Penerapan Fuzzy Logic Inference System Metode Mamdani Sebagai Penunjang Diagnosis Kanker Paru Rodiah1, Emy Haryatmi2, Fitrianingsih3, Muhammad Yuda Mashuri4 1,3,4
Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma Program Magister Teknik Elektro, Pascasarjana, Universitas Gunadarma
2
Jl. Margonda Raya 100 Pondok Cina, Depok Email:
[email protected], 2,3{emy_h,
[email protected],
[email protected]
Abstrak Pasien penyakit kanker paru memiliki banyak gejala-gejala penyakit yang diderita, sehingga sulit untuk diketahui atas keterbatasan, dan keterlambatan seorang pakar dokter dalam menentukan penyakit kanker paru yang diderita pasien. Penelitian ini akan mengimplementasikan model fuzzy inference system untuk menunjang diagnosis apakah seseorang terindikasi tumor paru jinak, ganas atau tidak terindikasi. Metode penelitian dilakukan dengan mengumpulkan data berdasarkan hasil wawancara dengan dokter ahli. Berdasarkan hasil wawancara ditetapkan 62 rules dengan 3 variabel dari hasil wawancara (Total Anamnesis, Derajat berat merokok, Usia) serta 2 variabel lain yaitu Performance status berdasarkan Indeks skala karnofsky dan Doubling time, kemudian menentukan fungsi implikasi, mengkomposisi aturan (agregation) dan defuzzifikasi (centroid). Hasil ujicoba menunjukkan nilai defuzzifikasi 87.880%, dimana persentase ini menunjukkan hasil pasien terindikasi tumor paru ganas.Implementasi fuzzy inference system dengan metode mamdani ini diharapkan dapat membantu menunjang diagnosis dokter, sesuai presentase hasil pengujian untuk menentukan solusi terapi yang tepat pada pasien pengidap kanker paru Kata kunci : Doubling Time, Defuzzifikasi, Fuzzifikasi, Mamdani, Perfomance Status 1.
Pendahuluan
Aspek kesehatan merupakan salah satu contoh perkembangan teknologi yang semakin meningkat dan sangat dibutuhkan keberadaannya dimasyarakat. Seiring dengan kebutuhan manusia yang semakin meningkat terutama pada aspek kesehatan kearah yang lebih kompleks, maka dibutuhkan suatu keputusan akhir dalam mencapai suatu tujuan khususnya bidang kesehatan, salah satunya adalah sistem pakar (expert system). Sistem Pakar sebagai salah satu teknik kecerdasan buatan (artificial intelligence) merupakan teknologi berbasis pengetahuan, fakta dan penalaran, dapat digunakan untuk menyelesaikan berbagai masalah dalam berbagai disiplin ilmu diantaranya adalah masalah deteksi dini dalam bidang kesehatan. Pengetahuan tentang beberapa penyakit sebagai hasil penelitian, pengembangan dan pengalaman seorang dokter sangat berguna bagi pelayanan dan peningkatan pengobatan terhadap pasien. Salah satunya adalah penyakit kanker paru merupakan penyakit yang tumbuh dengan sel-sel kanker yang mematikan. Kanker paru banyak ditemukan pada perokok aktif maupun pasif, kelainan genetik atau keturunan, polusi udara dijalanan, dan lingkungan pekerjaan yang terpapar langsung zat karsinogenik kedalam paru-paru.Saat ini pemicu terbesar kanker paru adalah asap rokok diikuti dengan polusi kendaraan bermotor dan sebab-sebab lainnya(1).
