CASE-BASED REASONING UNTUK DIAGNOSIS PENYAKIT PARU-PARU MENGGUNAKAN LEARNING VECTOR QUANTIZATION DAN NEAREST NEIGHBOR

HARYOKO, Drs. Retantyo Wardoyo, M.Sc., Ph.D.

2016 | Tesis | S2 Ilmu Komputer

Perbandingan antara banyaknya jumlah penderita paru-paru dengan jumlah dokter spesialis paru-paru yang tidak seimbang. Sulit bagi yang bukan dokter spesialis dalam mendiagnosis penyakit paru-paru. Akuisisi pengetahuan untuk sistem penyakit paru-paru yang lengkap tidak mudah untuk diperoleh. Sehingga sistem pakar yang tersedia menjadi terbatas. Sementara sudah banyak terjadi kasus penyakit paru-paru. Case based reasoning (CBR) merupakan salah satu metode untuk memecahkan permasalahan berdasarkan kasus-kasus yang telah ada sebelumnya yang mirip sebagai solusi untuk permasalahan yang baru. Oleh karena itu dibangun sistem CBR untuk mendiagnosis penyakit paru-paru. Proses diagnosisnya dilakukan dengan cara memasukkan permasalahan baru (target case) untuk dibandingkan dengan kasus lama (source case) untuk dihitung nilai similaritasnya. Penelitian ini menggunakan learning vector quantization untuk proses indexing dengan tujuan untuk mempercepat proses retrieval dan untuk proses similarity menggunakan nearest neighbor. Pengujian dilakukan dengan menggunakan 38 kasus sebagai data uji yang diambil secara acak dari data penelitian keseluruhan 80 kasus. Basis kasus yang digunakan sejumlah 42 kasus. Skenario pengujian dilakukan dengan 2 cara yaitu: tanpa indexing (nearest neighbor) menghasilkan tingkat akurasi sebesar 73,68 % dan menggunakan indexing (learning vector quantization) menghasilkan tingkat akurasi sebesar 42,10 % sehingga dengan hasil pengujian yang diperoleh maka dapat dikatakan bahwa sistem CBR menggunakan nearest neighbor menghasilkan tingkat akurasi sistem lebih tinggi dibandingkan dengan menggunakan learning vector quantization.

Comparison between the number of patients with lung by the number of lung specialists unbalanced. Difficult for non-specialists in diagnosing lung disease. Knowledge acquisition system for lung diseases are complete is not easy to obtain. So that an expert system available is limited. While a lot of cases of lung disease done. Case-based reasoning (CBR) is one method to solve the problem based on the cases that have been there before are similar on solutions to new problems. Therefore built CBR system to diagnose lung disease. The process of diagnosis is done by inserting a new problem (target case) to be compared with the old cases (source case) to calculate the value of similarity This study using a learning vector quantization for the indexing process with the aim to accelerate the retrieval process and to the process of using the nearest neighbor similarity. Tests carried out using 38 cases as test data taken at random from the overall study data of 80 cases. Base case used a number of 42 cases. Scenario testing is done in 2 ways: without indexing (nearest neighbor) produces an accuracy rate of 73.68% and using indexing (learning vector quantization) yield of 42.10% accuracy rate so that the test results obtained, it can be said that the CBR system using the nearest neighbor to produce higher levels of accuracy than the system using a learning vector quantization.

Kata Kunci : paru-paru, penalaran berbasis kasus, indexing, learning vector quantization, nearest neighbor, lungs, case base reasoning, indexing, learning vector quantization, nearest neighbor