\n");

int count = JOptionPane.showConfirmDialog(area, "Apakah anda yakin akan

melakukan penambahan?");


105

if (count == 0) {

PrintWriter writer = new PrintWriter(path, "UTF-8");

for (int i = 0; i < perBaris.length; i++) {

String string = perBaris[i];

writer.println(string.concat(";"));

}

writer.close();

File file = new File(path);

Dokumen dokumen = new Dokumen(file);


IndexingController.getKoneksiKontrol().indexingDokumen(dokumen);

area.setText(null);

field.setText(null);

dialog.dispose();

JOptionPane.showMessageDialog(area, "Penyakit " + dokumen.getJudul() + "

berhasil ditambahkan");

} else {

JOptionPane.showMessageDialog(area, "Penambahan penyakit batal dilakukan");

}

} List Code 4. 14 Penambahan Dokumen

4.3.8. Perubahan Dokumen

Proses ini dimaksudkan agar pengguna dapat merubah isi

dokumen. Hal ini dapat memudahkan pengguna untuk memperbarui gejala

umum pada dokumen. Pada proses ini, perubahan dokumen akan

menyebabkan proses indexing untuk seluruh dokumen pada koleksi.

Berikut adalah metode untuk melakukan proses perubahan dokumen.


106

public void ubahIsiDokumen(int row, JTable table, JTextArea area, JButton button,

JButton button2) throws FileNotFoundException, UnsupportedEncodingException,

SQLException {



try {

if (table.getRowCount() > 0 && table.getValueAt(0, 0) != null) {

Dokumen dokumen = (Dokumen) table.getValueAt(row, 1);

String isi = area.getText();

String[] perBaris = isi.split("\n");

String is = SettingController.getSettingController().getPengaturan();

String path = "";

if (!is.isEmpty() && is.startsWith("FILE_DIR")) {

String[] n = is.split(";");

path = n[0].substring(11).concat("/" + dokumen.getNamaFile());

} else {

path = "./List penyakit/" + dokumen.getNamaFile();

}

int count = JOptionPane.showConfirmDialog(area, "Apakah anda yakin akan

melakukan perubahan?");

if (count == 0) {

PrintWriter writer = new PrintWriter(path, "UTF-8");

for (int i = 0; i < perBaris.length; i++) {

String string = perBaris[i];

writer.println(string.concat(";"));

}

writer.close();



statement = connection.prepareStatement(SQL_UPDATEDOKUMEN);

statement.setObject(1, dokumen.getIsi());

statement.setObject(2, dokumen.getIdDok());



Dokumen[] dokumens =

FileController.getKoneksiKontrol().getAllDokumenFromDB();


107

IndexingController.getKoneksiKontrol().preInsert();

if (dokumens != null && dokumens.length > 0) {

for (int i = 0; i < dokumens.length; i++) {

Dokumen temp = dokumens[i];

IndexingController.getKoneksiKontrol().indexingDokumen(temp);

}

} else {

IndexingController.getKoneksiKontrol().IndexKoleksi(null,

MainForm.mainForm.getFolderDirektori(), null);

}

JOptionPane.showMessageDialog(area, "Gejala umum penyakit " +

dokumen.getJudul() + " berhasil dirubah");

} else {

JOptionPane.showMessageDialog(area, "Gejala umum penyakit " +

dokumen.getJudul() + " batal dirubah");

}

area.setText(null);

area.setEnabled(false);

area.setEditable(false);

button.setEnabled(false);

button2.setEnabled(false);

table.requestFocus();

}



throw exception;

} finally {

try {


if (result != null) { result.close();}

if (statement != null) {statement.close();}

} catch (SQLException exception) {throw exception; }

}

} List Code 4. 15 List ubahIsiDokumen


108

4.3.9. Penambahan Stopword

Penambahan stopword dapat mengaktifkan proses indexing.

Penambahan ini menjadi trigger bagi metode indexingDokumen, karena

setiap dokumen tersimpan akan dihitung kembali term dan tf-nya. Berikut

pemaparan metode untuk penambahan stopword. Berikut adalah

pemaparan metode untuk melakukan penambahan stopword.

public void tambahStopWord(JTable daftarKataTabel, JTextField field, JButton button)

throws FileNotFoundException, UnsupportedEncodingException, SQLException {

String stop = field.getText();

File file = new File("./List Stopwords/stopword.txt");

String isi = FileController.getKoneksiKontrol().ambilKata(file);

int count = JOptionPane.showConfirmDialog(field, "Apakah anda yakin akan


if (count == 0) {

PrintWriter writer = new PrintWriter(file, "UTF-8");

writer.println(isi.concat(" ").concat(stop));

writer.close();

FileController.getKoneksiKontrol().insertStop(stop);






Dokumen dokumen = dokumens[i];


}

} else {



}

JOptionPane.showMessageDialog(field, "Stop word " + stop + " berhasil


109

ditambahkan");

isiTabelStopword(daftarKataTabel);



daftarKataTabel.requestFocus();

} else {

JOptionPane.showMessageDialog(field, "Penambahan stop word batal

dilakukan");

}

} List Code 4. 16 List penambahan stopword

4.3.10. Perubahan Stopword

Seperti pada penambahan stopword, perubahan stopword juga

dapat menjadi trigger bagi metode indexingDokumen. Semua dokumen

tersimpan akan dihitung kembali term dan tf-nya. Berikut adalah

pemaparan metode untuk melakukan perubahan stopword.

public void ubahStopWord(int row, JTable daftarKataTabel, JTextField field, JTextField

fieldLama, JButton button) throws FileNotFoundException,

UnsupportedEncodingException, SQLException {



try {


KataStop stopWord = (KataStop) daftarKataTabel.getValueAt(row, 1);

if (stopWord != null) {

String stop = field.getText();

File file = new File("./List Stopwords/stopword.txt");

String isi = FileController.getKoneksiKontrol().ambilKata(file);

String[] listStop = isi.split(" ");

if (listStop.length > 0) {


110

int count = JOptionPane.showConfirmDialog(field, "Apakah anda yakin akan


if (count == 0) {

PrintWriter writer = new PrintWriter(file, "UTF-8");

String isiBaru = "";

for (int i = 0; i < listStop.length; i++) {

String string = listStop[i];

if (string.equalsIgnoreCase(stopWord.getKataStop())) {

isiBaru = isiBaru.concat(stop);

} else {

isiBaru = isiBaru.concat(string);

}

if (i != listStop.length - 1) {

isiBaru = isiBaru.concat(" ");

}

}

writer.println(isiBaru);

writer.close();

statement = connection.prepareStatement(SQL_UPDATESTOP);

statement.setString(1, stop);

statement.setInt(2, stopWord.getIdStop());








Dokumen dokumen = dokumens[i];


}

} else {



}

JOptionPane.showMessageDialog(field, "Stop word " +


111

stopWord.getKataStop() + " berhasil dirubah menjadi " + stop);

isiTabelStopword(daftarKataTabel);


fieldLama.setText(null);


daftarKataTabel.requestFocus();

} else {

JOptionPane.showMessageDialog(field, "Perubahan stop word batal

dilakukan");

}

}

}



throw exception;

} finally {

try {



result.close();

}


statement.close();

}


throw exception;

}

}

} List Code 4. 17 List perubahan stopword


112

4.4. Implementasi Proses Query Processing

Pada bagian ini, sistem akan memproses query pencarian dari

pengguna agar dapat dihitung menggunakan algoritma model. Metode

untuk pemrosesan ini akan mengembalikan nilai balik berupa array 1

(satu) dimensi bertipe integer. Metode ini memiliki nilai balik yang berisi

indek dari kata penyusun query. Berikut adalah implementasi pemrosesan

query.

public int[] generateQ(Query q) {

int[] qStem = null;

Vector<Integer> vInteger = new Vector<Integer>();

String[] kata = this.getQuery().replaceAll(";", " ").replaceAll("\n",

"").toLowerCase().split(" ");

PorterStemmer s = new PorterStemmer();

String temp = "";

try {

for (int i = 0; i < kata.length; i++) {

String kataQuery = kata[i];

int a = SearchController.getKoneksiKontrol().hapusStop(kataQuery);

if (a == 0) {

String kTemp = s.stemming(kataQuery);

int b = SearchController.getKoneksiKontrol().cekKataQuery(kTemp);

if (b > 0) {

if (!temp.contains("[".concat(String.valueOf(b)).concat("]"))) {

temp = temp.concat("[".concat(String.valueOf(b))).concat("] ");

vInteger.add(b);

}

}

}

}

qStem = new int[vInteger.size()];

for (int i = 0; i < vInteger.size(); i++) {


113

Object o = vInteger.get(i);

int idQ = Integer.parseInt(o.toString());

qStem[i] = idQ;

}

this.setTermQ(qStem);


Logger.getLogger(Query.class.getName()).log(Level.SEVERE, null, ex);

}

return this.getTermQ();

} List Code 4. 18 List pemrosesan query

4.5. Implementasi Proses Searching

Pada bagian ini, sistem akan menangani perhitungan kemiripan

query dengan dokumen. Query masukkan akan diproses sesuai dengan

model yang digunakan. Proses searching (differential diagnose) dilakukan

menggunakan 3 (tiga) algoritma IR. Langkah awal pada tahap ini adalah

membuat indeks pada Hashmap. Indeks tersebut menggunakan metode

inverted index. Dapat dikatakan, hash menyimpan data istilah beserta

posting list dokumen. Posting list dokumen akan disimpan dengan

Hashmap untuk memudahkan pencarian. Berikut metode yang digunakan

dalam pembuatan indeks.

public HashMap<Integer, HashMap<Integer, IndexingController>> getIndex() throws

SQLException {



HashMap<Integer, HashMap<Integer, IndexingController>> hash = null;

try {


114


statement = connection.prepareStatement(SQL_GETINDEX);

result = statement.executeQuery();

int count = getRowCount(result);

if (count > 0) {

hash = new HashMap<Integer, HashMap<Integer, IndexingController>>();

HashMap<Integer, IndexingController> mapIndex = new HashMap<Integer,

IndexingController>();

int idKD = 1;

int counter = 0;

while (result.next()) {

int idDok = result.getInt(1);

int idKata = result.getInt(2);

double tf = result.getDouble(3);

String kata = idKata + " " + idDok;

if (tf > 0) {

tf = 1;

}

IndexingController ic = new IndexingController(kata, idDok, idKata, tf);

if (idKD == idKata) {

mapIndex.put(idDok, ic);

counter++;

} else {

if (mapIndex != null) {

hash.put(idKD, mapIndex);

}

counter = 0;

mapIndex = new HashMap<Integer, IndexingController>();

mapIndex.put(idDok, ic);

}

idKD = idKata;

}

hash.put(idKD, mapIndex);

}


return hash;


115



throw exception;

} finally {

try {



result.close();

}


statement.close();

}


throw exception;

}

}

} List Code 4. 19 List getIndex

Fungsi penulisan, if (tf > 0) {tf = 1; } digunakan untuk membuat

binary TF. Setiap hasil query SQL disimpan pada kelas

IndexingController. Kelas IndexingController yang akan disimpan pada

posting list dokumen. Berikut adalah pemaparan algoritma yang digunakan

dalam pencarian.

