1
Penerapan Case Based Reasoning Berbasis Bayesian Rule pada Sistem Terapi Gizi Pasien Diabetes Nurul Qamariyah, G651140301
Abstract—Diabetes Mellitus (DM) sering juga dikenal dengan nama kencing manis atau penyakit gula. DM memang tidak dapat didefinisikan secara tepat, DM lebih merupakan kumpulan gejala yang timbul pada diri seseorang yang disebabkan oleh adanya peningkatan glukosa darah akibat kekurangan insulin baik absolute maupun relative. Di Indonesia, jumlah penyandang DM semakin tahun semakin menunjukkan peningkatan yang sangat tinggi. Pada tahun 2000, jumlah penyandang di Indonesia sebanyak 8,4 juta jiwa dan diperkirakan akan mencapai angka 21,3 juta jiwa pada tahun 2030 nanti. Berangkat dari hal ini penulis memiliki ide untuk mengembangkan suatu aplikasi sistem diagnosis penyakit DM dan pemberian terapi gizi pada pasien dengan menerapkan metode Case Based Reasoning (CBR) dan Bayesian. Penerapan metode CBR menghasilkan diagnosis jenis DM sedangkan Bayesian menampilkan terapi gizi dari hasil diagnosis. Index Terms—Diabetes Mellitus, Case Based Reasoning Rule, Bayesian
I. I NTRODUCTION iabetes mellitus (DM) salah satu penyakit kronis di seluruh negara dan terus mengalami pertumbuhan yang signifikan, sebagai akibat perubahan gaya hidup yang mengurangi aktifitas fisik dan meningkatkan obesitas[1]. Menurut International Diabetes Federation (IDF) bahwa lebih dari 246 juta orang menderita diabetes di dunia dan tumbuh sampai 380 juta 2025[2], sedangkan Di Indonesia, jumlah penyandang DM semakin tahun semakin menunjukkan peningkatan yang sangat tinggi. Pada tahun 2000, jumlah penyandang di Indonesia sebanyak 8,4 juta jiwa dan diperkirakan akan mencapai angka 21,3 juta jiwa pada tahun 2030 nanti[3]. Tingginya prevalensi DM di Indonesia, dan perkiraan adanya peningkatan di tahun-tahun mendatang menyebabkan perlunya antisipasi dan tindakan segera dalam penatalaksanaan DM. Penatalaksanaan DM meliputi dua pendekatan, yaitu pendekatan tanpa obat dan pendekatan dengan obat. Pendekatan tanpa obat dilakukan dengan cara pengaturan pola makanan dan latihan jasmani, sedangkan pendekatan dengan obat dilakukan manakala pendekatan tanpa obat saja kurang efektif[3]. Masalah-masalah diabetes ini memerlukan usaha yang tinggi untuk ditangani. Untuk menangani pemasalahan tersebut maka akan dibangun sebuah sistem pendukung keputusan untuk membantu stakeholder dalam mengetahui tingkatan terapi gizi bagi penderita DM dengan menerapkan Case Based Reasoning dan Bayesian. CBR dapat menyelesaikan masalah dengan melakukan penalaran berdasarkan pengetahuan paling relevan yang telah dimiliki[4]. Selanjutnya sistem akan melakukan proses adaptasi terhadap pengetahuan tersebut untuk menyesuaikan dengan permasalahan yang baru[4][5][6], CBR dapat
D
di implementasikan dalam berbagai bidang yakni pada game, penentuan penyakit jantung koroner[7][8]. Pada penerapan metode CBR di sini, dari pasien/pengguna sistem akan menginputkan biodata dan gejala apa saja yang dialaminya kemudian akan menampilkan hasil diagnosisnya sedangkan bayesian digunakan untuk menyimpan data history dan menampilkan bentuk terapi yang akan diterapkan oleh penderita DM. Melalui metode ini diharapkan dapat mempermudah pengguna sistem untuk mengetahui jenis DM, dan terapi yang akan diterapkan jika pengguna terdiagnosis penyakit DM. Paper ini ditulis dengan struktur sebagai berikut: Bagian ke-2 menjelaskan mengenai penelitian yang pernah dilakukan menggunakan CBR, Bayesian dan hasil yang didapat, bagian ke-3 menjelaskan mengenai Metode yang dilakukan dalam penelitian ini. Selanjutnya bagian ke-4 menjelaskan hasil yang didapat dari penelitian dan diikuti dengan kesimpulan pada bagian ke-5 II. R ELATED W ORK Graeme Horsman, Christopher Laing and Paul Vickers memandang penggunaan alat triase sebagai generasi