SISTEM PREDIKSI PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE KLASIFIKASI ALGORITMA ID3

Novita SariTarigan1,Eneng TitaTosida2, Sufiatul Maryana2

Program Studi Ilmu Komputer, F-MIPA Universitas PakuanEmail : novita_bff@yahoo.com

Program Studi Ilmu Komputer, F-MIPA Universitas Pakuan

ABSTRAKKanker adalah penyakit yang kurang disadari oleh sebagian masyarakat, karena sebagian masyarakat yang terkena penyakit ini kurang mengetahui kanker itu sendiri dan kurangnya melakukan deteksi dini kanker. Akibatnya sebagian besar kanker ditemukan pada stadium lanjut dan sulit ditanggulangi sehingga memberikan beban yang besar bagi pasien kanker dan keluarganya. Maka penelitian ini mengembangkan aplikasi secara khusus mengidentifikasi penyakit kanker payudara. Sistem pakar ini menggunakan metode klasifikasi algoritma id3. Pada sistem ini, hasil keluaran sistem berupa prediksi kanker payudara yaitu kelas kanker jinak (Benign) dan kelas kanker ganas (Malignant). Setelah dilakukan uji coba validasi dengan menggunakan data dari UCI Learning dengan 699 data dan 11 atribut menghasilkan nilai akurasi rata-rata yaitu 92,7%. Hal ini menunjukkan bahwa sistem yang dibangun dapat melakukan klasifikasi atau identifikasi dengan baik.

Kata kunci : Algoritma ID3, Kanker payudara

PENDAHULUAN

Kanker adalah penyakit yang kurang disadari oleh sebagian masyarakat, karena sebagian masyarakat yang terkena penyakit ini kurang mengetahui kanker itu sendiri dan kurangnya melakukan deteksi dini kanker. Akibatnya sebagian besar kanker ditemukan pada stadium lanjut dan sulit ditanggulangi sehingga memberikan beban yang besar bagi pasien kanker dan keluarganya. Kanker payudara (Carcinoma mammae) dalam bahasa inggrisnya disebut breast cancer merupakan kanker pada jaringan wanita. Kanker ini paling umum menyerang wanita, walaupun laki-laki juga punya potensi terkena akan tetapi kemungkinan sangat kecil dengan perbandingan 1 diantara 1000.

Sistem ini dimaksudkan sebagai pengembangan dari penelitian yang telah dilakukan oleh Maulina (2013) mencoba malakukan kajian diagnosis kanker

payudara menggunakan decision tree dengan algoritma iterative dichotomizer 3. Sistem pakar ini menggunakan data dari Dataset Winconsin Breast Cancer (Original) dan menghasilkan diagnosis yaitu tumor dan kanker. Hasil dari sistem hanya mengetahui tingkat akurasi sistem.

Penelitian sistem pakar ini akan mengembangkan sistem pakar yang secara khusus mengidentifikasi penyakit kanker payudara. Sistem pakar ini menggunakan metode Iterative Dichotomizer (ID3). Pada sistem ini hasil keluaran sistem berupa prediksi kanker payudara yaitu kelas kanker jinak (benign) dan kelas kanker ganas (malignant).

1

METODE PENELITIAN

1. Metode PenelitianDalam metode penelitian ini, akan

dijelaskan proses pembuatan sistem serta langkah-langkah yang sesuai dengan tahapan sistem pakar termasuk pengumpulan data.Tahapan-tahapan tersebut dijelaskan dalam skema seperti pada gambar:

Gambar 1. Tahapan Penelitian

2. Pembagian data latih & data ujiPembagian ini menggunakan

metode k-fold cross validation. Oleh karena itu, data yang digunakan dibagi menjadi 7 subset secara acak yang masing-masing subset memiliki jumlah instance dan perbandingan jumlah kelas yang hampir sama. Pembagian data ini digunakan pada proses percobaan

klasifikasi. Percobaan dilakukan sebanyak tujuh kali. Setiap percobaan, satu subset digunakan untuk pengujian sedangkan subset-subset lainnya digunakan untuk pelatihan.

3. Pelatihan Subset data pelatihan digunakan

sebagai input bagi algoritma Iterative Dichotomizer 3 pada tahapan pelatihan, target kelas sebanyak 2 kelas. Kelas 1yaitu untuk penyakit kanker payudara jinak dan kelas 2 untuk penyakit kanker payudara ganas.