Setiap kelas yang berfungsi sebagai model, mengimplementasi

kelas Comparable. Hal ini dimaksudkan untuk dapat melakukan

perbandingan nilai kemiripan. Dengan menggunakan kelas Arrays, maka

pemanggilan metode sort untuk setiap kelas model dapat dilakukan.

Pengurutan dilakukan secara menurun, dari dokumen yang bernilai besar

dan berakhir pada nilai yang kecil. Untuk melakukan perhitungan


116

kemiripan, form menggunakan metode pada controller. Berikut pemaparan

metode getSimilarity yang digunakan.

public void getSimilarity(JLabel waktuShowLabel, String q, JTable table) {

try {

int result = openConfigurationFile(new File("setting.conf"));

if (listDok == null) {listDok =

FileController.getKoneksiKontrol().getAllDokumenFromDB();}

if (listDok == null) {JOptionPane.showMessageDialog(table, "Daftar penyakit

masih kosong");}

else {

double nKata = SearchController.getKoneksiKontrol().cekJumlahKataDasar();

Query query = new Query(q);

long startSecond = System.currentTimeMillis();

if (result == 0) {

PM.getKoneksiKontrol().isiTable(table,

this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query);

} else if (result == 1) {

VSM.getKoneksiKontrol().isiTable(table,

this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query); } else if (result

== 2) {EBM.getKoneksiKontrol().isiTable(table,

this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query); }

long endSecond = System.currentTimeMillis();

double lama = (endSecond - startSecond) / 1000.0;

waktuShowLabel.setText(lama + " s");

System.out.println(String.valueOf(lama).replaceAll("\\.", ","));}


Logger.getLogger(SearchController.class.getName()).log(Level.SEVERE, null, ex);

} catch (FileNotFoundException ex) {


} catch (IOException ex) {


}

} List Code 4. 20 List getSimilarity


117

4.5.1. Probabilistic Model (PM)

Dalam proses perhitungan kemiripan, PM akan melakukan

preprocessing terhadap koleksi untuk menentukan relevan set. Dalam

proses tersebut, PM akan mencari bobot tiap kata. Berdasarkan bobot tiap

kata, PM dapat menentukan bobot sementara dokumen. Bobot dokumen

yang bernilai >= 0,5 akan dianggap sebagai relevan. Dokumen tersebut

akan dimasukkan ke dalam vector dokumen.

public void hitungBobotPerkata(Vector<KataDasar> vector, double N) {

for (int i = 0; i < vector.size(); i++) {

double peluang = Math.log((N + 0.5) / (double) (vector.elementAt(i).getDf() +

0.5));

vector.elementAt(i).setPeluangKata(peluang);

}

} List Code 4. 21 List hitungBobotPerKata

public Vector<Dokumen> getDokumenRelevanByQuery(Dokumen[] listDok,

HashMap<Integer, HashMap<Integer, IndexingController>> hash, Vector<KataDasar>

vector, Query query) {

int[] idQs = query.generateQ(query);

Vector<Dokumen> dokVector = new Vector<Dokumen>();

for (int i = 0; i < listDok.length; i++) {

Dokumen dokumen = listDok[i];

int idDok = dokumen.getIdDok();

int jumlah = 0;

double peluangKataPerDok = 0;

for (int j = 0; j < idQs.length; j++) {

int idKataQ = idQs[j];

if (hash.containsKey(idKataQ)) {


118

HashMap<Integer, IndexingController> hashD = hash.get(idKataQ);

if (hashD.containsKey(idDok)) {

IndexingController idc = hashD.get(idDok);

peluangKataPerDok += getPeluangKata(vector, idc.getIdKata());

jumlah++;

} } }

dokumen.setJumlahKataRelevan(jumlah);

dokumen.setPeluangKataPerDokumen(peluangKataPerDok);

listDok[i] = dokumen;

}

Arrays.sort(listDok);


Dokumen dok = listDok[i];

if (dok.getJumlahKataRelevan() > 0) {

if (dok.getPeluangKataPerDokumen() >= 0.5) {

dokVector.add(dok);

} } }

this.dokumenRelevan = dokVector;

this.R = dokumenRelevan.size();

return dokVector; } List Code 4. 22 List getDokumenRelevanByQuery

Pada list 4.22, metode getDokumenRelevanByQuery memanggil

metode getPeluangKata(vector, idc.getIdKata()), hal tersebut berfungsi

untuk mengambil nilai bobot kata yang telah dihitung sebelumnya. Proses

yang terpenting dalam tahap ini adalah mengambil memasukkan dokumen

relevan ke dalam vector. Untuk menghitung kemiripan dibutuhkan metode

untuk mencari nilai df pada dokumen relevan. Berikut metode untuk

mencari df pada dokumen relevan.

public double getDFRelevan(Vector<Dokumen> dokumens, HashMap<Integer,

HashMap<Integer, IndexingController>> hash, int idKata) {


119

double df = 0;

Object[] o = dokumens.toArray();

for (int i = 0; i < o.length; i++) {

Dokumen object = (Dokumen) o[i];

int id = object.getIdDok();

if (hash.containsKey(idKata)) {

if (hash.get(idKata).containsKey(id)) {

df++;

}

}

}

return df;

}

List Code 4. 23 getDFRelevan

Pencarian PM dilakukan dengan menjalankan metode similarity.

Metode ini yang akan menghitung serta mengurutkan bobot dokumen

terhadap sebuah query. Berikut pemaparan metode similarity.

public LinkedList<PM> similarity(Vector<KataDasar> vector, HashMap<Integer,

HashMap<Integer, IndexingController>> hash, Dokumen[] listDok, double nKata, Query

query) throws SQLException {

pm = new PM();

pm.setPercentage(0);

pm.N = listDok.length;

pm.hitungBobotPerkata(vector, (int) pm.N);

Vector<Dokumen> dokumens = pm.getDokumenRelevanByQuery(listDok, hash,

vector, query);

int[] q = query.generateQ(query);

PM[] pms = new PM[listDok.length];


Dokumen d = (Dokumen) listDok[i];

int idDok = d.getIdDok();

double similarity = 0;

double wtfidf = 0;

for (int j = 0; j < q.length; j++) {


120

double w = 0;

int idQT = q[j];

if (hash.containsKey(idQT)) {

HashMap<Integer, IndexingController> hashD = hash.get(idQT);

IndexingController idx = hashD.get(idDok);

if (idx != null) {

int indexKata = idx.getIdKata();

double df = vector.elementAt(indexKata - 1).getDf();

pm.ni = df;

pm.ri = pm.getDFRelevan(dokumens, hash, indexKata);

double kiri = (double) ((pm.getRi() + 0.5) / (pm.getR() - pm.getRi() +

0.5));

double kanan = (double) ((pm.getN() - pm.getNi() - pm.getR() +

pm.getRi() + 0.5) / (pm.getNi() - pm.getRi() + 0.5));

w = Math.log(kiri * kanan);

wtfidf += Math.log(listDok.length / df);

}

} else {w = 0; }

similarity += w;

}

PM pmTemp = new PM();

pmTemp.setDokumen(d);

pm.setPercentage(pm.getPercentage() + similarity);

pmTemp.setSimilarity(similarity);

pmTemp.setTfidf(wtfidf);

pms[i] = pmTemp;

}

Arrays.sort(pms);

int no = 1;

LinkedList<PM> list = new LinkedList<PM>();

for (int i = 0; i < pms.length; i++) {

PM pmT = pms[i];

pmT.setPercentage(pmT.getSimilarity() / pm.getPercentage() * 100);

pmT.setNo(no);

if (pmT.getSimilarity() > 0) {

list.add(pmT);


121

no++;

}

}

return list;

}

List Code 4. 24 similarity (PM)

4.5.2. Vector Space Model (VSM)

Berbeda dengan PM, VSM tidak memerlukan preprocessing.

Untuk melakukan perhitungan, VSM akan menjalankan metode similarity.

Metode tersebut akan menghitung nilai bobot tiap kata pada dokumen,

serta bobot kata dalam query. Berikut pemaparan metode similarity.

public LinkedList<VSM> similarity(Vector<KataDasar> vector, HashMap<Integer,



vsm = new VSM();

vsm.setPercentage(0);

int[] q = query.generateQ(query);

VSM[] vsms = new VSM[listDok.length];

double totalWQ = 0;

for (int i = 0; i < q.length; i++) {

int j = q[i];

double wQ = SearchController.getKoneksiKontrol().getIdfKata(vector, j) * 1;

totalWQ += Math.pow(wQ, 2);

}


double totalWT = 0;

double totalWDWQ = 0;

Dokumen d = listDok[i];


for (int j = 1; j <= nKata; j++) {


122

if (hash.containsKey(j)) {

HashMap<Integer, IndexingController> hashD = hash.get(j);


double tf = 0;

double wTperDok = 0;

double idf = SearchController.getKoneksiKontrol().getIdfKata(vector, j);

if(idx!=null){ tf = 1; }

wTperDok = tf * idf;

/*cek term di query*/

double wQ = 0;

for (int k = 0; k < q.length; k++) {

int idQT = q[k];

if (j == idQT) {

wQ = idf;

break;

} else { wQ = 0; }

}

if (wQ > 0) {totalWDWQ += wTperDok * wQ; }

totalWT += Math.pow(wTperDok, 2);

}

}

double pembagi = Math.sqrt(totalWQ * totalWT);

double similarity = totalWDWQ / pembagi;

VSM vsmTemp = new VSM();

vsmTemp.setDokumen(d);

vsm.setPercentage(vsm.getPercentage() + similarity);

vsmTemp.setSimilarity(similarity);

vsms[i] = vsmTemp;

}

Arrays.sort(vsms);

int no = 1;

LinkedList<VSM> list = new LinkedList<VSM>();

for (int i = 0; i < vsms.length; i++) {

VSM vsmT = vsms[i];

vsmT.setPercentage(vsmT.getSimilarity() / vsm.getPercentage() * 100);

vsmT.setNo(no);


123

if (vsmT.getSimilarity() > 0) {

list.add(vsmT);

no++;

}

}

return list;

}

List Code 4. 25 similarity (VSM)

4.5.3. Extended Boolean Model (EBM)

Berbeda dengan PM, EBM memerlukan preprocessing tetapi

pada bagian query. Query yang sudah diproses, kemudian digunakan untuk

menghitung kemiripan query dengan dokumen. Operator yang digunakan

adalah operator and. Untuk melakukan perhitungan, EBM akan

menjalankan metode similarity. Berikut pemaparan metode similarity.

public LinkedList<EBM> similarity(Vector<KataDasar> vector, HashMap<Integer,



ebm = new EBM();

ebm.setPercentage(0);

EBM[] ebms = new EBM[listDok.length];

int[] idKatas = query.generateQ(query);

double maxIDF = SearchController.getKoneksiKontrol().getMaxIDF(vector);

double p = 2;


Dokumen d = listDok[i];

d.setEbmTemp(null);


double jumlahTemp = 0;

for (int j = 0; j < idKatas.length; j++) {


124

int indexQ = idKatas[j];

double w = 0;

if (hash.containsKey(indexQ)) {//jika query ada

HashMap<Integer, IndexingController> hashD = hash.get(indexQ);


if (idx != null) {

w = SearchController.getKoneksiKontrol().getIdfKata(vector,

idx.getIdKata()) / maxIDF;

} else {

w = 0;

}

}

jumlahTemp += Math.pow((1 - w), p);

}

double similarity = 1- Math.pow((jumlahTemp / idKatas.length), (1 / p));

EBM ebmTemp = new EBM();

ebmTemp.setSimilarity(similarity);

ebmTemp.setDokumen(d);

ebm.setPercentage(ebm.getPercentage() + similarity);

ebms[i] = ebmTemp;

}

Arrays.sort(ebms);

int no = 1;

LinkedList<EBM> list = new LinkedList<EBM>();

for (int i = 0; i < ebms.length; i++) {

EBM ebmT = ebms[i];

ebmT.setPercentage(ebmT.getSimilarity() / ebm.getPercentage() * 100);

ebmT.setNo(no);

if (ebmT.getSimilarity() > 0) {

list.add(ebmT);

no++;

}

}

return list;

} List Code 4. 26 similarity (EBM)


BAB V

HASIL DAN PEMBAHASAN

Pada bab ini akan dipaparkan mengenai hasil dan analisa dari

hasil percobaan yang telah dilakukan.

