cbr ikan hias
Post on 22-Feb-2018
220 Views
Preview:
TRANSCRIPT
-
7/24/2019 CBR Ikan Hias
1/10
ISSN:20879172 1
CaseBasedReasoningUntukPendiagnosaan Penyakit..(David)
CASEBASEDREASONINGUNTUKPENDIAGNOSAAN
PENYAKITIKANHIAS
DAVIDProgramStudiTeknikInformatika,
SekolahTinggiManajemenInformatikadanKomputerPontianak
Jln.MerdekaBaratN0.372Pontianak,KalimantanBarat
Telp(0561)735555,Fax(0561)737777
Email:David_Liauw@yahoo.comdanDavidLiauw@gmail.com
Abstract
Inaneffortto improvethequalityofornamentalfishandreducemortalityduetodiseasesof
ornamentalfish,fisheriesexpertswithexperienceisneeded.Thistime,theavailabilityoffisheryexperts
are still very limited and much expert knowledge is missing due to lack of documentation. On this
research,objectivesachievementistodesignaprototypesystemofcasebasedreasoning(CBR)thatcan
be used as a toolfor diagnosing diseases of ornamentalfish. The method used in this study is theexperimentalmethod.MakingprototypeCBRsystemisdoneusingknowledgerepresentationtakesthe
formofrules,theconceptofsimilarityandprobabilitycertaintyfactor. Theconclusionobtained isthe
prototypeCBRsystemscandiagnosediseasesofornamentalfishwellandtheresultsofanalysiscanbe
acceptedbyfisheriesexpertandnonexpertusers.Butthissystemstillhasshortcomingsthatislimitedin
itsknowledgebase.PrototypeCBRsystem isnot intended to replacefisheriesexpertbutasanaid in
diagnosingdiseasesofornamentalfish.
Keyword: OrnamentFishDiseases,CaseBasedReasoning,Similarity,CertaintyFactor
Abstrak
Dalamusahameningkatkankualitasikanhiasdanmengurangiangkakematianakibatpenyakit
ikanhias,dibutuhkanpakarperikananyangberpengalaman.Saat iniketersediaansumberdayapakar
perikanan
masih
sangat
terbatas
dan
banyak
pengetahuan
pakar
yang
hilang
akibat
kurangnya
dokumentasi.Tujuanyanghendakdicapaiadalahmerancangsuatuprototipesistempenalaranberbasis
kasus (CBR)yangdapatdigunakansebagaialatbantuuntukmelakukandiagnosapenyakitpada ikan
hias. Metode yang digunakan dalam penelitian ini adalah metode eksperimental pemrograman.
Pembuatan prototipe sistem CBR ini dilakukan dengan menggunakan representasi pengetahuan
dilakukandalambentukaturan,konsepsimilaritasdanprobabilitascertaintyfactor.Kesimpulanyang
diperolehadalahprototipesistemCBRinidapatmendiagnosapenyakitikanhiasdenganbaikdanhasil
analisisnyadapatditerimaoleh pakarperikananmaupunpenggunanonpakar.Namunsisteminimasih
memiliki kekuranganyaitu keterbatasan dalambasispengetahuannya. Prototipe sistem CBR ini tidak
dimaksudkanuntukmenggantikanpakarperikananmelainkansebagaialatbantudalammendiagnosa
penyakitpadaikanhias.
KataKunci: penyakitikanhias,penaralarancomputerberbasiskasus,similaritas,probabilitascertainty
factor
1.
PENDAHULUAN
Saat inisemakinbanyakperusahaanyangmulaibergerakdibidangbisnis ikan
hias.Untukmenghadapipersainganyangsemakinketatdalamperdaganganikanhias
beberapaperusahaanberusahamengembangkandiridanmempertahankanpelanggan
yang dimiliki dengan meningkatkan kualitas ikan hias yang dihasilkan dengan hanya
-
7/24/2019 CBR Ikan Hias
2/10
ISSN:20879172
JIKE
Vol.1,No.1, Januari2011: 110
2
menjual ikan dalam kondisi prima, sehat dan bagus agar dapat menunjukkan
penampilanyangindah.
