Case Base Reasoning Untuk Mendiagnosis Penyakit Hipertensi Menggunakan Metode Indexing Density Based Spatial Clustering Application With Noise (DBSCAN)

Abstract

Abstract. Hypertension is one of the health problems priority in the world because of the increasing of life expectancy and an unhealthy lifestyle. Many people with hypertension are unreachable and undiagnosed by a health worker and they do not do treatment according to the health recommendation. The Case-Based Reasoning (CBR) Method can be applied to solve the new cases in diagnosed hypertension using the answer or experience from the old case by comparing the new case and the old case. In order to do not use all the basic case data for finding a similar case, it makes an indexing process is needed. The DBSCAN algorithm implementation as indexing method is expected to improve the time and memory efficiency in CBR, especially during the retrieval process. The result of the CBR test with the cluster-indexing has a better accuracy and time process than the non-indexing CBR. The minimum parameter points and epsilon that has been chosen for clustering on hypertension data case is the combination of epsilon score 9 and minimum points score 3 with the silhoutte coefficient score 0.240 and average cluster time 0.541 seconds. The Minkowski Distance method has better accuracy than the Euclidean Distance method because by the threshold score ≥ 0.9 the CBR system with the Minkowski distance method is able to diagnose the disease with 100 % accuracy and the average best retrieval time, it is 0.0586 second

Abstrak. Hipertensi menjadi salah satu prioritas masalah kesehatan di dunia karena peningkatan angka harapan hidup dan gaya hidup yang tidak sehat. Banyak penderita hipertensi yang tidak terjangkau dan terdiagnosis oleh tenaga kesehatan serta tidak menjalani pengobatan sesuai anjuran kesehatan. Metode Case-Based Reasoning (CBR) dapat diaplikasikan untuk menyelesaikan masalah baru dalam diagnosis penyakit hipertensi menggunakan jawaban atau pengalaman dari masalah lama  dengan membandingkan kasus baru dengan kasus lama. Supaya proses pencarian kasus yang mirip tidak perlu melibatkan seluruh data pada basis kasus,maka diperlukan proses indexing. Implementasi algoritme DBSCAN sebagai metode indexing diharapkan dapat meningkatkan efisiensi waktu dan memori pada CBR khususnya ketika proses retrival. Hasil pengujian CBR dengan cluster-indexing memiliki akurasi dan waktu proses yang lebih baik dari pada CBR non-indexing. Parameter minimum points dan epsilon yang dipilih untuk melakukan clustering pada data kasus penyakit hipertensi adalah kombinasi epsilon 9 dan minimum points 3 dengan nilai silhoutte coeffisien 0.240 dan waktu klaster rata-rata 0.541 detik. Metode minkowski distance memiliki akurasi yang lebih baik dari pada metode euclidean distance, karena dengan threshold ≥ 0.9 sistem CBR dengan metode minkowski distance mampu mendignosis penyakit dengan akurasi 100% dan waktu retrieve rata-rata terbaik yaitu 0.0586 detik.