dari teknologi digital forensik investigasi. Namun, alat tersebut masih kurang mekanisme pendukung keputusan dasar. Maka penggunaan kasus berdasarkan sistem penalaran untuk merekam dan menyimpan forensik pemeriksaan digital perlu dilakukan, Disarankan bahwa ketika digabungkan dengan pengetahuan metode penalaran berbasis sistem akan menjadi bantuan keputusan sepenuhnya otomatis untuk pemeriksaan forensik digital. Penelitian ini akan meninjau otomatisasi, triase, penalaran berbasis kasus, dan kemudian mendiskusikan dampak yang reuse pengetahuan dapat memiliki investigasi digital [6]. Christian Severin Sauer dalam penelitiannya membahas peluang untuk mengintegrasikan Linked Data Terbuka (LOD) sumber daya ke Penalaran kasus Berbasis (CBR) sistem. Atas obat perjalanan aplikasi domain, kita akan memberikan contoh bagaimana LOD dapat digunakan untuk tiga atau empat kontainer pengetahuan sistem CBR. Makalah ini juga menyajikan penerapan teknik untuk realisasi dan menunjukkan keuntungan kinerja akuisisi pengetahuan dengan menggunakan LOD [9]. Zeeshan Syed Penelitian ini menjelaskan algoritma berbasis kesamaan dengan mengelompokkan resiko jantung utama, mengembangkan pendekatan tradisional membandingkan data pasien dalam dua cara. Pertama, mengusulkan algoritma berbasis kesamaan yang membandingkan pasien dalam hal data pemantauan fisiologis jangka panjang mereka. Kedua,
2
menggambarkan algoritma berbasis kesamaan yang tanpa pengawasan dan tidak memerlukan perbandingan untuk pasien dengan hasil dikenal stratifikasi risiko. Ini menunjukkan kegunaan potensial dari pendekatan dengan menunjukkan algoritma berbasis mismatch bagaimana simbolik dapat digunakan untuk mengklasifikasikan pasien sebagai risiko tinggi atau rendah kejadian jantung utama merugikan dengan membandingkan electrocardiograms jangka panjang mereka dengan yang populasi yang besar. Menjelaskan bagaimana simbolis ketidakcocokan dapat digunakan dalam tiga metode yang ada berbeda: dukungan satu kelas mesin vektor, analisis tetangga terdekat, dan clustering hirarki [10]. Ralph Bergmann sebuah kasus dalam penalaran berbasis kasus adalah bagian kontekstual dari pengalaman, yang dapat direpresentasikan dalam berbagai bentuk. Pendekatan tradisional dapat diklasifikasikan ke dalam tiga kategori utama: representasi fitur vektor, representasi terstruktur, dan representasi tekstual. Pendekatan yang lebih canggih menggunakan representasi hirarkis atau kasus umum. Untuk tugas-tugas tertentu seperti desain dan perencanaan yang sangat spesifik representasi telah dikembangkan [8]. III. M ETODOLOGI A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data primer yaitu data penyakit diabetes militus yang diperoleh dari hasil wawancara dengan pasien DM, ahli kesehatan dan ahli gizi. Data-data tesebut berupa : 1) Nama : Berisi nama-nama pasien yang menderita DM. 2) Umur : Berisi Umur Pasien yang menderita DM. 3) GDA : Berisi hasil pemeriksaan gula darah pasien DM. 4) Gejala : Berisi gejala-gejala yang dialami pasien DM. 5) Tipe DM : Berisi tipe DM yang diderita oleh pasien DM. Berikut adalah contoh sampel data pasien DM : Nama : SR Jenis Kelamin : Laki-Laki Umur : 53 Tahun GDA : 466 mg/dl Penderita DM tipe 2 Gejala yang dialami : • Sering merasakan haus. • Sering merasakan lapar. • Sering buang air kecil terutama dimalam hari. • Penglihatan kabur. • Mudah merasakan lelah. • Luka yang sulit sembuh. • Berat badan menurun drastis (bukan akibat dari program diet). • Air seni dikerubuti semut. • Mengalami infeksi kulit yang berulang. Dari data-data tersebut dan berdasarkan hasil wawancara dengan ahli kesehatan maka gejala-gejala diabetes mellitus adalah: 1) Sering buang air kecil dalam jumlah yang banyak (poliuria). 2) Merasakan haus yang sudah berlebihan sehingga banyak minum air terutama dimalam hari (polidipsi).
