perpustakaan.uns.ac.id
digilib.uns.ac.id
IMPLEMENTASI METODE SIMILARITY UNTUK PENDUKUNG KEPUTUSAN DIAGNOSIS KANKER SERVIKS
SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika
Disusun Oleh: Upi Rianantika M0508073
JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA Februari, 2013
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
MOTTO
“Anda lebih dari yang anda pikirkan, dan anda bisa meraih lebih dari yang sudah anda capai sekarang” - tiya, samarpan –
“Do what you can, with what you have, where you are” “It is hard to fail, but it is worse never to have tried to succeed” -Theodore Roosevelt-
“Untuk mendapatkan hal-hal yang besar, jangan meremehkan hal-hal yang sederhana” -Hitam Putih -
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
PERSEMBAHAN
Karya ini penulis persembahkan kepada : -
Ayah, ibu dan keluarga tercinta.
-
Teman-teman S1 informatika angkatan 2008.
-
Saudari-saudariku di Kost Mint.
-
Sahabat Lenongers.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
IMPLEMENTASI METODE SIMILARITY UNTUK PENDUKUNG KEPUTUSAN DIAGNOSIS KANKER SERVIKS
UPI RIANANTIKA Jurusan Infromatika. Fakultas MIPA. Universitas Sebelas Maret
ABSTRAK Similarity merupakan salah
satu
metode yang digunakan untuk
menghitung kemiripan dua objek. Similarity banyak digunakan dalam perhitungan klasifikasi, pengelompokan, dll. Untuk menghindari kesalahan diagnosis, metode similarity jaccard dan similarity cosine digunakan untuk mendukung diagnosis kanker serviks. Data yang digunakan berupa data matriks gejala penya kit kanker, data matriks gejala non kanker, dan data matriks gejala pasien. Perhitungan similarity dilakukan dengan cara membandingkan data matriks gejala pasien dengan data matriks gejala penyakit kanker. Data matriks gejala pasien dengan data matriks gejala penyakit non kanker. Kemudian dihitung nilai similaritynya. Nilai similarity terbesar menjadi kesimpulan hasil diagnosis. Hasil diagnosis dibandingkan dengan data sekunder kemudian dihitung akurasinya. Similarity Jaccard memiliki jumlah rekomendasi paling banyak yaitu 4 buah rekomendasi sedangkan similarity Cosine memiliki jumlah rekomendasi paling banyak yaitu 3 buah rekomendasi. Akurasi hasil pengujian sistem pada 54 data uji untuk similarity Jaccard di urutan pertama adalah 96,69%, dan di urutan kedua adalah 3,17%. Akurasi hasil pengujian untuk similarity Cosine di urutan pertama adalah 96,69%, dan di urutan kedua adalah 3,17%.
Kata Kunci : Kanker serviks, Similarity
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
IMPLEMENTATION OF SIMILARITY METHOD FOR CERVICAL CANCER DIAGNOSIS
UPI RIANANTIKA Department of Informatics. Mathematic and Natural Science Faculty. Sebelas Maret University
ABSTRACT Similarity is one of a methods used to calculate the similarity of two objects. Similarity is widely used in classification, clustering, etc. Jaccard and Cosine sim ilarity method is used to support the diagnosis of cervical ca ncer and avoid misdiagnosis. The data are cancer symptoms matrix data, non-cancerous symptoms matrix data, and patients’ symptoms matrix data. The calculation is done by comparing the similarity between cancer symptoms matrix data and patients’ symptoms matrix data. Then, compare patients’ s ymptoms matrix data and non-cancerous symptoms matrix data. Then, we calculated value of similarity. The greatest value of similarity became the conclusion of diagnosis. The conclusion of diagnosis is compared with secondary data for accuracy calculation. Jaccard similarity has 4 recommendations while Cosine similarity has 3 recommendations. Accuracy of the results of testing the system on 54 test data for Jaccard similarity in the first place was 96.69%, and the second was 3.17%. The accuracy of the test results for Cosine similarity in the first place was 96.69%, and the second was 3.17%.
Keywords: Cervical cancer, Similarity
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
KATA PENGANTAR
Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya, penulis dapat menyelesaikan Tugas Akhir yang berjudul ”Implementasi Metode Similarity untuk Pendukung Keputusan Diagnosis Kanker Serviks”. Telah banyak hambatan dan tantangan yang penulis hadapi dalam menyusun Tugas Akhir ini. Namun berkat bimbingan, dukungan, dan saran dari berbagai pihak, penulis dapat menyelesaikannya dengan lancar. Penulis mengucapkan terima kasih kepada memberikan bimbingan, dukungan dan
saran
berbagai pihak yang tela h
dalam pembuatan laporan ini,
terutama kepada: 1.
Bapak Ristu Saptono, S.Si, M.T selaku Dosen
Pembimbing I
yang telah memberikan pengarahan dan bimbingan selama proses penyusunan Tugas Akhir ini. 2.
Ibu Umi Salamah, S.Si, M.Kom selaku Dosen Pembimbing II
sekaligus Ketua Jurusan Informatika yang telah memberikan pengarahan dan bimbingan selama proses penyusunan Tugas Akhir ini. 3.
Bapak Wiharto, S.T, M .Kom selaku Pembimbing Akademik yang
telah memberikan pengarahan dan bimbingan selama proses menuntut ilmu di jurusan Informatika. 4.
Orangtua tercinta yang selalu memberi dukungan moral dan
material selama proses penyusunan Tugas Akhir ini. 5.
Pihak-pihak
lain
yang telah membantu pelaksanaan dan
pembuatan laporan Tugas Akhir ini. Semoga skripsi ini dapat bermanfaat bagi pihak yang berkepentingan.
