implementasi metode similarity untuk …... · bab iii metode penelitian ... 2.1.1 kanker kanker...
TRANSCRIPT
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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
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
commit to user
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 -
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
PERSEMBAHAN
Karya ini penulis persembahkan kepada :
- Ayah, ibu dan keluarga tercinta.
- Teman-teman S1 informatika angkatan 2008.
- Saudari-saudariku di Kost Mint.
- Sahabat Lenongers.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 penyakit 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 similarity method is used to support the diagnosis of cervical cancer 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’ symptoms 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 berbagai pihak yang telah
memberikan bimbingan, dukungan dan saran 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
DAFTAR ISI
HALAMAN JUDUL ................................ ..................................................... i
HALAMAN PERSETUJUAN ....................................................................... ii
HALAMAN PENGESAHAN ................................................................ ........ iii
HALAMAN MOTTO .................................................................................... iv
HALAMAN PERSEMBAHAN ..................................................................... v
ABSTRAK .................................................................................................... vi
ABSTRACT .................................................................................................. vii
KATA PENGANTAR ................................................................................... viii
DAFTAR ISI ................................................................................................. ix
DAFTAR TABEL ................................ .......................................................... x
DAFTAR GAMBAR ................................ ..................................................... xi
BAB I PENDAHULUAN .................................................................................... 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Rumusan Masalah ................................ ................................ ...................... 1
1.3 Batasan Masalah ........................................................................................ 1
1.4 Tujuan Penelitian ....................................................................................... 2
1.5 Manfaat 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
3.3 Implementasi Sistem ................................................................................ 15
3.4 Pengujian dan Validasi Sistem................................................................ .. 17
3.5 Penulisan Laporan Penelitian.................................................................... 18
BAB IV PEMBAHASAN .................................................................................. 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 KESIMPULAN DAN SARAN.............................................................. 31
5.1 Kesimpulan .............................................................................................. 31
5.2 Saran ........................................................................................................ 31
DAFTAR PUSTAKA ................................ ........................................................ 32
LAMPIRAN .....................................................................................................34
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
DAFTAR GAMBAR
Gambar 3.1 Alur Rancangan Penelitian ........................................................ 14
Gambar 3.2 Flowchart rule menampilkan pertanyaan ................................... 16
Gambar 4.1 Gambaran umum sistem ............................................................ 19
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
DAFTAR LAMPIRAN
LAMPIRAN A ............................................................................................ 34
LAMPIRAN B ............................................................................................. 39
LAMPIRAN C ............................................................................................. 43
LAMPIRAN D ............................................................................................ 53
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 ditemukan 41 kasus baru dan 20 kematian
akibat kanker serviks. Diperkirakan 40.000 kasus baru kanker serviks ditemukan
setiap tahunnya (Marianda, 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 similarity 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 bagaimana
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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
b. 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-langkah yang harus
dilakukan dalam melakukan penelitian tugas akhir.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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. Pembahasan 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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 (Mardiana, 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. Kanker 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 menjadi 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).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 dengan
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).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 pemeriksaan 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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
c. 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 pada 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 menghasilkan
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 mirip (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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Semakin besar hasil fungsi similarity, maka kedua objek yang dievaluasi
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 :
, = similarity antara Oi terhadap Oj
|Oi| = jumlah nilai anggota himpunan Oi
|Oj| = 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
berikut (Kim dan Choi, 1998):
a. Koefisien Jaccard
, = ( ) (2.1)
b. Koefisien Cosine
, = . (2.2)
dengan: , = similarity antara Oi terhadap Oj
Oin = nilai anggota himpunan ke-n dari himpunan Oi
Ojn = 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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,
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 chaining. Peneliti
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 perhitungan 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 dengan
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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 Similarity. Hasil dari perhitungan
menunjukan besar nilai kemiripan hasil diagnosis kanker serviks. Hasil ini dapat
digunakan sebagai bahan pertimbangan bagi dokter.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 dilakukan 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 dibandingkan
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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
langsung 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 merupakan 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. Menginputkan 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. Menghitung besar kemiripan antara data gejala pasien dengan data gejala
pada database dengan menggunakan jaccard similarity.