Disampingmeningkatkankualitasyangdipengaruhipenampilanfisikikanhias,
jugaberusahamenekanangkakematianpadakomunitasikanyangditangkarkanyang
disebabkan penyakitmenular pada ikan hias. Sebagiankecil ikan hiasyang terinfeksi
penyakittertentu
apabila
tidak
ditangani
dengan
baik
akan
mengakibatkan
penularan
ke sebagian besar komunitas ikan hias dan dapat menyebabkan kematian dalam
jumlahbesaryangmengakibatkankerugianpadaperusahaan.Olehkarena itu,untuk
melakukanpengontrolanataskondisidankualitas ikansertamenjagakesehatan ikan
hias agar dapat mengurangi kematian ikan yang mengakibatkan kerugian, beberapa
perusahaanmempekerjakanpakarperikanan.
Penangananikanyangterinfeksiakanefektifapabilapenyakityangmenyerang
ikandapat terdeteksisedinimungkin.Dibutuhkanperawatan intensifpada ikanyang
terinfeksi dengan pengontrolan yang kontinuitas dan teratur selama beberapa hari
untuk mencegah meluasnya penyebaran penyakit tersebut dan memperkecil
kemungkinanterjangkitnyakembalipenyakit ikanhias.Apabilatidaksegeraditangani
akan
mengakibatkan
meluasnya
penyebaran
penyakit
serta
peningkatan
angka
kematianikandilokasipenangkaranyangmerupakankerugianbagiperusahaan.
Dari uraian tersebut dapat disimpulkan bahwa banyak kasus kematian pada
ikanyangterinfeksi.Olehkarenaituuntukmengurangipermasalahanyangtimbuldan
membantu tugas pakar perikanan dalam menangani perawatan ikan dibutuhkan
adanya suatu sistem yang dapat berfungsi sebagai alat bantu dalam mendiagnosa
penyakit pada ikan hias berbasiskan kasuskasus yang sudah pernah terjadi
sebelumnya.
Case Based Reasoning (CBR) adalah suatu metode penalaran pada bidang
kecerdasan buatan (artificial intelligence) di mana digunakan untuk mencari solusi
terbaik dari permasalahan yang berkaitan dengan memilih satu solusi dari banyak
solusi
[1].
Metode
CBR
dapat
digunakan
diberbagai
bidang
seperti
ekonomi,
ilmu
pengetahuan,danaplikasisosial[2].
CBR lebih popular dibandingkan dengan sistem tradisional yang berdasarkan
rulesyangbiasadisebutRuleBasedReasoning (RBR)karenaRBRmemilikibeberapa
kekuranganantara lain,sulitnyaprosesakuisisipengetahuan(knowledgeacquisition),
tidak ada penyimpanan data akan masalah atau pengalaman sebelumnya, efisiensi
inferensi yang lemah, tidak efektif bila berhubungan dengan exceptions, dan
performanceyang lemahuntukkeseluruhansystem[4].CBRdapatmengatasiseluruh
masalahyangtelahdisebutkansebelumnya.CBRyangberdasarkankasuslebihmudah
didapatdibandingkandenganrules[3].CBRdapatmenggunakankembali(reuse)hasil
sebelumnya, dari awal tidak memerlukan langkah demi langkah alasan, tetapi
efektivitasnyaakan
terus
berkembang
dengan
memecahkan
masalah
baru
[5].
Tujuan yang hendak dicapai dengan melakukan penelitian ini adalah untuk
merancang suatu sistem case based reasoning untuk mendeteksi penyakit ikan hias
berbasiskankasuskasusyangsudahpernahterjadisebelumnya.