Surakarta, Januari 2013
Penulis
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
DAFTAR ISI
HALAM AN JUDUL ..................................................................................... i HALAM AN PERSETUJUAN ....................................................................... ii HALAM AN PENGESAHAN ........................................................................ iii HALAM AN MOTTO .................................................................................... iv HALAM AN PERSEMBAHAN ..................................................................... v ABSTRAK .................................................................................................... vi ABSTRACT .................................................................................................. vii KATA PENGANTAR ................................................................................... viii DAFTAR ISI ................................................................................................. ix DAFTAR TABEL .......................................................................................... x DAFTAR GAM BAR ..................................................................................... xi BAB I PENDAHULUAN .................................................................................... 1 1.1 Latar Belakang ........................................................................................... 1 1.2 Rumusan M asalah ...................................................................................... 1 1.3 Batasan Masalah ........................................................................................ 1 1.4 Tujuan Penelitian ....................................................................................... 2 1.5 M anfaat Penelitian ..................................................................................... 2 1.6 Sistematika Penelitian ................................................................................ 2 BAB II TINJAUAN PUSTAKA .......................................................................... 4 2.1 Landasan Teori........................................................................................... 4 2.1.1 Kanker................................................................................................. 4 2.1.2 Kanker Serviks .................................................................................... 4 2.1.3 Pap Smear ........................................................................................... 6 2.1.4 Similarity ............................................................................................ 7 2.2 Penelitian Terkait ..................................................................................... 11 2.3 Rencana Penelitian ................................................................................... 13 BAB III METODE PENELITIAN ..................................................................... 14 3.1 Pengumpulan Data ................................................................................... 14 3.2 Analisis dan Perancangan Sistem ............................................................. 15
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
3.3 Implementasi Sistem ................................................................................ 15 3.4 Pengujian dan Validasi Sistem.................................................................. 17 3.5 Penulisan Laporan Penelitian.................................................................... 18 BAB IV PEM BAHASAN .................................................................................. 19 4.1 Gambaran Umum Sistem.......................................................................... 19 4.2 Perancangan Database ............................................................................. 20 4.3 Hasil Implementasi Sistem ....................................................................... 20 4.4 Hasil Pengujian ........................................................................................ 20 BAB V KESIM PULAN DAN SARAN.............................................................. 31 5.1 Kesimpulan .............................................................................................. 31 5.2 Saran ........................................................................................................ 31 DAFTAR PUSTAKA ........................................................................................ 32 LAMPIRAN .....................................................................................................34
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
DAFTAR TABEL
Tabel 2.1 Matriks gejala penyakit carcinoma epidermoid, carcinoma sel skuamus, dan pasien P01............................................................... 9 Tabel 4.1 Nilai sim ilarity Cosine pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis ....................................... 21 Tabel 4.2 Nilai similarity Jaccard pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis ....................................... 21 Tabel 4.3 Nilai sim ilarity Jaccard dan Cosine hasil pengujian 54 data .......... 22 Tabel 4.4 Hasil perhitungan akurasi similarity Jaccard dan Cosine .............. 30 Tabel 4.5 Jumlah hasil rekomendasi ............................................................. 30 Tabel 4.6 Hasil rekomendasi pasien P20, pasien P21, pasien P22, dan pasien P28 .............................................................................................. 33
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
DAFTAR GAMBAR
Gambar 3.1 Alur Rancangan Penelitian ........................................................ 14 Gambar 3.2 Flowchart rule menampilkan pertanya an ................................... 16 Gambar 4.1 Gambaran umum sistem ............................................................ 19
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
DAFTAR LAMPIRAN
LAMPIRAN A ............................................................................................ 34 LAMPIRAN B ............................................................................................. 39 LAMPIRAN C ............................................................................................. 43 LAMPIRAN D ............................................................................................ 53
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker serviks merupakan jenis kanker terbanyak kedua pada wanita setelah kanker payudara. Pada tahun 2005, lebih dari 250.000 kematian disebabkan oleh kanker serviks (Rasjidi, 2008). Terdapat lebih dari 440.000.000 individu yang terinfeksi Human Papilloma Virus (HPV). Hampir 80% kanker serviks terjadi di Negara berkembang termasuk Indonesia (Torpy, Burke, dan Glass, 2007). Di Indonesia, setiap hari ditemuka n 41 kasus baru dan 20 kematian akibat kanker serviks. Diperkirakan 40.000 kasus baru kanker serviks ditemukan setiap tahunnya (M arianda, 2004). Perhitungan similarity banyak digunakan dalam perhitungan klasifikasi, pengelompokan, dll. sebagai contoh yaitu perhitungan similarity jaccard digunakan untuk pengelompokan spesies ekologi. Sesudah itu, perhitungan similarity diterapkan pada ilmu biologi, taksonomi, pencarian gambar, dan masalah identifikasi biometrik seperti sidik jari (Cha, Tappert, dan Choi, 2010). Menurut Ahmed (2011), penggunaan sim ilarity dengan metode cased-based reasoning untuk diagnosis memiliki keuntungan yang lebih baik dan mudah diterima petugas kesehatan dalam mendiagnosis suatu penyakit. Pada penelitian yang dilakukan oleh Ahmed et al (2008), mereka melakukan perhitungan cosine similarity dan metode cased-based reasoning untuk mendiagnosis stress dengan sensor suhu tubuh. Dari kasus tersebut, perhitungan similarity dapat diterapkan pada diagnosis penyakit kanker serviks untuk membantu dan mendukung dokter dalam mendiagnosis kanker serviks. 1.2 Rumusan Masalah Permasalahan yang akan dibahas dalam penelitian ini yaitu bagaim ana akurasi penggunaan perhitungan Similarity untuk pendukung keputusan dokter dalam menentukan diagnosis kanker serviks. 1.3 Batasan Masalah Batasan permasalahan yang akan dibahas dalam penelitian adalah: a.
Data yang digunakan adalah data gejala pasien yang mengikuti pap smear.
commit to user
perpustakaan.uns.ac.id
b.
digilib.uns.ac.id
Inputan geja la yaitu data sekunder berupa tanda mikroskopis yang didapat dari hasil tes pap smear. Data yang digunakan berupa data biner: 0 untuk tidak dan 1 untuk ya.
c.
Tanda gejala yang dimasukan hanya tanda gejala carcinoma epidermoid, adenocarsinoma papilifer, polip serviks, radang kronis serviks, dan serviks normal.
d.
Penelitian dilakukan pada sisi ginekologi sehingga besar sedikit jumlah inputan data geja la dari sisi patologi diabaikan.
e.
Perhitungan similarity yang digunakan yaitu jaccard similarity dan cosine similarity.
1.4 Tujuan Penelitian Tujuan penelitian ini adalah menerapkan metode Similarity dalam perhitungan untuk pendukung keputusan dokter dalam menentukan diagnosis kanker serviks. 1.5 Manfaat Penelitian Manfaat yang didapat dari penelitian ini adalah memudahkan dokter dan tenaga kesehatan dalam mendukung keputusan dalam penentuan diagnosis kanker serviks. 1.6 Sistematika Penulisan Sistematika penulisan laporan tugas akhir ini adalah sebagai berikut: BAB 1 : PENDAHULUAN Bab Pendahuluan memuat tentang latar belakang masalah, perumusan masalah, tujuan dan manfaat, metodologi dan sistematika penyusunan laporan. BAB 2 : TINJAUAN PUSTAKA Bab tinjauan pustaka menjelaskan tentang dasar teori yang digunakan untuk melakukan penelitian tugas akhir. BAB 3 : METODE PENELITIAN Bab metode penelitian memuat penjelasan tentang langkah-la ngkah yang harus dilakukan dalam melakukan penelitian tugas akhir.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB 4 : PEMBAHASAN Bab Pembahasan memuat pembahasan permasalahan yang telah dirumuskan dengan menggunakan landasan teori yang mendukung. Teori tersebut harus mengacu pada pustaka yang digunakan. Pembaha san dilakukan pada metode penyelesaian permasalahan. BAB 5 : KESIMPULAN DAN SARAN Bab Kesimpulan merupakan hasil dari pembahasan serta terkait secara langsung dengan topik yang terdapat dalam penelitian tugas akhir tersebut.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Kanker Kanker merupakan kumpulan sel abnormal yang terbentuk oleh sel-sel yang tumbuh secara terus-menerus, tidak terbatas, tidak terkoordinasi dengan jaringan sekitarnya dan tidak berfungsi fisiologis (M ardiana, 2004). Kanker terjadi karena timbul dan berkembang biaknya jaringan sekitarnya (infiltratif) sambil merusaknya (dekstrutif), dapat menyebar kebagian lain tubuh, dan umumnya fatal jika dibiarkan (Dalimartha, 2004). Pertumbuhan sel-sel kanker akan menyebabkan jaringan menjadi besar dan disebut sebagai tumor. Tumor merupakan istilah yang dipakai untuk semua bentuk pembengkakan atau benjolan dalam tubuh. Sel-sel kanker yang tumbuh cepat dan menyebar melalui
pembuluh darah dan pembuluh getah bening.
