DESAIN SISTEM PAKAR FUZZY UNTUK DIAGNOSA KANKER PROSTAT

Seminar Nasional Teknologi 2007 (SNT 2007) Yogyakarta, 24 November 2007

ISSN : 1978 – 9777

DESAIN SISTEM PAKAR FUZZY UNTUK DIAGNOSA KANKER PROSTAT Nurul Hidayat, M. Munawar Yusro Fakultas Sains dan Teknik Universitas Jenderal Soedirman

ABSTRAK In this study a fuzzy expert system design for diagnosing, analyzing and learning purpose of the prostate cancer diseases was described. For this process it was used prostate specific antigen (PSA),age and prostate volume (PV) as input parameters and prostate cancer risk (PCR) as output. This system allows determining if there is a need for the biopsy and it gives to user a range of the risk of the cancer diseases. There was observed that this system is rapid, economical, without risk than traditional diagnostic systems, has also a high reliability and can be used as learning system for medicine students. Keywords: Fuzzy logic, expert system, prostate cancer, prostate specific antigen, prostate volume 1. PENDAHULUAN Metode kecerdasan buatan (Artificial Intelligence /AI) sangat banyak digunakan dalam segala bidang termasuk aplikasi di bidang kesehatan/kedokteran. Teknologi softcomputing adalah sebuah bidang kajian penelitian interdisipliner dalam ilmu komputasi dan kecerdasan buatan. Beberapa teknik dalam softcomputing antara lain sistem pakar (expert system), jaringan syaraf tiruan (neural networks), logika fuzzy (fuzzy logic), dan algoritma genetik (genetic algorithms) banyak dikembangkan karena mempunyai keunggulan dalam penyelesaian masalah yang mengandung ketidakpastian, ketidaktepatan dan kebenaran parsial, termasuk dalam bidang kesehatan. Terdapat banyak naskah publikasi dalam bidang prognostik dan diagnosa kanker prostat dengan berbagai metode softcomputing. Dalam penelitian (Seker, Odetayo, Petrovic, D. dan Naguib, 2003) dikembangkan metode berbasis logika fuzzy untuk pengambilan keputusan prognostik untuk kanker payudara dan prostat. Dalam penelitian yang lain (Senge, Lorenz, Emert, dan Blum), dilakukan penelitian terhadap 5 (lima) algoritma klasifikasi neuro-fuzzy berdasarkan D ‐ 1


ISSN : 1978 – 9777

pendekatan yang berbeda untuk mengorganisir dan memilah kumpulan data biologis dengan membangun sistem

interferensi fuzzy. Hasilnya adalah algoritma clustering mountain dapat

mengenal >86%, pengklasifikasi Bayes 79%, dan pengklasifikasi KNN 78%.

Dari beberapa penelitian tersebut, nampak bahwa tidak mungkin melakukan diagnosa kanker prostat hanya berdasarkan hasil ultrasonography (USG) dan pemrosesan image (image processing). Sehingga perlu dikembangkan sistem pakar fuzzy berbasis aturan (rule-based fuzzy expert system/ FES) yang menggunakan data laborat dan data lainnya, dan disimulasikan dengan dokter ahli kanker prostat. Sebagai data laborat diperlukan ntigen spesifik prostat (PSA), umur pasien, dan volume prostat (PV) sebagai parameter masukan dan skala resiko kanker prostat (PCR) sebagai keluaran. Dengan menggunakan data tersebut dan bantuan dokter ahli, dikembangkan aturan fuzzy untuk mengetahui pentingnya biopsy dan faktor resiko kanker. Sistem pakar yang dikembangkan akan memberikan rasio kemungkinan pasien mengidap kanker prostat. Sistem dikembangkan menggunakan beberapa tools pemrograman dengan data 4641 pasien dari literatur (Brawer, dan Kirby, 1999). Hasil pengujian menunjukkan bahwa sistem pakar ini lebih rapid, efisien dan ekonomis dibandingkan sistem diagnosa tradisional, dan bisa digunakan sebagai pembelajaran bagi mahasiswa kedokteran. 2. METODOLOGI Pada penelitian ini, pengembangan sistem menggunakan data dari literatur (Brawer, dan Kirby, 1999) dan (Seker, Odetayo, Petrovic, D. dan Naguib, 2003), terutama dalam tahap pengujian. Data yang diperlukan adalah antigen spesifik prostat (Prostate Spesific Antigen /PSA), umur pasien (Age), dan volume prostat (Prostate Volume /PV) sebagai parameter masukan dan skala resiko kanker prostat (Prostate Cancer Risk /PCR) sebagai keluaran. Untuk proses fuzzifikasi beberapa parameter tersebut digunakan variabel linguistik very small (VS), small (S), middle (M), high (H), very high (VH), very low (VL), dan Low (L), serta menggunakan metode Mamdani maxmin dalam proses inferensi-nya.

