1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kulit manusia adalah lapisan luar dari tubuh. Pada manusia, itu adalah

organ terbesar dari sistem yang menutupi. Gangguan pada kulit sering terjadi

karena berbagai faktor penyebab, antara lain yaitu iklim, lingkungan tempat

tinggal, kebiasaan hidup yang kurang sehat, alergi, dan lain-lain. Untuk

mengobati atau mencegah penyakit kulit semakin parah dibutuhkan keahlian dari

seorang spesialis kulit untuk mendiagnosa penyakit dan memberikan penanganan

yang tepat.

Dengan berkembangnya teknologi masa kini, untuk mendiagnosa sebuah

penyakit tidak hanya dapat dilakukan oleh seorang spesialis saja. Sebuah sistem

pakar yang merupakan sistem yang mengadopsi keahlian dari seorang pakar juga

dapat mendiagnosa suatu penyakit. Namun suatu sistem pakar juga harus

diperhatikan keakuratan hasil diagnosanya. Semakin akurat hasil diagnosa maka

sistem tersebut semakin baik.

Penalaran berbasis kasus (Case-Based Reasoning) merupakan salah satu

teknik penalaran yang sering digunakan dalam sistem pakar yang menggunakan

pengalaman lama atau kasus-kasus lama untuk menyelesaikan masalah baru.

Metode penalaran berbasis kasus berkembang setelah diketahui bahwa kasus-

kasus sukses di masa lalu ternyata dapat dipakai sebagai acuan dalam

pengambilan keputusan jika terdapat kemiripan dalam beberapa kondisi (Watson,

I).

Dalam penalaran berbasis kasus diperlukan suatu algoritma pencarian

similaritas untuk mencari kemiripan kasus lama dengan kasus baru. Ada beberapa

penelitian yang telah menerapkan algoritma-algoritma pencarian similaritas. Pada

penelitian sebelumnya digunakan algoritma Decision Tree C4.5 untuk mencari

kemiripan kasus (Kusrini, 2007), namun algoritma decision tree menghasilkan

hasil klasifikasi dengan akurasi yang kurang tinggi dibandingkan dengan

algoritma K-Nearest Neighbor. Hal ini terbukti dari hasil penelitian Muhammad

Fakhrurrifqi yang membadingkan algoritma K-Nearest Neighbor, C4.5, dan LVQ

2

untuk klasifikasi kemampuan mahasiswa (Muhammad Fakhrurrifqi, 2013).

Penelitian lainnya menggunakan metode K-Nearest Neighbor dengan adapative

distance measure (Jigang Wang, 2007). Pada penelitian tersebut menunjukkan

bahwa tingkat eror yang dihasilkan oleh K-Nearest Neighbor lebih tinggi

dibandingkan dengan K-Nearest Neighbor dengan Adaptive Distance Measure.

Dengan memperhatikan keunggulan K-Nearest Neighbor dengan Adaptive

Distance Measure, maka dalam penelitian ini akan dilakukan penerapan Adaptive

Distance Measure untuk melakukan pencarian similaritas untuk klasifikasi

penyakit kulit. Penulis ingin menerapkan algoritma K-Nearest Neighbor dengan

Adaptive Distance Measure ini pada sistem pakar identifikasi penyakit kulit dan

membandingkan dengan algoritma pencarian similaritas lainnya dengan harapan

metode ini dapat menghasilkan hasil klasifikasi dengan performa yang baik.

1.2 Rumusan Masalah

Dari latar belakang masalah tersebut dapat dirumuskan suatu

permasalahan yaitu :

a. Bagaimana penerapan metode Euclidean Distance, Manhattan Distance,

dan Adaptive Distance Measure dalam K-Nearest Neighbor pada

identifikasi penyakit kulit?

b. Bagaimana perbandingan hasil klasifikasi K-Nearest Neighbor apabila

menggunakan Euclidean Distance, Manhattan Distance, dan Adaptive

Distance Measure dilihat dari sudut pandang jumlah tetangga?