Penja larannya kejaringan lain disebut sebagai metastasis. Ka nker mempunyai karakteristik yang berbeda-beda. Ada yang tumbuh secara cepat, ada yang tumbuh tidak terlalu cepat, seperti kanker payudara (Bustan, 1997). 2.1.2 Kanker Serviks Kanker Serviks ataupun lebih dikenali sebagai kanker leher rahim adalah tumor ganas yang tumbuh di dalam leher rahim /serviks yang merupakan bagian terendah dari rahim yang menempel pada puncak vagina. Pada penderita kanker serviks terdapat sekelompok jaringan yang tumbuh secara terus-menerus yang tidak terbatas, tidak terkoordinasi dan tidak berguna bagi tubuh, sehingga jaringan disekitarnya tidak dapat berfungsi dengan baik. 90% dari kanker serviks berasal dari sel skuamosa yang melapisi serviks dan 10% sisanya berasa l dari sel kelenjar penghasil lendir pada saluran servikal yang menuju ke dalam rahim. Kanker serviks terjadi jika sel-sel serviks m enjadi abnormal dan membelah secara tak terkendali (Rasjidi, 2008). Jika sel serviks terus membelah maka akan terbentuk suatu massa jaringan yang disebut tumor yang bisa bersifat jinak atau ganas. Jika tumor tersebut ganas, maka keadaannya disebut kanker serviks. Kanker serviks biasanya menyerang wanita berusia 35-55 tahun (Aziz dan Saifuddin, 2006).
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Secara histopatologis karsinoma serviks terdiri dari beberapa jenis. Dua bentuk yang sering dijumpai adalah karsinoma epidermoid dan adenokarsinoma. Sekitar 70% merupakan karsinoma serviks jenis epidermoid, 15% jenis adenokarsinoma dan 8% - 10% jenis adenoskuamosa 30. Karsinoma epidermoid merupakan perubahan patologik yang terjadi di daerah sambungan skuamo kolumner. Sel-sel epitel mengalami mutasi dan kemudian berkembang menjadi karsinoma invasif. Sel kanker cenderung berbentuk oval atau poligonal denga n batas yang jelas, sitoplasma eosinofilik, inti sel pleimorfik dengan kromatin bergranuler dan sering terlihat gambaran mitosis (Crum, Lester, dan Cotran, 2007). a. Polip serviks Polip serviks merupakan jenis tumor jinak yang umumnya bertangkai, berasal dari mucosa intracervical tapi kadang-kadang dapat pula tumbuh dari daerah portio. Banyak polip serviks yang menunjukan metaplasia yang luas diserta i infeksi, menyerupai permulaan dari carcinoma.
Ca
epidermoid
kadang-kadang
berasal
dari
polip.
(Padjadjaran, 1981). b. Carsinoma Epidermoid Carsinoma Epidermoid merupakan jenis tumor ganas yang tumbuh di daerah portio (cervix pars vaginalis). Pada stadium preklinis, Carsinoma Epidermoid tidak dapat dibedakan dengan cervicitis chronic biasa. Pada stadium awal, sering tampak sebagai lesi di sekitar ostium externum, pada batas kedua jenis epitel. Tampaknya sebagai daerah yang granuler, keras, lebih tinggi dari sekitarnya dan mudah berdarah. Pada stadium setengah lanjut, telah mengenai sebagian besar atau seluruh bibir portio. Bentuknya seperti bunga kol. Pada stadium lanjut, terjadi pengrusakan dari jaringan cervix, sehingga tampaknya seperti ulcus dengan jaringan yang rapuh dan mudah berdarah. Selanjutnya jaringan kanker dapat mengenai rectum, kandung kemih, dan menyebabkan fisula (Padjadjaran, 1981).
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
c. Adenocarsinoma Papillifer Adenocarsinoma Papillifer merupakan jenis tumor ganas yang tumbuh dari daerah canalis cervicalis. Kadang-kadang mulai dekat ostium externum,
untuk
kemudian
tumbuh
menonjol
keluar.
Anehnya
pertumbuhan sering membengkakkan cervix dan jaringan sekitarnya tanpa ada metastase ke vagina. Tanda mikroskopisnya yaitu tampak gambar kelenjar yang atypis. Epitel kelenjarnya terdiri dari satu lapisan sedang pada sediaan lain ditemukan kelenjar yang berlapis-lapis (Padjadjaran, 1981). 2.1.3 Pap Smear Tes Pap Smear adalah pemeriksaa n sitologi dari serviks dan porsio untuk melihat adanya perubahan atau keganasan pada epitel serviks atau porsio (displasia) sebagai tanda awal keganasan serviks atau prakanker (Rasjidi, Irwanto, dan Sulistyanto, 2008). Pap Smear merupakan suatu metode pemeriksaan sel-sel yang diambil dari leher rahim dan kemudian diperiksa di bawah mikroskop. Pap Smear merupakan tes yang aman dan murah dan telah dipakai bertahun-tahun lamanya untuk mendeteksi kelainan-kelainan yang terjadi pada sel-sel leher rahim (Diananda, 2009). Pemeriksaan Pap Smear berguna
sebagai pemeriksaan penyaring
(skrining) dan pelacak adanya perubahan sel ke arah keganasan secara dini sehingga kelainan prakanker dapat terdeteksi serta pengobatannya menjadi lebih murah dan mudah (Dalimartha, 2004). Pap Smear mampu mendeteksi lesi prekursor pada stadium awal sehingga lesi dapat ditemukan saat terapi masih mungkin bersifat kuratif (Crum, Lester, dan Cotran, 2007). Manfaat Pap Smear secara rinci dapat dijabarkan sebagai berikut (Manuaba, 2005): a.
Pap Smear berguna dalam mendeteksi dini kanker serviks, kanker korpus endometrium, keganasan tuba fallopi, dan mungkin keganasan ovarium.
b.
Pap Smear berguna sebagai perawatan ikutan setelah operasi dan setelah mendapat kemoterapi dan radiasi.
commit to user
perpustakaan.uns.ac.id
c.
digilib.uns.ac.id
Pap Smear bertujuan untuk mengikuti siklus menstruasi dengan ovulasi atau tanpa
ovulasi,
menentukan
maturitas
kehamilan,
dan
menentukan
kemungkunan keguguran pada hamil muda. d.
Pap Smear berguna untuk menentukan proses peradangan pad a berbagai infeksi bakteri dan jamur.
