Publisher

UNDANAUNDANA

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

Case Based Reasoning (CBR) merupakan teknik pemecahan kasus berdasarkan pengalaman pada kasus-kasus yang pernah terjadi sebelumnya dengan nilai kemiripan tertinggi. Pada penelitian ini, penulis menerapkan CBR untuk mendiagnosa penyakit pada sapi. Sumber pengetahuan sistem diperoleh dengan mengumpulkan data rekam medis pada tahun 2014, 2016, dan 2017. Sistem menggunakan metode Rough Set pada proses indexing dan untuk perhitungan nilai kemiripan menggunakan metode Cosine Similarity dengan nilai batas kewajaran adalah 70%. Sistem ini dapat mendiagnosa 15 penyakit berdasarkan 29 gejala yang ada. Keluaran sistem berupa diagnosa penyakit beserta solusi pengobatan dan presentasi kemiripan dengan kasus terdahulu untuk menunjukkan tingkat kebenaran hasil diagnosa. Berdasarkan hasil pengujian dengan menggunakan 30 kasus pada casebase didapatkan keakuratan sistem pada cara kedua adalah 27% dan pada cara ketiga didapat hasil terbaik dengan menggunakan 3 fold sebesar 33,33%. Sistem menghasilkan akurasi yang rendah karena jumlah kasus yang masih sedikit dan data yang tersebar pada kasus yang ada.

Conclusion

Sistem Case Base Reasoning mampu mendiagnosa penyakit pada sapi dengan nilai kemiripan tertinggi hingga 100% pada pengujian pertama, namun sistem memberikan revisi jika nilai kemiripan di bawah 70%.Pengujian kedua menghasilkan rata-rata akurasi sebesar 27%, sedangkan pengujian ketiga dengan cross fold validation mencapai akurasi tertinggi sebesar 33,33% menggunakan 3 fold.Akurasi sistem yang rendah disebabkan oleh jumlah kasus yang terbatas dan penyebaran data yang tidak merata, sehingga sistem Case Base Reasoning masih memerlukan pengembangan lebih lanjut.

Future Research

Pertama, perlu dilakukan penelitian dengan menambah jumlah kasus dalam basis data secara signifikan untuk meningkatkan akurasi sistem, mengingat keterbatasan data saat ini hanya mencakup 30 kasus yang berdampak pada rendahnya tingkat keakuratan diagnosa. Kedua, diperlukan eksplorasi metode indexing lain yang lebih efisien dibanding Rough Set, atau penggabungan metode indexing hibrid, untuk memperbaiki proses pencarian kasus serupa dan mengurangi waktu komputasi. Ketiga, sebaiknya dikembangkan penelitian tentang adaptasi solusi berbasis konteks gejala langka atau penyakit dengan gejala tumpang tindih, agar sistem mampu membedakan diagnosa yang mirip namun berbeda penyakitnya, sehingga dapat meningkatkan keandalan sistem dalam kondisi riil di lapangan.

Metadata

File size	217.22 KB
Pages	6
DMCA	Report