3) Merasakan lapar yang luar biasa (polifagia). 4) Berat badan turun dengan cepat (bukan termasuk program diet). 5) Penglihatan sulit fokus atau kabur. 6) Sering merasakan capek padahal tidak melakukan aktifitas berat. 7) Mengalami infeksi kulit yang berulang. 8) Terdapat bisul atau luka yang lama sembuh. 9) Air seni dikerubuti semut. 10) GDA > 200 mg/dl. Agar dapat menentukan apakah seseorang menderita diabetes mellitus atau tidak, maka dapat ditentukan melalui rule. Jumlah keseluruhan rule adalah 52 rule. Salah satu rule untuk menentukan DM sebagai berikut: • Berdasarkan gejala DM dari nomer 1 hingga 8: IF gejala THEN bukan DM. IF gejala AND gejala THEN bukan DM. IF gejala AND gejala AND gejala THEN pradiabetes mellitus. IF gejala AND gejala AND gejala AND gejala THEN DM. Dan seterusnya hingga seseorang mengalami semua gejala diatas, maka orang tersebut menderita DM[11][12]. • Berdasarkan gejala DM nomer 9 (air seni dikerubuti semut) dan mengalami gejala nomer 1 hingga 8 : IF air seni dikerubuti semut THEN DM. IF gejala AND air seni dikerubuti semut THEN DM. IF gejala AND gejala AND air seni dikerubuti semut THEN DM. ...... Dan seterusnya hingga seseorang mengalami semua gejala DM, maka orang tersebut menderita DM karena air seni seseorang akan dikerubuti semut jika orang tersebut mempunyai gula darah yang tinggi[11][12]. • Berdasarkan gejala DM nomer 10 (GDA > 200 mg/dl) dan mengalami gejala lainnya : IF GDA>200 THEN DM. IF GDA>200 AND gejala THEN DM. IF GDA>200 AND gejala AND gejala THEN DM. ...... Dan seterusnya. Jika seseorang mempunyai GDA>200 maka seseorang tersebut sudah dipastikan menderita DM[11][12]. B. Analisa Kebutuhan User Terdapat 1 user dalam sistem aplikasi yang akan dibangun. User tersebut berperan penuh dalam menjalankan aplikasi dan dapat memilih menu-menu yang telah disediakan antara lain: • Identifikasi user, untuk mengisi biodata user dan memilih gejala yang dialami oleh user. • Memilih menu makanan, untuk menentukan menu makanan yang akan dikonsumsi. • Melihat history menu makanan yang dipilih oleh user. C. Case-Based Reasoning Case-Based Reasoning (CBR) adalah suatu cabang ilmu dari Artificial Intelligence (AI) yang mampu bekerja dengan pemecahan masalah secara experienced-based atau
3
berdasarkan pengalaman (data historis)[13]. CBR merefleksikan cara kerja penyelesaian masalah manusia yang menggunakan pengetahuan yang ia miliki dalam pemecahan masalah terdahulu yang kemudian digunakan sebagai titik awal proses penyelesaian permasalahan baru yang mirip dengan permasalahan yang ia selesaikan sebelumnya[14][6]. Cara kerja CBR adalah dengan membandingkan kasus baru dengan kasus lama, jika kasus baru tersebut mempunyai kemiripan dengan kasus lama maka CBR akan memberikan jawaban kasus lama untuk kasus baru tersebut. Jika tidak ada yang cocok maka CBR akan melakukan adaptasi, dengan cara memasukkan kasus baru