2.1.4 Similarity (Karhendana, 2008) Fungsi similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan (similarity) antara kedua objek tersebut berupa bilangan riil. Umumnya, nilai yang dihasilkan oleh fungsi similarity berkisar pada interval [0….1]. Namun, ada juga beberapa fungsi similarity yang menghasilka n nilai yang berada di luar interval tersebut. Semakin besar hasil fungsi similarity, maka kedua objek yang dievaluasi dianggap mirip. Sebaliknya, semakin kecil hasil fungsi similarity, maka kedua objek tersebut dianggap semakin berbeda. Pada fungsi yang menghasilkan nilai pada jangkauan [0….1], nilai 1 melambangkan kedua objek persis sama, sedangkan nilai 0 melambangkan kedua objek sama sekali berbeda. 2.1.4.1 Pengukuran Similarity (Karhendana, 2008) Seperti telah dipaparkan pada bagian sebelumnya, analisis cluster merupakan proses identifikasi kelompok-kelompok objek yang m irip (similar) satu sama lain. Oleh karena itu, pengukuran similarity memegang peranan yang amat penting pada algoritma clustering, sebab kualitas hasil analisis cluster sangat tergantung pada fungsi similarity yang digunakan. Saat ini telah dikembangkan banyak metode pengukuran similarity yang dapat digunakan untuk berbagai keperluan. Pada bagian ini hanya akan dibahas beberapa pengukuran similarity yang terkait. Secara umum, fungsi similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan (similarity) antara kedua objek tersebut berupa bilangan riil. Umumnya, nilai yang dihasilkan oleh fungsi similarity berkisar pada interval [0 . . . 1]. Namun, ada juga beberapa fungsi similarity yang menghasilkan nila i yang berada di luar interval tersebut. Untuk memetakan hasil fungsi tersebut pada interval [0 . . . 1] dapat dilakukan normalisasi.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Semakin besar hasil fungsi similarity, maka kedua objek yang die valuasi dianggap semakin mirip. Sebaliknya, semakin kecil hasil fungsi similarity, maka kedua objek tersebut dianggap semakin berbeda. Pada fungsi yang menghasilkan nilai pada jangkauan [0 . . . 1], nilai 1 melambangkan kedua objek persis sama, sedangkan nilai 0 melambangkan kedua objek sama sekali berbeda. Sebenarnya, selain pengukuran similarity, dikenal juga fungsi pengukuran jarak (distance) atau perbedaan (dissimilarity) antar objek. Namun, fungsi distance lebih jarang digunakan. Sifat fungsi distance berkebalikan dengan fungsi similarity. Jika hasil fungsi distance semakin besar, maka kedua objek yang dievaluasi dianggap semakin berbeda. Namun, semakin kecil hasil fungsi distance, maka kedua objek tersebut dianggap semakin mirip (Datar dkk, 2004). 2.1.4.2 Pengukuran Similarity Berbasis Himpunan Pengukuran similarity yang berbasis himpunan disebut juga koefisien asosiasi karena fungsi ini mengukur persamaan dan perbedaan antara dua objek pada himpunan atribut masing-masing objek. Beberapa fungsi similarity yang berbasis himpunan adalah sebagai berikut (Kim dan Choi, 1998): a. Koefisien Jaccard
b. Koefisien Cosine
,
=
dengan :
,
=
|Oi| |Oj|
,
|
|.
= similarity antara Oi terhadap O j = jumlah nilai anggota himpunan Oi = jumlah nilai anggota himpunan Oj
Fungsi-fungsi similarity tersebut hanya berlaku untuk data matriks yang atributnya berjenis biner (0 atau 1). Untuk diterapkan pada atribut data kontinyu yang bernilai riil, fungsi-fungsi tersebut harus digeneralisasi. Hasil generalisasi fungsi dapat digunakan pada perhitungan similarity data geometrik. Beberapa fungsi similarity berbasis himpunan yang telah digeneralisasi adalah sebagai
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
berikut (Kim dan Choi, 1998): a. Koefisien Jaccard
b. Koefisien Cosine
dengan:
O in
,
,
=
,
=
(
)
(2.1)
(2.2)
.
= similarity antara O i terhadap Oj = nilai anggota himpunan ke-n dari himpunan Oi
O jn
= nilai anggota himpunan ke-n dari himpunan Oj
Contoh perhitungan similarity a. Disajikan matriks data gejala penyakit pasien P01, data penyakit carcinoma epidermoid, dan data peyakit carcinoma sel skuamus. G01 sampai dengan G38 merupakan id gejala penyakit. Tabel 2.1 Matriks gejala penyakit carcinoma epidermoid, carcinoma sel skuamus, dan pasien P01 id_gjl Ca epidermoid
P01 Ca Sel Skuamus
G01
0
0
0
G02
1
1
0
G03
0
0
0
G04
0
0
0
G05
1
0
0
G06
1
1
0
G07
0
0
0
G08
0
0
1
G09
1
0
0
G10
1
1
1
G11
1
1
1
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
id_gjl Ca epidermoid
P01 Ca Sel Skuamus
G12
0
0
0
G13
0
0
1
G14
0
0
1
G15
0
0
0
G16
0
0
0
G17
0
0
0
G18
0
0
0
G19
0
0
0
G20
0
0
0
G21
0
0
0
G22
0
0
0
G23
0
0
0
G24
0
0
0
G25
0
0
0
G26
0
0
0
G27
0
0
0
G28
0
0
0
G29
0
0
0
G30
0
0
0
G31
0
0
0
G32
0
0
0
G33
0
0
0
G34
0
0
1
G37
0
0
0
G36
0
0
0
G35
0
0
0
G38
0
0
0
b. Membandingkan
matriks
pasien
P01
dengan
matriks
carcinoma
epidermoid. Kemudian menghitung irisan anggota matriks yang bernilai 1,
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
yaitu n = 4. Kemudian menghitung gabungan anggota matriks yang bernilai 1, yaitu n P01 = 4 dan n ca epidermoid = 6. c. Menghitung similarity yang digunakan yaitu similarity Jaccard seperti pada persamaan 2.1
( 01,
,
=
+
)=
4 (4 + 6
4)
= 0,66667
Nilai Jaccard untuk (P01,ca epidermoid) adalah 0,66667
d. Membandingkan matriks pasien P01 dengan matriks carsinoma sel skuamus. Kemudian menghitung irisan anggota matriks yang bernila i 1, yaitu n = 2. Menghitung gabungan anggota matriks yang bernilai 1, yaitu n P01 =4 dan n ca sel skuamus = 6. e. Menghitung similarity Jaccard dengan persamaan 2.1 ,
( 01,
=
+
)=
2 (4 + 6
2)
= 0,25
Nilai Jaccard untuk (P01,ca sel skuamus) adalah 0,66667 f.
Nilai similarity terbesar menjadi kesimpulan. Jadi, diagnosis pasien P01 adalah carcinoma epidermoid dengan nilai similarity 0,66667.