3. Membandingkan hasil perhitungan dengan similarity dengan hasil data
sekunder. Bila hasil sesuai dengan hasil observasi maka dapat dikatakan
sistem berhasil.
4. Menentukan 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.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
5. Menghitung 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 hasil implementasi penelitian yang telah
dilakukan. Laporan penelitian mencakup beberapa bagian, yaitu: pendahuluan,
landasan teori, pembahasan dan penutup.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 yang 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
user. Bila user memilih metode jaccard similarity, maka sistem akan mengolah
inputan dengan metode jaccard similarity. Bila user memilih cosine similarity
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
pasien digunakan untuk menyimpan inputan yang dihitung dengan jaccard
similarity sedangkan tabel pasien2 digunakan untuk menyimpan 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 menghasilkan 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 d iagnosis yang berbeda-beda.
Data sebanyak 54 buah sudah cukup untuk memodelkan similarity 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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 penyakit tersebut dikarenakan ketiga penyakit tersebut
memiliki gejala penyakit yang hampir mirip sehingga nilai similarity yang
diperoleh memiliki selisih yang sedikit. Perhitungan Threshold sebagai berikut.
a. Threshold untuk Jaccard = 0,106 + 0,197+ 0,090 + 0,095 + 0,373 + 0,2776 = 0,189
b. Threshold untuk Cosine = 0,094 + 0,249+ 0,155 + 0,078 + 0,519 + 0,4406 = 0,255
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 dengan hasil normal sebanyak 5 orang. Jumlah pasien
dengan hasil radang kronis sebanyak 26 orang. Jumlah pasien dengan hasil polip
serviks sebanyak 14 orang. Jumlah pasien dengan hasil carcinoma epidermoid
sebanyak 4 orang. Jumlah pasien dengan hasil adenocarsinoma papilifer sebanyak
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 Rekomendasi
Jaccard Rekomendasi Cosine
P01 Polip serviks
1. polip serviks (0.417)
2. suspek kanker (0.235)
1. polip serviks (0.577)
2. normal (0.377)
3. suspek kanker (0.375)
P02 Polip serviks
1. polip serviks (0.538)
1. polip serviks (0.714)
2. suspek kanker (0.530)
P03 Polip serviks 1. polip serviks
(0.583) 1. polip serviks
(0.764)
P04 Polip serviks
1. polip serviks (0.5)
1. polip serviks (0.707)
2. suspek kanker (0.510)
P05 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
1. radang kronis (0.620)
2. normal (0.507)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pasien Diagnosis Dokter
Rekomendasi Jaccard
Rekomendasi Cosine
P06 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
3. suspek kanker (0.294)
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal (0.463)
P07 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. normal (0.463)
P08 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
1. radang kronis (0.620)
2. normal (0.507)
P09 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
3. suspek kanker (0.235)
1. radang kronis (0.620)
2. normal (0.507)
3. suspek kanker (0.447)
P10 radang kronis 1. radang kronis
(0.308) 1. radang kronis
(0.555)
P11 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. normal (0.463)
P12 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
3. suspek kanker (0.294)
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal (0.463)
P13 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
1. radang kronis (0.620) 2. normal (0.507)
