KATA PENGANTAR

Damai Sejahtera, puji dan syukur Penulis panjatkan kehadirat Tuhan Yang

Maha Esa atas Berkat dan Rahmat-Nya sehingga Penulis dapat menyelesaikan

penulisan skripsi ini sebagai salah satu syarat dalam menempuh ujian akhir untuk

memperoleh gelar Sarjana Sains pada Fakultas Matematika dan Ilmu Pengetahuan

Alam Jurusan Matematika Universitas Hasanuddin Makassar.

Oleh karena itu, perkenankanlah pernulis menyampaikan ucapan terima

kasih yang tulus dan penghargaan yang tidak terhingga kepada Papa, Simon

Somalangi dan Mama tercinta, Tandung Parinding, terima kasih atas segala doa

dan kasih sayangnya dalam mendidik dan membesarkan penulis dengan segala

pengorbanan dan cucuran keringat yang tak ternilai harganya, serta kakaku

Natalia Somalangi, S.Kep. beserta suami, Sinta Somalangi, SE, dan adikku

Irenewati Somalangi, tak ketinggalan juga keponakanku Denilson,terima kasih

atas canda tawa yang telah dilalui bersama. Untuk Nenek dan Tante serta keluarga

besarku, terima kasih atas doanya.

Ucapan terima kasih yang tak terhingga penulis persembahkan kepada:

Bapak Dr. Eng. Armin Lawi, M.Eng. selaku pembimbing utama atas

bimbingan, waktu, semangat dan ilmu dalam membimbing penulis dari

awal sampai akhir.

i

Bapak Hendra, S.Si, M.Komp. selaku pembimbing pertama yang telah

meluangkan waktu disela-sela rutinitasnya tenaga untuk membimbing

penulis.

Bapak Drs. Muh. Hasbi, M.Sc selaku pembimbing kedua yang telah

membimbing penulis hingga penyelesaian tugas akhir ini.

Bapak Dr. Nurdin, M.Si. selaku ketua penguji, dan Bapak Drs.

Khaeruddin, M.Sc. selaku sekertaris penguji sekaligus penasehat

akademik atas masukan yang sangat berharga selama penulis menyusun

skripsi.

Bapak Drs. Khaeruddin, M.Sc. selaku ketua Jurusan Matematika, Bapak

Andi Kresna Jaya, S.Si, M.Si. selaku sekertaris Jurusan Matematika,

terima kasih atas segala masukannya. Seluruh dosen Matematika Unhas

atas ilmu yang telah dibagi kepada penulis serta staf pegawai di Jurusan

Matematika FMIPA Unhas (P’ Nasir dan P’ Sutamin) atas fasilitas dan

kemudahan yang diberikan kepada penulis sejak kuliah hingga

terselesainya skripsi ini.

Pimpinan dan segenap staf RS. Dr. Wahidin Sudirohusodo yang telah

membantu penulis dalam memberikan informasi dan data-data yang

dibutuhkan dalam penyusunan skripsi ini.

Teman dekatku Irse David, Andi Mariani, Gabryela Horman Pelo, dan

Karmila Amin, terima kasih teman, semua kenangan tidak akan terlupa.

New Generation : Nurul Muslihat, Harita Wijayanti, Erny, Irmayani

Amang, Andi Mariani, hahahaha..... Obsesi lanjutkan teman!!!

ii

Teman Math 06 ada Greby (teman penelitian, makasih banyak teman atas

bantuannya), Rina, Sukra, Abang Takdir (makasih nasehat2nya kawan),

Imma, Erny, Mila, Itha, Ina, Harita, Mia, Indra, Jen, Ancha, Kimoet,

Adi, Didin, Hase’, Yudi, Ani, Hakam, Irse, Mila, Dila, Erick, Anto,

Fitri, Vika, Marni, Wana, Mimi, Hasda dan yang tidak sempat

disebutkan namanya, Penulis ucapkan mkasih atas kebersamaannya, ”I

always love n miss U friends”, tak ketinggalan pula teman-teman Stat 06

dan Perpustakaan Jurusan Matematika Crew.

STO Crew: okta jelek, ivan comen, sri gen, alda pemirsa, eva budok,

ustad wany, alm. Uchin, bang ucup dan semua penghuni STO penulis

ucapkan makasih...........!!!!

Akhir kata, semoga penulisan ini dapat turut menyumbangkan pemikiran

dan dapat memberikan manfaat kepada kita semua. Amin.

Makassar, Februari 2011

Penulis

iii

ABSTRAK

Salah satu penyakit kanker yang paling banyak menyerang pada kaum wanita adalah kanker serviks. Sering dalam menentukan klasifikasi stadium kanker serviks para dokter dituntut untuk mengambil tindakan yang lebih cepat, agar penanganan pasien juga lebih cepat. Suatu Sistem Pendukung Keputusan (SPK) yang sederhana dan relevan dalam menentukan stadium kanker serviks adalah Decision Tree. Algoritma yang digunakan dalam penyelesaian masalah tersebut yaitu dengan menggunakan algoritma ID3, dimana algoritma tersebut membentuk suatu model pohon keputusan. Parameter yang digunakan untuk menentukan stadium kanker serviks adalah keadaan umum, keputihan, anemia, perdarahan pervaginam dan massa tumor. Hasil penelitian menunjukkan bahwa penentuan stadium yang diperoleh secara Decision Tree sama dengan hasil penentuan stadium kanker serviks oleh paramedik di Rumah Sakit DR. Wahidin Sudirohusodo.