1.3 Tujuan Penelitian

Adapun tujuan penelitian yang penulis lakukan adalah :

a. Menerapkan metode Euclidean Distance, Manhattan Distance, dan

Adaptive Distance Measure dalam K-Nearest Neighbor pada identifikasi

penyakit kulit.

b. Untuk mengetahui bagaimana perbandingan hasil klasifikasi K-Nearest

Neighbor apabila menggunakan Euclidean Distance, Manhattan Distance,

dan Adaptive Distance Measure dilihat dari sudut pandang jumlah

tetangga.

3

1.4 Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah :

a. Sistem hanya mengklasifikasi penyakit kulit jenis erythemato-squamous.

Yaitu timbulnya warna kemerahan dan bersisik pada kulit.

b. Data yang akan digunakan pada penelitian ini adalah data dermatologi dari

uci.edu.

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah hasil penelitian nantinya dapat

dijadikan salah satu referensi keilmuan dalam penelitian di bidang sistem pakar

khususnya pada identifikasi penyakit kulit.

1.6 Metodelogi Penelitian

Pada bagian ini menjelaskan tahap-tahap yang akan dilakukan oleh penulis

untuk melakukan identifikasi penyakit kulit menggunakan algoritma K-Nearest

Neighbor. Tahapan-tahapan tersebut antara lain adalah mengenai pengumpulan

data, metode yang digunakan, evaluasi dan pengujian.

1.6.1 Data Penelitian

Pada penelitian kali ini menggunakan data set dermatologi. Dari data ini

nantinya akan dibentuk aturan-aturan yang akan digunakan dalam sistem pakar.

data yang digunakan adalah gejala-gelaja penyakit kulit, kesimpulan penyakit,

cara pengobatan, dan pencegahan penyebaran penyakit. Data penelitian ini terdiri

dari 6 klasifikasi penyakit dan 34 atribut gejala dengan jumlah total kasus adalah

358 kasus.

Berikut adalah kelas penyakit dari erythemato-squamous :

1. Psoriasis 2. Seboreic dermatitis 3. Lichen planus 4. Pityriasis rosea 5. Cronic dermatitis 6. Pityriasis rubra pilaris

4

Tabel 1. 1 Atribut Klinis

Atribut Klinis

No Nama Gejala Keterangan

G1 Erythema Kemerahan pada kulit

G2 Scaling Kulit terkelupas

G3 Definite borders Membuat garis batas pada kulit

G4 Itching Gatal

G5 Koebner phenomenon Kulit bersisik

G6 Polygonal papules Jerawat padat berbentuk poligon

G7 Follicular papules Jerawat padat pada folikel

G8 Oral mucosal involvement Melibatkan lapisan enzim pada mulut

G9 Knee and elbow involvement Melibatkan lutut dan siku

G10 Scalp involvement Melibatkan kulit kepala

G11 Family history Sejarah keturunan

G34 Age Usia

5

Tabel 1. 2 Atribut Penampakan Sel

Atribut Penampakan Sel No Nama Gejala Keterangan

G12 Melanin incontinence Ketidakmampuan mengontrol melanin G13 Eosinophils in the infiltrate Masuknya sel darah eosinopfil.

G14 PNL infiltrate Terdapat gambaran sel polimorfonuklear (berinti banyak)

G15 Fibrosis of the papillary dermis

Pembentukan jaringan ikat fibrosa pada bagian papiler dermis.

G16 Exocytosis Proses dimana sel mengangkut produk sekresi melalui sitoplasma ke membran plasma.

G17 Acanthosis Penebalan kulit yang paling luar

G18 Hyperkeratosis Penumpukan berlebihan dari sel-sel kulit yang bersamaan dengan sebum dan bakteri.

G19 Parakeratosis Masuknya inti keratinosit ke dalam sel kulit.