Beberapa penelitian dengan penggunaan sistem pakar sebagai penunjang diagnosis telah dilakukan beberapa peneliti sebelumnya. Penelitian tersebut bertujuan untuk mendeteksi nodul paru secara otomatis melalui citra CT dengan metode Region Growing Segmentation, lalu mengidentifikasi kanker dengan Fuzzy Inference System (FIS) dari hasil segmentasi citra CT tersebut. Hasil dari segmentasi citra berupa 2 variabel yang akan digunakan untuk melakukan proses diagnosis oleh FIS, yaitu variabel area dan color. Variabel color memiliki rentang nilai antara 0 - 255 sedangkan variabel area memiliki rentang nilai antara 1 - 5000 dimana masing-masing variabel tersebut dibagi atas 2 kategori, yaitu low (rendah) dan high (tinggi). Variabel - variabel tersebut digunakan untuk mendeteksi nodul paru menggunakan fungsi keanggotaan (IF-THEN rule). Hasil dari penelitian tersebut berupa diagnosis tumor, yaitu None (tidak terindikasi tumor), Benign (jinak), Malignant (ganas), dan Advanced (stadium lanjut)(2). Implementasi sistem pakar juga digunakan untuk mendiagnosis penyakit jantung. Pada pembuatan sistem pakar tersebut, metode fuzzy logic digunakan sebagai basis perhitungan. Sistem pakar fuzzy logic memperoleh hasil yang lebih baik daripada sistem klasik yang dirancang, karena sistem ini mensimulasikan cara ahli seorang pakar. Sistem pakar ini telah dirancang dan diujicoba dengan rule base khusus yang dibentuk hampir pada semua penyakit jantung dapat memastikan akurasi sampai
akhir suatu keputusan(3). Penelitian lain juga dilakukan dengan tmenggunakan sistem Hybrid untuk mendiagnosis kanker paru. Sistem Hybrid terdiri dari algoritma genetika untuk seleksi fitur pemilihan vektor yang relevan untuk melakukan diagnosis. Dimensi fitur yang dipilih kemudian dimasukkan ke dalam sistem klasifikasi. Sistem klasifikasi yang digunakan yaitu Fuzzy Inference System (FIS) yang telah dilatih menggunakan Extreme Learning Machine yang bertujuan untuk mengukur keakuratan diagnosis. Data yang digunakan dalam penelitian ini merupakan data multivariat yang berisi variabel-variabel kuantitatif berupa integer yang bernilai antara 0 - 3. Penelitian tersebut menghasilkan diagnosis berdasarkan 3 jenis kanker paru patologis (4). Pada penelitian ini penulis akan memanfaatkan sistem pakar dengan fuzzy metode mamdani. Penulis menggunakan 5 variabel sebagai indikator dengan 3 variabel didapatkan dari hasil wawancara dengan pakar antara lain total anamnesis, derajat berat merokok, dan Usia serta 2 variabel lain yaitu Performance status berdasarkan Indeks skala karnofsky dan Doubling time yang merupakan waktu penyebaran nodul paru atau pembesaran diameter nodul paru pada hasil pencitraan medis dengan range yang sesuai.Implementasi Sistem pakar ini diharapkan dapat memudahkan dokter dalam menentukan solusi pengobatan pada pasien penyakit kanker paru dengan mendiagnosis gejala penyakit sejak awal. Metode Penelitian Secara garis besar, metode pada penelitian ini terdiri dari beberapa tahapan pengumpulan data dengan menentukan rules dan variabel, Penentuan derajat keanggotaan fuzzy, dimana metode fuzzy inference system yang digunakan adalah mamdani, Penentuan fungsi implikasi, penentuan fungsi aturan (agregation) serta defuzzifikasi. Secara diagram alur pada penelitian ini dapat dilihat pada gambar 3.1.
dan Doubling time sehingga ditetapkan sebanyak 62 rules. 2.2. Penentuan Derajat Keanggotaan Berdasarkan hasil wawancara dengan pakar, beberapa indikator yang digunakan sebagai penunjang diagnosis kanker paru antara lain : 1. Total Anamnesis Untuk masing-masing variabel anamnesis memiliki bobot nilai yang berbeda berdasarkan dengan tingkatan gejala penyakit antara lain, ringan memiliki 4 bobot nilai, sedang memiliki 6 bobot nilai, dan berat memiliki 10 bobot nilai. Variabelvariabel tersebut terdiri dari : Demam, Suara serak, Nyeri dada, Genetik, Tinggal didaerah urban, Batuk berdarah/Kronis, Anemia, Penurunan berat badan, Terpapar zat karsinogenik, Sakit kepala mendadak, Sesak nafas, Wajah dan Leher bengkak, Nyeri pada tulang, Menelan terasa sulit, Sering terkena Infeksi paru. 2. Derajat Berat Merokok Merupakan variabel input yang menentukan besaran derajat merokok seseorang berdasarkan analisis pakar dokter terhadap pasien yang diperoleh melalui wawancara langsung, seperti dapat dilihat pada tabel 1. Tabel 1. Range Derajat Berat Merokok
2.