2.METODEPENELITIAN
Penulis melakukan penelitian dalam bentuk studi kasus. Sedangkan metode
yang digunakan dalam penelitian adalah metode eksperimental dalam membuat
-
7/24/2019 CBR Ikan Hias
3/10
JIKE ISSN:20879172
CaseBasedReasoningUntukPendiagnosaanPenyakit(David)
3
perangkat lunak casebased reasoning. Dalam mengumpulkan data yang diperlukan
untukpenulisanpenelitianini,penulismelakukanwawancaradenganbeberapapakar
ikan hias. Serta mengumpulkan data melalui dokumen dan buku yang berkaitan
dengan topik pembahasan. Metode analisis dan perancangan perangkat lunak yang
digunakan adalah SDLC (SystemDevelopment LifeCycle) , sedangkan model analisis
danperancangan
perangkat
lunak
yang
digunakan
adalah
model
RapidPrototyping.
Penelitian ini menggunakan metode pengembangan perangkat lunak yang
terdiri dari tahaptahap sebagai berikut : 1). Observasi, Merupakan tahap
pengumpulandatayangakandijadikanpengetahuandarisistemyangakandibuat.,2)
AnalisaKasus,Merupakantahapuntukmenganalisakasusyangdiperolehdalamtahap
obeservasi, termasuk melakukan reduksi pengetahuan supaya tingkat redundansi
dapat berkurang., 3) Perancangan, Merupakan tahap perancangan terhadap
representasikasus.,4) Implementasi,Merupakantahapuntukmengimplementasikan
hasil rancangan sistem menjadi sebuah perangkat lunak., 5) Pengujian, Merupakan
tahapujicobadariperangkatlunakyangtelahdiimplementasikan.,dan6)Evaluasidan
PerbaikanKesalahan,Merupakantahapuntukmelakukanevaluasidandanperbaikan
terhadapkesalahan
kesalahan
yang
terjadi
dalam
perangkat
lunak
yang
dibuat.
2.1 PerancanganSistem
Aplikasi CBR pada gambar 1 melibatkan dua pengguna yaitu pakar dan user.
Pakar yang bertugas menginputkan basis pengetahuan (knowledge base) ke dalam
database case. Basis pengetahuan (knowledge base) yang diinputkan oleh pakar
meliputikasuskasusterkaitmasalahpenyakitikanhiasdansolusimasalahnya.Selain
itu, pakarjuga bertugas melakukan evaluasi atau peninjauan ulang atas solusi yang
disarankan kepada user (suggest solution) dalam menyelesaikan permasalahan yang
dihadapiuser.
Jika suggest solution tersebut sudah dapat mengatasi permasalahan yang
dihadapi
maka,
solusi
tersebut
akan
digunakan
untuk
menyelesaikan
permasalahanpada kasus baru yang memiliki permasalahan serupa. Namunjika suggest solution
tersebut belum menyelesaikan masalah maka akan dilakukan revisi pada database
caseolehpakar.TahapinidikenaldengantahapRevise.Sedangkanjikaterdapatkasus
baruyangtidakcocokdidalamdatabasekasus,makaprogramakanmenyimpankasus
barutersebutdidalambasisdatapengetahuandanmenggunakansolusibarusebagai
bagiandarikasusbaru.TahapinidikenaldengantahapRetain.
Sedangkanuser adalah pihak yang menjalankan perangkat lunakdengan cara
melakukan input data atas masalah yang dihadapi terkait dengan gejalagejala
penyakit yang muncul pada ikan hias. Data yang diinputkan oleh user akan diproses
sehinggaperangkatlunakakanmeretrievedatainputtersebutyaitumelakukanproses
pencariansejumlah
kasus
kasus
yang
terdapat
dalam
database
caseyang
memiliki
kemiripan dengan kasus baru yang diinputkan oleh user kemudian dihitung nilai
similaritas untuk setiap kasus dan kasus yang memiliki nilai similaritas tertinggi akan
dijadikan sebagai suggest solution, yaitu solusi yang didapatkan dan solusi yang
disarankankepadauserdalammenyelesaikanpermasalahanyangdihadapiolehuser
terkait dengan gejalagejala penyakit ikan hias. Tahapan selanjutnya, solusi yang
disarankankeuser(suggestsolution)akandigunakankembali(reuse)untukkasusbaru
lainnyayangmemilikimasalahserupa.