P14 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. normal (0.463)
P15 radang kronis 1. radang kronis (0.385)
1. radang kronis (0.620)
P16 radang kronis 1. radang kronis (0.385)
1. radang kronis (0.620)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pasien Diagnosis Dokter
Rekomendasi Jaccard
Rekomendasi Cosine
P17 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
1. radang kronis (0.620)
2. normal (0.507)
P18 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. normal (0.463)
P19 radang kronis 1. radang kronis
(0.538) 1. radang kronis
(0.734)
P20 radang kronis
1. radang kronis (0.308)
2. normal (0.222)
3. suspek kanker (0.176)
4. polip serviks (0.143)
1. radang kronis (0.554)
2. normal (0.378)
3. suspek kanker (0.375)
P21 radang kronis
1. radang kronis (0.385)
2. suspek kanker (0.235)
3. normal (0.2)
1. radang kronis (0.620)
2. suspek kanker (0.447)
P22 radang kronis
1. radang kronis (0.308)
2. normal (0.222)
3. suspek kanker (0.176)
4. polip serviks (0.143)
1. radang kronis (0.555)
2. normal (0.378)
3. suspek kanker (0.375)
P23 radang kronis 1. radang kronis (0.308)
1. radang kronis (0.555)
P24 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
3. suspek kanker (0.294)
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal (0.463)
P25 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. suspek kanker (0.510)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pasien Diagnosis Dokter
Rekomendasi Jaccard
Rekomendasi Cosine
3. suspek kanker (0.294)
3. normal (0.463)
P26 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
3. suspek kanker (0.235)
1. radang kronis (0.620)
2. normal (0.507)
3. suspek kanker (0.447)
P27 radang kronis
1. radang kronis (0.385)
2. normal (0.333)
3. suspek kanker (0.235)
1. radang kronis (0.620)
2. normal (0.507)
3. suspek kanker (0.447)
P28 radang kronis
1. radang kronis (0.357)
2. suspek kanker (0.222)
3. normal (0.182)
1. radang kronis (0.566)
2. suspek kanker (0.408)
P29 radang kronis
1. radang kronis (0.461)
2. normal (0.3)
1. radang kronis (0.679)
2. normal (0.463)
P30 suspek kanker 1. suspek kanker
(0.5) 1. suspek kanker
(0.707)
P31 suspek kanker
1. polip serviks (0.385)
2. suspek kanker (0.222)
1. polip serviks (0.589)
2. suspek kanker (0.408)
3. radang kronis (0.339)
P32 suspek kanker
1. suspek kanker (0.437)
2. polip serviks (0.357)
1. suspek kanker (0.661)
2. polip serviks (0.545)
P33 suspek kanker
1. radang kronis (0.428)
2. suspek kanker (0.353)
3. normal (0.273)
1. radang kronis (0.628)
2. suspek kanker (0.567)
3. normal (0.428)
P34 Normal 1. normal (0.571)
1. normal (0.756)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pasien Diagnosis Dokter
Rekomendasi Jaccard
Rekomendasi Cosine
P35 Normal 1. normal (0.571)
1. normal (0.756)
P36 Normal 1. normal (0.428)
1. normal (0.655)
P37 Normal 1. normal (0.428)
1. normal (0.655)
P38 Normal 1. normal (0.571)
1. normal (0.756)
P39 carsinoma sel skuamus
1. carsinoma sel skuamus (0.833)
1. carsinoma sel skuamus (0.913)
P40 Adenocarsinoma papilifer
1. Adenocarsinoma papilifer (1)
1. Adenocarsinoma papilifer (1)
P41 Adenocarsinoma papilifer
1. Adenocarsinoma papilifer (1)
1. Adenocarsinoma papilifer (1)
P42 carsinoma epidermoid
1. carsinoma epidermoid (0.667)
1. carsinoma epidermoid (0.816)
P43 carsinoma epidermoid
1. carsinoma epidermoid (0.833)
1. carsinoma epidermoid (0.913)
P44 carsinoma
epidermoid 1. carsinoma epidermoid (0.667)
1. carsinoma epidermoid (0.816)
P45 carsinoma epidermoid
1. carsinoma epidermoid (0.667)
1. carsinoma epidermoid (0.816)
P46 Polip serviks 1. polip serviks (0.417)
1. polip serviks (0.645)
