Implementasi metode Nearest Neighbor berbasis CBR untuk identifikasi dini penyakit demam berdarah


Rabiah Adawiyah(1*); Mardiawati Mardiawati(2); Kharis Sya’ban(3);

(1) Universitas sembilanbelas November Kolaka
(2) Universitas sembilanbelas November Kolaka
(3) Universitas sembilanbelas November Kolaka
(*) Corresponding Author

  

Abstract


Pada tahun 2021 tercatat di Badan Pusat statistik provinsi sulawesi tenggara tercatat sebanyak 824 kasus. Meningkatnya kasus setiap tahunnya menjadikan penyakit DBD ini masuk kategori KLB. Saat ini masyarakat kecamatan Tanggetada belum mempunyai model Artificial Intelegence ( AI ) berbasis CaSe Based Reasoning ( CBR )   untuk mendapatkan informasi terkait deteksi dini penyakit DBD, sehingga model ini dianggap perlu untuk dikembangkan agar dapat membantu memberikan informasi sejak dini kepada masyarakat tentang penyakit DBD.  Metode yang digunakan untuk mendeteksi penyakit DBD yaitu Nearest Neighbor serta Teknik pengembangan sistem yang digunakan yaitu waterfall. Penelitian ini menghasilkan sebuah sistem berbasis AI dengan metode CBR yang mampu mendiagnosis gejala dini penyakit demam berdarah dengan hasil  pengujian blackbox yang menunjukkan sistem dinyatakan valid dan terbebas dari kesalahan fungsional sistem, serta menghasilkan pengujian akurasi sistem sebesar 90 %.

Keywords


Demam berdarah; Case Based Reasoning (CBR); Early Detection; Nearest Neighbor

  
     

Article Metrics

Abstract view: 2 times
     

Digital Object Identifier

doi  https://doi.org/10.33096/busiti.v6i1.2511 		  

Cite

How to cite item

References


S. R. Hadinegoro and Satari HI, Demam berdarah dengue. Jakarta: Balai Penerbit FKUI., 1999.

D. J. Gubler, “Dengue and Dengue Hemorrhagic Fever,” Clin Microbiol Rev, vol. 11, no. 3, pp. 480–496, Jul. 1998, doi: 10.1128/CMR.11.3.480.

R. Adawiyah, “Case Based Reasoning Untuk Diagnosis Penyakit Demam Berdarah,” INTENSIF, vol. 1, no. 1, p. 63, Feb. 2017, doi: 10.29407/intensif.v1i1.544.

K. S. , Pal and K. C. S. Shiu, Foundations of Soft Case Based Reasoning. New Jersey.: A John Wiley & Son, Inc., Publication, 2004.

R. Adawiyah and F. Handayani, “Rancang Bangun Case Based Reasoning untuk Diagnosis Hama dan Penyakit Tanaman Nilam menggunakan Nearest Neighbor Kombinasi Certainty Factor,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 3, pp. 477–482, May 2020, doi: 10.25126/jtiik.2020732046.

Nurul Anggraini, Reza Fahlevie F. Afidh, and Elisawati, “Sistem Pakar Diagnosa Penyakit Sapi Menggunakan Metode CBR Dan Algoritma Similarity Sorgenfrei,” Journal Of Engineering And Technology Innovation ( JETI ), vol. Vol. 2, Feb. 2023.

R. A. Praptiwi, N. Rokhman, and W. Wahyono, “Case-Based Reasoning Using The Nearest Neighbor Method For Detection Of Equipment Damage To PLN Power Plant,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 14, no. 4, p. 377, Oct. 2020, doi: 10.22146/ijccs.57434.

Luh Putu Ary Sri Tjahyanti, Putu Satya Saputra, and Made Santo Gitakarma, “Peran artificial intelegence (AI) untuk mendukung pembelajaran dimasa pandemi Covid-19,” Jurnal Komputer dan Teknologi Sains (KOMTEKS) , vol. Vol. 1, no. No. 1, pp. 15–21, Oct. 2022.

J. L. Kolodner, “An Introduction to Case Based Reasoning”, Artificial Intelligence Review, Vol. 6, pp. 3-34, 1992.

Aamodt and E. A & Plaza, “Case Based Reasoning: Foundation Issues Methodological Variations, and System Approaches”, AI Communication, Vol 7, No. 1, pp. 39-59, 1994.

Kusrini and Luthfi ET, Algoritma Data Mining. (Yogyakarta): Andi Offset, 2009

Vicky R, Nurul H dan Ratih K.D, 2020, “Identifikasi Tingkat Stress Pada Manusia Menggunakan Metode K-NN (K-Nearest Neighbour)” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer , e-ISSN: 2548-964X, Vol. 4, No. 9, http://j-ptiik.ub.ac.id hlm. 3129-3134


Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Buletin Sistem Informasi dan Teknologi Islam (BUSITI)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.