tersebut ke dalam database penyimpanan kasus (case base), sehingga secara tidak langsung pengetahuan CBR akan bertambah. Kelebihan utama dari CBR dibandingkan dengan Rule Based. Ketika proses retrieval dilakukan, ada kemungkinan antara kasus baru dengan kasus lama pada basis kasus tidak mirip. Namun, dari ukuran kemiripan tersebut tetap dapat dilakukan penalaran dan melakukan evaluasi terhadap ketidak lengkapan atau ketidak tepatan data yang diberikan[14]. Ketidak lengkapan itu dapat diatasi dengan melakukan penambahan pengetahuan yang diambil dari dokter. Selain itu, sistem CBR bisa belajar otomatis yang sangat penting sebagai domain medis berkembang dengan waktu. Secara umum metode ini terdiri dari 4 langkah[12], yaitu: 1) Retrieve : Pada proses ini adalah proses pengenalan masalah, yaitu dengan mengidentifikasi masalah yang baru. 2) Reuse : Dalam proses Reuse, sistem akan melakukan pencarian masalah terdahulu pada database melalui identifikasi masalah baru. Kemudian menggunakan kembali informasi permasalahan terdahulu tersebut yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru. 3) Retain : Pada proses terakhir ini, sistem akan menyimpan permasalahan baru ke dalam knowledge-base untuk menyelesaikan permasalahan yang akan datang. 4) Revise : Pada proses ini, informasi akan dievaluasi kembali untuk mengatasi masalah yang terjadi pada permasalahan baru. Kemudian sistem akan mengeluarkan solusi masalah baru.
Gambar 1. Representasi kasus: kasus dapat berisi masalah deskripsi dan solusi saja atau mungkin termasuk hasil / hasil ke dalam struktur terjadi di domain medis[12]. Berdasarkan penjelasan diatas maka penulis dapat membuat sequence diagram dari CBR tersebut yang sesuai dengan kasus pada penelitian ini. E. Probabilitas Bayes Probabilitas Bayes adalah suatu cara untuk memecahkan masalah ketidak pastian dengan rumus sebagai berikut[15]. P(Hi |E) = PnP (E|Hi )∗P (Hi ) k=i
P (E|Hi )∗P (Hi )
Dimana : P(Hi |E)= Probabilitas hipotesis Hi benar jika diberikan evidence E. P (E|Hi )= probabilitas munculnya evidence E jika diketahui hipotesis Hi benar. P (Hi ) = probabilitas hipotesis tanpa memandang evidence sebelumnya. n = jumlah hipotesis yang mungkin. Berikut contoh penerapan probabilitas Bayes untuk suatu kasus sederhana. Misalnya, jika diketahui[16] : A = Terjadinya Solusi A. B = Munculnya Penyakit B. P(A) = 0,25 P(B) = 0,5 P(A|B) = 0,15 Maka, (B) P(B|A) = P (A|B)∗P P (A) 0.15∗0,5 P(B|A) = 0,25 P(B|A) = 0, 3 IV. P ERANCANGAN S ISTEM A. Deskripsi Umum Sistem
D. Case-based Reasoning Cycle
Sebuah kasus merupakan bagian dari pengetahuan pengalaman dan memainkan peran penting dalam proses penalaran. Kasus dapat disajikan dalam berbagai cara[12]. untuk memberikan solusi dari kasus baru, kasus dapat direpresentasikan sebagai masalah dan struktur solusi. untuk evaluasi kasus saat ini, kasus juga dapat berisi hasil / hasil [Gambar 1].