-
7/24/2019 CBR Ikan Hias
4/10
ISSN:20879172
JIKE
Vol.1,No.1, Januari2011: 110
4
Gambar1.ArsitekturSistem
2.2
Konsep
Similaritas
Similaritydapatdiformulasikanmelaluiperhitungansimilarityyangdimodekan
dengan mengkombinasikan beberapa parameter perhitungan similarity lokal untuk
fitur individudenganfungsiagregatglobal.Dengandemikianglobaldanpilihanuntuk
pemilihanprodukdapatdimodelkan.Tujuanutamakomponenretrievaladalahuntuk
memilih dari basis data produk, set produk dengan similarity tertinggi yang dihitung
dariperhitungansimilarity.
Hubungan
target
case
ke
sebuah
source
case
untuk
setiap
atributnya
menentukan similarity. Pengukuran similarity dapat dilakukan dengan perhitungan
factorpembobotan.Similaritydapatdinotasikandenganbentukberikut[6]:
=
=n
i
iii wSTfSTSimilarity1
).,(),( .................................................................... (1)
Dimana:
T = targetcase
S = sourcecase
n = jumlah atributtiapcase
i = atributtunggaldari1sampain
f = fungsisimilarityuntukatributipadacaseTdanS
w = bobotpentingdariatributi
2.2 PerancanganBasisData
DalammenyusundiagnosapenyakitikanhiasmenggunakanmetodeCBR,maka
datadata kasus sebelumnya yang mencakup komponenkomponen utama gejala
gejalapenyakitdimasukkandalamdatabaseuntukmembantupenyelesaianmasalah.
DiagramhubunganentitaspadabasisdataCBRinidapatdilihatpadagambar2.
-
7/24/2019 CBR Ikan Hias
5/10
JIKE ISSN:20879172
CaseBasedReasoningUntukPendiagnosaanPenyakit(David)
5
Gambar2.DiagramHubunganEntitasbasisdataCBRIkanHias
3.ANALISISDANPEMBAHASAN
3.1
Perhitungan
Similarity
Untuk
dapat
menemukan
kemiripan
kasus
lama
dalam
sistem
ini,
maka
dapat
dihitungmenggunakanfungsisimilarity,fungsisimilarityadalahsebagaiberikut:
=
=n
i
iiii cqwcq1
),(),( dimana=
=n
i
iw1
1dan 0iw untuksemuai.
Langkah1:
Dimisalkanadainputkasusyangbarusebagaiberikut:
JenisIkanHias : Koi
Umur : 5Bulan
Lokasi : AkuariumC
MemilikiciricirigejalagejalaFisikantaralain:
a. Ditemukanadanya
bintik
bulat
berwarna
putih
b. Terjadikerontokkansisikikandalamjumlahtidaknormal
c. Warnakulitikanmenjadilebihpucatdariikansejenis.
CiricirigejalafisikdimasukkankedalamDefinequerysebagaikasusyangbaru.
Langkah2:
Ciriciriyangtelahditentukanakanmeretrievebeberapakasusyangmirip.Halini
dilakukan agar sistem dapat mendeteksi kasuskasus lama yang mirip dengan kasus
yang baru. Cari kasus lama pada database kasus, hasil pencarian kasus lama pada
databaseadalahsebagaiberiku:
Tabel1.
Tabelkasus
yang
mirip
IdC as e Id Ge jala G0 1 G0 2 G 03 G 04 G 05 G 06 G 07 G0 8 G0 9 G 10 G 11 G 12 G 13 G 14 G1 5 Id Penya kit
C022 GE1 FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P004
C032 GE1 FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P001
C043 GE1 TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE P001
-
7/24/2019 CBR Ikan Hias
6/10
ISSN:20879172
JIKE
Vol.1,No.1, Januari2011: 110
6
Gambar3.TampilanDefineQueryuntukKasusBaru
Langkah3:
Gunakanpembobotan
untuk
menentukan
prioritas
masing
masing
atribut
kasus.