2.2 Penelitian Terkait Penelitian ini mengacu pada beberapa penelitian dan studi sejenis yang telah dilakukan sebelumnya. Penelitian dan studi tersebut akan diuraikan sebagai berikut: a)
“Sistem Pakar Diagnosis Awal Kanker Serviks Dengan Metode
Certainty Factor (Rumaisa, Rijayana, Nurafianti, 2010)” Pada penelitian ini, peneliti menggunakan metode certainty factor untuk menghitung persentase hasil diagnosis kanker serviks. Data yang digunakan adalah faktor resiko seseorang mengalami kanker serviks. Dari data kemudian dibuat aturan dengan menggunakan metode Forward
commit to user
chaining. Peneliti
perpustakaan.uns.ac.id
digilib.uns.ac.id
menggunakan metode kepastian nilai (berdasarkan pengetahuan pakar) yang diharapkan memberikan kepercayaan terhadap diagnosis tentang penyakit yang dideritanya. b)
“Efficient Algorithms for Similarity Measures Over Sequential Data: A
look Beyond Kernels (Rieck, Laskov, Muller, 2006)” Pada penelitian ini, peneliti menggunakan perhitungan komputasi fungsi distance yang efisien dan koefisien similarity untuk data sekuensial. Dua algoritma tersebut menggunakan struktur data yang berbeda untuk perhitungan yang efisien dan menghasilkan runtime linear sepanjang urutan. Peneliti menyimpulkan bahwa kemiripan pada kernel, sejumlah besar distance dan koefisien similarity dapat dihitung secara efektif untuk data sekuensia l. Penggunaan perhitunga n similarity mengijinkan satu untuk menyelidiki matriks yang tidak biasa untuk aplikasi pembelajaran pada area kasus tertentu. Sebagai contoh, pada eksperimen yang dilakukan peneliti, pada pembelajaran tidak terawasi pada deteksi intrusi jaringan diperoleh n-grams muatan koneksi denga n koefisien Kulczynski. Jadi penerapan distance pada data sekuensial lebih menguntungkan daripada penggunaan implisit jarak Euclidean yang diinduksi oleh kernel. Terutama sangat menjanjikan adalah aplikasi lebih lanjut dari algoritma yang diusulkan dalam lingkup keamanan jaringan dan bioinformatika. c)
“Case-based Reasoning for Diagnosis of Stress using Enhanced Cosine
and Fuzzy Similarity(Ahmed, Begum, Funk, Xiong, Scheele,2008)” Pada penelitian ini, peneliti menggunakan metode cosine similarity, fuzzy similarity, metode Case-based Reasoning(CBR) untuk mendiagnosis stress. Data yang digunakan adalah data hasil interpretasi sinyal deteksi suhu jari. Peneliti menggunakan suhu jari untuk mendeteksi dinigejala stress. Metode yang digunakan peneliti adalah fuzzy similarity dan Cosine Similarity. Fuzzy similarity digunakan untuk menampung dan menangkap ketidaktepatan pada perhitungan sensor. Cosine similarity direlasikan dengan ontology kemudian digunakan untuk menyuling bobot kondisi sesuai dengan pengetahuan yang tersedia. Hasil dari penelitina yaitu berupa sistem pendukung keputusan untuk diagnosis stress.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
2.3 Rencana Penelitian Penelitian yang akan dilakukan yaitu melakukan penerapan metode similarity untuk mendukung keputusan dokter terhadap diagnosis kanker serviks. Tanda gejala yang didapat dari hasil pemeriksaan pap smear digunakan untuk inputan data uji. Inputan dibandingkan dengan tabel gejala yang ada pada database kemudian dihitung menggunakan Sim ilarity. Hasil dari perhitunga n menunjukan besar nilai kemiripan hasil diagnosis kanker serviks. Hasil ini dapat digunakan sebagai bahan pertimbangan bagi dokter.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB III METODE PENELITIAN Penelitian akan dilaksanakan berdasarkan rancangan penelitian seperti yang ditunjukkan pada Gambar 3.1.
Gambar 3.1 Alur Rancangan Penelitian Uraian rancangan penelitian adalah sebagai berikut: 3.1 Pengumpulan Data Tahap pengumpulan data dilakukan dengan studi literatur dan wawancara dengan dokter spesialis obstetric dan ginekologi. Studi literatur dila kukan untuk mempelajari masalah kanker serviks, gejala klinis kanker serviks, metode similarity, dan pengukuran distance dari jurnal, penelitian dan literatur lain yang berkaitan dan telah terakreditasi. Wawancara dengan dokter spesialis obstetric dan ginekologi dan studi literature untuk mendapatkan data gejala. Data gejala yang diperoleh sebanyak 38 gejala yang terdiri dari gejala carcinoma epidermoid, adenocarsinoma, carcinoma squamous cell, polip serviks, radang kronis kelas 2, dan normal smear. Data didapatkan dari Klinik RB Harapan Bunda yang berada di Kabupaten Kebumen. Pengumpulan data gejala pasien yang mengikuti pap smear digunakan untuk
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
mendapatkan data pengujian. Data pengujian sebanyak 54 pasien yang mengikuti pap smear dengan hasil diagnosis yang berbeda-beda. 3.2 Analisis dan Perancangan Sistem Tahap analisis dan perancangan sistem dilakukan dengan kegiatan berikut: a.
Mendefinisikan permasalahan. Permasalahan yang akan dibahas dalam penelitian ini adalah penggunaan similarity untuk menentukan diagnosis kanker serviks.
b.
Menentukan scope.
c.
Merancang database sistem. Menentukan tabel geja la
carcinoma
epidermoid, adenocarsinoma, carcinoma squamous cell, polip serviks, radang kronis, dan normal smear. Menentukan tabel pasien yang ikut pap smear. 55 data gejala pasien dirandom untuk data uji. d.
Mendefinisikan solusi dari permasalahan. Solusi dari permasalahan tersebut adalah
menerapkan metode jaccard
similarity untuk
menentukan diagnosis kanker serviks dari data-data pap smear yang dilakukan oleh pasien. e.
Melakukan pengujian. Pengujian dilakukan dengan menginputkan data pasien pada sistem kemudian hasil output sistem dibandingka n dengan data asli(data sekunder).
3.3 Implementasi Sistem Implementasi sistem dilakukan dengan menulis kode program sesuai dengan algoritma metode similarity menggunakan bahasa pemrograman PHP. Sebelum masuk perhitungan similarity diperlukan aturan penyusunan pertanyaan yg bisa mengarahkan ke hasil. Oleh karena itu, halaman-halaman yang memuat pertanyaan gejala penyakit seperti pada Gambar 3.2. Pada halaman pertama diambil 4 poin pertanyaan. Untuk poin pertanyaan 1 sampai 3 merupakan pertanyaan gejala unik dari penyakit kanker yaitu carcinoma epidermoid, adenocarsinoma papilifer, dan carcinoma skuamus. Sedangkan poin 4 merupakan pertanyaan non kanker dan juga merupakan gejala umum dari suspek kanker, polip, radang kronis, dan normal.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Gambar 3.2 Flowchart aturan menampilkan pertanyaan. Jika poin pertanyaan 1 dipilih maka masuk ke halaman yang mengarah ke pertanyaan gejala umum dari penyakit carcinoma epidermoid. Jika poin pertanyaan 2 dipilih maka masuk ke halaman yang mengarah pada pertanyaan gejala umum dari penyakit adenocarsinoma papilifer. Jika poin pertanyaan 3 dipilih maka masuk ke halaman yang mengarah ke halaman pertanyaan gejala umum dari penyakit carcinoma sel skuamus. Setelah menjawab pertanyaan dari gejala umum, jika diproses akan langsung keluar hasilnya. Jika pertanyaan poin 4 yang dipilih maka masuk ke halaman kedua yang mengarah ke pertanyaan gejala umum dari suspek kanker, polip, radang kronis, dan normal. Pada halaman kedua dari poin 4 memuat 13 pertanyaan gejala unik dari suspek kanker, polip, radang kronis, dan normal. Setelah menjawab pertanyaan dari gejala umum, jika diproses
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
la ngsung keluar hasilnya. Aturan pertanyaan di atas dapat diperjelas melalui Gambar 3.2. Data yang digunakan akan disimpan dalam database. Implementasi sistem akan menghasilkan prototype sistem. 3.4 Pengujian dan Validasi Sistem Pada tahap pengujian sistem, dilakukan pengujian terhadap sistem dengan sejumlah sampel tertentu. Sedangkan tahap validasi sistem m erupakan tahap dimana hasil implementasi metode Similarity akan dibandingkan dengan data hasil observasi. Tujuan pengujian untuk mendapatkan akurasi hasil pengujian dan banyaknya hasil rekomendasi. Tahap pengujian dilakukan dengan kegiatan berikut: 1.
M enginputkan secara random data gejala pasien yang mengikuti pap smear. Pasien-pasien dengan gejala yang berbeda-beda diinputkan
secara acak
sehingga data-data yang diinputkan tidak urut sesuai dengan penyakit yang diteliti. 2.
M enghitung besar kemiripan antara data gejala pasien dengan data gejala pada database dengan menggunakan jaccard similarity.
3.
M embandingkan hasil perhitungan dengan similarity dengan hasil data sekunder. Bila hasil sesuai dengan hasil observasi maka dapat dikatakan sistem berhasil.