Dalam pembangunannya, sistem ini akan dibangun dengan bahasa pemrograman Java berbasis Object Oriented, dan akan menggunakan database Proses pengumpulan solusi pada metode CBR dilakukan dengan membandingkan input dari user dengan database kasus yang ada pada sistem. Kemudian dari kumpulan solusi tersebut akan diproses lagi dengan metode bayes untuk mendapatkan solusi yang memiliki peluang paling besar. Setelah didapatkan solusi dengan peluang yang paling besar, maka sistem akan menampilkan solusi tersebut.
4
B. Perancangan Data Data yang digunakan adalah data pasien penderita DM RSUD Pamekasan Madura. Koleksi data tersebut merupakan data rekam medis pasien khusus penderita TB yang baru pertama kali menderita penyakit tersebut (kasus baru). Data ini akan dijadikan sebagai dataset kasus dan data uji. Data tersebut dijadikan 2 skenario, dimana skenario A menggunakan 20 baris data untuk dataset kasus dan 10 baris data untuk pengujian. Sedangkan skenario B menggunakan 10 baris data untuk dataset kasus dan 10 baris data untuk pengujian. Setiap baris data terdiri dari 12 atribut penting. 9 atribut pertama menunjukkan ada tidaknya gejala untuk 9 macam gejala, 2 atribut berikutnya menunjukkan penentuan tipe DM berdasarkan umur dan berat badan yang ideal, atribut terakhir menunjukkan kelas untuk satu baris data tersebut, yaitu jenis penyakit DM. Kemunculan gejala ditandai dengan nilai 1, sedangkan nilai 0 menunjukkan bahwa gejala tidak muncul. Artinya, untuk penelitian kali ini, setiap gejala memiliki bobot yang sama.
Tabel 1. Perancangan dan Atribut data C. Data Gejala Seperti yang telah dijelaskan sebelumnya, data gejala yang digunakan pada penelitian ini bersumber dari RSUD Pamekasan Madura. Ada 9 gejala yang menjadi acuan untuk sistem yang dibangun. Tabel 2 menunjukkan daftar 9 gejala tersebut beserta ID-nya masing-masing sebagai identitas gejala.
Tabel 2. Daftar Gejala yang digunakan D. Kebutuhan Sistem Sistem dibangun di atas platform Java menggunakan tools Eclips, disertai DBMS Heidi SQL, XAMPP. Adapun berikut penjelasan kebutuhan sistem dari sisi masukan, keluaran, beserta cara mengukur performansi sistem. 1) Input Sistem : Input terhadap sistem berupa biodata atau gejala penyakit yang dialami oleh pasien. Pada penelitian ini, minimal ada biodata dan kadar gula pasien yang harus diinputkan 2) Output Sistem : Output yang dihasilkan oleh sistem adalah diagnosis penyakit yang diderita oleh user dan terapi gizi kepada user. 3) Performasi Sistem : Performansi sistem dihitung berdasarkan jumlah diagnosis benar yang dilakukan
oleh sistem dibandingkan jumlah seluruh diagnosis yang harus dilakukan. 4) Cara Kerja Sistem : Gambar berikut menunjukkan cara kerja sistem mulai dari input gejala yang tampak pada pasien, hingga output sistem berupa jenis penyakit hasil diagnosis sistem.