5.1. Hasil Pengukuran (kuesioner)

Hasil pengukuran ini didapatkan dengan mencocokkan hasil

luaran sistem dengan kuesioner yang telah diisi. Kuesioner diisi oleh 4

(empat) orang dokter untuk mengetahui differential diagnose. Dokter

tersebut kemudian melakukan pengujian sistem dengan menggunakan

semua algoritma. Hasil luaran sistem dari setiap query dan model dicatat

untuk dicocokkan dengan kuesioner.

Dalam pengisian kuesioner dan pengujian sistem, terdapat 21

skenario query yang dilakukan. Contoh lembar kuesioner terlampir di

dalam dokumen ini. Daftar 21 query yang dilakukan dalam penelitian ini

adalah:

125


126

Tabel 5. 1 Daftar query

Q Gejala

1 Demam, Muntah setelah makan, Hidung tersumbat, Batuk kering,

Sesak napas, Napas cuping hidung, Denyut jantung cepat, Rinorea,

Mengi, Retraksi dinding dada,

2 Demam, Muntah setelah makan, Batuk terus – menerus, Sianosis, Sesak

napas, Ada riwayat infeksi saluran napas, Rinorea, Mengi

3 Batuk darah, Batuk kronis, Penurunan berat badan, Keringat malam (+),

Sesak napas, Sakit di dada, Pembesaran kelenjar getah bening leher,

Riwayat kontak penderita TB (+)

4 Sesak nafas, Nafas cuping hidung, Melibatkan otot leher, Indikasi

emosional tinggi, Mengi, Sianosis, Eksperium diperpanjang

5 Batuk kronis, Penurunan berat badan, Sesak napas, Dada sesak,

Retraksi dinding dada, Napas cuping hidung, Suara nafas menggesek,

Batuk darah, Sianosis

6 Batuk serak, Sesak napas, Dada sakit, Batuk khronis, Pekerjaan tukang

batu, Demam, Sakit kepala

7 Demam, Batuk berdahak, Sesak napas, Napas cepat, Mudah lelah,

Riwayat infeksi saluran nafas atas, Sakit kepala

8 Sesak nafas, Batuk berdahak, Eksperium diperpanjang, Mengi, Retraksi

dinding dada, Sianosis, Kumat kumatan

9 Batuk kronis, Sesak napas, Mengi, Tidak nafsu makan, Ada kontak


127

dengan asbes, Dada sakit

10 Demam, Batuk kronis, Bunyi nafas menggesek, Tidak selera makan,

Mudah lelah, sesak napas, Penurunan berat badan, Sakit di dada

11 Batuk kronis, Mudah lelah, Bernafas cepat, Penurunan berat badan,

Sakit di dada, Ada kontak dengan senyawa silikon

12 Batuk kronis, Bernapas cepat, Sesak napas, Warna biru pada kulit,

Sianosis, Penurunan berat badan, Postur leher buruk, Postur bahu

buruk, Ada bagian redup pada perkusi dada

13 Batuk kronis, Bernapas cepat, Mengi, sesak napas, Sianosis, Mudah

lelah, Penurunan berat badan

14 Demam, Batuk terus menerus, Batuk kronis, Batuk bercampur darah,

Sesak napas, Nyeri di dada, Bernapas cepat, Postur leher buruk

15 Batuk kronis, Dada sesak, Sesak napas, Bernapas cepat, Mengi,

Sianosis, Postur leher buruk, Postur bahu buruk, Napas cuping hidung

16 Batuk kering, Mudah lelah, Nyeri pada sendi, Berat badan turun, Ruam

kulit gatal, Pembengkakan pembuluh darah pada mata

17 Batuk kering, Mialgia, Rasa lemah pada tangan, Rasa lelah berlebihan,

Berat badan turun

18 Panas ngelemeng, Batuk kronis, Batuk berdahak dan bercampur darah,

Sesak napas, Nyeri dada, Badan lemah, Nafsu makan menurun,

Berkeringat pada malam hari, Ada kontak dengan penderita TB paru

BTA (+)


128

19 Demam selama 2 hari, Panas nglemeng saat periksa, Denyut jantung

tidak normal (tinggi), Batuk kronis, Batuk berdahak, Sesak napas,

Nyeri di dada, Rasa lelah, Malaise, Penurunan berat badan

20 Batuk kronis, Bernapas cepat, Mengi, Sesak napas, Sianosis, Badan

lemah, Penurunan berat badan, Malaise, Pembesaran limfonodi leher

21 Demam, Kurang enak badan, Sesak napas, Badan lemah, Tidak nafsu

makan, Keringat berlebihan pada malam hari, Ada kontak dengan

penderita TB paru BTA (+)

Penggunaan tanda baca “,” pada tabel 5.1 hanya sebagai pemisah

gejala. Pada percobaannya, tanda baca “,” diganti dengan menekan tombol

“Enter”. Berikut akan dipaparkan mengenai rekapitulasi hasil kuesioner

yang didapatkan untuk masing – masing query. Tanda “*” menunjukkan

bahwa penyakit yang dipilih responden termasuk dalam differential

diagnose (dokumen relevan).

Tabel 5. 2 Rekap kemungkinan differential diagnose query 1

Nama Penyakit R1 R2 R3 R4

Asma * * *

Bronkiolitis * * * *

TBC * * * *

Tabel 5. 3 Rekap differential diagnose query 2


Asma * * *


129


Fibrosis Paru *

TBC * * * *



Asbestosis *

Bronkiolitis * * *

Silikosis *

TBC * * * *



Asma * * * *




Asbestosis * *

Displasia Bronkopulmoner * * * *

Fibrosis Paru * *

Silikosis * *

TBC * * * *


130



Asbestosis * * * *

Fibrosis Paru * * *

Silikosis * * * *



Asma * * * *


TBC *



Asma * * * *



Asbestosis * * * *

Asma * *

Silikosis * * * *


131




Fibrosis Paru * * * *

TBC * * * *



Asbestosis * * * *


Silikosis * * * *



Asma * * * *



TBC * *



Asma * * * *

Displasia Bronkopulmoner *


132

Fibrosis Paru * * *

TBC *



Asma * * * *


TBC * * * *



Asma * * *


TBC * * *









133




TBC * * * *




TBC * * * *



Asma * * *

Bronkiolitis * * *

TBC * * * *




TBC * * * *


134

Selanjutnya untuk setiap responden pada masing – masing query

pengujian, akan dihitung nilai precision-recall. Berikut merupakan capture

– screen hasil pencarian untuk responden R1 pada query 1 pada semua

model adalah sebagi berikut:

Gambar 5. 1 Hasil pencarian PM query 1

Gambar 5. 2 Hasil pencarian VSM query 1

Gambar 5. 3 Hasil pencarian EBM query 1

Dari gambar 5.1, sistem merekomendasikan 6 penyakit pada PM,

7 penyakit pada EBM dan VSM untuk query yang diberikan. Menurut

responden R1, penyakit (dokumen) yang relevan terhadap query 1 adalah

bronkiolitis, asma, dan TBC. Dengan menggunakan data tersebut akan

dihitung nilai precision dan recall sebagai berikut:


135

Tabel 5. 23 Precision-Recall responden R1 pada query 1 (PM)

no Dok Recall Precision

1 Bronkiolitis 1/3=0,333 1/1=1

2 Asbestosis 1/3=0,333 1/2=0,5

3 Silikosis 1/3=0,333 1/3=0,333

4 Displasia Bronkopulmoner 1/3=0,333 1/4=0,25

5 Asma 2/3=0,667 2/5=0,4

6 TBC 3/3=1 3/6=0,5

7 Fibrosis Paru 3/3=1 4/7=0,429

Perhitungan interpolasi diambil dari nilai precision tertinggi dari

setiap titik recall yang didapat. Dengan demikian, batas maksimal

precision untuk setiap titik recall adalah:

Tabel 5. 24 Maksimal precision setiap titik recall R1 pada query 1 (PM)

Recall Precision

1.0 0,5

0.6 0,4

0.3 1

Perhitungan recall – precision juga dilakukan pada VSM untuk

query 1 pada responden R1.

Tabel 5. 25 Precision-Recall responden R1 pada query 1 (VSM)

no Dok Recall Precission


2 Asma 2/3=0,667 2/2=1

3 Asbestosis 2/3=0,667 2/3=0,667

4 Silikosis 2/3=0,667 2/4=0,5

5 Fibrosis Paru 2/3=0,667 2/5=0,4



136

7 TBC 3/3=1 3/7=0,429

Batas maksimal precision untuk setiap titik recall pada VSM

adalah:

Tabel 5. 26 Maksimal precision setiap titik recall R1 pada query 1 (VSM)

Recall Precision

1.0 0, 0,429

0.6 1

0.3 1

Perhitungan recall – precision pada EBM untuk query 1 pada

responden R1 adalah sebagai berikut:

Tabel 5. 27 Precision-Recall responden R1 pada query 1 (EBM)

no Dok Recall Precission


2 Asma 2/3=0,667 2/2=1

3 Asbestosis 2/3=0,667 2/3=0,667

4 Silikosis 2/3=0,667 2/4=0,5


6 Fibrosis Paru 2/3=0,667 2/6=0,333

7 TBC 3/3=1 3/7=0,429

Batas maksimal precision untuk setiap titik recall pada EBM

adalah:

Tabel 5. 28 Maksimal precision setiap titik recall R1 pada query 1 (EBM)

Recall Precision

1.0 0,429

0.6 1

0.3 1


137

Nilai recall menunjukkan kemampuan sistem menampilkan

seluruh dokumen yang relevan. Hasil perhitungan precision dan recall

untuk setiap responden dan query terlampir di dalam dokumen ini.