Kata kunci : Decision Tree, Sistem Pendukung Keputusan, Algoritma ID3, Kanker

Seviks.

iv

ABSTRACT

One of the top cancer attacking women is cervical cancer. Often in determining the classification of stage cervical cancer physicians are required to take action more quickly, for the handling of patient is also much faster. A Decision Support System (DSS) that is simple and relevant in determining the stage of cervical cancer is Decision Tree. The algorithm used in solving these problem is by using ID3 Algorithm, where the algorithm is to form a decision tree models. Parameter used to determine the stage of cervical cancer are patient’s general condition, vaginal discharge, anemia, vaginal bleeding and tumor mass. The results showed that staging obtained by Decision Tree similar to results of cervical cancer staging by paramedics at the General Hospital DR. Wahidin Sudirohusodo.

Keywords : Decision Tree, Decision Support System, ID3 Algorithm, Cervical Cancer.

v

DAFTAR ISI

HALAMAN JUDUL

LEMBAR KEOTENTIKAN

LEMBAR PENGESAHAN PENGUJI

KATA PENGANTAR ……………………………………………………… i

ABSTRAK ..………………………………………………………………… iv

ABSTRACT …….………………………………………………………….. v

DAFTAR ISI ….……………………………………………………………. vi

DAFTAR TABEL ….………………………………………………………. viii

DAFTAR GAMBAR ….……………………………………………………. xi

BAB I PENDAHULUAN

1.1 Latar Belakang ……………………………………………….. 1

1.2 Rumusan Masalah ……………………………………………. 2

1.3 Batasan Masalah ……………………………………………… 3

1.4 Tujuan Penulisan ……………………………………………... 3

BAB II TINJAUAN PUSTAKA

2.1 Kanker Serviks …………………….………………………… 4

2.2 Decision Tree ............................................ ………………….. 5

2.3 Konsep Data dalam Decision Tree ……….………………...... 8

2.4 Langkah Kerja dalam Decision Tree .....…………………....... 9

2.4.1 Mengubah Bentuk Data (tabel) Menjadi Model Tree …. 9

vi

2.4.2 Mengubah Tree menjadi Rules (aturan) ....................... 12

2.4.3 Menguji Atribut dalam Rules (aturan) .......................... 14

BAB III METODE PENELITIAN

3.1 Lokasi Penelitian …...………………………………………… 15

3.2 Jenis dan Sumber Data ……………………………………… 15

3.2.1 Jenis Data .......................................................................... 15

3.2.2 Sumber Data ................................................................... 16

3.3 Variabel Penelitian ….……………………………………....... 16

3.4 Metode Analisis ........................................................................ 17

BAB IV HASIL DAN PEMBAHASAN

4.1 Mengubah Data Menjadi Pohon ............... …………………... 21

4.2 Mengubah Bentuk Tree Menjadi Rules (aturan)………............. 69

4.3 Menguji Independensi antar Atribut dalam Rules (aturan) dan

Menguji Kesalahan Decision Tree ............................................ 72

4.4 Contoh Kasus ............................................................................... 76

BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan …...…………..…………………………………... 78

4.2 Saran ……………………….…………………………………. 78

DAFTAR PUSTAKA …..………………..……………………...…………. 79

LAMPIRAN

vii

DAFTAR TABEL

Tabel 1 Data Penderita Kanker Serviks dari RS. DR. Wahidin

Sudirohusodo

Tabel 2 Data sampel untuk Atribut Kanker Serviks

Tabel 3 Data Atribut Keadaan Umum (KU)

Tabel 4 Data Atribut Keputihan (K)

Tabel 5 Data Atribut Anemia (A)

Tabel 6 Data Atribut Perdarahan (P)

Tabel 7 Data Atribut Massa Tumor (MT)

Tabel 8 Data Atribut Nyeri Perut (NP)

Tabel 9 Data Sampel Atribut Massa Tumor = Kecil

Tabel 10 Data Atribut Keadaan Umum (Massa Tumor = Kecil)

Tabel 11 Data Atribut Keputihan (Massa Tumor = Kecil)

Tabel 12 Data Atribut Anemia (Massa Tumor = Kecil)

Tabel 13 Data Atribut Perdarahan (Massa Tumor = Kecil)

Tabel 14 Data Atribut Nyeri Perut (Massa Tumor = Kecil)

Tabel 15 Data Sampel Atribut Keputihan = Ya

Tabel 16 Data Atribut Keadaan Umum (Keputihan = Ya)

Tabel 17 Data Atribut Anemia (Keputihan = Ya)

Tabel 18 Data Atribut Perdarahan (Keputihan = Ya)

viii

Tabel 19 Data Atribut Nyeri Perut (Keputihan = Ya)