4.
M enentukan nilai threshold. Penentuan nilai threshold dengan cara sebagai berikut. a. Melakukan pengujian awal untuk mendapatkan nilai threshold. Untuk menentukan nilai threshold, diambil data yang memiliki hasil diagnosis suspek kanker, polip serviks, dan radang kronis. b. Menghitung nila i similarity suspek kanker, polip serviks, dan radang kronis. c. Menghitung selisih nilai similarity antara suspek kanker dengan polip serviks, antara suspek kanker dengan radang kronis, antara polip serviks dengan radang kronis.
commit to user
perpustakaan.uns.ac.id
5.
digilib.uns.ac.id
M enghitung akurasi pengujian. Akurasi pengujian dihitung dengan rumus sebagai berikut. =
×
%
3.5 Penulisan Laporan Penelitian Penulisan laporan penelitian merupakan tahap akhir proses penelitian. Laporan penelitian ditulis berdasarkan ha sil implementasi penelitian yang telah dilakukan. Laporan penelitian mencakup beberapa bagian, yaitu: pendahuluan, la ndasan teori, pembahasan dan penutup.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB IV PEMBAHASAN 4.1 Gambaran Umum Sistem Sistem pendukung diagnosis kanker serviks merupakan sistem yang membantu mengingat gejala-gejala penyakit kanker serviks dan gejala-gejala penyakit non kanker ya ng terdapat pada pap smear untuk menghindari kesalahan diagnosis. Sistem pendukung diagnosis kanker serviks menggunakan metode jaccard similarity dan cosine similarity untuk mengolah data yang diinputkan sehingga menghasilkan nilai similarity untuk membantu mendukung keputusan diagnosis kanker serviks. Sistem pendukung diagnosis kanker serviks dibangun dengan bahasa pemrograman PHP dan dengan basis data MySQL.
Gambar 4.1 Gambaran umum sistem Gambaran umum sistem dapat dilihat pada gambar 3. User memberikan inputan pada sistem. Kemudian sistem akan menyimpan inputan ke sebuah database. Sistem kemudian mengolah inputan dengan metode yang dipilih
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
user. Bila user memilih metode jaccard similarity, maka sistem akan m engolah inputan dengan metode jaccard similarity. Bila user memilih cosine sim ilarity maka sistem akan mengolah inputan dengan metode tersebut. Hasil dari proses penghitungan dengan metode similarity disimpan kembali ke database dan ditampilkan pada user. Keputusan akhir diserahkan pada dokter. 4.2 Perancangan Database Database yang digunakan untuk sistem ini terdiri dari 5 tabel antara lain tabel pasien, tabel pasien 2, tabel gejala, tabel penyakit, dan tabel user. Tabel pasie n digunakan untuk menyimpan inputan yang dihitung dengan jaccard similarity sedangkan tabel pasien2 diguna kan untuk me nyimpan inputan yang dihitung dengan cosine similarity. Tabel pasien berisi id_pasien, Nama, gejala G01 sampai dengan gejala G38, hasil perhitungan jaccard similarity tiap penyakit yaitu jacc1 sampai dengan jacc7, similarity terbesar yaitu similarity, dan Hasil. Tabel pasien2 berisi id_pasien, Nama, gejala G01 sampai dengan gejala G38, hasil perhitungan cosine similarity tiap penyakit yaitu cos1 sampai dengan cos7, similarity terbesar yaitu similarity, dan Hasil. Tabel gejala berisi id_gejala dan gejala. Tabel penyakit berisi id_pnykit, penyakit, dan gejala G01 sampai dengan G38. Tabel user berisi username dan password. 4.3 Hasil Implementasi Sistem Implementasi sistem menggunakan jaccard similarity dan cosine similarity menghasilka n prototype sistem. Prototype sistem dapat dilihat pada lampiran C. 4.4 Hasil Pengujian Proses pengujian dilakukan dengan menginputkan data pasien. Data pasien yang diujikan berjumlah 54 data kasus dengan hasil diagnosis yang berbeda-beda. Data sebanyak 54 buah sudah cukup untuk memodelkan sim ilarity karena sekalipun data ditambah, nilai similarity-nya tidak terpengaruh. Nilai similarity dipengaruhi oleh banyak sedikitnya gejala pasien yang diinputkan. Nilai threshold digunakan untuk menentukan banyak sedikitnya rekomendasi yang diberikan oleh sistem. Dari 54 data pasien diambil 2 data untuk menentukan
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
nilai threshold yaitu data pasien P31 dan pasien P33. Pasien P31 memiliki rekomendasi pertama yaitu polip serviks dan rekomendasi kedua yaitu suspek kanker. pasien P33 memiliki rekomendasi pertama yaitu radang kronis dan rekomendasi kedua yaitu suspek kanker. Dari kedua pasien tersebut, maka ditetapkan nilai threshold sebagai berikut. Tabel 4.1 Nilai similarity Jaccard pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis Jaccard
Suspek kanker
Polip
Radang
P31
0.278
0.385
0.187
P33
0.333
0.056
0.428
Tabel 4.2 Nilai similarity Cosine pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis Cosine
Suspek kanker
Polip
Radang
P31
0.495
0.589
0.339
P33
0.550
0.109
0.628
Dari Tabel 4.1 dan Tabel 4.2, didapatkan nilai selisih antara suspek kanker dengan polip serviks, suspek kanker dengan radang kronis, dan polip serviks dengan radang kronis. Penetapan nilai threshold didapatkan dari rata-rata selisih nilai similarity antara suspek kanker dengan polip serviks, polip serviks dengan radang kronis, dan antara suspek kanker dengan radang kronis. Pengambilan nilai threshold hanya dari ketiga penya kit tersebut dikarenakan ketiga penyakit tersebut memiliki gejala penyakit yang hampir mirip sehingga nilai similarity ya ng diperoleh memiliki selisih yang sedikit. Perhitungan Threshold sebagai berikut. a. Threshold untuk Jaccard =
0,106 + 0,197 + 0,090 + 0,095 + 0,373 + 0,277 = 0,189 6
b. Threshold untuk Cosine =
0,094 + 0,249 + 0,155 + 0,078 + 0,519 + 0,440 = 0,255 6
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Jadi, threshold yang ditetapkan untuk similarity Jaccard yaitu 0,189 dan threshold untuk similarity Cosine yaitu 0,255. Untuk menampilkan rekomendasi, nilai sim ilarity tertinggi dikurangi dengan nilai threshold sehingga didapatkan batas nilai-nya (misal nilai x). Jika nilai similarity tiap penyakit lebih dari batas (nilai x) maka pada halaman hasil ditampilkan sebagai rekomendasi kedua dan jika lebih dari satu maka akan ditampilkan sebagai rekomendasi ketiga dan seterusnya. Jumlah data pasien denga n hasil normal sebanyak 5 orang. Jumlah pasien dengan hasil radang kronis sebanyak 26 orang. Jumlah pasien dengan hasil polip serviks sebanyak 14 orang. Jumlah pasie n dengan hasil carcinoma epidermoid sebanyak 4 orang. Jum lah pasien dengan hasil adenocarsinoma papilifer sebanya k 2 orang. Jumlah pasien dengan hasil carcinoma sel skuamus sebanyak 1 orang. Jumlah pasien dengan hasil suspek kanker sebanyak 2 orang. Hasil pengujian dapat dilihat pada Tabel 4.3 Tabel 4.3 Nilai similarity Jaccard dan Cosine hasil pengujian 54 data Pasien
Diagnosis Dokter
P01
Polip serviks
P02
Polip serviks
P03
Polip serviks
P04
Polip serviks
P05
radang kronis
Rekomendasi Jaccard 1. polip serviks (0.417) 2. suspek kanker (0.235)
1. polip serviks (0.538)
1. polip serviks (0.583) 1. polip serviks (0.5)
1. radang kronis (0.385) 2. normal (0.333)
commit to user
Rekomendasi Cosine 1. polip serviks (0.577) 2. normal (0.377) 3. suspek kanker (0.375) 1. polip serviks (0.714) 2. suspek kanker (0.530) 1. polip serviks (0.764) 1. polip serviks (0.707) 2. suspek kanker (0.510) 1. radang kronis (0.620) 2. normal (0.507)
perpustakaan.uns.ac.id
Pasien
digilib.uns.ac.id
Diagnosis Dokter 1.