Gambar 2. Flowchart sistem berbasis pengetahuan pendiagnosis DM Untuk lebih jelasnya, berikut penjelasan lebih detail dari skema proses di Gambar 2 1) Case Based Reasoning : Pada tahap pertama, dilakukan proses Case-Based Reasoning berdasarkan input gejala user. Pada proses ini sistem akan mengambil input gejala dari user, kemudian akan melakukan pengecekan pada database kasus. Apabila data pada database kasus memiliki Minimum Similarity Value (MSV) dengan data input dari user, maka solusi akan dipilih dan akan dilanjutkan ke proses retrieve solusi. 2) Perhitungan SV : Proses ini adalah proses untuk melakukan perhitungan Similarity Value (SV). Proses ini dilakukan dengan cara mencocokan karakter antara inputan yang dimasukkan oleh user dengan rule database yang ada. Caranya adalah mengubah terlebih dahulu input gejala menjadi rentetan karakter 0 dan 1. Sebagai contoh, gejala G yang dipilih adalah G1, G7, dan G8. Maka, inputan tersebut akan diubah menjadi: 100000110 di mana 1 artinya gejala tersebut dipilih, sedangkan 0 berarti gejala tersebut tidak dipilih. Di sini terlihat bahwa setiap gejala memiliki pembobotan yang sama. Artinya, tidak ada gejala yang dianggap memiliki prioritas lebih tinggi dibandingkan gejala yang lain. Selanjutnya akan dilakukan pencocokan pada umur dengan rule yang telah di tetapkan dalam database. 3) Perhitungan Bayes : Pada tahap selanjutnya, akan dilakukan perhitungan probabilitas Bayes untuk mencari satu solusi terbaik yang kemudian akan ditampilkan kepada pasien 4) Output sistem : Hasil diagnosis yang ditampilkan adalah jenis penyakit dan terapinya. V. P ENGUJIAN DAN H ASIL Tujuan dari pengujian ini adalah untuk mengukur sejauh mana sistem berbasis pengetahuan yang menerapkan CBR
5
ini dalam mendiagnosis penyakit DM. Menurut data dari IDF, kemampuan dokter yang baik dalam mendiagnosis DM adalah sekurang-kurangnya 85%. Di Indonesia sendiri, tingkat keakuratan doker-dokternya dalam mendiagnosis DM sudah mencapai 90%. Dengan demikian, diharapkan sistem berbasis pengetahuanyang dibangun pada penelitian ini mampu menyamainya, yaitu mencapai angka 90%, atau minimal dapat memenuhi kualifikasi minimum sebagaimana yang telah ditetapkan oleh IDF, yakni sebesar 85%. Data ini akan dijadikan sebagai dataset kasus dan data uji. Data tersebut dijadikan 2 skenario, dimana skenario A menggunakan 20 baris data untuk dataset kasus dan 10 baris data untuk pengujian. Sedangkan skenario B menggunakan 10 baris data untuk dataset kasus dan 10 baris data untuk pengujian. Kedua skenario tersebut bertujuan untuk menganalisis pengaruh porsi data kasus dan uji terhadap performansi sistem. Untuk setiap skenario, dilakukan observasi terhadap variabel Minimum Similarity Value (MSV). Sebagaimana dijelaskan sebelumnya, nilai MSV dapat menentukan seberapa banyak rule penyakit yang ter-retrieve. Observasi dilakukan untuk mendapatkan nilai MSV yang optimal terhadap akurasi sistem dalam mendiagnosis penyakit DM. Penentuan MSV tidak hanya dilihat dari gejala tetapi juga dilihat dari kategori yaitu umur dan GDA. Jika umur dibawah 30 tahun, kurus dan mengalami gejala sesuai rule yang ditentukan maka orang tersebut menderita DM tipe 1. Sedangkan untuk umur diatas 30 tahun, gemuk ataupun tidak gemuk dan mengalami gejala sesuai rule yang ditentukan maka orang tersebut menderita DM tipe 2.
A. Implementasi Sistem Metode CBR yang digunakan pada kasus diagnosis penyakit DM ini diimplementasikan menggunakan bahasa berbasis mobile. Melalui aplikasi yang dibuat, pengguna dapat mengisi form cek diagnosis dan gejala-gejala penyakit yang muncul pada pasien.
Gambar 4. Tampilan gejala DM Jika user sudah mengisi fakta-fakta yang diminta oleh sistem aplikasi, maka sistem aplikasi akan menentukan apakah user menderita DM atau tidak.