4. PengujianProses pengujian dilakukan dengan

menguji data yang telah dibagi ke dalam matriks data uji menggunakan metode k-fold cross validation. Data uji tersebut kemudian diuji dengan menghitung nilai entropy dan nilai gain dari masing-masing atribut sehingga menghasilkan pohon keputusan menggunakan Iterative Dichotomizer 3

5. Perhitungan AkurasiPada penelitian ini ingin diketahui

akurasi yang dicapai algoritma Iterative Dichotomizer 3. Tingkat akurasi dihitung dengan cara :

Tingkat Akurasi = ∑ Datauji diklasifikasi

∑Total dataujix 100%

Tingkat akurasi menunjukan tingkat kebenaran pengklasifikasian data terhadap kelas sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%.

6. Implementasi

2

Merupakan tahap penyusunan program aplikasi untuk menarik kesimpulan. Tahap implementasi pada sistem ini mengimplementasikan perancangan sistem ke situasi nyata yaitu dengan pemilihan perangkat keras dan penyusunan perangkat lunak aplikasi (pengkodean/coding) yang digunakan pada Sistem Prediksi Identifkasi Penyakit Kanker Payudara Menggunakan Metode Iterative Dichotomizer 3. Software yang digunakan untuk implementasi sistem adalah XAMPP sebagai server dan Eng Editor untuk pengkodeannya.

7. Pengujian SistemTahap pengujian atau uji coba

sistem dilakukan setelah melakukan tahap implementasi. Tahap ini dilakukan agar mengetahui apakah sistem yang dirancang dapat memenuhi kebutuhan user dan dapat beroperasi dengan baik.Terdapat beberapa tahap uji coba sistem, diantaranya:1. Uji Coba Struktural merupakan uji

coba yang dilakukan untuk mengetahui apakah struktur atau alur program yang dibuat sudah sesuai dengan perancangan.

2. Uji Coba Fungsional merupakan uji cba yang dilakukan pada aplikasi sistem identifikasi untuk mengetahui apakah setiapbutton/form yang dibuat berfungsi atau tidak.

3. Uji Coba Validasi merupakan uji coba yang dilakukan pada aplikasi sistem identifikasi dengan cara memasukan, mengubah dan menghapus data pada form-form yang ada untuk mengecek sistem sudah dapat bekerja dengan benar atau tidak.

PERANCANGAN DAN IMPLEMENTASI

1. Tahap PerencanaanSebelum membuat sistem, pada

tahap ini terlebih dahulu dikumpulkan beberapa bahan yang disajikan sebagai landasan awal untuk melengkapi definisi permasalahan.

2. Tahap AnalisisDalam pembuatan sistem pakar

diperlukan beberapa data dan informasi mengenai faktor-faktor penyebab adanya penyakit yang menyerang payudara. Sumber data yang digunakan dalam penelitian berasal dari UCI Learning (http://archive.ics.uci.edu/ml/datasets) yaitu terdiri dari 11 (sebelas) atribut seperti Sample code number, Clump Thickness, Uniformity of Cell Size, Uniformity of Cell Shape , Marginal Adhesion, Single Epithelial Cell Size, Bare Nuclei, Bland Chromatin, Normal Nucleolin, Mitoses, dan Class. Jumlah data set kanker payudara yang diperoleh sebanyak 699 data, berikut adalah rincian data kanker payudara dari UCI Learning dan selengkapnya dapat dilihat pada lampiran.

3. Perancangan Flowchart SistemFlowchart yaitu langkah awal

pembuatan program untuk representasi grafik dari langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang diawali dengan penerimaan input, pemrosesan input, dan diakhiri dengan penampilan output.

3

Gambar 2. Perancangan Flowchart Sistem

Gambar 3. Perancangan Flowchart Proses

4. Perancangan Antar Muka

Gambar 4. Rancangan Halaman Beranda

Gambar 5. Halaman identifikasi

Gambar 6. Halaman Hasil Identifikasi

Gambar 7. Halaman Informasi

Gambar 8. Tampilan Pengertian Atribut

HASIL DAN PEMBAHASAN

HasilImplementasi merupakan proses

menerjemah ke dalam komputer dengan perhitungan algoritma menggunakan metode Iterative Dichotomizer 3 untuk mendapatkan klasifikasi kanker jinak dan kanker ganas pada payudara. Pada tahap implementasi menggunakan bahasa pemrograman php.