3. Usia Merupakan variabel inputan yang dapat digunakan untuk mempengaruhi hasil diagnosis penyakit kanker paru, dengan semakin tinggi usia seseorang, maka semakin meningkat risiko terjadinya kanker paru, variabel usia diperoleh melalui wawancara langsung dokter. Range variabel usia dapat dilihat pada tabel 2. Tabel 2. Range Derajat Berat Merokok
Gambar 1. Bagan Metode Penelitian 2.1. Pengumpulan Data Metode wawancara digunakan dalam penelitian dengan tujuan untuk pengumpulan data dan informasi variabel yang akan digunakan dengan mengkombinasikan kaidah-kaidah penarikan kesimpulan (inferencerules). Dari hasil wawancara dengan pakar terdapat 5 variabel input gejala penyakit kanker paru yaitu : Total Anamnesis, Derajat berat merokok, Usia, Performance status
4. Performance Status Merupakan aktivitas kondisi pasien dalam bentuk Skala Karnofsky dengan range tertentu yang memudahkan pengklasifikasian pasien sesuai keadaan gangguan fungsionalnya. Pengklasifikasian dimaksudkan dengann tujuan mempermudah dokter dalam melakukan evaluasi hasil terapi dan penilaian prognosis pasien. Skala karnofsky terdiri dari rentang nilai 100 – 0, dengan nilai 100 adalah keadaan sehat tanpa gangguan, dan nilai 0 adalah meninggal dengan perincian seperti dapat dilihat pada tabel 3.
Tabel 3. Skala Karnofsky Perfomance Status (5) Fungsi linear naik 0; [ x] ( x a) / b a); 1;
xa a xb
(3)
xb
Sebagai contoh pada gambar 2 menunjukkan kurva total anamnesis yang digunakan pada penelitian ini
4. Doubling Time Merupakan variabel input gejala penyakit yang berisi waktu penyebaran nodul paru atau pembesaran diameter nodul paru pada hasil rontgen dengan range yang sesuai. Pada kanker paru, pemeriksaan foto rontgen dada ulang diperlukan juga untuk menilai doubling time-nya. Dari beberapa kasus kanker paru mempunyai doubling time antara 37-465 hari. Sebagai contoh nilai doubling time > 18 menunjukkan tumor jinak (benigna), seperti dapat dilihat pada tabel 4. Tabel 4. Doubling Time Rontgen dada
Gambar 2. Kurrva Total anamnesis Variabel yang menggunakan fungsi ini yaitu, variabel total anamnesis himpunan berat, variabel derajat berat merokok himpunan berat, variabel usia himpunan lansia, variabel performance status himpunan normal, variabel doubling time himpunan tinggi, dan variabel persentase kanker himpunan ganas. Tabel 5 menunjukkan Fungsi Derajat Keanggotaan dari semua variabel Tabel 5. Tabel Himpunan Fuzzy
Fungsi derajat keanggotaan yang digunakan dalam penelitian ini adalah fungsi linear turun, fungsi kurva segitiga, dan fungsi linear naik. Fungsi linear turun b x) /(b a); [ x ] 0;
a xb
(1)
xb
Variabel yang menggunakan fungsi ini yaitu, variabel total anamnesis himpunan ringan, variabel derajat berat merokok himpunan ringan, variabel usia himpunan remaja, variabel performance status himpunan sangat lemah, variabel doubling time himpunan normal, dan variabel persentase kanker himpunan none.
Fungsi kurva segitiga 0;
[ x] ( x a) / b a);
(c x) /( c b);
xa a xb
atau
xc
(2)
b xc
Variabel yang menggunakan fungsi ini yaitu, variabel total anamnesis himpunan sedang, variabel derajat berat merokok himpunan sedang, variabel usia himpunan dewasa, variabel performance status himpunan menurun, variabel doubling time himpunan cukup, dan variabel persentase kanker himpunan jinak.
2.3. Penentuan Fungsi Implikasi Fungsi implikasi pada penelitian ini menggunakan fuzzy logic mamdani dengan fungsi implikasi min, sehingga dalam menentukan fungsi implikasi untuk mendiagnosis penyakit kanker paru digunakan operator AND, yang diperoleh dengan menggunakan fungsi MIN. Fungsi MIN adalah fungsi untuk mencari nilai keanggotaan terkecil dari dua atau lebih operand [7]. Secara umum dapat ditulis menggunakan Persamaan : (4) A B min( A[ x], B[ y]) 2.4. Penentuan Komposisi Aturan (Agregation) Pembentukan aturan basis pengetahuan merupakan perancangan sistem yang berisi aturan-
aturan (rules) sebagai penentuan keputusan hasil output sistem. Aturan-aturan ini difilter dengan bantuan seorang pakar dokter dan pilihan yang tepat sebanyak 62 rules, dan dibuat setelah pembentukan himpunan fuzzy. Pada metode fuzzy mamdani, fungsi implikasi yang digunakan adalah min. Sebagai contoh diambil 10 aturan basis pengetahuan dari total 62 rules pada tabel 6 dengan hasil none atau tidak terindikasi kanker paru. Tabel 6. Contoh 10 aturan basis pengetahuan dari total 62 rules
Keterangan : TA = Total Anamnesis DBM = Derajat Berat Merokok US = Usia PS = Performance Status DT = Doubling Time
Z*
A( z ) zdz a b
(6)
A( z )dz a
4.