P06
radang kronis
2. 3. 1.
P07
radang kronis
2. 1.
P08
radang kronis
2. 1.
P09
radang kronis
2. 3.
P10
radang kronis
1. 1.
P11
radang kronis
2. 1.
P12
radang kronis
2. 3. 1.
P13
radang kronis
2. 1.
P14
radang kronis
P15
radang kronis
P16
radang kronis
2. 1. 1.
Rekomendasi Jaccard radang kronis (0.461) normal (0.3) suspek kanker (0.294) radang kronis (0.461) normal (0.3) radang kronis (0.385) normal (0.333) radang kronis (0.385) normal (0.333) suspek kanker (0.235) radang kronis (0.308) radang kronis (0.461) normal (0.3) radang kronis (0.461) normal (0.3) suspek kanker (0.294) radang kronis (0.385) normal (0.333) radang kronis (0.461) normal (0.3) radang kronis (0.385) radang kronis (0.385)
commit to user
Rekomendasi Cosine 1. radang kronis (0.679) 2. suspek kanker (0.510) 3. normal (0.463) 1. radang kronis (0.679) 2. normal (0.463) 1. radang kronis (0.620) 2. normal (0.507) 1. radang kronis (0.620) 2. normal (0.507) 3. suspek kanker (0.447) 1. radang kronis (0.555) 1. radang kronis (0.679) 2. normal (0.463) 1. radang kronis (0.679) 2. suspek kanker (0.510) 3. normal (0.463) 1. radang kronis (0.620) 2. normal (0.507) 1. radang kronis (0.679) 2. normal (0.463) 1. radang kronis (0.620) 1. radang kronis (0.620)
perpustakaan.uns.ac.id
digilib.uns.ac.id
Pasien
Diagnosis Dokter
P17
radang kronis
P18
radang kronis
P19
radang kronis
P20
P21
radang kronis
radang kronis
P22
radang kronis
P23
radang kronis
P24
radang kronis
P25
radang kronis
Rekomendasi Jaccard 1. radang kronis (0.385) 2. normal (0.333) 1. radang kronis (0.461) 2. normal (0.3) 1. radang kronis (0.538) 1. radang kronis (0.308) 2. normal (0.222) 3. suspek kanker (0.176) 4. polip serviks (0.143) 1. radang kronis (0.385) 2. suspek kanker (0.235) 3. normal (0.2) 1. radang kronis (0.308) 2. normal (0.222) 3. suspek kanker (0.176) 4. polip serviks (0.143) 1. radang kronis (0.308) 1. radang kronis (0.461) 2. normal (0.3) 3. suspek kanker (0.294) 1. radang kronis (0.461) 2. normal (0.3)
commit to user
Rekomendasi Cosine 1. radang kronis (0.620) 2. normal (0.507) 1. radang kronis (0.679) 2. normal (0.463) 1. radang kronis (0.734) 1. radang kronis (0.554) 2. normal (0.378) 3. suspek kanker (0.375)
1. radang kronis (0.620) 2. suspek kanker (0.447) 1. radang kronis (0.555) 2. normal (0.378) 3. suspek kanker (0.375) 1. radang kronis (0.555) 1. radang kronis (0.679) 2. suspek kanker (0.510) 3. normal (0.463) 1. radang kronis (0.679) 2. suspek kanker (0.510)
perpustakaan.uns.ac.id
Pasien
digilib.uns.ac.id
Diagnosis Dokter 3. 1.
P26
radang kronis
2. 3. 1.
P27
radang kronis
2. 3. 1.
P28
radang kronis
2. 3. 1.
P29
radang kronis
P30
suspek kanker
2. 1. 1.
P31
suspek kanker
P32
suspek kanker
P33
suspek kanker
P34
Normal
2.
Rekomendasi Jaccard suspek kanker (0.294) radang kronis (0.385) normal (0.333) suspek kanker (0.235) radang kronis (0.385) normal (0.333) suspek kanker (0.235) radang kronis (0.357) suspek kanker (0.222) normal (0.182) radang kronis (0.461) normal (0.3) suspek kanker (0.5) polip serviks (0.385) suspek kanker (0.222)
1. suspek kanker (0.437) 2. polip serviks (0.357) 1. radang kronis (0.428) 2. suspek kanker (0.353) 3. normal (0.273) 1. normal (0.571)
commit to user
Rekomendasi Cosine 3. normal (0.463) 1. radang kronis (0.620) 2. normal (0.507) 3. suspek kanker (0.447) 1. radang kronis (0.620) 2. normal (0.507) 3. suspek kanker (0.447) 1. radang kronis (0.566) 2. suspek kanker (0.408) 1. radang kronis (0.679) 2. normal (0.463) 1. suspek kanker (0.707) 1. polip serviks (0.589) 2. suspek kanker (0.408) 3. radang kronis (0.339) 1. suspek kanker (0.661) 2. polip serviks (0.545) 1. radang kronis (0.628) 2. suspek kanker (0.567) 3. normal (0.428) 1. normal (0.756)
perpustakaan.uns.ac.id
digilib.uns.ac.id
Pasien
Diagnosis Dokter
P35
Normal
P36
Normal
P37
Normal
P38
Normal
P39 P40 P41 P42 P43 P44 P45
carsinoma sel skuamus Adenocarsino ma papilifer Adenocarsino ma papilifer carsinoma epidermoid carsinoma epidermoid carsinoma epidermoid carsinoma epidermoid
P46
Polip serviks
P47
Polip serviks
P48
Polip serviks
P49
Polip serviks
P50
Polip serviks
P51
Polip serviks
Rekomendasi Jaccard 1. normal (0.571) 1. normal (0.428) 1. normal (0.428) 1. normal (0.571) 1. carsinoma sel skuamus (0.833) 1. Adenocarsinoma papilifer (1) 1. Adenocarsinoma papilifer (1) 1. carsinoma epidermoid (0.667) 1. carsinoma epidermoid (0.833) 1. carsinoma epidermoid (0.667) 1. carsinoma epidermoid (0.667) 1. polip serviks (0.417) 1. polip serviks (0.5)
1. polip serviks (0.5)
1. polip serviks (0.417) 2. suspek kanker (0.235) 1. polip serviks (0.5) 1. polip serviks (0.461) 2. suspek kanker (0.277)
commit to user
Rekomendasi Cosine 1. normal (0.756) 1. normal (0.655) 1. normal (0.655) 1. normal (0.756) 1. carsinoma sel skuamus (0.913) 1. Adenocarsinoma papilifer (1) 1. Adenocarsinoma papilifer (1) 1. carsinoma epidermoid (0.816) 1. carsinoma epidermoid (0.913) 1. carsinoma epidermoid (0.816) 1. carsinoma epidermoid (0.816) 1. polip serviks (0.645) 1. polip serviks (0.707) 2. suspek kanker (0.510) 1. polip serviks (0.707) 2. suspek kanker (0.510) 1. polip serviks (0.645) 2. suspek kanker (0.447) 1. polip serviks (0.707) 1. polip serviks (0.655) 2. suspek kanker (0.473)
perpustakaan.uns.ac.id
Pasien
digilib.uns.ac.id
Diagnosis Dokter 1.
