Publisher

UNDANAUNDANA

Journal J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan Informatika Abstract

Metode Case Based Reasoning (CBR) adalah salah satu metode untuk membangun sebuah sistem yang bekerja dengan cara mendiagnosa kasus baru berdasarkan kasus lama yang pernah terjadi dan memberikan solusi pada kasus baru berdasarkan pada kasus lama yang memiliki nilai kemiripan tertinggi. Pada penelitian ini, penulis menerapkan CBR untuk mendiagnosis penyakit penyakit anak usia 1-12 tahun. Sumber pengetahuan sistem diperoleh dengan mengumpulkan berkas rekam medis pasien pada tahun 2014 dan 2015. Perhitungan nilai kemiripan menggunakan metode Block City fungsi Gower dengan nilai batas kewajaran adalah 70%. Sistem ini dapat mendiagnosis 10 penyakit berdasarkan 48 gejala yang ada. Keluaran sistem berupa penyakit yang dialami oleh pasien berdasarkan gejala yang diinputkan oleh tenaga medis non dokter, solusi penanganan dan presentasi kemiripan dengan kasus terdahulu untuk menunjukan tingkat kebenaran hasil diagnosis. Berdasarkan hasil pengujian menggunakan 83 kasus baru didapatkan keakuratan sistem sebesar 75,90%.

Conclusion

Penelitian ini menunjukkan bahwa sistem Case Based Reasoning (CBR) mampu mengambil kembali kasus serupa dan memberikan diagnosa serta penanganan yang tepat, dengan hasil perhitungan internal yang konsisten secara manual.Sistem menunjukkan akurasi 75,90% dalam mendiagnosa 83 kasus baru menggunakan threshold 70%, serta rata-rata nilai kemiripan sebesar 83,21% dalam pengujian pakar.Peningkatan nilai threshold mengakibatkan penurunan akurasi sistem, mengindikasikan pentingnya pemilihan threshold yang optimal.

Future Research

Untuk memperkaya kontribusi penelitian di masa depan, ada beberapa arah studi yang menjanjikan. Pertama, perlu diinvestigasi secara mendalam bagaimana performa dan generalisasi sistem Case Based Reasoning (CBR) ini akan terpengaruh jika basis kasus diperluas secara signifikan. Ini bukan sekadar penambahan jumlah data, melainkan eksplorasi mengenai dampak penggabungan rekam medis dari berbagai fasilitas kesehatan di berbagai wilayah geografis, terutama di area yang telah diidentifikasi kekurangan dokter spesialis anak. Penelitian dapat berfokus pada analisis apakah keberagaman data dari lokasi berbeda mampu meningkatkan cakupan penyakit yang dapat didiagnosis serta mengurangi bias geografis dalam diagnosa. Kedua, mengingat sensitivitas akurasi terhadap nilai threshold, akan sangat menarik untuk menguji dan membandingkan kinerja metode Block City ini dengan algoritma penghitungan kemiripan lainnya, atau bahkan mengintegrasikannya dengan pendekatan hibrida. Misalnya, penggabungan CBR dengan teknik pembelajaran mesin (machine learning) dapat membuka peluang untuk meningkatkan akurasi lebih lanjut, mengidentifikasi pola gejala yang lebih kompleks, serta membuat sistem lebih adaptif terhadap variasi kasus. Pertanyaan penelitian bisa diarahkan pada seberapa efektif integrasi ini dalam mencapai akurasi yang lebih tinggi dan stabilitas performa. Terakhir, aspek implementasi dan penerimaan pengguna juga krusial. Studi lanjutan dapat meneliti bagaimana desain antarmuka pengguna yang intuitif dan proses adaptasi sistem ke dalam alur kerja tenaga medis non-dokter dapat memengaruhi efektivitas diagnosa dan kepercayaan pengguna. Penelitian ini akan mengkaji faktor-faktor yang mendorong adopsi, meminimalkan potensi kesalahan oleh pengguna non-ahli, dan pada akhirnya, memastikan bahwa sistem ini benar-benar dapat menjadi alat pendukung keputusan yang andal di lapangan.

Metadata

File size	526.25 KB
Pages	6
DMCA	Report