implementasi metode similarity untuk …... · bab iii metode penelitian ... 2.1.1 kanker kanker...

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


commit to user


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 -


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.


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


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


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


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


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


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


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


commit to user

DAFTAR LAMPIRAN

LAMPIRAN A ............................................................................................ 34

LAMPIRAN B ............................................................................................. 39

LAMPIRAN C ............................................................................................. 43

LAMPIRAN D ............................................................................................ 53


commit to user


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.


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.


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.


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).


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).


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.


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.


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


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


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,


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


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.


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.


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


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.


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


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.


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.


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


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


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


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)


2. normal (0.377)


P02 Polip serviks




P03 Polip serviks 1. polip serviks

(0.583) 1. polip serviks

(0.764)

P04 Polip serviks




P05 radang kronis

1. radang kronis (0.385)

2. normal (0.333)


2. normal (0.507)


commit to user

Pasien Diagnosis Dokter

Rekomendasi Jaccard

Rekomendasi Cosine

P06 radang kronis


2. normal (0.3)




3. normal (0.463)

P07 radang kronis


2. normal (0.3)


2. normal (0.463)

P08 radang kronis


2. normal (0.333)


2. normal (0.507)

P09 radang kronis


2. normal (0.333)



2. normal (0.507)


P10 radang kronis 1. radang kronis

(0.308) 1. radang kronis

(0.555)

P11 radang kronis


2. normal (0.3)


2. normal (0.463)

P12 radang kronis


2. normal (0.3)




3. normal (0.463)

P13 radang kronis


2. normal (0.333)

1. radang kronis (0.620) 2. normal (0.507)

P14 radang kronis


2. normal (0.3)


2. normal (0.463)

P15 radang kronis 1. radang kronis (0.385)





commit to user


Rekomendasi Jaccard

Rekomendasi Cosine

P17 radang kronis


2. normal (0.333)


2. normal (0.507)

P18 radang kronis


2. normal (0.3)


2. normal (0.463)

P19 radang kronis 1. radang kronis

(0.538) 1. radang kronis

(0.734)

P20 radang kronis


2. normal (0.222)




2. normal (0.378)


P21 radang kronis



3. normal (0.2)



P22 radang kronis


2. normal (0.222)




2. normal (0.378)




P24 radang kronis


2. normal (0.3)




3. normal (0.463)

P25 radang kronis


2. normal (0.3)




commit to user


Rekomendasi Jaccard

Rekomendasi Cosine


3. normal (0.463)

P26 radang kronis


2. normal (0.333)



2. normal (0.507)


P27 radang kronis


2. normal (0.333)



2. normal (0.507)


P28 radang kronis



3. normal (0.182)



P29 radang kronis


2. normal (0.3)


2. normal (0.463)

P30 suspek kanker 1. suspek kanker

(0.5) 1. suspek kanker

(0.707)

P31 suspek kanker






P32 suspek kanker





P33 suspek kanker



3. normal (0.273)



3. normal (0.428)

P34 Normal 1. normal (0.571)

1. normal (0.756)


commit to user


Rekomendasi Jaccard

Rekomendasi Cosine


1. normal (0.756)


1. normal (0.655)


1. normal (0.655)


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)


P41 Adenocarsinoma papilifer



P42 carsinoma epidermoid

1. carsinoma epidermoid (0.667)





P44 carsinoma

epidermoid 1. carsinoma epidermoid (0.667)





P46 Polip serviks 1. polip serviks (0.417)


P47 Polip serviks




P48 Polip serviks




P49 Polip serviks







P51 Polip serviks






commit to user


Rekomendasi Jaccard

Rekomendasi Cosine

P52 Polip serviks







P54 Polip serviks




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


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.


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


2. normal (0.222)




2. normal (0.378)


P21 radang kronis



3. normal (0.2)



P22 radang kronis


2. normal (0.222)




2. normal (0.378)


P28 radang kronis



3. normal (0.182)




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.

implementasi metode similarity untuk …... · bab iii metode penelitian ... 2.1.1 kanker kanker...

Documents