Penerapan Case Based Reasoning (CBR) untuk Mendiagnosa Jenis Pecandu Narkoba

Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN: 978-602-1034-40-8

Penerapan Case Based Reasoning (CBR) untuk Mendiagnosa Jenis Pecandu Narkoba Andik Adi Suryanto1, Imron Rosyidi2, Miftahul Ulum3, Adi Wendra4 1,2,3,4 Jurusan Teknik Informatika, FT, Universitas PGRI Ronggolawe Tuban Email: [email protected], [email protected], [email protected], 4 [email protected]

Abstrak Case Based Reasoning (CBR) merupakan metode yang digunakan untuk membangun sebuah sistem berbasis pengetahuan. Sumber pengetahuan sistem diperoleh dengan mengumpulkan penanganan kasus-kasus oleh seorang ahli/pakar. Keuntungan dengan penerapan metode ini adalah membangun pengetahuan tidak perlu melakukan akuisisi pengetahuan secara langsung dengan seorang pakar. Pada penelitian ini penulis mengimplementasikan metode Case Based Reasoning (CBR) untuk membantu pendiagnosisan jenis pecandu narkoba. Kasus-kasus yang digunakan dalam sistem ini diperoleh dari catatan penanganan kasus diagnosa pecandu narkoba dari seorang dokter ahli. Sistem ini akan memberikan keluaran berupa kemungkinan jenis pecandu narkoba dan saran terapi yang didasarkan pada kemiripan kasus baru dengan pengetahuan yang dimiliki sistem. Kata Kunci: Case Based Reasoning, Pecandu, Narkoba, Diagnosa Abstract Case Based Reasoning (CBR) is a method used to build a knowledge-based system. Source systems knowledge gained by collecting the handling of cases by an expert/specialist. The advantage with this method is the application of knowledge building does not need to do the acquisition of knowledge directly with an expert. In this study, the authors implement methods Case Based Reasoning (CBR) to help diagnozing types of drug addicts. The cases used in this system is derived from the record of handling cases diagnosed drug addicts from a medical expert. This system will provide the output of possible types of drug addicts and treatment suggestions based on resemblances new cases with the knowledge of the present system. Keyword: Case Based Reasoning, Addicts, Drug, Diagnotics

1.

PENDAHULUAN

Penulis menerapkan metode Case Based Reasoning (CBR) untuk membangun sebuah sistem yang memiliki kemampuan mendiagnosa pecandu narkoba. Proses mendiagnosa pecandu narkoba biasanya dilakukan oleh dokter/ahli yang biasa menangani kasus-kasus tentang narkoba, namun dokter/ahli tidak semua ada di rumah sakit bahkan belum tentu disetiap kota ada ahli dalam bidang narkoba. Di rumah sakit hanya bisa menentukan pesien merupakan positif atau negatif pengguna narkoba melalui pemeriksaan laboratorium dan tidak bisa melakukan proses rehabilitasi narkoba seperti yang dilakukan oleh ahli, sehingga setiap ada pasien yang positif pecandu narkoba sulit untuk dapat dilakukan rehabilitasi narkoba. Maka perlu adanya sistem yang dapat mengetahui apakah orang ini sebagai pecandu narkoba atau bahkan dapat diketahui sejauh mana kecanduan yang dialami. Sekumpulan pemeriksaan laboratorium yang dirancang untuk tujuan tertentu misalnya untuk mendeteksi penyakit, menentukan risiko, menentukan perkembangan penyakit, memantau pengobatan dan lain-lain. Proses diagnosis penyakit melalui hasil pemeriksaan laboratorium itu sendiri selama ini hanya dapat dilakukan oleh para medis secara manual saja. Para pekerja medis seperti laboran atau perawat hanya bekerja untuk melakukan proses pemeriksaan. Mereka tidak dapat melakukan diagnosis penyakit layaknya seorang dokter. Dan pasien pada akhirnya dituntut untuk melakukan konsultasi langsung kepada dokter dengan membawa hasil pemeriksaan laboratorium, akan tetapi tidak tahu sejauhmana kecanduan yang dialami pasien, sehingga dokter akan kesulitan untuk proses rehabilitasi pasien tersebut. Serta kenyataan yang terjadi adalah berbedanya nilai normal pada setiap laboratorium karena rata-rata dokter merujuk pasien kebeberapa laboratorium dengan tujuan untuk melakukan perbandingan hasil diagnosa yang nantinya digunakan sebagai acuan untuk memvonis pasien menderita suatu penyakit. Namun, hal ini dapat membingungkan dokter untuk memperoleh informasi secara akurat tentang tingkat kecanduan yang dialami karena perbedaan hasil di beberapa laboratorium rujukan dokter tersebut.