G20 Clubbing of the rete ridges

Pengumpulan persambungan antara epidermis dan dermis yang berfungsi sebagai tempat penukaran nutrisi yang esensial.

G21 Elongation of the rete ridges

Pemanjangan persambungan antara epidermis dan dermis yang berfungsi sebagai tempat penukaran nutrisi yang esensial.

G22 Thinning of the suprapapillary epidermis

Mengecilnya lapisan suprapapillary

G23 Spongiform pustules Timbunan sel neutrofil (sel darah putih) di dalam dan diantara sel-sel epidermis.

G24 Munro microabcess Nanah kecil akibat infeksi.

G25 Focal hypergranulosis Betambah banyaknya sel-sel stratum granulosum.

G26 Disappearance of the glanular layer

Menghilangnya lapisan granul (bintik-bintik)

G27 Vacuolization and damage of basal layer

Kerusakan pada lapisan dasar dalam rongga sitoplasma.

G28 Spongiosis Penumpukan cairan

G29 Saw-tooth appearance of retes Munculnya struktur yang terdiri dari sebuah jaringan fibrosa atau mesh yang menyerupai gigi pemotong

G30 Follicular horn plug

Penyumbat berbentuk tanduk pada distribusi dermatosis yang mengacu pada perkembangan lesi individu dari folikel rambut

G31 Perifollicular parakeratosis Retensi inti dalam sel-sel lapisan epidermis yang melakukan proses

6

dimana sel mengangkut produk sekresi melalui sitoplasma ke membran plasma

G32 Inflammatory monoluclear infiltrate

Masuknya sel darah putih yang meradang

G33 Band-like infiltrate Segerombolan sel yang masuk kedalam lapisan sel kulit

1.6.2 Metode yang Digunakan

Dalam penelitian ini akan dilakukan pencarian hasil dari identifikasi

penyakit kulit dengan metode berbasis kasus yaitu Case-Based Reasoning (CBR)

dengan menggunakan pendekatan tetangga terdekat yaitu K-Nearest Neighbor.

K-Nearest Neighbor digunakan untuk membandingkan kasus yang baru

didapat dari pasien dengan kasus terdahulu untuk melihat tingkat kecocokan dari

kasus baru yang telah didapat dengan kasus yang sebelumnya pernah terjadi.

Pada CBR terdapat tahapan untuk mengenali kemiripan dari kasus baru

dengan kasus lama sekaligus merupakan tahapan yang pertama kali memproses

inputan yang diberikan oleh user yaitu retrieve. Pada tahap retrieve inilah

algoritma K-Nearest Neighbor digunakan untuk mengenali tingkat kemiripan

kasus digunakan dengan pendekatan jarak Euclidean Distance, Manhattan

Distance, dan Adaptive Distance Measure. Untuk melakukan proses penghitungan

similarity digunakan rumus sebagai berikut :

a. Euclidean Distance

�(�, ��) = �∑ ��� − �����

���� �

�

� ........................................ (1)

b. Manhattan Distance

�(�, ��) = ∑ ��� − �����

��� .............................................. (2)

c. Adaptive Distance Measure

Pada Adaptive Distance Measure dilakukan pengitungan jarak

menggunakan rumus Euclidean Distance kemudian dibagi dengan radius

(r�). Penghitungan radius dilakukan dengan mencari nilai minimal dari

hasil similarity kasus lama ke-i (��) dengan kasus lama ke-l (��) dengan

syarat kasus lama ke-l memiliki kelas yang berbeda dengan kasus lama ke-

i. Berikut adalah rumusnya :

7

����(�, �� ) =�(�,�� )

�� ......................................... (3)

�� = min�����(��, ��) − � ....................................... (4)

Keterangan :