P52
Polip serviks
P53
Polip serviks
2. 1. 1.
P54
Polip serviks
Rekomendasi Jaccard polip serviks (0.333) suspek kanker (0.25) polip serviks (0.417) polip serviks (0.417)
Rekomendasi Cosine 1. polip serviks (0.577) 2. suspek kanker (0.5) 1. polip serviks (0.645) 1. polip serviks (0.645) 2. suspek kanker (0.447)
Akurasi perhitungan sim ilarity Jaccard dan similarity Cosine untuk rekomendasi di urutan pertama, kedua, ketiga, dan keempat ditunjukan pada Tabel 4.4. Dari hasil akurasi tersebut menunjukan bahwa rekomendasi pertama memiliki tingkat akurasi ya ng tinggi. Rekomendasi kedua diberikan jika terdapat nilai similarity yang sama dan jika rekomendasi pertama dan rekomendasi kedua memiliki threshold sebesar 0,189 untuk similarity Jaccard dan threshold sebesar 0,255 untuk similarity Cosine. Pada similarity Jaccard, jika rekomendasi kedua menjadi hasil diagnosis maka besar akurasi menjadi 100%. Pada similarit y Cosine, jika rekomendasi kedua menjadi hasil diagnosis maka besar akurasi menjadi 100%.
Tabel 4.4 Hasil perhitungan akurasi similarity Jaccard dan similarity Cosine Benar di urutan Metode
Jumlah data
Jaccard
54
Cosine
1
2
3
4
52
2
0
0
(96,29%)
(3,71%)
52
2
(96,29%)
(3,71%)
(0%) (0%) 0
0
54 (0%) (0%)
Dari hasil pengujian seperti ditunjukan pada Tabel 4.3, untuk sim ilarity Jaccard didapatkan 2 orang pasien m emiliki 4 buah rekomendasi, 10 orang pasien dengan 3 buah rekomendasi, 16 orang pasien dengan 2 buah rekomendasi dan 26
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
orang pasien dengan 1 buah rekomendasi. Sedangkan untuk similarity Cosine didapatkan 12 orang pasien dengan 3 buah rekomendasi, 22 orang dengan 2 buah rekomendasi, dan 20 orang pasien dengan 1 buah rekomendasi. Jumlah hasil rekomendasi dari pengujian sistem untuk similarity Jaccard dan sim ilarity Cosine ditunjukan pada Tabel 4.5 Tabel 4.5 Jumlah hasil rekomendasi Banyaknya rekomendasi Metode
Jumlah
1
2
3
4
Rekomendasi Rekomendasi
Rekomendasi
Rekomendasi
data Jaccard
54
26 (48.14 %)
16 (29.63 %)
10 (18.52 %)
2 (3.70 %)
Cosine
54
20 (37.03 %)
22 (40.74 %)
12 (22.22 %)
0 (0 %)
Pada kasus penyakit non kanker, penyakit suspek kanker, polip serviks, radang kronis dan normal memiliki gejala-gejala yang mirip atau beririsan sehingga nilai sim ilarity yang dihasilkan memiliki selisih yang kecil antara keempatnya. Karena memiliki nilai selisih yang kecil maka pada sistem, rekomendasi yang diberikan pada pasien yang menderita penyakit non kanker dimungkinkan sebanyak 4 rekomendasi yaitu suspek kanker, polip serviks, radang kronis dan normal. Tabel 4.6 merupakan tabel hasil rekomendasi yang diberikan pada pasien penyakit non kanker. Pada Tabel 4.6 similarity Jaccard menghasilkan jumlah rekomendasi paling banyak 4 buah rekomendasi, sedangkan pada sim ilarity Cosine menghasilkan jumlah rekomendasi paling banyak 3 buah rekomendasi. Hal ini menunjukan bahwa similarity Cosine memiliki jumlah rekomendasi yang lebih sedikit daripada similarity Jaccard. Hasil rekomendasi yang sedikit tersebut mengakibatkan referensi pilihan user semakin kecil se hingga user lebih terbantu dalam menentukan kemungkinan penyakit yang diderita pasien karena similarity Cosine mengurangi satu kemungkinan penyakit yang diderita pasien sedangkan sim ilarit y Jaccard tidak mengurangi kemungkinan penyakit yang diderita pasien tetapi hanya mengurutkan dari kemungkinan terbesar penyakit yang diderita pasien.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Tabel 4.6 Hasil rekomendasi pasien P20, pasien P21, pasien P22, dan pasien P28 Pasien
P20
P21
P22
P28
Diagnosis Dokter
radang kronis
radang kronis
radang kronis
radang kronis
Rekomendasi Jaccard 1. radang kronis (0.308) 2. normal (0.222) 3. suspek kanker (0.176) 4. polip serviks (0.143) 1. radang kronis (0.385) 2. suspek kanker (0.235) 3. normal (0.2) 1. radang kronis (0.308) 2. normal (0.222) 3. suspek kanker (0.176) 4. polip serviks (0.143) 1. radang kronis (0.357) 2. suspek kanker (0.222) 3. normal (0.182)
commit to user
Rekomendasi Cosine 1. radang kronis (0.554) 2. normal (0.378) 3. suspek kanker (0.375)
1. radang kronis (0.620) 2. suspek kanker (0.447) 1. radang kronis (0.555) 2. normal (0.378) 3. suspek kanker (0.375)
1. radang kronis (0.566) 2. suspek kanker (0.408)
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Akurasi hasil pengujian sistem pada 54 data uji untuk sim ilarity Jaccard dan similarity Cosine relatif sama dimana urutan pertama adalah 96,69%, dan di urutan kedua adalah 3,17%. Berdasarkan pembahasan dapat disimpulkan bahwa metode sim ilarity dapat digunakan untuk m endukung keputusan dokter dalam mendiagnosis kanker serviks. Pada kasus penyakit non kanker, similarity Jaccard memiliki jumlah rekomendasi paling banyak yaitu 4 buah rekomendasi sedangkan similarity Cosine memiliki jumlah rekomendasi paling banyak yaitu 3 buah rekomendasi. Hal ini menunjukan bahwa similarity Cosine memiliki jumlah rekomendasi yang lebih sedikit daripada similarity Jaccard sehingga referensi user menjadi lebih kecil.
5.2 Saran Saran yang dapat digunakan untuk pengembangan selanjutnya yaitu a.
M engaplikasikan metode similarity ya ng lain untuk mendukung keputusan diagnosis kanker serviks, seperti metode dice similarity dan overlap similarity.
b.
M enambah data kolposkopi untuk menambah matriks ge jala sehingga diperoleh hasil yang lebih akurat. Data kolposkopi merupakan data hasil peneropongan mulut rahim/serviks dengan kaca pembesar agar kelainan serviks dapat dilihat dan dapat dilakukan biopsi.
c.
M engaplikasikan sistem pendukung diagnosis kanker ini dalam bentuk mobile sehingga bisa lebih nyaman dalam penggunaannya.
commit to user