315


Untuk mengatasi masalah ini, maka diperlukan sebuah sistem pendukung pakar untuk mendiagnosis tingkat kecanduan melalui hasil pemeriksaan ciri-ciri dan gejala yang dialami oleh pasien. Oleh karena itu, pada penelitian ini dibangun sebuah sistem pakar yang dapat menentukan suatu keputusan mengenai diagnosis pecandu narkoba secara tepat dan akurat melalui hasil pemeriksaan ciri-ciri dan gejala yang dialami oleh pasien dengan menggunakan metode penalaran berbasis kasus (Case Based Reasoning) dengan harapan dapat digunakan oleh para pekerja medis lainnya. 2.

METODE

2.1 Case Based Reasoning (CBR) Case Based Reasoning (CBR) suatu model penalaran yang penggabungkan pemecahan masalah, pemahaman dan pembelajaran serta memadukan keseluruhannya dengan pemrosesan memori [1]. Tugas tersebut dilakukan dengan memanfaatkan kasus yang pernah dialami oleh sistem, yang mana kasus merupakan pengetahuan dalam konteks tertentu yang mewakili suatu pengalaman yang menjadi dasar pembelajaran untuk mencapai tujuan sistem. Dalam definisi lain CBR merupakan metode pemecahan masalah/kasus baru dengan melakukan adaptasi terhadap metode yang digunakan untuk memecahkan masalah/kasus lama. Alur proses Case Based Reasoning (CBR) dalam memecahkan masalah didefinisikan dalam 4 langkah RE [2], yaitu: a. b. c. d.

REtrive, mengambil masalah/kasus yang paling serupa. REuse, menggunakan kembali masalah/kasus untuk mencoba memecahkan masalah/kasus. REvise, merevisi solusi yang diajukan jika perlukan. REtain, mempertahankan/menyimpan solusi baru sebagai bagian dari masalah/kasus baru.

Adapun alur proses dari Case Based Reasoning (CBR) dapat dilihat pada Gambar 1 berikut:

Gambar 1. Alur proses metode Case Based Reasoning (CBR) 2.2 Algoritma Nearest Neighbor Retrieval Algoritma Nearest Neighbor Retrieval (K-Nearest Neighbor atau K-NN) adalah sebuah algoritma untuk melakukan klasifikas terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor [3]. Algoritma nearest neighbor berdasarkan pada proses pembelajaran menggunakan analogi/learning by analogy. Training sampelnya dideskripsikan dalam bentuk atribut numerik n-dimensi. Tiap sampel mewakili sebuah titik pada ruang n-dimensi. Dengan cara ini, semua training sampel disimpan pada pola ruang n-dimensi. Ketika diberikan “unknown” sampel, k-nearest neighbor classifier mencari pola ruang K training sampel yang paling dekat “unknown” sampel tersebut. K training sampel ini adalah k nearest neighbor dari unknown sampel. Unknown sampel ditetapkan dengan class yang paling umum diantara k nearest neighborsnya. Ketika k = 1, unknown sampel ditetapkan dengan class dari training sampel yang paling dekat dengan pola ruangnya.

316


Algoritma nearest neighbor retrieval menyimpan semua training sampel dan tidak membangun classifier sampai sampel baru (unlabeled) perlu diklasifikasikan, sehingga algoritma nearest neighbor retrieval sering disebut dengan instance-based atau lazy learners. Rumus untuk menghitung bobot kemiripan (similarity) dengan nearest neighbor retrieval adalah: (

)

(1)

Keterangan: S = similarity (nilai kemiripan) W = weight (bobot yang diberikan) 2.3. Analisis Kasus Pada Case Based Reasoning (CBR) Metode Cased Based Reasoning merupakan metode yang menerapkan 4 tahapan proses, yaitu retrieve, reuse, revise, dan retain [3]. Cara kerja sistem secara umum berpedoman pada basis pengetahuan yang dimiliki oleh sistem yang bersumber dari kasus-kasus yang pernah dialami oleh pecandu narkoba yang kemudian dihitung tingkat kemiripannya dengan kasus baru yang dimasukan pengguna. Berdasarkan tingkat kemiripan kasus inilah sistem akan mengeluarkan diagnosis jenis pecandu narkoba berikut saran pengobatannya. Analisa kasus lama [4] seperti pada Tabel 1. Tabel 1. Analisa kasus lama jenis pecandu Kasus Lama: ID P01 Kasus Lama: ID P02 Kasus Lama: ID P03 Pecandu Ganja: Pecandu Putaw: Pecandu Ektasi: a. Denyut jantung a. gelisah, a. Euforia, meningkat dan suhu b. sering cemas dan b. hilang rasa sakit, tubuh menurun, panik, c. hilang rasa malu, b. mata merah, c. merasa sangat d. hilang rasa lapar, c. kelopak mata mengatup ketakutan, e. merasa sehat dan terus, d. sering ngantuk, kuat. d. lebih sering makan e. pupil mengecil, karena perut merasa f. jantung melemah, lapar terus, g. sesak nafas. e. suka tertawa jika terlibat pembicaraan lucu, f. konsentrasi terganggu, g. sering cemas dan panik Berdasarkan ciri-ciri pada tabel diatas, merupakan dasar pertanyaan yang akan ditujukan kepada user sehingga nantinya dapat memberikan informasi user untuk melakukan rehabilitasi narkoba berdasarkan jenis narkoba yang dikonsumsi karena proses rehabilitasi narkoba ini membutuhkan data dan laporan tentang user untuk mempermudah dilakukan proses rehabilitasi sesuai yang telah ditetapkan oleh program, seperti yang terlihat pada Tabel 2. Tabel 2. Bobot nilai kepentingan pada gejala pecandu narkoba Gejala Penting Sedang Biasa Keterangan Ganja Denyut jantung meningkat dan suhu tubuh menurun Mata merah Kelopak mata mengatup terus, Lebih sering makan karena perut merasa lapar terus, Luka tertawa jika terlibat pembicaraan lucu, Konsentrasi terganggu Sering cemas dan panik Putaw Gelisah