� : Kasus Baru

� : Kasus Lama

� : Indeks Kasus

� : Indeks Atribut Gejala

� : Dengan Jumlah Atribut = 34

�� : Indeks Radius

� : Indeks Kasus Lama

� : Epsilon = 0,001

Tabel 1. 3 Contoh Kasus

Nama Gejala Bobot Pada Atribut Gejala

Erythema 3 2 2 2 2 2 3

Scaling 3 2 1 2 1 1 3

Definite borders 3 0 2 1 0 1 2

Itching 2 3 3 0 2 2 0

Koebner phenomenon 1 0 1 1 0 0 1

Polygonal papules 0 0 3 0 0 0 0

Follicular papules 0 0 0 0 0 3 0

Oral mucosal involvement 0 0 3 0 0 0 0

Knee and elbow involvement 1 1 0 0 0 1 2

Scalp involvement 1 0 0 0 0 2 2

Family history 1 0 0 0 0 0 1

Melanin incontinence 0 0 1 0 0 0 0

Eosinophils in the infiltrate 0 0 0 0 0 0 0

PNL infiltrate 1 0 0 0 0 1 0

Fibrosis of the papillary dermis 0 0 0 0 3 0 0

Exocytosis 1 3 1 3 1 0 0

Acanthosis 2 2 2 2 3 1 2

Hyperkeratosis 0 0 0 0 0 2 1

Parakeratosis 2 0 2 2 0 2 3

Clubbing of the rete ridges 2 0 0 0 0 0 3

Elongation of the rete ridges 2 0 0 0 2 1 3

Thinning of the suprapapillary epidermis 2 0 0 0 0 0 2

8

Spongiform pustules 2 0 0 0 0 1 1

Munro microabcess 1 0 0 0 0 0 0

Focal hypergranulosis 0 0 2 0 0 0 0

Disappearance of the glanular layer 0 0 0 0 0 0 1

Vacuolization and damage of basal layer 0 0 2 0 0 0 0

Spongiosis 0 3 3 2 0 0 0

Saw-tooth appearance of retes 0 0 2 0 0 0 0

Follicular horn plug 0 0 0 0 0 1 0

Perifollicular parakeratosis 0 0 0 0 0 2 0

Inflammatory monoluclear infiltrate 1 1 2 2 2 1 2

Band-like infiltrate 0 0 3 0 0 0 0

Age 8 55 26 30 18 8 30

Kelas penyakit 1 2 3 4 5 6 7

Kelas penyakit 1 merupakan kelas penyakit Psoriasis, kelas 2 adalah

Seboreic dermatitis, kelas 3 adalah Lichen planus, kelas 4 adalah Pityriasis

rosea, kelas 5 adalah cronic dermatitis, kelas 6 adalah Pityriasis rubra pilaris,

dan kelas 7 adalah kelas penyakit pada kasus baru yang belum diketahui.

Pada kasus kelas 1 memiliki 20 atribut gejala yang sama dengan kasus

kelas 7, kasus kelas 2 memiliki 16 atribut gejala yang sama dengan kasus kelas 7,

kasus kelas 3 memiliki 12 atribut gejala yang sama dengan kasus kelas 7, kasus

kelas 4 memiliki 15 atribut gejala yang sama dengan kasus kelas 7, kasus kelas 5

memiliki 16 atribut gejala yang sama dengan kasus kelas 7, dan kasus kelas 6

memiliki 15 atribut gejala yang sama dengan kasus kelas 7. Dari beberapa

kesamaan gejala diatas, kasus pada kelas 1 memiliki jumlah kesamaan gejala yang

lebih tinggi yaitu 20 atribut gejala sama. Untuk lebih memastikan kemiripan dari

kelas-kelas di atas dilakukan penghitungan nilai similarity.