Kemudian dilakukan perhitungan interpolasi terhadap hasil

perhitungan precision dengan rumus:

𝑃𝑃�𝑑𝑑𝑖𝑖 � = max 𝑃𝑃(𝑑𝑑)

𝑑𝑑𝑖𝑖 ≤ 𝑑𝑑 ≤ 𝑑𝑑𝑖𝑖 + 1

𝑑𝑑𝑖𝑖 𝜖𝜖 {0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0}

𝑑𝑑0 = 0.0, 𝑑𝑑1 = 0.1, … … . . . 𝑑𝑑10 = 1.0

Aturan interpolasi adalah recall standar ke-i memiliki nilai

interpolated precision sebesar maksimum precision pada recall yang lebih

besar dari recall standar ke-i. Perhitungan akan dilakukan dari recall 1.0,

karena diambil nilai maksimal precision untuk nilai recall. Berikut

merupakan hasil perhitungan interpolasi pada query responden R1 pada

setiap model terpapar pada tabel 5.29 hingga tabel 5.31.

Tabel 5. 29 Perhitungan interpolasi responden R1 untuk query 1 (PM)

rj P(rj)

1 0,5

0,9 0,5

0,8 0,5

0,7 0,5

0,6 0,4

0,5 0,4

0,4 0,4


138

0,3 1

0,2 1

0,1 1

0,0 1

Tabel 5. 30 Perhitungan interpolasi responden R1 untuk query 1 (VSM)

rj P(rj)

1 0,42857

0,9 0,42857

0,8 0,42857

0,7 0,42857

0,6 1

0,5 1

0,4 1

0,3 1

0,2 1

0,1 1

0,0 1

Tabel 5. 31 Perhitungan interpolasi responden R1 untuk query 1 (EBM)

rj P(rj)

1 0,5

0,9 0,5

0,8 0,5

0,7 0,5

0,6 1

0,5 1

0,4 1


139

0,3 1

0,2 1

0,1 1

0,0 1

Hasil lengkap untuk setiap query dan responden terlampir pada

dokumen ini. Berdasarkan pada tabel 5.29, 5.30 dan 5.31, kemudian dibuat

grafik interpolasi. Grafik 5.1 hingga grafik 5.3 merupakan grafik

interpolasi dari semua perhitungan recall-precision tiap algoritma.

Grafik 5. 1 Grafik interpolasi responden R1 untuk query 1 (PM)

Grafik 5. 2 Grafik interpolasi responden R1 untuk query 1 (VSM)

1 1 1 1

0,4

0,4

0,4

0,5

0,5

0,5

0,5

00,10,20,30,40,50,60,70,80,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Optimal

PM

recall

precision

1 1 1 1 1 1 1

0,428571429

0,428571429

0,428571429

0,428571429

00,10,20,30,40,50,60,70,80,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

VSM

Optimal

recall

precision


140

Grafik 5. 3 Grafik interpolasi responden R1 untuk query 1 (EBM)

Grafik interpolasi PM menunjukkan terdapat 4 (tiga) nilai yang

sejajar dengan grafik optimal (1.0). Hal ini disebabkan karena PM

menempatkan bronkiolitis, asma, dan TBC pada urutan ke 1, 5, dan 6

dengan jumlah total hasil pencarian adalah 7 (tujuh) dokumen. Dokumen

yang dianggap relevan oleh responden R1 yang memiliki precision tinggi

adalah bronkiolitis. Grafik interpolasi PM mengalami penurunan precision

pada recall 0.4 sebesar 60% terhadap nilai optimal. Grafik interpolasi PM

juga memperlihatkan adanya kenaikan precision pada recall 0.7 sebesar

25% dari nilai precision pada recall ke 0.6. Penurunan nilai precision

terhadap nilai optimal ini disebabkan karena selisih urutan antara

bronkiolitis dan asma besar. Sedangkan, kenaikan nilai precision ini

disebabkan urutan asma (0.6) dan TBC (1.0) tidak terpaut terlalu jauh.

Berbeda dengan PM, grafik interpolasi VSM dan EBM justru

memperlihatkan adanya penurunan precision. VSM dan EBM sama –

sama mengalami 1 (satu) kali penurunan pada recall 0.7. VSM mengalami

1 1 1 1 1 1 1

0,428571429

0,428571429

0,428571429

0,42857142900,10,20,30,40,50,60,70,80,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

EBM

Optimal

recall

precision


141

penurunan sebesar 57%, sedangkan EBM mengalami penurunan sebesar

50% terhadap nilai optimal. Penurunan ini disebabkan peringkat penyakit

(dokumen) asma yang terpaut jauh dari penyakit (dokumen) TBC.

Pemilihan TBC sebagai penyakit (dokumen) relevan oleh responden R1

sangat mempengaruhi nilai precision. Penyakit TBC berada pada peringkat

6 (enam) pada PM, 7 (tujuh) pada VSM dan 6 (enam) pada EBM.

Jika dilihat dari data gejala umum penyakit TBC, query 1 tidak

relevan untuk penyakit TBC. Istilah yang muncul dalam dokumen TBC

hanyalah “batuk”, “dada”, “makan”, “napas” dan “sesak”, sehingga sesuai

dengan perhitungan kemiripan dokumen TBC mempunyai bobot rendah

dan mempunyai urutan rendah. Responden R1 mengatakan memasukkan

TBC ke dalam differential diagnose karena menurut R1 gejala – gejala

pada query dapat berkembang menjadi sebuah gejala TBC. Dapat

dikatakan kompetensi responden dalam memprediksi perkembangan gejala

sangat berpengaruh pada penentuan penyakit (dokumen) yang dianggap

relevan pada differential diagnose.

5.2. Analisa Unjuk Kerja Model

Bagian ini akan memaparkan mengenai perhitungan unjuk kerja

dan perbandingan lama waktu pencarian untuk PM, VSM, dan EBM pada

seluruh responden dan query. Perhitungan unjuk kerja dilakukan dengan


142

menghitung penurunan nilai precision untuk setiap data recall terhadap

nilai optimal, nilai precision yang bernilai 1.0. Setiap query dilakukan oleh

4 (empat) responden R1, R2, R3, dan R4, sehingga diperlukan perhitungan

rerata dari perhitungan interpolasi dari setiap responden untuk menganalisa

unjuk kerja model. Semakin mendekati optimal, maka unjuk kerja model

semakin baik. Pemilihan penyakit (dokumen) yang dianggap relevan oleh

responden sangat berpengaruh dalam analisa unjuk kerja model. Berikut

adalah perhitungan rerata interpolasi untuk setiap model:

Tabel 5. 32 Perhitungan rerata interpolasi (PM)

rj P(r1) P(r2) P(r3) P(r4) P(r5) ... P(r21) Average

0,0 1 1 1 1 0,6667 1 0,74306

0,1 1 1 1 1 0,6667 1 0,74306

0,2 1 1 1 1 0,6667 1 0,73710

0,3 1 1 1 1 0,6667 1 0,73710

0,4 0,55 0,5833 1 1 0,75 1 0,67917

0,5 0,55 0,5833 1 1 0,75 1 0,67917

0,6 0,3833 0,5833 0,5 1 0,75 1 0,56383

0,7 0,4583 0,4821 0,5 0,6667 0,8 1 0,51791

0,8 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865

0,9 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865

1 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865

Tabel 5. 33 Perhitungan rerata interpolasi (VSM)


0,0 1 1 1 1 0,3333 1 0,81448

0,1 1 1 1 1 0,3333 1 0,81448


143

0,2 1 1 1 1 0,3333 1 0,81448

0,3 1 1 1 1 0,4167 1 0,82242

0,4 1 0,8333 1 1 0,4167 1 0,80258

0,5 1 0,8333 1 1 0,4167 1 0,80258

0,6 0,8214 0,8333 0,5 0,6667 0,4667 0,5 0,65929

0,7 0,3929 0,375 0,5 0,6667 0,5143 0,5 0,53350

0,8 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373

0,9 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373

1 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373

Tabel 5. 34 Perhitungan rerata interpolasi (EBM)


0,0 1 1 1 1 0,3333 1 0,87004

0,1 1 1 1 1 0,3333 1 0,87004

0,2 1 1 1 1 0,3333 1 0,87004

0,3 1 1 1 1 0,3667 1 0,87321

0,4 1 0,8333 1 1 0,45 1 0,86131

0,5 1 0,8333 1 1 0,45 1 0,86131

0,6 0,8214 0,7083 0,5 1 0,5 1 0,71565

0,7 0,3929 0,375 0,5 1 0,4643 1 0,58554

0,8 0,3929 0,375 0,5 1 0,5 1 0,59053

0,9 0,3929 0,375 0,5 1 0,5 1 0,59053

1 0,3929 0,375 0,5 1 0,5 1 0,59053

Dari perhitungan rerata pada tabel 5.32, 5.33, dan 5.34, kemudian

digambarkan ke dalam grafik interpolasi untuk melihat grafik interpolasi

model.


144

Grafik 5. 4 Grafik unjuk kerja PM pada pencarian query

Grafik interpolasi PM menunjukkan penurunan nilai precision

pada recall ke 0.0 sebesar 0,256944444444444 terhadap nilai optimal.

Recall ke 0.2 dan 0.3 mengalami penurunan nilai precision sebesar

0,00595238095238093 dari recall ke 0.1. Penurunan precision kembali

terjadi pada recall ke 0.4 dan 0.5 sebesar 0,057936507936508 dari recall

0.2 dan 0.3. Penurunan precision ketiga sebesar 0,115334467120181

terjadi pada recall ke 0.6 dari recall ke 0.4, dan 0.5. Penurunan precision

kembali terjadi pada recall ke 0.7 sebesar 0,0459183673469388 dari recall

ke 0.6. Tidak hanya mengalami penurunan, PM juga mengalami kenaikan

nilai precision untuk recall ke 0.8, 0.9 dan 1.0 sebesar

0,000736961451247242 dari recall ke 0.6. Dengan perhitungan nilai

penurunan maka dapat dibuat daftar penurunan nilai precision pada PM

terhadap optimal (1.0).

0,743055556

0,737103175

0,737103175

0,679166667

0,679166667

0,5638322

0,517913832

0,518650794

0,518650794

0,518650794

00,10,20,30,40,50,60,70,80,9

1

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

PM

Optimal

Precision

Recall


145

Tabel 5. 35 Daftar penurunan nilai precision PM

rj PM Penurunan 0,0 0,7430556 0,2569444 0,1 0,7430556 0,2569444 0,2 0,7371032 0,2628968 0,3 0,7371032 0,2628968 0,4 0,6791667 0,3208333 0,5 0,6791667 0,3208333 0,6 0,5638322 0,4361678 0,7 0,5179138 0,4820862 0,8 0,5186508 0,4813492 0,9 0,5186508 0,4813492

1 0,5186508 0,4813492 Rerata Penurunan 0,3676046

Selanjutnya, perhitungan pada VSM dilakukan dengan cara yang

sama pada perhitungan pada PM. Berikut grafik interpolasi pada VSM.

Grafik 5. 5 Grafik unjuk kerja VSM pada pencarian query

Interpolasi VSM menunjukkan adanya penurunan nilai precision.