X X X X X X X X

317


Gejala Sering cemas dan panik Merasa sangat ketakutan Sering ngantuk Pupil mengecil Jantung melemah Sesak nafas Ekstasi Euforia Hilang rasa sakit Hilang rasa malu Hilang rasa lapar Merasa sehat dan kuat 3.

Penting

Sedang X X

Biasa

Keterangan

X X X X X X X X X

HASIL DAN PEMBAHASAN

3.1 Halaman operator Halaman ini merupakan halaman beranda untuk operator yang digunakan untuk mengolah data diagnosa pasien yang ditunjukan pada Gambar 2.

Gambar 2. Halaman operator 3.2 Halaman diagnosa Pada halaman ini digunakan untuk memasukkan data pasien yang positif narkoba yanga akan didiagnosa. Data yang dimasukkan meliputi data pasien berupa nama, umur, dan keterangan gejala dan hasil pemeriksaan positif narkoba pada pasien, seperti yang ditunjukan pada Tabel 3.

Nama Umur Alamat

Tabel 3. Data hasil diagnosa pasien Nn. Widya Sari 24 Tahun Ds. Perunggahan Kulon - TBN

Pemeriksaan Narkoba

Hasil Positif

Gejala - Mata merah, - Kelopak mata mengatup terus, - Doyan makan karena perut merasa lapar - Sukat tertawa jika terlibat pembicaraan lucu, - Wajah terlihat lelah,

318

Nilai Normal Negatif Keterangan


Dari data pasien yang ditunjukkan pada Tabel 3 dimasukkan ke dalam sistem seperti yang ditunjukkan pada Gambar 3.

Gambar 3. Halaman diagnosa 3.3 Halaman Hasil Diagnosa Ketika data pasien dan gejala sudah diinputkan oleh operator maka akan menghasilkan analisis, seperti yang ditunjukkan pada Gambar 4. Dari proses diagnosa pasien menunjukan hasil bahwa pesien tersebut merupakan pecandu ganja, dengan nilai similaritas yang dihasilkan oleh sistem.

Gambar 4. Hasil Diagnosa 4.

SIMPULAN

Aplikasi pendeteksi jenis pecandu narkoba merupakan sebuah sarana penyedia informasi yang dapat memberikan informasi penyakit yang terdapat pada pecandu narkoba, yaitu pecandu ganja, pecandu putaw dan pecandu inex atau ektasi,. Sistem dapat melakukan pendeteksi pecandu narkoba berdasarkan gejala-gejala yang diinputkan oleh operator melalui pertanyaan gejala yang diajukan oleh sistem. Dengan mengetahui gejala-gejala pecandu narkoba secara tepat maka akan dapat ditentukan jenis rehabilitasi dan terapi apa yang paling tepat untuk digunakan. Semakin spesifik ciri-ciri gejala pecandu narkoba maka akan semakin besar prosentase kemungkinan terdeteksi jenis pecandu narkoba yang lebih spesifik. 5.

REFERENSI

[1] Pal, S. K., Shiu, S. C. 2004. Foundations of Soft Case-Based Reasoning. John Wiley & Sons, Canada. [2] Rismawan, T., Hartati, S. 2012. Case-Based Reasoning untuk Diagnosa Penyakit THT (Telinga Hidung Tenggorokan). IJCCS. Vol. 6(2): 67-78. [3] Kusrini., Luthfi, E. R. 2009. Algoritma dan Data Mining. Andi Offset, Yogyakarta. [4] Laksana, P. 2015. Waspada Narkoba. PT Bengawa Ilmu, Semarang.

319

Penerapan Case Based Reasoning (CBR) untuk Mendiagnosa Jenis Pecandu Narkoba

Recommend Documents