Hasil dan Pembahasan
Ujicoba Algoritma Fuzzy Langkah 1. Menentukan Himpunan Fuzzy Variabel total anamnesis telah didefinisikan pada tiga himpunan fuzzy yaitu, Ringan, Sedang, dan Berat. Setiap himpunan fuzzy memiliki interval keanggotaan. Tingkat keanggotaan pada variabel total anamnesis sebagai contoh dengan persentase 80%. Total anamnesis 80% termasuk kedalam himpunan fuzzy Berat dengan tingkat keanggotaan sesuai fungsi berikut :
Sehingga diperoleh :
Dalam perhitungan komposisi aturan penelitian menggunakan penulis menggunakan metode max dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy serta dan mengaplikasikannya ke output dengan persamaan(7) :
sf ( xi ) max( sf ( xi ), kf ( xi ))
b
(5)
Hasil pada fungsi keanggotaan untuk total anamnesis dinyatakan Berat dengan tingkat keanggotaan 60%. Pada variabel derajat berat merokok telah didefinisikan pada tiga himpunan fuzzy yaitu, Ringan, Sedang, dan Berat. Sebagai contoh diberikan input derajat berat merokok 400 derajat termasuk kedalam himpunan fuzzy dengan tingkat keanggotaan sesuai fungsi berikut:
Dimana :
sf ( xi ) = nilai keanggotan solusi fuzzy sampai aturan ke-i
kf ( xi ) = nilai keanggotan konsekuen
Sehingga diperoleh :
fuzzy aturan ke-i 2.5. Defuzzifikasi Tahap terakhir merupakan defuzzifikasi. Proses ini dilakukan,jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output. Pada tahapan deffuzifikasi untuk mendiagnosis kanker paru penelitian ini menggunakan metode centroid (Composite Moment). Pada metode centroid, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara matematis pusat gravitasi atau center of gravity (COG) dapat dinyatakan menggunakan persamaan [8] sebagai berikut :
Hasil pada fungsi keanggotaan untuk derajat berat merokok dinyatakan Sedang dengan tingkat keanggotaan 88.9%. Pada variabel usia, Sebagai contoh untuk usia 55 tahun termasuk kedalam himpunan fuzzy Lansia dengan tingkat keanggotaan sesuai fungsi berikut:
Sehingga diperoleh :
Hasil pada fungsi keanggotaan untuk usia dinyatakan Lansia dengan tingkat keanggotaan 42.3%.
Hasil pada fungsi keanggotaan untuk doubling time dinyatakan Tinggi dengan tingkat keanggotaan 66.7%.
Pada variabel performance status telah didefinisikan pada tiga himpunan fuzzy yaitu, Sangat-Lemah, Menurun, dan Normal. Setiap himpunan fuzzy memiliki interval keanggotaan, penjelasan seperti pada Gambar 2 dengan tingkat keanggotaan pada variabel performance status sebagai contoh diberikan persentase 25%. Performance status 25% termasuk kedalam himpunan fuzzy Sangat-Lemah dengan tingkat keanggotaan sesuai fungsi berikut :
Langkah 2. Menentukan Fungsi Implikasi Pada perhitungan fuzzy yang diimplementasikan pada penelitian ini adalah fungsi MIN, dengan mengambil tingkat keanggotaan yang terkecil dari variabel input sebagai outputnya. Berdasarkan hasil himpunan variabel studi kasus aturan-aturan yang sesuai dengan kondisi tersebut, maka diperoleh rules ke-59 :
Sehingga diperoleh :
Hasil pada fungsi keanggotaan untuk performance status dinyatakan Sangat-Lemah dengan tingkat keanggotaan 62.5%. Pada variabel doubling time telah didefinisikan pada tiga himpunan fuzzy yaitu, Normal, Cukup, dan Tinggi. Setiap himpunan fuzzy memiliki interval keanggotaan, penjelasan seperti pada Gambar 3 merupakan tingkat keanggotaan pada variabel doubling time sebagai contoh diberikan periode 19 bulan.