Langkah
4
:
Gunakan logika fuzzy untuk menentukan nilai keaggotaan dari tiap atribut dengan
kasus yang dicari dengan ketentuan 0 x.1, di mana x merupakan atribut nilai
keanggotaan kasus baru dengan atribut kasus lama yang mirip. Hasil perhitungan
tingkatkemiripantiaptiapkasusdengankasusbarusbb:
Tabel2.TabelKemiripanKasusdengankasusyangdicari
idCased JumlahkemiripanxBobottiapatribut JumlahBobot
TingkatKemiripan
(Similarity)
P004
5,222 17 0,307176470
P001 10,628 17 0,625176470
P001 14,218 17 0,863636363
Gambar4.TampilanRetrieveCaseddanReuseCased
-
7/24/2019 CBR Ikan Hias
7/10
-
7/24/2019 CBR Ikan Hias
8/10
ISSN:20879172
JIKE
Vol.1,No.1, Januari2011: 110
8
pemakaiyangmerupakanpakarperikanansedangkankelompokkeduaadalahpemakai
nonpakar(bukanmerupakanpakarperikanan).
Simulasi pengoperasian prototipe CBR dilakukan bersama kelompok pakar
untukmendapatkanevaluasiterhadapkemampuanprototipe inidalammendiagnosa
penyakit pada ikan hias dari pandangan pakar yang memiliki kemampuan dan
pengalamandalam
mendiagnosa
penyakit
ikan
hias.
Hasil
yang
diperoleh
dari
simulasi
yang dilakukan pada tiga kasus adalah perbandingan hasil diagnosis dengan
menggunakanprototipeCBRdanhasildiagnosispakarperikanansecaramanual.
Berdasarkan tanggapandarikeduapakarperikanandapatdisimpulkanbahwa
kemampuan dan hasil diagnosis prototipe CBR ini sudah dianggap wajar dan dapat
diterimaolehkeduapakarperikanan.PengoperasianCBR inidapatmemberikanhasil
diagnosispenyakitpadaikanhiasyangtidakberbedajauhdenganhasildiagnosisyang
dilakukanpakarperikanansecaramanual.
Berdasarkan hasil simulasi yang dilakukan diketahui bahwa perbedaan dapat
terjadi antara hasil diagnosis penyakit pada ikan hias yang dilakukan oleh para
pendiagnosa bukan pakar danjuga dengan hasil diagnosis prototipe CBR diagnose
penyakitikan
hias.
Perbedaan hasil diagnosis ini dapat disebabkan oleh beberapa faktor antara
lain perbedaan pengalaman dalam mendiagnosa penyakit pada ikan hias dan
perbedaan penilaian terhadap gejala yang tampak pada ikan yang terinfeksi.
Perbedaan penilaian terhadap gejala yang ditunjukkan ikan yang terinfeksi dapat
menyebabkan perbedaan hasil diagnosis yang dilakukan pada prototipe CBR. Hal ini
disebabkan hasil diagnosis pada prototipe CBR diperoleh dari fakta yang merupakan
kasuskasus yang sudah pernah diselesaikan oleh sistem. Perbedaan penilaian
terhadapgejalapadaikanhiasotomatismenyebabkanperbedaansolusidariCBR.
Gambar5.HasilPengujianSistem
-
7/24/2019 CBR Ikan Hias
9/10
JIKE ISSN:20879172
CaseBasedReasoningUntukPendiagnosaanPenyakit(David)
9
3.6 EvaluasiSistem
Pada evaluasi keseluruhan tentang kinerja sistem, kemampuan dan hasil
diagnosisprototipeCBRinisudahdapatditerimaolehpemakaiyangmerupakanpakar
perikananmaupunpemakainonpakar.SelainitucarapengoperasianprototipeCBRini
mudah dilakukan danjuga memiliki fleksibelitas karena pemakai dapat memperbaiki
maupunmembatalkan
jawaban
yang
telah
diberikan
pada
pertanyaan
sebelumnya.