4

1. Tampilan Halaman Utama

Gambar 9. Halaman Utama

2. Halaman Prediksi / Uji CobaPada tampilan halaman prediksi kanker payudara ini, terdapat form yang dapat diisikan nilai inputan berupa angka 1 sampai 10 dari setiap atribut penyakit kanker payudara. Berikut tampilan halaman prediksi kanker payudara yang ditunjukan pada gambar 10:

Gambar 10. Halaman Prediksi Kanker

3. Halaman Tentang Kanker

Gambar 11. Halaman Tentang Kanker4. Halaman Pengertian Istilah

AtributPada tampilan halaman pengertian istilah atribut terdapat infromasi mengenai pengertian atribut yang mempengaruhi penyakit kanker payudara. Berikut tampilan halaman pengertian istilah atribut yang ditunjukan pada gambar 12 :

Gambar 12. Halaman pengertian Istilah

5. Halaman About Us

Gambar 13. Halaman About us

PEMBAHASAN1. Tahap Uji Coba Struktural

Uji coba Struktural adalah uji coba yang dilakukan untuk mengetahui apakah struktur atau alur sistem yang dibuat sudah sesuai dengan perancangan pada sistem dengan cara menjalankan form/halaman pada halaman sistem yang dibuat dapat dijalankan dan tampil dengan baik

5

sesuai rancangan.Apabila terjadi ketidaksesuaian, maka kembali kepada tahap implementasi.Berikut merupakan uji struktural pada gambar 14 & 15 :

Gambar 14. Rancangan Halaman Identifikasi

Gambar 15. Tampilan Input Nilai Atribut Sesuai Rancangan

No Alur Keterangan1 Halaman Utama

Informasi MenuSesuai

2 Prediksi Kanker Input Nilai Atribut Proses Identifikasi dengan Iterative Dichotomizer 3 Output Hasil Identifikasi

Sesuai

3 Tentang Kanker Pengertian Kanker Payudara dan Pengertian Pohon Keputusan Iterative Dichotomizer 3

Sesuai

4 Pengertian Istilah Istilah dan Pengertian dari masing-masing Atribut

Sesuai

5 About Us Tentang aplikasi dan penulis

Sesuai

6 Contact Us Informasi kontak penulis

Sesuai

2. Tahap Uji Coba FungsionalSetelah melakukan uji coba

struktural selanjutnya dilakukan uji coba fungsional yaitu uji coba yang dilakukan untuk mengetahui apakah sistem yang dibuat sudah berfungsi dengan baik.

No

Halaman Fungsional Hasil Uji

Coba1 Halaman

Utama(Home)

Menampilkan Menu Seputar Kanker Payudara

Berfungsi

2 Halaman Prediksi

Menampilkan form-form yang dapat diisi dengan nilai atribut penyakit kanker payudara

Berfungsi

3 Tentang Kanker

Menampilkan informasi tentang pengertian Penyakit kanker payudara, pengertian metode Iterative Dichotomizer

Berfungsi

4 Halaman Pengertian

Menampilkan Berfung

6

Istilah informasi tentang pengertian istilah dari masing-masing atribut

si

5 Halaman About Us

Menampilkan informasi tentang aplikasi dan tentang penulis

Berfungsi

6 Contact Us Menampilkan informasi kontak penulis

Berfungsi

3. Tahap Uji Coba Validasi

Gambar 16. Form Proses Identifikasi

Gambar 17. Tampila Hasil Identifikasi

1. Perhitungan Algoritma K-MeansSebelum membuat pohon keputusan

yang dihasilkan dari data UCI Learning akan dilakukan pengelompokan perkiraan kelas dari nilai atribut 1 sampai dengan 10 menggunakan K-Means.

Gambar 18. Algoritma K-Means

2. Perhitungan Metode Algoritma Iterative Dichotomizer 3

Setelah melakukan pengelompokan kelas selanjutnya dilakukan perhitungan manual menggunakan metode Iterative Dichotomizer 3 (ID3) yang bertujuan membuat pohon keputusan yang akan menjadi faktor utama penyakit kanker payudara berdasarkan 9 atribut dan menggunakan 100 sample data dari UCI Learnig. Contoh nilai masukan atau atribut informasi :

7

Berdasarkan hasil perhitungan, maka terbentuk pohon keputusan Iterative Dichotomizer seperti dibawah ini:

Gambar 19. Pohon Keputusan Prediksi Kanker Payudara

Berdasarkan pohon keputusan yang terbentuk dapat diketahui bahwa model prediksi kanker payudara dengan menggunakan pohon keputusan menunjukkan bahwa faktor yang mempengaruhi penyakit kanker payudara adalah Rumpun Tebal , Ukuran Satu Sel Epitel, Bland Kromatin, Normal Nukleolus dan Bara Nuclei.