Gambar 3. Fungsi Keanggotaan Doubling Time 19 bulan Doubling time 19 bulan termasuk kedalam himpunan fuzzy Tinggi dengan tingkat keanggotaan sesuai fungsi berikut :
Tabel 7. Fungsi Implikasi
Langkah 3. Komposisi Aturan (agregation) Pada perhitungan komposisi aturan penelitian ini menggunakan fungsi MAX untuk melakukan komposisi antar semua aturan, dan merupakan kesimpulan secara keseluruhan dengan mengambil tingkat keanggotaan terbesar dari fungsi implikasi dan menggabungkan dari semua kesimpulan pada masing-masing aturan. Pada daerah hasil komposisi dapat dicari nilai a1 dan a2 seperti dapat dilihat pada Gambar 4. Nilai a1 dapat diketahui dengan menghitung fungsi keanggotaan sebagai berikut :
Dengan demikian fungsi komposisi aturan adalah :
Sehingga diperoleh :
keanggotaan
Langkah 4. Defuzzifikasi (centroid)
hasil
Pada perhitungan defuzzifikasi merupakan tahap penegasan dengan mengkonversi himpunan fuzzy menjadi bilangan real. Inputan dari proses penegasan ini adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, dan output yang dihasilkan merupakan bilangan pada domain himpunan fuzzy tersebut. Pada defuzzifikasi untuk menentukan nilai persentase kanker paru menggunakan metode centroid, dan perhitungan defuzzifikasi dengan metode centroid, sebagai berikut : Dari hasil komposisi aturan dapat dihitung momen dari setiap daerah himpunan
Hasil ujicoba menunjukkan nilai defuzzifikasi 87.880%, dimana persentase ini menunjukkan hasil pasien terindikasi tumor paru ganas. Implementasi fuzzy inference system dengan metode mamdani dapat membantu menunjang diagnosis dokter, sesuai presentase hasil pengujian untuk menentukan solusi terapi yang tepat pada pasien pengidap kanker paru Penentuan parameter input dan aturan (rulebase) yang tepat dengan konsultasi melalui pakar akan sangat mempengaruhi akurasi dari hasil diagnosis sistem. Untuk penelitian lebih lanjut dan penyempurnaan penelitian tentang sistem pakar pada penyakit kanker paru dapat dilakukan dengan menambahkan input berupa faktor lain yang mempengaruhi penyakit kanker paru. 6.
Ucapan Terima Kasih
dr. Ayu Baryandina, Sp.P dari RSUD Kuningan dan Pusat Studi Informatika Kedokteran Universitas Gunadarma Kemudian dapat dihitung luas dari setiap daerah :
Titik pusat dapat diperoleh dari :
Hasil nilai persentase menunjukkan angka 87.880%, dimana pada penelitian ini persentase tersebut termasuk ke dalam output Ganas. Gambar 4 menunjukkan hasil defuzzfiikasi dengan Matlab.
Gambar 4. Hasil Perhitungan Matlab Terindikasi Tumor Paru Ganas 5.
Kesimpulan Berdasarkan hasil ujicoba kasus pada penelitian ini, Pada penalaran fuzzy telah didapat hasil perhitungan dengan Total Anamnesis 80%, Derajat Berat Merokok 400 derajat, Usia 55 tahun, Performance Status 25%, Doubling Time 19 bulan.
7.
Daftar Pustaka
1. Martin C. Tammemägi, Christine D. Berg, Thomas L. Riley, Christopher R. Cunningham and Kathryn L. Taylor, Impact of Lung Cancer Screening Results on Smoking Cessation, JNCI Journal of the National Cancer Institute, 2014 2. Atiyeh H., Abdol H. P., Reza R., Mass Detection in Lung CT Images Using Region Growing Segmentation and Decision Making Based on Fuzzy Inference System and Artificial Neural Network, MECS, Iran, 2013 3. Sikchi S., 2012, Design of Fuzzy Expert System for Diagnosis of Cardiac Diseases, International Journal of Medical Science and Public Health, Vol.2, Amravati, India, 2012 4. Reza, Hybrid Automatic System for the Diagnosis of Lung Cancer Based on Genetic Algorithm and Fuzzy Extreme Learning Machines 5. Dominik Peus, Nicolas Newcomb, Silvia Hofer, Appraisal of the Karnofsky Performance Status and proposal of a simple algorithmic system for its evaluation, BMC Medical Informatics and DecisionMaking 2013, 13:72 doi:10.1186/14726947-13-72, 2013 6. Zulkifli Amin, Ilmu Penyakit Dalam, Jakarta: Pusat Penerbitan FKUI, 2006 7. William Siler, J.J.B., In Fuzzy expert systems and fuzzy reasoning. Hoboken, New Jersey.: John Wiley & Sons, Inc, 2005