P47 Polip serviks
1. polip serviks (0.5)
1. polip serviks (0.707)
2. suspek kanker (0.510)
P48 Polip serviks
1. polip serviks (0.5)
1. polip serviks (0.707)
2. suspek kanker (0.510)
P49 Polip serviks
1. polip serviks (0.417)
2. suspek kanker (0.235)
1. polip serviks (0.645)
2. suspek kanker (0.447)
P50 Polip serviks 1. polip serviks (0.5)
1. polip serviks (0.707)
P51 Polip serviks
1. polip serviks (0.461)
2. suspek kanker (0.277)
1. polip serviks (0.655)
2. suspek kanker (0.473)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Pasien Diagnosis Dokter
Rekomendasi Jaccard
Rekomendasi Cosine
P52 Polip serviks
1. polip serviks (0.333)
2. suspek kanker (0.25)
1. polip serviks (0.577)
2. suspek kanker (0.5)
P53 Polip serviks 1. polip serviks (0.417)
1. polip serviks (0.645)
P54 Polip serviks
1. polip serviks (0.417)
1. polip serviks (0.645)
2. suspek kanker (0.447)
Akurasi perhitungan similarity 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 yang 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
Metode Jumlah data Benar di urutan
1 2 3 4
Jaccard 54 52
(96,29%)
2
(3,71%)
0
(0%)
0
(0%)
Cosine 54 52
(96,29%)
2
(3,71%)
0
(0%)
0
(0%)
Dari hasil pengujian seperti ditunjukan pada Tabel 4.3, untuk similarity
Jaccard didapatkan 2 orang pasien memiliki 4 buah rekomendasi, 10 orang pasien
dengan 3 buah rekomendasi, 16 orang pasien dengan 2 buah rekomendasi dan 26
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
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 similarity Cosine
ditunjukan pada Tabel 4.5
Tabel 4.5 Jumlah hasil rekomendasi
Metode Jumlah
data
Banyaknya rekomendasi
1
Rekomendasi
2
Rekomendasi
3
Rekomendasi
4
Rekomendasi
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 similarity 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 sehingga user lebih terbantu dalam
menentukan kemungkinan penyakit yang diderita pasien karena similarity Cosine
mengurangi satu kemungkinan penyakit yang diderita pasien sedangkan similarit y
Jaccard tidak mengurangi kemungkinan penyakit yang diderita pasien tetapi hanya
mengurutkan dari kemungkinan terbesar penyakit yang diderita pasien.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
Tabel 4.6 Hasil rekomendasi pasien P20, pasien P21, pasien P22,
dan pasien P28
Pasien Diagnosis
Dokter Rekomendasi
Jaccard Rekomendasi Cosine
P20 radang kronis
1. radang kronis (0.308)
2. normal (0.222)
3. suspek kanker (0.176)
4. polip serviks (0.143)
1. radang kronis (0.554)
2. normal (0.378)
3. suspek kanker (0.375)
P21 radang kronis
1. radang kronis (0.385)
2. suspek kanker (0.235)
3. normal (0.2)
1. radang kronis (0.620)
2. suspek kanker (0.447)
P22 radang kronis
1. radang kronis (0.308)
2. normal (0.222)
3. suspek kanker (0.176)
4. polip serviks (0.143)
1. radang kronis (0.555)
2. normal (0.378)
3. suspek kanker (0.375)
P28 radang kronis
1. radang kronis (0.357)
2. suspek kanker (0.222)
3. normal (0.182)
1. radang kronis (0.566)
2. suspek kanker (0.408)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Akurasi hasil pengujian sistem pada 54 data uji untuk similarity 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 similarity dapat digunakan untuk mendukung 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. Mengaplikasikan metode similarity yang lain untuk mendukung keputusan
diagnosis kanker serviks, seperti metode dice similarity dan overlap
similarity.
b. Menambah 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. Mengaplikasikan sistem pendukung diagnosis kanker ini dalam bentuk
mobile sehingga bisa lebih nyaman dalam penggunaannya.