3. Uji Coba Validasi Menggunakan Metode K-Fold Cross ValidationUji coba validasi ini dimulai

dengan membagi data menjadi data latih dan data uji. Pembagian data latih dan data uji ini dilakukan dengan menggunakan k

sama dengan 7. Jumlah data yang diperoleh sebanyak 699 record dan dibagi menjadi 7subset. Setiap subset terdiri dari 100 record.

Percobaan pertama (fold I) menggunakan 599record sebagai data latih yang berisi subset 2,3,4,5,6, dan 7. Subset 1 yang berisi 100record dijadikan sebagai data uji. Percobaan terus dilakukan hingga setiap subset pernah dijadikan data uji seperti terlampir pada tabel berikut ini. Pembagian data latih dan data uji

4. Pelatihan dan Pengujian Pengujian dilakukan untuk mengetahui keakuratan sistem dalam mengidentifikasi penyakit kanker payudara. Pengujian menggunakan 9 natribut yaitu Rumpun Tebal, Ukuran Sel, Sel Bentuk, Adhesi Marginal, Ukuran Satu Sel Epitel, Bara Nuclei, Bland Kromatin, Normal Nukleolus, dan Mitosis.

1. Percobaan PertamaPada percobaan pertama (fold 1)

menggunakan S2,S3,S4,S5,S6, dan S7 sebagai data latih dan S1 sebagai data uji yang berisi 100record.

Percobaan pertama menghasilkan akurasi sebesar:

8

Akurasi =

∑ DataUji diklasifikasi

∑Total dataujix100 % =

99100 x

100% = 99%

2. Percobaan KeduaPada percobaan kedua (fold 2)

menggunakan S1,S3,S4,S5,S6, dan S7 sebagai data latih dan S2 sebagai data uji yang berisi 100 record.

Akurasi =

∑ DataUji diklasifikasi

∑Total dataujix100 % = 91

100 x

100% = 91%

3. Percobaan KetigaPada percobaan ketiga (fold 3)

menggunakan S1,S2,S4,S5,S6, dan S7 sebagai data latih dan S3 sebagai data uji yang berisi 100 record.

Akurasi =

∑ DataUji diklasifikasi

∑Total dataujix100 % = 89

100 x

100% =89%

4. Percobaan KeempatPada percobaan ketiga (fold 4)

menggunakan S1,S2,S3,S5,S6, dan S7 sebagai data latih dan S4 sebagai data uji yang berisi 100 record

Akurasi =

∑ DataUji diklasifikasi

∑Total dataujix100 % = 93

100 x

100% = 93%

5. Percobaan KelimaPada percobaan keemoat (fold 5)

menggunakan S1,S2,S3,S4,S6, dan S7 sebagai data latih dan S5 sebagai data uji yang berisi 100 record.

9

TRUE FALSE

Jinak 55 0

Ganas 44 1

TRUE FALSE

Jinak 56 6

Ganas 35 3

TRUE FALSE

Jinak 41 7

Ganas 48 4

TRUE FALSE

Jinak 62 4

Ganas 31 3

6. Percobaan KeenamPada percobaan keenam (fold 6)

menggunakan S1,S2,S3,S4,S5, dan S7 sebagai data latih dan S6 sebagai data uji yang berisi 100 record.

Akurasi =

∑ DataUji diklasifikasi

∑Total dataujix100 % = 91

100 x

100% = 91%Percobaan Ketujuh

Pada percobaan ketujuh (fold 7) menggunakan S1,S2,S3,S4,S5, dan S6 sebagai data latih dan S7 sebagai data uji yang berisi 99 record.