Gambar 5. Tampilan Hasil Diagnosa DM etelah user mengetahui menderita DM tipe 1 ataupun DM tipe 2, maka user akan membuat history untuk memilih menu makanan yang akan dikonsumsi dan jumlah yang harus dikonsumsi
berikut gambar form cek diagnosis pada sistem diagnosis penyakit DM :
Gambar 6. Tampilan history
Gambar 3. Design antar muka sistem Setelah user mengisi biodata, maka user akan memilih gejala apa saja yang dialami oleh user.
Jika ingin memilih makanan yang akan dimakan diklik tombol “edit” maka akan menampilkan jenis-jenis makanan yang harus dipilih dan jika selesai dipilih maka di klik “ok”. Setelah itu makanan yang telah dipilih akan disimpan di history.
6
Nurul Qamariyah All about you and the what your interests are.
Gambar 7. Tampilan jenis makanan yang akan dikonsumsi R EFERENCES [1] Suyono. Buku ajar penyakit dalam. Jakarta: Balai Penerbit FKUI, 2005. [2] Brussels. Diabetes atlas. International Diabetes Federation, 2006. [3] Departemen Kesehatan RI. Pharmaceutical care untuk penyakit diabetes millitus. Direktorat Bina Farmasi dan Klinik, 2005. [4] Cynthia Rudin and Fulthon Wang. Appearing in proceedings of the 18th international con-ference on artificial intelligence and statistics (aistats). San Diego, CA, USA. JMLR: W&CP volume 38, 2015. [5] Tharam Dillon Julie Main and Simon Shiu. A tutorial on case-based reasoning. Soft Computing in Case Based Reasoning, (Eds.), SpringerVerlag (London), 2001. [6] Christopher Laing Graeme Horsman and Paul Vickers. A case based reasoning system for automated forensic examinations. ISBN: 978-1902560-25-0, 2011. [7] santiago ontanon and ashwin ram. Case-based reasoning and usergenerated ai for real-time strategy games. 2011. [8] Janet Kolodner Ralph Bergmann and Enric Plaza. Representation in case-based reasoning. The Knowledge Engineering Review, Vol. 00:0, ˝ Cambridge University Press DOI: 10.1017/S000000000000000 1U4. Printed in the United Kingdom, 2005. [9] Kerstin Bach Christian Severin Sauer and Klaus-Dieter Althoff. Integration of linked open data in case based reasoning systems. University of Hildesheim, Dep. of Computer Science Intelligent Information Systems Lab D-31141, Hildesheim, Germany, 2015. [10] zeeshan Syed and John Guttag. Unsupervised similarity based risk stratification for cardiovascular events esing long term time series data. Machine Learning Research, 2011. [11] Leonor Guariguata Gregory Ghyoot Delice Gan nigel Unwin, David Whiting, editor. IDF Diabetes Atlas. 2011. ISBN: 2-93022980-2. [12] Mobyen Uddin Ahmed Shahina Begum and Peter Funk. Case-based systems in health sciences - a case study in the field of stress management. WSEAS TRANSACTION on SYSTEMS, 2009. [13] R. Bergmann and A. Klaus-Dieter. Case-based reasoning introduction and recent developments. Germany, 2009. [14] Maria Salamo and Maite Lopez-Sanchez. Adaptive case-based reasoning using retention and forgetting strategies. 2011. [15] Mamta Tiwari and Dr.Bharat Misra. Application of cluster analysis in agriculture. International Journal of Computer Aplications (0975 8887), Volume 36(4), 2011. [16] Ade Romadhony Bimmo Satryo Wicaksono and Mahmud Dwi Sulistiyo. Analisis dan implementasi sistem pendiagnosis penyakit tuberculosis menggunakan metode case-based reasoning. Seminar Nasional Aplikasi Teknologi Informasi(SNATI), 21 juni 2014. ISSN: 1907 - 5022.
Nurul Qamariyah Same again for the co-author, but without photo