Tabel 20 Data Sampel Atribut Keputihan = Tidak

Tabel 21 Data Atribut Keadaan Umum (Keputihan = Tidak)

Tabel 22 Data Atribut Anemia (Keputihan = Tidak)

Tabel 23 Data Atribut Perdarahan (Keputihan = Tidak)

Tabel 24 Data Atribut Nyeri Perut (Keputihan = Tidak)

Tabel 25 Data Sampel Atribut Perdarahan = Rendah (Keputihan = Ya)

Tabel 26 Data Atribut Keadaan Umum (Keputihan = Ya, Perdarahan =

Rendah)

Tabel 27 Data Atribut Anemia (Keputihan = Ya, Perdarahan = Rendah)

Tabel 28 Data Atribut Nyeri Perut (Keputihan = Ya, Perdarahan = Rendah)

Tabel 29 Data Sampel Atribut Keadaan Umum = Baik

Tabel 30 Data Atribut Anemia (Keputihan = Ya, Perdarahan = Rendah,

Keadaan Umum = Baik)

Tabel 31 Data Atribut Nyeri Perut (Keputihan = Ya, Perdarahan = Rendah,

Keadaan Umum = Baik)

Tabel 32 Data Sampel Anemia = Tidak (Keputihan = Tidak)

Tabel 33 Data Atribut Keadaan Umum (Keputihan = Tidak, Anemia =

Tidak)

Tabel 34 Data Atribut Perdarahan (Keputihan = Tidak, Anemia = Tidak)

Tabel 35 Data Atribut Nyeri Perut (Keputihan = Tidak, Anemia = Tidak)

Tabel 36 Data Hasil Prediksi Pada Data Training untuk Klasifikasi Stadium

Kanker Serviks

ix

Tabel 37 Uji Chi Square untuk Atribut Kanker Serviks

Tabel 38 Data Hasil Prediksi Pada Data Training untuk Klasifikasi Stadium

Kanker Serviks

Tabel 39 Perhitungan SSE (Sum of Square of Error) pada Hasil Pediksi pada

Data Training

x

DAFTAR GAMBAR

Gambar 1 Pola Pemindahan Data Ke Dalam Model Tree

Gambar 2 Grafik Entropy dalam Sampel (S)

Gambar 3 Bentuk Tree yang akan dibut Rule (Aturan)

Gambar 4 Bentuk Tree Awal

Gambar 5 Pembentukan Model Tree Kedua

Gambar 6 Pembentukan Model Tree Ketiga

Gambar 7 Pembentukan Model Tree Keempat

Gambar 8 Pembentukan Model Tree Kelima

Gambar 9 Pembentukan Model Tree Keenam

Gambar 10 Bentuk Decision Tree untuk Kanker Serviks

xi

uses crt;

var KU,Keputihan,Anemia,Pendarahan,MT,NP,Kelas,Ulang:integer;

begin

Repeat

clrscr;

writeln (’*******KLASIFIKASI STADIUM KANKER SERVIKS

*******

DECISION TREE

=================================================’)

writeln('1.Baik 2.Buruk');

write('Keadaan Umum = ');readln(KU);

writeln('1.Tidak 2.Ya ');

write('Keputihan = ');readln(Keputihan);

writeln('1.Tidak 2.Ya ');

write('Anemia = ');readln(Anemia);

writeln('1.Rendah 2.Sedang 3.Tinggi ');

write('Pendarahan = ');readln(Pendarahan);

writeln('1.Kecil 2.Sedang 3.Besar ');

write('Massa Tumor = ');readln(MT);

clrscr;

if ((MT=1) and (Keputihan=1) and (Anemia=1) and (Pendarahan=1)) then

Kelas:=1

xii

else if ((MT=1) and (Keputihan=1) and (Anemia=1) and (Pendarahan=2))

then Kelas:=2

else if ((MT=1) and (Keputihan=1) and (Anemia=2)) then Kelas:=2

else if ((MT=1) and (Keputihan=2) and (Pendarahan=1) and (KU=2)) then

Kelas:=3

else if ((MT=1) and (Keputihan=2) and (Pendarahan=1) and (KU=1) and

(Anemia=1)) then Kelas:=3

else if ((MT=1) and (Keputihan=2) and (Pendarahan=1) and (KU=1) and

(Anemia=2)) then Kelas:=2

else if ((MT=1) and (Keputihan=2) and (Pendarahan=1) and (KU=1)) then

Kelas:=2

else if ((MT=1) and (Keputihan=2) and (Pendarahan=2)) then Kelas:=3

else if (MT=2) then Kelas:=3

else if (MT=3) then Kelas:=4;

writeln('Stadium ',Kelas);

readln;

clrscr;

writeln(’*******KLASIFIKASI STADIUM KANKER SERVIKS

*******

DECISION TREE

================================================= ’)

write('Ingin Mengulangi Prediksi (1.Tidak , 2.Ya) ');readln(Ulang);

Until Ulang=1;

xiii

readln;

end.

xiv