Nilai precision pada recall ke 0.0 mengalami penurunan hingga

0,185515873015873 terhadap nilai optimal. Pada recall ke 0.3, precision

mengalami kenaikan nilai sebesar 0,00793650793650813 dari recall ke 0.1

0,814484127

0,814484127

0,822420635

0,802579365

0,802579365

0,659297052

0,533503401

0,533730159

0,533730159

0,533730159

00,10,20,30,40,50,60,70,80,9

1

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

VSM

Optimal

Precision

Recall


146

dan 0.2. Recall ke 0.4 dan 0.5 mengalami penurunan sebesar

0,01984126984127 dari recall ke 0.3. Penurunan precision kedua terjadi

pada recall ke 0.6 dengan selisih yang cukup besar, yaitu sebesar

0,14328231292517 dari recall ke 0.5. Penurunan terjadi kembali pada

recall ke 0.7 sebesar 0,125793650793651 dari recall ke 0.6. Recall ke 0.8,

0.9, dan 1.0 mengalami sedikit kenaikan sebesar 0,000226757369614528

dari recall ke 0.7. Dengan perhitungan nilai penurunan precision maka

dapat dibuat daftar penurunan nilai precision pada VSM terhadap optimal.

Tabel 5. 36 Daftar penurunan nilai precision VSM

rj VSM Penurunan 0,0 0,8144841 0,1855159 0,1 0,8144841 0,1855159 0,2 0,8144841 0,1855159 0,3 0,8224206 0,1775794 0,4 0,8025794 0,1974206 0,5 0,8025794 0,1974206 0,6 0,6592971 0,3407029 0,7 0,5335034 0,4664966 0,8 0,5337302 0,4662698 0,9 0,5337302 0,4662698


Jika dibandingkan dengan PM, rerata nilai penurunan precision

terhadap nilai optimal VSM lebih sedikit. VSM lebih unggul sebesar

0,0644248608534321. Tetapi ini belum dapat dijadikan ukuran yang

terbaik karena belum adanya perhitungan pada EBM. Perhitungan

berikutnya merupakan perhitungan pada EBM.


147

Grafik 5. 6 Grafik unjuk kerja EBM pada pencarian query

Interpolasi EBM menunjukkan adanya penurunan nilai precision.

Nilai precision pada recall ke 0.0 mengalami penurunan hingga

0,129960317460317 terhadap nilai optimal. Pada recall ke 0.3, precision

mengalami kenaikan nilai precision sebesar 0,00317460317460316 dari

recall ke 0.1 dan 0.2. Recall ke 0.4 dan 0.5 mengalami penurunan sebesar

0,011904761904762 dari recall ke 0.3. Sedangkan, untuk recall ke 0.6

mengalami penurunan precision kembali sebesar 0,145663265306122 dari

recall ke 0.4 dan 0.5. Penurunan sebesar 0,130102040816327 terjadi pada

recall ke 0.7 dari recall ke 0.6. Recall ke 0.8 hingga 1.0 mengalami

kenaikan nilai precision sebesar 0,00498866213151927 dari recall ke 0.7.

Dengan perhitungan nilai penurunan precision maka dapat dibuat daftar

penurunan nilai precision pada EBM terhadap optimal.

0,885912698

0,885912698

0,870039683

0,811309524

0,811309524

0,641723356

0,538095238

0,542063492

0,542063492

0,542063492

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

EBM

Optimal

Recall

Precision


148

Tabel 5. 37 Daftar penurunan nilai precision EBM

rj EBM Penurunan 0,0 0,8859127 0,1140873 0,1 0,8859127 0,1140873 0,2 0,8859127 0,1140873 0,3 0,8700397 0,1299603 0,4 0,8113095 0,1886905 0,5 0,8113095 0,1886905 0,6 0,6417234 0,3582766 0,7 0,5380952 0,4619048 0,8 0,5420635 0,4579365 0,9 0,5420635 0,4579365


Untuk setiap rerata model, akan dihitung kembali rerata

keseluruhan model. Dengan perhitungan tersebut, nilai penurunan

precision rerata setiap model terhadap nilai optimal dapat dihitung.

Tabel 5. 38 Perhitungan rerata interpolasi seluruh model beserta nilai

penurunan terhadap optimal

rj Rerata

Penurunan Seluruh Model

0,1 0,8144841 0,1855159 0,2 0,8125 0,1875 0,3 0,8098545 0,1901455 0,4 0,7643519 0,2356481 0,5 0,7643519 0,2356481 0,6 0,6216175 0,3783825 0,7 0,5298375 0,4701625 0,8 0,5314815 0,4685185 0,9 0,5314815 0,4685185



149

Perhitungan rerata keseluruhan model, kemudian dirubah ke

dalam bentuk grafik bersama rerata setiap model untuk membantu dalam

membandingkan nilai interpolasi model. Perbandingan ini berpengaruh

dalam pemilihan model terbaik yang kemudian akan digunakan menjadi

default model. Berikut grafik dari setiap model.

Grafik 5. 7 Grafik interpolasi seluruh model

Dari ketiga model yang digunakan, tidak ada yang menyinggung

garis optimal, atau dapat dikatan tidak ada nilai precision 1.0 pada recall

0.0 hingga 1.0. Berdasarkan pada grafik 5.7, dapat dilihat PM

menghasilkan nilai interpolasi paling rendah dan berada di bawah rata –

rata interpolasi. VSM dan EBM berada di atas rata – rata interpolasi, tetapi

EBM yang paling mendekati titik optimal untuk recall ke 0.0 hingga 0.3.

Nilai precision tertinggi terdapat pada interpolasi EBM dengan nilai

0,870039682539683. Nilai precision tertinggi tersebut berada pada recall

ke 0.0 hingga 0.3. Untuk nilai precision terendah berada pada interpolasi

00,10,20,30,40,50,60,70,80,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

InterpolasiEBM

PM

VSM

Average ModelOptimal

recall

Precision


150

PM dengan nilai 0,517913832199547. Nilai precision terendah ini berada

pada recall ke 0.7.

Nilai penurunan precision PM lebih tinggi jika dibandingkan

dengan rerata interpolasi seluruh model. Selisih nilai penurunan precision

PM dengan rerata interpolasi seluruh model mencapai

0,0615474472617329 lebih besar dari rerata interpolasi seluruh model.

Untuk VSM mempunyai nilai 0,00287741359169918 lebih kecil dari nilai

penurunan pada rerata interpolasi seluruh model. Nilai penurunan

precision pada EBM mempunyai selisih nilai 0,0586700336700336 lebih

kecil dari nilai penurunan pada rerata interpolasi seluruh model. Tabel 5.39

adalah pemaparan selisih rerata penurunan terhadap nilai optimal dari

seluruh algoritma dan rerata dari keseluruhan algoritma untuk setiap titik

recall.

Tabel 5. 39 Tabel perbandingan nilai penurunan precision seluruh model

rj PM VSM EBM SEMUA 0 0,2569444 0,1855159 0,1299603 0,1908069

0,1 0,2569444 0,1855159 0,1299603 0,1908069 0,2 0,2628968 0,1855159 0,1299603 0,192791 0,3 0,2628968 0,1775794 0,1267857 0,1890873 0,4 0,3208333 0,1974206 0,1386905 0,2189815 0,5 0,3208333 0,1974206 0,1386905 0,2189815 0,6 0,4361678 0,3407029 0,2843537 0,3537415 0,7 0,4820862 0,4664966 0,4144558 0,4543462 0,8 0,4813492 0,4662698 0,4094671 0,4523621 0,9 0,4813492 0,4662698 0,4094671 0,4523621 1 0,4813492 0,4662698 0,4094671 0,4523621

Rerata Penurunan 0,3676046 0,3031798 0,2473871 0,3060572 Selisih -0,061547 0,0028774 0,05867


151

Kolom selisih pada tabel 5.39 merupakan jarak atau selisih antara

rerata penurunan tiap model dengan rerata penurunan dengan perhitungan

rerata seluruh model. Dari tabel 5.39 dapat dilihat untuk recall ke 0.1

hingga 0.5, EBM mempunyai nilai penurunan precision yang paling kecil.

Dengan demikian untuk recall ke 0.0 hingga 0.5, EBM mempunyai nilai

precision yang paling mendekati optimal. Pada recall ke 0.6 VSM

mempunyai nilai penurunan terkecil, sehingga dapat dikatakan VSM

mempunyai nilai paling mendekati optimal pada recall ke 0.6. Untuk

recall ke 0.7 hingga ke 1.0, EBM mempunyai nilai penurunan precision

paling kecil diantara seluruh model. EBM mempunyai rata – rata

penurunan nilai precision terhadap nilai optimal yang terkecil diantara

semua model.

5.3. Perbandingan Lama Waktu Pencarian

Perbandingan lama waktu pencarian dilakukan untuk melihat

kecepatan pencarian. Lama waktu pencarian juga dipengaruhi oleh jumlah

dokumen dalam koleksi. Perbandingan lama waktu pencarian dilakukan

dengan membandingkan lama waktu pencarian dari masing – masing

metode. Pada penelitian ini, jumlah dokumen yang digunakan hanyalah 7

dokumen pendek. Hal ini menyebabkan lama waktu pencarian menjadi

cepat. Perhitungan lama waktu dicatat dalam satuan detik. Setiap query


152

akan dihitung rata – rata waktu pencarian untuk semua responden. Dengan

demikian, dapat dibandingkan lama waktu pencarian untuk setiap model

dengan membandingkan rata – rata waktu yang digunakan untuk

melakukan pencarian.

Tabel 5. 40 Daftar waktu pencarian (PM)

Waktu Pencarian (detik)

R1 R2 R3 R4 Rata - rata Query 1 0,234 0,171 0,172 0,125 0,1755 Query 2 0,14 0,14 0,156 0,14 0,144 Query 3 0,187 0,202 0,156 0,219 0,191 Query 4 0,093 0,125 0,125 0,125 0,117 Query 5 0,171 0,156 0,172 0,124 0,15575 Query 6 0,078 0,094 0,109 0,124 0,10125 Query 7 0,125 0,109 0,125 0,078 0,10925 Query 8 0,11 0,109 0,109 0,109 0,10925 Query 9 0,078 0,093 0,109 0,093 0,09325 Query 10 0,109 0,141 0,14 0,125 0,12875 Query 11 0,11 0,11 0,094 0,109 0,10575 Query 12 0,172 0,11 0,124 0,172 0,1445 Query 13 0,094 0,094 0,093 0,093 0,0935 Query 14 0,125 0,14 0,14 0,125 0,1325 Query 15 0,11 0,094 0,125 0,125 0,1135 Query 16 0,124 0,125 0,125 0,078 0,113 Query 17 0,078 0,062 0,094 0,093 0,08175 Query 18 0,187 0,203 0,203 0,187 0,195 Query 19 0,14 0,187 0,172 0,172 0,16775 Query 20 0,109 0,124 0,124 0,125 0,1205 Query 21 0,14 0,141 0,156 0,156 0,14825


153

Tabel 5. 41 Daftar waktu pencarian (VSM)