2.1.

Desain Sistem Pakar Fuzzy

Faktor-faktor yang digunakan dalam sistem adalah : PSA (ng/ml), Umur (tahun), PV (ml), dan PCR (%). Untuk mendukung proses inferensi berbasis aturan maka dikembangkan 80 aturan fuzzy, seperti dalam tabel 1.

D ‐ 2


ISSN : 1978 – 9777

Tabel 1. Aturan (rule) Fuzzy yang dipakai Umur

Nomor Rule

PSA

Rule 1

VL

Rule 2

PV

PCR

Very Young

VS

VL

VL

Very Young

VS

L

Rule 3

VL

M

M

M

M

Rule 43

VL

MA

H

VL

VS

H

Pasien

M Rule 77

VH

Old

Sebagai contoh, Aturan 1, Aturan 43, dan 77 dapat diinterpretasikan sebagai berikut : Aturan 1 :

If PSA = VL and Umur = very young and PV = VS, then PCR= VL, atau jika dalam kalimat : Jika PSA Pasien adalah Very Low dan Pasien very young, dan PV pasien adalah Very Small, maka resiko kanker prostatnya adalah Very Low.

Aturan 43: If PSA = VL and Umur = Middle and PV = H, then PCR= VL, atau jika dalam kalimat : Jika PSA Pasien adalah Very Low dan Umur Pasien Middle, dan PV pasien adalah Very Small, maka resiko kanker prostatnya adalah Very Low. Aturan 77: If PSA = VH and Umur = Old and PV = VS, then PCR= VH, atau jika dalam kalimat : Jika PSA Pasien adalah Very High dan Umur Pasien Old, dan PV pasien adalah Very Small, maka resiko kanker prostatnya High.

Proses fuzzifikasi dari berbagai faktor tersebut dibuat oleh fungsi-fungsi berikut. Formula berikut ini diperoleh berdasarkan masukan pakar / dokter spesialis dan literatur (Brawer, dan Kirby, 1999).

D ‐ 3


⎧a, 0 < a < 16 PSA( A) = ⎨ ⎩1, a ≥ 50

⎧1, b ≥ 65 Umur ( B ) = ⎨ ⎩b, 0 < b < 65

⎧c, 3.8 ≤ c ≤ 308 ⎪ PV (C ) = ⎨0, c < 3.8 ⎪1, c > 308 ⎩

⎧ z , 0 ≤ c ≤ 100 ⎪ PCR ( D) = ⎨0, c < 0 ⎪1, c > 100 ⎩

ISSN : 1978 – 9777

(1)

Sedangkan FES yang dikembangkan memiliki struktur sebagai berikut :

Gambar 1. Struktur FES 2.2.

Struktur Faktor Fuzzy

Keanggotaan dari fungsi yang digunakan diperoleh dengan formula (1) dan dilihat dalam gambar berikut.