Akurasi = ∑ DataUji diklasifikasi

∑Total dataujix 100 % = 93

99 x

100% = 93%5. Hasil Pelatihan Dan PengujianProses pengujian pada setiap

percobaan menghasilkan akurasi. Berikut adalah grafik akurasi dari seluruh percobaan yang sudah dilakukan menggunakan 5 atribut :

Gambar 20. Grafik Nilai Akurasi

Setelah dilakukan uji coba validasi dengan menggunakan data dari UCI Learning Repositary dengan 699 record menggunakan 5 atribut yaitu Rumpun Tebal, Ukuran Satu Sel Epitel, Bara Nuclei, Bland Kromatin, dan Normal Nukleolus menghasilkan nilai akurasi rata-rata yaitu 92,7% dengan hasil persentase untuk kanker payudara jinak adalah 62,5% sedangkan hasil persentase untuk kanker payudara ganas adalah 30,2%.

Hal ini menunjukan bahwa model yang dibangun dengan 5 atribut dapat melakukan klasifikasi dengan baik. Adapun kelemahan dari metode Iterative Dichotomizer 3 (ID3) itu sendiri adalah ketidakstabilannya dalam melakukan klasifikasi data apabila terjadi sedikit perubahan pada data training.

10

TRUE FALSE

Jinak 76 8

Ganas 15 1

TRUE FALSE

Jinak 75 3

Ganas 18 3

KESIMPULAN DAN SARANKesimpulan

Sistem Prediksi Penyakit Kanker Payudara secara umum menampilkan suatu sistem untuk mengidentifikasi penyakit yang menyerang kanker payudara. Metode yang digunakan dalam pembuatan sistem ini adalah metode iterative dichotomizer 3. Perancangan sistem menggunakan software Eng Editor dengan bahasa pemograman PHP.

Jumlah keseluruhan data yang diambil dari UCI Learning adalah 699 data dengan 2 jenis penyakit yaitu kanker payudara jinak dan ganas dan 11 atribut. Namun pada proses pembuatannya dilakukan pengelompokan nilai dari setiap atribut terlebih dahulu menggunakan metode K-Means(clustering) dengan hasil nilai 1 sampai 3 masuk dalam kategori kecil, nilai 4-6 masuk dalam kategori sedang, dan 7-10 masuk kedalam kategori besar . Berdasarkan pohon keputusan yang terbentuk dapat diketahui bahwa model prediksi kanker payudara dengan menggunakan pohon keputusan menunjukkan bahwa faktor yang mempengaruhi penyakit kanker payudara adalah Rumpun Tebal , Ukuran Satu Sel Epitel, Bland Kromatin, Normal Nukleolus, dan Bara Nuclei. Untuk mengetahui akurasi sistem, maka dilakukan pengujian data menggunakan metode k-fold cross validation. Setelah dilakukan pengujian, didapat nilai akurasi dengan hasil rata-rata 92.7% dengan jumlah 5 atribut. Hal ini menunjukan bahwa sistem yang dibangun dapat melakukan klasifikasi atau identifikasi dengan baik. Adapun kelemahan dari metode Iterative Dichotomizer 3 (ID3) itu sendiri adalah ketidakstabilannya dalam

melakukan klasifikasi data apabila terjadi sedikit perubahan pada data training.

SARANSistem identifikasi ini masih dalam

sebuah tahapan awal dan tentunya akan lebih optimal jika dalam tahap pengembangan selanjutnya, sistem identifikasi ini dapat dikembangkan menjadi lebih praktis dalam bentuk mobile programming atau berbasis android.

DAFTAR PUSTAKAAndini, Aswita. 2013. Sistem Pakar Diagnosa Penyakit Kanker Payudara Menggunakan Metode Certainty Factor. STMIK Widya Cipta Dharma. Yogyakarta.

Buaton, Relita.2014. Sistem Pakar. Metode K-Means. Medan.

Kementrian Kesehatan Republik Indonesia, 2014. Penyakit Kanker Payudara. Jakarta.

Kusrini, 2008. Aplikasi Sistem Pakar. Yogyakarta

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

Maulina, Inas Uly.2013. Klasifikasi Kanker Payudara Menggunakan Decission Tree Algoritma Iterative Dicthotomizer 3). Institut Pertanian Bogor.Jawa Barat.

Triaji, Muhammad. 2012. Sistem Pakar Pendeteksi Kanker Payudara Menggunakan Metode Certainty Factor. Universitas Brawijaya. Jawa Timur.

Uci Learning Repository (http://archive.ics.uci.edu/ml/datasets). 15 Mei 2015.

11

WHO (World Health Organization). 2013. Data Kesehatan dan Data Penyakit Kanker. Jakarta

12