R1 R2 R3 R4 Rata - rata Query 1 0,14 0,109 0,078 0,109 0,109 Query 2 0,078 0,078 0,078 0,063 0,07425 Query 3 0,109 0,125 0,125 0,109 0,117 Query 4 0,062 0,062 0,062 0,062 0,062 Query 5 0,094 0,094 0,094 0,094 0,094 Query 6 0,062 0,047 0,063 0,062 0,0585 Query 7 0,063 0,063 0,062 0,062 0,0625 Query 8 0,047 0,062 0,062 0,062 0,05825 Query 9 0,063 0,062 0,046 0,046 0,05425 Query 10 0,047 0,078 0,078 0,078 0,07025 Query 11 0,062 0,078 0,062 0,063 0,06625 Query 12 0,094 0,109 0,094 0,078 0,09375 Query 13 0,047 0,047 0,046 0,063 0,05075 Query 14 0,062 0,063 0,078 0,078 0,07025 Query 15 0,078 0,062 0,078 0,078 0,074 Query 16 0,062 0,078 0,062 0,063 0,06625 Query 17 0,046 0,047 0,047 0,047 0,04675 Query 18 0,093 0,109 0,109 0,11 0,10525 Query 19 0,093 0,093 0,093 0,078 0,08925 Query 20 0,062 0,063 0,062 0,063 0,0625 Query 21 0,078 0,078 0,094 0,078 0,082

Tabel 5. 42 Daftar waktu pencarian (EBM)


R1 R2 R3 R4 Rata - rata Query 1 0,218 0,156 0,218 0,125 0,17925 Query 2 0,125 0,125 0,125 0,156 0,13275 Query 3 0,156 0,172 0,156 0,156 0,16 Query 4 0,094 0,125 0,094 0,094 0,10175 Query 5 0,125 0,156 0,125 0,125 0,13275 Query 6 0,078 0,125 0,078 0,078 0,08975 Query 7 0,094 0,14 0,094 0,094 0,1055 Query 8 0,078 0,093 0,078 0,078 0,08175 Query 9 0,078 0,078 0,078 0,078 0,078


154

Query 10 0,078 0,094 0,094 0,078 0,086 Query 11 0,078 0,109 0,109 0,11 0,1015 Query 12 0,125 0,156 0,156 0,141 0,1445 Query 13 0,062 0,094 0,094 0,093 0,08575 Query 14 0,109 0,125 0,125 0,125 0,121 Query 15 0,094 0,14 0,14 0,141 0,12875 Query 16 0,096 0,125 0,125 0,125 0,11775 Query 17 0,065 0,078 0,078 0,078 0,07475 Query 18 0,281 0,203 0,203 0,203 0,2225 Query 19 0,109 0,172 0,172 0,172 0,15625 Query 20 0,078 0,109 0,109 0,125 0,10525 Query 21 0,094 0,14 0,14 0,156 0,1325

Dari tabel 5.40, 5.41, dan 5.42, untuk hasil perhitungan rata – rata

setiap model dapat disatukan menjadi sebuah tabel perbandingan waktu

pencarian. Berikut merupakan tabel perbandingan waktu:

Tabel 5. 43 Tabel perbandingan waktu pencarian


PM VSM EBM Query 1 0,1755 0,109 0,17925 Query 2 0,144 0,07425 0,13275 Query 3 0,191 0,117 0,16 Query 4 0,117 0,062 0,10175 Query 5 0,15575 0,094 0,13275 Query 6 0,10125 0,0585 0,08975 Query 7 0,10925 0,0625 0,1055 Query 8 0,10925 0,05825 0,08175 Query 9 0,09325 0,05425 0,078 Query 10 0,12875 0,07025 0,086 Query 11 0,10575 0,06625 0,1015 Query 12 0,1445 0,09375 0,1445 Query 13 0,0935 0,05075 0,08575 Query 14 0,1325 0,07025 0,121 Query 15 0,1135 0,074 0,12875 Query 16 0,113 0,06625 0,11775


155

Query 17 0,08175 0,04675 0,07475 Query 18 0,195 0,10525 0,2225 Query 19 0,16775 0,08925 0,15625 Query 20 0,1205 0,0625 0,10525 Query 21 0,14825 0,082 0,1325 Rata - rata 0,13052 0,07462 0,12086

Dari tabel 5.43, dapat dilihat VSM mempunyai waktu pencarian

yang paling cepat. Rata – rata waktu pencarian menggunakan VSM

sebesar 0,07462 detik. Dari rata – rata waktu pencarian, PM mempunyai

rata – rata waktu pencarian terlama sebesar 0,13052 detik. Selisih rata –

rata waktu pencarian antara VSM dan EBM adalah 0,046238 detik,

sedangkan selisih rata- rata waktu pencarian antara VSM dan PM adalah

0,055905 detik. Selisih rata – rata waktu pencarian PM dan EBM sebesar

0,009667 detik. Lama waktu pencarian PM dipengaruhi oleh proses

sebelum menghitung kemiripan dokumen dan query. PM harus mencari

dokumen yang dapat menjadi relevan set.

5.4. Perhitungan Akurasi Differential Diagnose Sistem

Ketepatan (akurasi) akan dihitung berdasarkan hasil luaran urutan

teratas pada sistem pada pengujian. Hasil ini kemudian dicocokkan dengan

penyakit yang diderita. Jika hasil dan penyakit tercatat bernilai sama, maka

diberikan hasil dianggap benar, tetapi jika hasil dan penyakit bernilai tidak


156

sama maka hasil dianggap salah. Sebagai contoh, sistem mengeluarkan

urutan “Asbestosis”, “Silikosis”, dan “TBC”, sedangkan penyakit yang

diderita adalah “Asbestosis”. Dengan demikian pada pengujian tersebut

nilai akurasi model adalah 1/1 (100%). Persamaan untuk menghitung

akurasi adalah sebagai berikut:

𝑖𝑖𝑑𝑑𝑚𝑚𝑑𝑑𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑖𝑖𝑚𝑚𝑚𝑚𝑙𝑙𝑖𝑖ℎ 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖𝑁𝑁𝑖𝑖𝑖𝑖𝑚𝑚 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑙𝑙 𝑖𝑖𝑖𝑖𝑚𝑚𝑖𝑖

𝑙𝑙𝑑𝑑𝑙𝑙𝑖𝑖𝑙𝑙 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖𝑁𝑁𝑖𝑖𝑖𝑖𝑚𝑚

Menurut Kepala Puskesmas Jebed, dr. P. Setiawan R, diagnose

penyakit untuk setiap query adalah sebagai berikut:

Tabel 5. 44 Diagnose penyakit untuk setiap query

Q Diagnose 1 Bronkiolitis 2 Bronkiolitis 3 TBC 4 Asma 5 Displasia bronkopulmoner 6 Asbestosis 7 Bronkiolitis 8 Asma 9 Asbestosis 10 Fibrosis Paru 11 Silikosis 12 Displasia bronkopulmoner 13 Asma 14 Displasia bronkopulmoner 15 Displasia bronkopulmoner 16 Fibrosis Paru 17 Fibrosis Paru 18 TBC 19 TBC 20 TBC 21 TBC


157

Untuk setiap model, total kejadian adalah 21. Total kejadian ini

merupakan jumlah query yang digunakan dalam penelitian. Berikut adalah

perhitungan setiap query pada setiap model:

Tabel 5. 45 Perhitungan akurasi model

Q Diagnose PM Teratas VSM Teratas EBM Teratas 1 Bronkiolitis Bronkiolitis Bronkiolitis Bronkiolitis 2 Bronkiolitis Bronkiolitis Bronkiolitis Bronkiolitis 3 TBC TBC TBC TBC 4 Asma Asma Asma Asma 5 Displasia

bronkopulmoner Silikosis Bronkiolitis Bronkiolitis

6 Asbestosis Bronkiolitis Bronkiolitis Bronkiolitis 7 Bronkiolitis Silikosis Silikosis Bronkiolitis 8 Asma Asma Bronkiolitis Asma 9 Asbestosis Bronkiolitis Asbestosis Asbestosis 10 Fibrosis Paru TBC Asbestosis Asbestosis 11 Silikosis TBC Silikosis Silikosis 12 Displasia

bronkopulmoner Fibrosis Paru Displasia

Bronkopulmoner Displasia Bronkopulmoner

13 Asma Fibrosis Paru Silikosis Asbestosis 14 Displasia

bronkopulmoner Silikosis Displasia

Bronkopulmoner Displasia Bronkopulmoner

15 Displasia bronkopulmoner

Displasia Bronkopulmoner



16 Fibrosis Paru Fibrosis Paru Fibrosis Paru Fibrosis Paru 17 Fibrosis Paru Fibrosis Paru Fibrosis Paru Fibrosis Paru 18 TBC Asbestosis TBC TBC 19 TBC Asbestosis TBC TBC 20 TBC Asbestosis TBC TBC 21 TBC TBC TBC TBC Akurasi 43% 71% 81%

Dari tabel 5.42 terlihat akurasi terendah pada algoritma PM,

sedangkan akurasi tertinggi terjadi pada algoritma EBM. PM

menghasilkan akurasi sebesar 43% dari 21 query pengujian. VSM

menghasilkan 71%, sedangkan EBM menghasilkan 81%.


BAB VI

KESIMPULAN DAN SARAN

6.1. Kesimpulan

Melalui penelitian yang telah dilakukan, dapat disimpulkan bahwa:

1. Sistem telah berhasil dibangun dengan baik menggunakan metode

probabilistic model (PM) , vector space model (VSM), extended

boolean model (EBM) pada dokumen pendek. Sistem dapat

melakukan differental diagnose berdasarkan query gejala yang

dimasukkan pengguna dan mengurutkannya berdasarkan bobot

tertinggi.

2. Berdasar pada tabel 6.1, algoritma EBM mempunyai rerata

penurunan nilai precision terhadap nilai optimal untuk setiap posisi

recall yang terkecil. Dengan demikian, EBM mempunyai unjuk

kerja paling tinggi diantara ketiga model.

Tabel 6. 1 Perbandingan rerata penurunan interpolasi model mengacu

pada tabel 5.39

PM VSM EBM

Rerata penurunan precision

terhadap optimal (1.0)

0,3676046 0,3031798 0,2473871

158


159

3. Berdasarkan tabel 6.2, pada kasus uji algoritma IR pada “Sistem

Rekomendasi Differential Diagnose” yang menggunakan dokumen

pendek, algoritma EBM mempunyai 2 (dua) keunggulan yaitu pada

nilai rerata penurunan precision terhadap optimal dan akurasi.

Dengan demikian, EBM merupakan algoritma yang terbaik untuk

diterapkan pada “Sistem Rekomendasi Differential Diagnose”.

Tabel 6. 2 Perbandingan algoritma mengacu pada tabel 5.39, 5.43,

dan 5.45

Pembanding PM VSM EBM

Rerata penurunan precision

terhadap optimal (1.0)

0,3676046 0,3031798 0,2473871

Waktu pencarian 0,13052s 0,07462s 0,12086s

Akurasi 43% 71% 81%

6.2. Saran

1. Sistem dapat dikembangkan lebih lanjut pada jenis penyakit lain.

2. Perhitungan PM dapat dikembangkan kembali dengan algoritma

yang mendukung, seperti BM25.

3. Sistem dapat dikembangkan lebih lanjut dalam pemberian saran dari

hasil differential diagnose menggunakan pendekatan ilmu SPPK.

4. Proses stemming dapat dikembangkan lagi dalam penggunaan istilah

kedokteran.


DAFTAR PUSTAKA

_________.Kamus Kesehatan – Definisi: Diagnosis Banding.

http://kamuskesehatan.com/arti/diagnosis-banding/. diakses terakhir

tanggal 16 November 2012

______________. 2003. Penyakit Paru Obstruktif Kronik (PPOK): Pedoman

Diagnosis & Penatalaksanaan di Indonesia. Perhimpunan Dokter Paru

Indonesia.