D ‐ 4


Gambar 2. Fungsi keanggotaan PSA

Gambar 3. Fungsi keanggotaan Umur Pasien

Gambar 4. Fungsi keanggotaan PV

D ‐ 5

ISSN : 1978 – 9777


ISSN : 1978 – 9777

Gambar 5. Fungsi keanggotaan PCR

Berdasarkan aturan-aturan yang dikembangkan dan formula (1), diperoleh ekspresi linguistik PSA adalah sebagai berikut :

⎧4 − a , 0
⎧a 0
a≤4 ⎧0 , ⎪a − 4 ⎪ , 4
⎧0, ⎪a − 8 ⎪ , ⎪ 4 = ( ) A μ High ⎨ ⎪16 − a , ⎪ 4 ⎪0 , ⎩

a ≤ 12 ⎧0, ⎪ a − 12 μ VeryHigh ( A) = ⎪⎨ 4 , 12 < a ≤ 16 ⎪ a ≥ 16 ⎪⎩0 ,

a≤8 8 < a ≤ 12 12 < a < 16 a ≥ 16

(2)

Ekspresi linguistik yang lainnya, untuk Umur (very young, Young, Middle Age, and Older) dan PV diperoleh dengan cara yang sama. Sedangkan untuk faktor output PCR, ekspresi D ‐ 6


ISSN : 1978 – 9777

linguistiknya adalah Very Low, Low, Middle, High, dan Very High, yang dapat diekpresikan sebagai very Small, Small, Middle, High, dan Very High seperti dalam formula (2). Sebagai contoh, fungsi keanggotaan untuk High PSA, Middle Age, dan Very Big PV memiliki bentuk respektif :

μ

high

μ

Middle

μ

VeryHigh

2.3.

( PSA) = {0 / 8 + 0.25 / 9 + 0.5 / 10 + 0.75 / 11 + 1 / 12 + 0.75 / 13 + 0.5 / 14 + 0.25 / 15 + 0 / 16}

(Umur ) = {0 / 35 + 0.33 / 40 + 0.67 / 45 + 1 / 50 + 0.67 / 55 + 0.33 / 60 + 0 / 65} ( PV ) = {0 / 2129 + 0.1 / 133 + 0.2 / 137 + ... + 1 / 171 + 1 / 175 + ... + 1 / 308}

Defuzzifikasi (Defuzzification)

Pada tahap ini, derajat kebenaran (truth degrees / α ) dari aturan ditentukan terhadap tiap-tiap aturan dengan menggabungkan fungsi min dilanjutkan fungsi max antar aturan yang aktif. Sebagai contoh, untuk PSA = 40 ng/ml, umur = 55 thn, PV = 230 ml, aturan 60 dan 80 akan dijalankan sehingga diperoleh :

α

60

= min(Very High PSA, Middle Umur, Very Big PV) = min(1, 0.67, 1) = 0.67

α

80

= min(Very High PSA, Old Umur, Very Big PV) = min(1, 0.33, 1) = 0.33

Dengan inferensi max-min Mamdani akan diperoleh fungsi keanggotaan untuk sistem ini yaitu max( α 60 , α 80 ) = 0.67 , yang berarti very high PCR. Nilai Crisp PCR dapat dihitung dengan defuzzifier metode center of gravity yaitu :

*

D

=

∫D⋅μ ∫μ

middle

middle

( D) dD

(3)

( D) dD

D ‐ 7


ISSN : 1978 – 9777

Setelah dilakukan perhitungan nilai PCR =78.4, yang mempunyai arti pasien mengidap kanker prostat memiliki kemungkian 78.4 %.

3. KESIMPULAN Keluaran hasil pengujian FES yang dikembangkan dibandingkan dengan hasil dalam literatur (Brawer, dan Kirby, 1999) seperti pada tabel 2. Dari tabel tersebut terdapat selisih resiko kanker prostat yang agak besar antara FES dengan data literatur (Brawer, dan Kirby, 1999). Hal ini mungkin disebabkan oleh hasil pembagian variabel linguistik menjadi 4. Jika pembagian variabelnya menjadi lebih banyak, maka hasilnya akan sama atau mendekati diagnosa tradisional. Namun sistem pakar ini sangat bagus untuk proses pengujian dan proses pembelajaran bagi mahasiswa kedokteran, khususnya materi kanker prostat.