Euclidean Distance :

�� = �(|��������� − ��������� ���|�) + (|��������� − ��������� ���|�)

+ ⋯ + (|��������� − ��������� ���|�)

=

⎷⃓⃓⃓⃓⃓⃓⃓⃓

�⃓ |3 − 3|� + |3 − 3|� + |2 − 3|� + |0 − 2|� + |1 − 1|� + |0 − 0|� + |0 − 0|�

+|0 − 0|� + |2 − 1|� + |2 − 1|� + |1 − 1|� + |0 − 0|� + |0 − 0|� + |0 − 1|�

+|0 − 0|� + |0 − 1|� + |2 − 2|� + |1 − 0|� + |3 − 2|� + |3 − 2|� + |3 − 2|�

+|2 − 2|� + |1 − 2|� + |0 − 1|� + |0 − 0|� + |1 − 0|� + |0 − 0|� + |0 − 0|�

+|0 − 0|� + |0 − 0|� + |0 − 0|� + |2 − 1|� + |0 − 0|� + |1.2 − 0.32|�

9

= �0 + 0 + 1 + 4 + 0 + 0 + 0 + 0 + 1 + 1 + 0 + 0 + 0 + 1 + 0 + 1 + 0 + 1+1 + 1 + 1 + 0 + 1 + 1 + 0 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 0 + 0.774

= √501

= 4.216

Nilai kedekatan antara kasus pada kelas 7 dengan kasus kelas 1 adalah 22,383

Manhattan Distance:

�� =(|��������� − ��������� ��1|) + (|��������� − ��������� ��2|)

+ ⋯ + (|��������� − ��������� ���|)

=

|3 − 3| + |3 − 3| + |2 − 3| + |0 − 2| + |1 − 1| + |0 − 0| + |0 − 0|

+|0 − 0| + |2 − 1| + |2 − 1| + |1 − 1| + |0 − 0| + |0 − 0| + |0 − 1|

+|0 − 0| + |0 − 1| + |2 − 2| + |1 − 0| + |3 − 2| + |3 − 2| + |3 − 2|

+|2 − 2| + |1 − 2| + |0 − 1| + |0 − 0| + |1 − 0| + |0 − 0| + |0 − 0|

+|0 − 0| + |0 − 0| + |0 − 0| + |2 − 1| + |0 − 0| + |1.2 − 0.32|

= 0 + 0 + 1 + 2 + 0 + 0 + 0 + 0 + 1 + 1 + 0 + 0 + 0 + 1 + 0 + 1 + 0 + 1 +

1 + 1 + 1 + 0 + 1 + 1 + 0 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 0 + 0.88

= 15.88

Jarak kedekatan antara kasus pada kelas 7 dengan kasus kelas 1 adalah 15.88

Adaptive Distance Measure

���� = ��/��

�� = min�����(������������ − ��������� ���)

Setelah proses Retrieve selesai dilakukan, lalu akan dilanjutkan dengan proses

Reuse yaitu menggunakan informasi permasalahan sebelumnya yang memiliki

kesamaan untuk menyelesaikan permasalahan yang baru kemudian dilanjutkan

dengan proses retain yaitu menyimpan informasi yang baru didapat.

10

1.6.3 Evaluasi dan Pengujian

Pada tahapan ini akan dilakukan pengujian sistem dengan melakukan

beberapa kali percobaan untuk menguji sistem apakah hasil diagnosa sudah sesuai

dengan dengan pakar. Untuk menguji keakuratan dari sistem dilakukan dengan

perhitungan sebagai berikut :

������ =������ �����

������ ��������� � 100% ............................. (4)

Untuk melihat tingkat eror yang dihasilkan, hasil percobaan akan

dimasukkan ke dalam grafik agar lebih mudah untuk membadingkan tingkat eror

yang dihasilkan pada saat klasifikasi.

Gambar 1. 1 Grafik Tingkat Eror

0

0.2

0.4

0.6

0.8

1

1.2

K =

1

K =

18

K =

35

K =

52

K =

69

K =

86

K =

10

3

K =

12

0

K =

13

7

K =

15

4

K =

17

1

K =

18

8

K =

20

5

K =

22

2

K =

23

9

Tin

gkat

Ero

r

Grafik Tingkat Eror

ED

MD

SADM