______________.2000. Profil Kesehatan Masyarakat Indonesia. Departemen

Kesehatan Republik Indonesia.Jakarta

______________.2007.Pedoman Nasional Penanggulangan Penyakit Paru –

Paru. Departemen Kesehatan Republik Indonesia.Jakarta

Agusta, Ledy. 2009. Perbandingan Algoritma Stemming Porter Dengan

Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa

Indonesia. Konferensi Nasional Sistem dan Informatika 2009: Bali, 14

November 2009.

Baeza-Yates & Ribeiro-Neto, 1999: Baeza-Yates & Ribeiro-Neto, 1999,

Modern Information Retrieval, Harlow, Addison-Wesley.

Baeza-Yates & Ribeiro-Neto, 2011: Baeza-Yates & Ribeiro-Neto, 2011,

Modern Information Retrieval 2nd Edition, Harlow, Addison-Wesley.

Tala, Fadillah Z., A Study of Stemming Effect on Information Retrieval in

Bahasa Indonesia. Netherland. Universiteit van Amsterdam.

http://ucrel.lancs.ac.uk/acl/P/P00/P00-1075.pdf, diakses terakhir tanggal

15 November 2012.

Ingwersen, P. 1992. Information Retrieval Interaction. London. Taylor

Graham Publishing. London.

Lee D.L. (1997). Document Ranking and the Vector-Space Model. IEEE

March, http://www.cs.ust.hk/~dlee/Papers/ir/ieee-sw-rank.pdf, diakses

terakhir 20 November 2012

160


161

Manning, Christopher D., Raghavan, Prabhakar, Schütze, Hinrich. 2009. An

Introduction to information retrieval. Online edition (c)2009 Cambridge

UP, Cambridge University Press Cambridge, England,

http://www.informationretrieval.org/ diakses terakhir 20 November 2011

van Rijsbergen, C. J. 1979. Information Retrieval 2nd edition, Butterworths,

London.

Salton, G. 1989. Automatic Text Processing: The Transformation,Analysis ,

and Retrieval of Information by Computer.Addison-Wesley Publishing

Company, Inc. United Sates of America.

Savoy, 1993: Savoy, J. A Learning Scheme for Information Retrieval in

Hypertext. Information Processing &Management, 30(4), 515-533. 1993.

Ramadhany, Taufik. 2008. Laporan Tugas Akhir Terpublikasi: Implementasi

Kombinasi Model Ruang Vektor dan Model Probabilistik Pada Sistem

Temu Balik Informasi. ITB. Bandung

Wibowo, Ari. 2011. Pengujian Kerelevanan Sistem Temu Kembali Informasi,

http://p2m.polibatam.ac.id/wp-content/uploads/2011/11/Pengujian-

Kerelevanan-STBI.pdf diakses terakhir 24 November 2012


LAMPIRAN

162


163

Lampiran 1 Contoh Form Kuesioner

KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU

Nama : ________________________________________________

NIP : _______________________

Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar

gejala berikut:

No Gejala Differential diagnosa 1 Demam Bronkiolitis

Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat

TBC paru

Rinorea Mengi Retraksi dinding dada

2 Demam Bronkiolitis Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi

TBC paru

Sianosis Ada riwayat infeksi saluran napas

3 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma


164

Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher

TBC paru Riwayat kontak penderita TB (+)

4 Sesak nafas Bronkiolitis Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru

5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek

TBC paru

Batuk darah Sianosis

6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis Demam Asbestosis Sakit kepala TBC paru

7 Demam Bronkiolitis Batuk berdahak Fibrosis Paru Sesak napas Asma Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru

8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma


165

Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru

9 Batuk kronis Bronkiolitis Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis Dada sakit Asbestosis TBC paru

10 Demam Bronkiolitis Batuk kronis Fibrosis Paru Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru Sakit di dada

11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner Sakit di dada Silikosis Ada kontak dengan senyawa silikon Asbestosis TBC paru

12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Sesak napas Asma Warna biru pada kulit Displasia bronkopulmoner Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru Postur bahu buruk Ada bagian redup pada perkusi dada

13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner


166

Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru

14 Demam Bronkiolitis Batuk terus menerus Fibrosis Paru Batuk kronis Asma Batuk becampur darah Displasia bronkopulmoner Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru Mengi Postur leher buruk

15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma Bernapas cepat Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Postur leher buruk

TBC paru

Postur bahu buruk Napas cuping hidung

16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata

Asbestosis TBC paru

17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner Berat badan turun Silikosis Asbestosis TBC paru

18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner


167

Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun

TBC paru

Ada penurunan berat badan Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)

19 Demam selama 2 hari Bronkiolitis Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada

TBC paru

Rasa lelah Malaise Penurunan berat badan

20 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan

TBC paru

Malaise Pembesaran limfonodi leher

21 Demam Bronkiolitis Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru


168

Pemalang, ................................... 2013

Mengetahui,

Kepala Puskesmas Jebed

Responden

( dr. Paulus Setiawan R. ) ( )


169

Lampiran 2 Query Gejala

Tabel gejala berikut merupakan pencatatan ulang gejala dari rekam

medis pasien tanpa menunjukkan informasi yang bersifat rahasia pada pasien dan

pengobatan. Gejala ini akan digunakan sebagai data penelitian “Uji Algoritma

Information Retrieval Pada Sistem Rekomendasi Differential Diagnose Penyakit

Paru - Paru”.

No Gejala

1 Demam, Muntah setelah makan, Hidung tersumbat, Batuk kering, Sesak

napas, Napas cuping hidung, Denyut jantung cepat, Rinorea, Mengi, Retraksi

dinding dada,

2 Demam, Muntah setelah makan, Batuk terus – menerus, Sianosis, Sesak

napas, Ada riwayat infeksi saluran napas, Rinorea, Mengi

3 Batuk darah, Batuk kronis, Penurunan berat badan, Keringat malam (+), Sesak

napas, Sakit di dada, Pembesaran kelenjar getah bening leher, Riwayat kontak

penderita TB (+)

4 Sesak nafas, Nafas cuping hidung, Melibatkan otot leher, Indikasi emosional

tinggi, Mengi, Sianosis, Eksperium diperpanjang

5 Batuk kronis, Penurunan berat badan, Sesak napas, Dada sesak, Retraksi

dinding dada, Napas cuping hidung, Suara nafas menggesek, Batuk darah,

Sianosis

6 Batuk serak, Sesak napas, Dada sakit, Batuk khronis, Pekerjaan tukang batu,

Demam, Sakit kepala

7 Demam, Batuk berdahak, Sesak napas, Napas cepat, Mudah lelah, Riwayat

infeksi saluran nafas atas, Sakit kepala

8 Sesak nafas, Batuk berdahak, Eksperium diperpanjang, Mengi, Retraksi

dinding dada, Sianosis, Kumat kumatan

9 Batuk kronis, Sesak napas, Mengi, Tidak nafsu makan, Ada kontak dengan

asbes, Dada sakit

10 Demam, Batuk kronis, Bunyi nafas menggesek, Tidak selera makan, Mudah

lelah, sesak napas, Penurunan berat badan, Sakit di dada

11 Batuk kronis, Mudah lelah, Bernafas cepat, Penurunan berat badan, Sakit di


170


171

Lampiran 3 Kuesioner Responden 1


Nama : dr. Darningsih_________________________________________

NIP : 19740830 200604 014 _______________________


gejala berikut:

No Gejala Differential diagnosa 1 Demam Bronkiolitis √

Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma √ Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat

TBC paru

√ Rinorea Mengi Retraksi dinding dada

2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma √ Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi

TBC paru √


3 Batuk kronis Bronkiolitis √ Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher TBC paru √


172

Riwayat kontak penderita TB (+) 4 Sesak nafas Bronkiolitis √

Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma √ Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru

5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru √ Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek

TBC paru √


6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru √ Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru

7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru

8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma √ Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru

9 Batuk kronis Bronkiolitis


173

Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru

10 Demam Bronkiolitis Batuk kronis Fibrosis Paru √ Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner √ Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru √ Sakit di dada

11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner √ Sakit di dada Silikosis √ Ada kontak dengan senyawa silikon Asbestosis √ TBC paru

12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru √ Postur bahu buruk Ada bagian redup pada perkusi dada

13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru

14 Demam Bronkiolitis


174

Batuk terus menerus Fibrosis Paru Batuk kronis Asma √ Batuk becampur darah Displasia bronkopulmoner √ Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru √ Mengi Postur leher buruk

15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma √ Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk

TBC paru √


16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru √ Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner √ Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata

Asbestosis TBC paru

17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru √ Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner √ Berat badan turun Silikosis Asbestosis TBC paru

18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun

TBC paru √

Ada penurunan berat badan


175

Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)

19 Demam selama 2 hari Bronkiolitis √ Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada

TBC paru

√ Rasa lelah Malaise Penurunan berat badan

20 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan

TBC paru √


21 Demam Bronkiolitis √ Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru

√


176



Nama : dr. P. Setiawan Raharjana ______________________________

NIP : 1960 1015 1987 11.1.001 _______________________


gejala berikut:


Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat

TBC paru



TBC paru √




177



5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis √ Napas cuping hidung Asbestosis √ Suara nafas menggesek

TBC paru √







178

Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru







179


15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk

TBC paru √



Asbestosis TBC paru



TBC paru √



180



TBC paru


20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan

TBC paru √



√


181



Nama : dr. Fajar Pradana Susetya

NIP : 19840302 201001 1019 _______________________


gejala berikut:



TBC paru


2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru √ Muntah setelah makan Asma Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi

TBC paru √


3 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis √ Sesak napas Asbestosis √ Pembesaran kelenjar getah nbening leher TBC paru √


182



5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis √ Napas cuping hidung Asbestosis √ Suara nafas menggesek

TBC paru √


6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru





183

Sesak napas Fibrosis Paru Mengi Asma √ Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru







184



TBC paru √



Asbestosis TBC paru



TBC paru √



185

Malaise Berkeringat pada malam hari zAda kontak dengan penderita TB paru BTA (+)


TBC paru


20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan

TBC paru √



√


186



Nama : dr. Satrio Ady. S_______________________________________

NIP : 19820918 201001 1015 _______________________


gejala berikut:



TBC paru



TBC paru √




187



5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru √ Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek

TBC paru √



7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru √




188

Sesak napas Fibrosis Paru Mengi Asma √ Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru



12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru Postur bahu buruk Ada bagian redup pada perkusi dada

13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner √ Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru √



189



TBC paru



Asbestosis TBC paru



TBC paru √



190



TBC paru


20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan

TBC paru √



√


191

Lampiran 7 Hasil Perhitungan Precision Semua Responden (PM)

Query 1 R1 3

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1 1 0,5 1 1 0,33 1 1 0,33 1 2 Asbestosis 1 0,33 0,5 1 0,5 0,5 1 0,33 0,5 1 0,33 0,5 3 Silikosis 1 0,33 0,33 1 0,5 0,33 1 0,33 0,333333333 1 0,33 0,33 4 Displasia Bronkopulmoner 1 0,33 0,25 1 0,5 0,25 1 0,33 0,25 1 0,33 0,25 5 Asma 2 0,67 0,4 1 0,5 0,2 2 0,67 0,4 2 0,67 0,4 6 TBC 3 1 0,5 2 1 0,33 3 1 0,5 3 1 0,5 7 Fibrosis Paru 3 1 0,43 2 1 0,29 3 1 0,428571429 3 1 0,43