Sistem ini hanya memberikan prosentase kemungkinan pasien memiliki kanker prostat dan membantu dokter membuat keputusan selanjutnya. Penelitian juga menunjukkan bahwa PV bukanlah faktor yang sangat penting untuk diagnosa kanker prostat. Meskipun PV yang tinggi akan meningkatkan PSA tetapi bukan berarti pasti kanker.

Tabel 2. Perbandingan hasil FES dan Literatur Umur PSA (ng/ml)

PV Pasien (ml)

Literatur (%)

Hasil FES (%)

(thn) 2

20

35

0.2 – 2

1.67

3

45

90

1–4

1.53

4

20

44

0.2 – 3

1.33

12

55

200

48 – 55

50.00

D ‐ 8


ISSN : 1978 – 9777

15

60

250

68 – 75

73.20

40

65

211

72 – 85

79.80

Makalah ini menjelaskan desain sistem pakar fuzzy untuk diagnosa dan menganalisa kemungkinan kanker prostat, yang dapat digunakan oleh dokter-spesialis dan sebagai metode pembelajaran lanjut bagi para mahasiswa. Untuk selanjutnya sistem pakar ini dapat dikembangkan dengan cara : (1) menambah basis aturan pengetahuan (rule-based knowledge) dan (2) menambahkan komponen jaringan syaraf (neural network) ke dalam sistem ini, agar hasilnya lebih optimal.

DAFTAR PUSTAKA Abbod, M.F., von Keyserlingk, D.G., Linkens D.A., dan Mahfouf, M. (2001). Survey of Utilization of Fuzzy Technology in Medicine and Healthcare, Fuzzy sets and Systems 120, pp.331349. Allahverdi, N. (2002). Expert Systems : An Artificial Intelligence Application, Istanbul : Atlas pp 248. Allahverdi, N., dan Yaldiz, S. (1998). Expert Systems Application in Medicine and Example of Design of a Pre-Diagnosis Expert system, Proc. Second Turkish-German Joint Computer Application days, 15-16 Oct 1998, Konya, pp.175-192. Brawer, M.K, dan Kirby, R. (1999). Prostate Spesific Antigen, 2nd Edition, Health Press, p.92 Kusumadewi, S., dan Hartati, S. (2006). Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf, Penerbit Graha Ilmu hal. 1- 9, Yogyakarta. Nguyen, H.P, dan Kreinovich, V. (2001). Fuzzy Logic and Its Application in Medicine, International Journal of Medical Informatics 62, pp.165-173. Saritas I., Allahverdi, N., dan Sert, I.U. (2003). A Fuzzy Expert Sytem Design for Diagnosis of Prostate Cancer, International Conference on Computer Systems and Technologies, CompSysTech.

D ‐ 9


ISSN : 1978 – 9777

Seker, H., Odetayo, M., Petrovic, D. dan Naguib, R.N.G. (2003). A Fuzzy Logic Based Method for Prognotic Decision Making in Breast and Prostate Cancer, IEEE Trans. On Information Technology in Biomedicine (in Press). Senge, Th., Lorenz, A., Emert, H., dan Blum, M., Comparison of Different Neuro-Fuzzy Classification Systems for the Detection of Prostate Cancer in Ultrasonic Images, http://www.lp-it.de/neuro-fuzzy-classification .pdf diakses terakhir tanggal 14 Mei 2007. http://www.kaiserpermanente.org/medicine/permjournal/winter00pj, diakses terakhir tanggal 22 Mei 2007.

D ‐ 10

DESAIN SISTEM PAKAR FUZZY UNTUK DIAGNOSA KANKER PROSTAT

Recommend Documents