Sedangkansaranyang diperolehadalah mengenai penggunaangambar untuk
mendukung penjelasan gejalagejala penyakit serta pengembangan program menjadi
sistem informasi ikan hias yang mencakup data berupa keterangan dan gambar ikan
hias, penyakit dan pengobatan ikan hias, tips perawatan ikan hias serta informasi
lainnyayangberkaitandenganikanhias.
4.KESIMPULAN
Darihasilanalisis,rancangan,penelitiandanpembahasandarisejumlahbahasan
diatas,makapenulisdapatmenariksejumlahkesimpulan,sebagaiberikut:
1) CaseBaseReasoninguntukpendiagnosaanpenyakitikanhiasdisusunberdasarkan
knowledge
based
yang
diambil
dari
kepakaran,
sistem
ini
dapat
dikembangkan
untuk keperluan diagnosis yang lain, dengan menggunakan komponen adaptasi,
makarulebaseknowledgebarudapatditambahkan.
2) Penerapan CBR sangat bergunajika menggabungkan metode ini dengan teknik
lainnyasepertiteknologiprobabilistikseperticertaintyfactordanbayes,teknologi
JaringanSyarafTiruan,AlgoritmaGenetika,ANTcolonytechnologydanlogikafuzzy
akan menghasilkan perangkat penarikan kesimpulan yang cocok untuk analisa
kasusdanmendapatkanhasil.
3) Untukpenelitianlebihlanjut,topikberikutdapatmenjadibahanpertimbangan:a)
Menyelesaikancontohpermasalahandenganlebihdanlebihdetil,databasekasus
dan lebihbanyakfaktapenyakit,b)Membangundatabasekasusyang lebihbesar,
c)Menulis
program
untuk
pendekatan
tersebut,
dan
d)
Memperkenalkan
metode
lainuntukfungsisimilaritasdanjalanlainuntukmenentukanadaptasikasus.
DAFTAR
PUSTAKA
[1]. Daqing,CandBurrell,P.,CasebasedReasoningsystemsandArtificialNeural
Networks:Areview,SpringerVerlag, 2001
[2]. Pal,S.K.,Shiu,S.C.K.,FoundationsofsoftCaseBasedReasoning,JohnWiley&
Sons,Inc.,2004
[3]. Salem.M.,Roushdy.MandHodHod.R.A.,2005,Acasebasedexpertsystemfor
supporting diagnosis of heart diseases, AIML Journal, Volume (5), Issue (1),
March,2005
[4]. Gayer,
G.,
Gilboa,
I.,
dan
Lieberman,
O.,
Rule
Based
and
Case
Based
Reasoning
in Housing Prices, Journal of Theoretical Economics, Vol. 7: Iss. 1 (Advances),
Article10,2007
[5]. Aadmodt, A and Plaza, E., CaseBased Reasoning: Foundational Issues,
Methodological Variations, and System Approaches,
http://www.iiia.csic.es/People/enric/AICom.pdf,23Oktober2009.
-
7/24/2019 CBR Ikan Hias
10/10
ISSN:20879172
JIKE
Vol.1,No.1, Januari2011: 110
10
[6]. Watson,Ian,ApplyingCaseBasedReasoning,MorganKaufmannPublisherInc,
SanFrancisco,California,1997
[7]. Durkin,John,ExpertSystemsDesignandDevelopment,PrenticeHall,1994
[8]. Supriyadi, Hambali, Membuat Ikan Hias Tampil Sehat dan Prima, Penerbit
AgromediaPustaka,Jakarta,2004
[9]. Kabata,
Z.,
Parasites
and
Diseases
of
Fish
Cultured
in
The
Tropic,
Taylor
and
Francis,London,1995
[10]. Petrovicky,I., AquariumFishofTheWorld,TheHamlynpublishingGroupLtd.,
London,1988
top related