Query 2 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Asbestosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Silikosis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33 7 Fibrosis Paru 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 3 R1 2

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00


192

3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75 5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43

Query 4 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Displasia Bronkopulmoner 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67

Query 5 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 1 0,25 1,00 0 0,00 0,00 1 0,25 1,00 2 Silikosis 0 0,00 0,00 2 0,50 1,00 0 0,00 0,00 2 0,50 1,00 3 TBC 1 0,33 0,33 3 0,75 1,00 1 0,33 0,33 3 0,75 1,00 4 Displasia Bronkopulmoner 2 0,67 0,50 4 1,00 1,00 2 0,67 0,50 4 1,00 1,00 5 Fibrosis Paru 3 1,00 0,60 4 1,00 0,80 3 1,00 0,60 4 1,00 0,80 6 Asma 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57


193

Query 6 R1 3

R2 3

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Asma 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 1,00 0,50 5 TBC 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 1,00 0,33

Query 7 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Bronkiolitis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Asma 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29

Query 8 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Bronkiolitis 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Displasia Bronkopulmoner 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 TBC 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Silikosis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Asbestosis 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17


194

7 Fibrosis Paru 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14

Query 9 R1 2

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,33 0,50 3 Silikosis 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 TBC 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43

Query 10 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asma 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 5 Bronkiolitis 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 6 Asbestosis 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Silikosis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 11 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50


195

3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Bronkiolitis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Asma 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Silikosis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 12 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 TBC 1 0,33 0,50 2 0,50 1,00 1 0,33 0,50 2 0,50 1,00 3 Asbestosis 1 0,33 0,33 2 0,50 0,67 1 0,33 0,33 2 0,50 0,67 4 Silikosis 1 0,33 0,25 2 0,50 0,50 1 0,33 0,25 2 0,50 0,50 5 Displasia Bronkopulmoner 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Asma 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57

Query 13 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 0 0,00 0,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 1 0,50 0,17 1 0,50 0,17 2 0,67 0,33 1 0,50 0,17 7 Asma 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29


196

Query 14 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 Bronkiolitis 1 0,33 0,25 1 0,33 0,25 1 0,33 0,25 1 0,33 0,25 5 TBC 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 15 R1 3

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Bronkiolitis 1 0,33 0,50 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 3 Silikosis 1 0,33 0,33 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 4 Asbestosis 1 0,33 0,25 1 0,50 0,25 1 0,50 0,25 1 0,33 0,25 5 Asma 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Fibrosis Paru 3 1,00 0,43 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43

Query 16 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Asma 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20


197

6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33

Query 17 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33

Query 18 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Fibrosis Paru 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17

Query 19 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25


198

5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29

Query 20 R1 2

R2 3

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 4 Bronkiolitis 0 0,00 0,00 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Displasia Bronkopulmoner 0 0,00 0,00 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 1 0,50 0,17 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 TBC 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43

Query 21 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29


199

Lampiran 8 Hasil Perhitungan Precision Semua Responden (VSM)

Query 1 R1 3

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 1 0,50 0,33 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 1 0,50 0,20 2 0,67 0,40 2 0,67 0,40 6 Displasia Bronkopulmoner 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 2 0,67 0,33 7 TBC 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43

Query 2 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Asbestosis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33

Query 3 R1 2

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Silikosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Displasia Bronkopulmoner 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75


200

5 Fibrosis Paru 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43

Query 4 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Bronkiolitis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Fibrosis Paru 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40

Query 5 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 1 0,33 0,33 1 0,25 0,33 1 0,33 0,33 1 0,25 0,33 4 Silikosis 1 0,33 0,25 2 0,50 0,50 1 0,33 0,25 2 0,50 0,50 5 Asbestosis 1 0,33 0,20 3 0,75 0,60 1 0,33 0,20 3 0,75 0,60 6 Fibrosis Paru 2 0,67 0,33 3 0,75 0,50 2 0,67 0,33 3 0,75 0,50 7 TBC 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57

Query 6 R1 3

R2 3

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50


201

3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 2 1,00 0,50 5 Asma 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 2 1,00 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 1,00 0,33 7 TBC 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 2 1,00 0,29

Query 7 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Bronkiolitis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Asma 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29

Query 8 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 TBC 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Displasia Bronkopulmoner 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Silikosis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Asbestosis 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17


202

Query 9 R1 2

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,33 0,50 3 Silikosis 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 Displasia Bronkopulmoner 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43

Query 10 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 Displasia Bronkopulmoner 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 11 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asbestosis 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Displasia Bronkopulmoner 3 1,00 1,00 3 1,00 1,00 3 1,00 1,00 3 1,00 1,00 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 5 TBC 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60


203

6 Bronkiolitis 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 12 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 Asma 2 0,67 1,00 2 0,50 1,00 2 0,67 1,00 2 0,50 1,00 3 Asbestosis 2 0,67 0,67 2 0,50 0,67 2 0,67 0,67 2 0,50 0,67 4 Silikosis 2 0,67 0,50 2 0,50 0,50 2 0,67 0,50 2 0,50 0,50 5 TBC 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Fibrosis Paru 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57

Query 13 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 0 0,00 0,00 0 0,00 0,00 1 0,33 0,33 0 0,00 0,00 4 Asma 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 1,00 0,40 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 0,67 0,33 2 1,00 0,33 7 TBC 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29

Query 14 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00


204

2 TBC 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Bronkiolitis 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 15 R1 3

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 1,00 1,00 2 0,67 1,00 3 Bronkiolitis 2 0,67 0,67 1 0,50 0,33 2 1,00 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 1,00 0,50 2 0,67 0,50 5 Asbestosis 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50

Query 16 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29


205

Query 17 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Asma 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29

Query 18 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Fibrosis Paru 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Silikosis 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Asbestosis 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 7 Asma 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14

Query 19 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40


206

6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29

Query 20 R1 2

R2 3

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 1 0,33 0,50 3 Silikosis 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 1 0,33 0,33 4 Asbestosis 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Fibrosis Paru 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 2 1,00 0,33 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 Bronkiolitis 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43

Query 21 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Silikosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33


207

Lampiran 9 Hasil Perhitungan Precision Semua Responden (EBM)

Query 1 R1 3

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 1 0,50 0,33 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 0,67 0,40 1 0,50 0,20 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 2 0,67 0,33 7 TBC 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43

Query 2 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Displasia Bronkopulmoner 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33

Query 3 R1 2

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75


208

5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43

Query 4 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Displasia Bronkopulmoner 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Fibrosis Paru 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40

Query 5 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 0,33 0,33 1 0,25 0,33 1 0,33 0,33 1 0,25 0,33 4 Fibrosis Paru 2 0,67 0,50 1 0,25 0,25 2 0,67 0,50 1 0,25 0,25 5 Asbestosis 2 0,67 0,40 2 0,50 0,40 2 0,67 0,40 2 0,50 0,40 6 Silikosis 2 0,67 0,33 3 0,75 0,50 2 0,67 0,33 3 0,75 0,50 7 Displasia Bronkopulmoner 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57

Query 6 R1 3

R2 3

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50


209

3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Asma 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 1,00 0,50 5 Fibrosis Paru 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 2 1,00 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 1,00 0,33 7 TBC 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 2 1,00 0,29

Query 7 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 Asma 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29

Query 8 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 1,00 1,00 1 1 1 1 1,00 1,00 1 1,00 1,00 2 Bronkiolitis 1 1,00 0,50 1 1 0,5 1 1,00 0,50 1 1,00 0,50 3 Displasia Bronkopulmoner 1 1,00 0,33 1 1 0,3333333 1 1,00 0,33 1 1,00 0,33 4 TBC 1 1,00 0,25 1 1 0,25 1 1,00 0,25 1 1,00 0,25 5 Asbestosis 1 1,00 0,20 1 1 0,2 1 1,00 0,20 1 1,00 0,20 6 Silikosis 1 1,00 0,17 1 1 0,1666667 1 1,00 0,17 1 1,00 0,17


210

Query 9 R1 2

R2 2

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Silikosis 2 1,00 1,00 2 1,00 1,00 2 0,67 1,00 2 0,67 1,00 3 TBC 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43

Query 10 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 TBC 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 11 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asbestosis 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Fibrosis Paru 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 TBC 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60


211

6 Asma 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Bronkiolitis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 12 R1 3

R2 4

R3 3

R4 4

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 Asma 2 0,67 1,00 2 0,50 1,00 2 0,67 1,00 2 0,50 1,00 3 Asbestosis 2 0,67 0,67 2 0,50 0,67 2 0,67 0,67 2 0,50 0,67 4 Silikosis 2 0,67 0,50 2 0,50 0,50 2 0,67 0,50 2 0,50 0,50 5 TBC 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Fibrosis Paru 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57

Query 13 R1 2

R2 2

R3 3

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0 0 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0 0 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 0 0,00 0,00 0 0 0 1 0,33 0,33 0 0,00 0,00 4 Asma 1 0,50 0,25 1 0,5 0,25 2 0,67 0,50 1 0,50 0,25 5 Fibrosis Paru 2 1,00 0,40 2 1 0,4 2 0,67 0,40 2 1,00 0,40 6 TBC 2 1,00 0,33 2 1 0,3333333 3 1,00 0,50 2 1,00 0,33 7 Bronkiolitis 2 1,00 0,29 2 1 0,2857143 3 1,00 0,43 2 1,00 0,29

Query 14 R1 3

R2 3

R3 3

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00


212

2 TBC 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Bronkiolitis 2 0,67 0,33 2 0,67 0,33 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43

Query 15 R1 3

R2 2

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 1,00 1,00 2 0,67 1,00 3 Bronkiolitis 2 0,67 0,67 1 0,50 0,33 2 1,00 0,67 2 0,67 0,67 4 Asbestosis 2 0,67 0,50 1 0,50 0,25 2 1,00 0,50 2 0,67 0,50 5 Silikosis 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50

Query 16 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Silikosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Asma 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Bronkiolitis 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29


213

Query 17 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Silikosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Asma 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29

Query 18 R1 1

R2 1

R3 1

R4 1

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Fibrosis Paru 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Asbestosis 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Silikosis 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 7 Asma 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14

Query 19 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40


214

6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29

Query 20 R1 2

R2 3

R3 2

R4 3

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 1 0,33 0,50 3 Asbestosis 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 1 0,33 0,33 4 Silikosis 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Fibrosis Paru 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 2 1,00 0,33 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 Bronkiolitis 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43

Query 21 R1 2

R2 2

R3 2

R4 2

no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33


215

Lampiran 10 Tabel Interpolasi Semua Query (PM)


216

Lampiran 11 Tabel Interpolasi Semua Query (VSM)


217

Lampiran 12 Tabel Interpolasi Semua Query (EBM)


218

Lampiran 13 Source Code Program

Terlampir pada CD


uji algoritma probabilistic model, vector space - PLAGIAT ...

Documents

Transcript of uji algoritma probabilistic model, vector space - PLAGIAT ...