IMPLEMENTASI METODE SIMILARITY UNTUK PENDUKUNG KEPUTUSAN DIAGNOSIS KANKER SERVIKS SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika
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
MOTTO
“Anda lebih dari yang anda p ikirkan, dan anda bisa mera ih leb ih dari yang sudah anda capai sekarang”
- tiya, sa marpan –
“Do what you can, with what you have, wh ere you a re” “It is hard to fail, but it is worse never to have tried to succeed” -Th eodore Roosevelt-
“Untuk mendapatkan hal-hal yang besar, jangan meremeh kan hal-hal yang sederhana ” -Hitam Putih -
PERSEMBAHAN
Karya ini penulis persembahkan kepada : -
Ayah, ibu dan keluarga tercinta.
Teman-teman S1 informatika angkatan 2008.
Saudari-saudariku di Kost Mint.
Sahabat Lenongers.
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 penya kit 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
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 sim ilarity method is used to support the diagnosis of cervical ca ncer 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’ s ymptoms 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
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 tela h 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
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
DAFTAR GAMBAR
Gambar 3.1 Alur Rancangan Penelitian ........................................................ 14 Gambar 3.2 Flowchart rule menampilkan pertanya an ................................... 16 Gambar 4.1 Gambaran umum sistem ............................................................ 19
DAFTAR LAMPIRAN
LAMPIRAN A ............................................................................................ 34 LAMPIRAN B ............................................................................................. 39 LAMPIRAN C ............................................................................................. 43 LAMPIRAN D ............................................................................................ 53
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 ditemuka n 41 kasus baru dan 20 kematian akibat kanker serviks. Diperkirakan 40.000 kasus baru kanker serviks ditemukan setiap tahunnya (M arianda, 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 sim ilarity dengan metode cased-based rea soning 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 bagaim ana 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.
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-la ngkah yang harus dilakukan dalam melakukan penelitian tugas akhir.
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. Pembaha san 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.
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 (M ardiana, 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. Ka nker 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 m enjadi 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).
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 denga n 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 ep idermoid kadang-kadang berasal dari polip. (Padjadjaran, 1981).
b. Carsinoma Epidermoid
Carsinoma Epidermo id 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 externu m , 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).
c. Adenocarsinoma Papillifer
Ad enocarsinoma Papillifer merupakan jenis tumor ganas yang tumbuh dari daerah canalis cervicalis. Kadang-kadang mulai dekat ostium externu m , 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 pemeriksaa n 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.
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 pad a 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 menghasilka n 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 m irip (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.
Semakin besar hasil fungsi similarity, maka kedua objek yang die valuasi 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 O i terhadap O j |O i | = jumlah nilai anggota himpunan O i
|O j |
= jumlah nilai anggota himpunan O j
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 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
a. Koefisien Jaccard
b. Koefisien Cosine
(2.2) dengan:
= similarity antara O i terhadap O j O in = nilai anggota himpunan ke-n dari himpunan O i O jn = nilai anggota himpunan ke-n dari himpunan O j
Contoh perhitungan similarity
a. Disajikan matriks data gejala penyakit pasien P01, data penyakit
ca rcinoma 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
G02
G03
G04
G05
G06
G07
G08
G09
G10
G11 G11
P01 Ca Sel Skuamus
b. Membandingkan matriks pasien P01 dengan matriks carcinoma ep idermoid . Kemudian menghitung irisan anggota matriks yang bernilai 1, b. Membandingkan matriks pasien P01 dengan matriks carcinoma ep idermoid . Kemudian menghitung irisan anggota matriks yang bernilai 1,
c. Menghitung similarity yang digunakan yaitu similarity Jaccard seperti pada persamaan 2.1
Nilai Jaccard untuk (P01,ca epidermoid) adalah 0,66667
d. Membandingkan matriks pasien P01 dengan matriks carsinoma sel sku amus . 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
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 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
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 perhitunga n 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 denga n 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.
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 Sim ilarity. Hasil dari perhitunga n menunjukan besar nilai kemiripan hasil diagnosis kanker serviks. Hasil ini dapat digunakan sebagai bahan pertimbangan bagi dokter.
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 dila kukan 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 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
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 ep idermoid , 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 dibandingka n 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.
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 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
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 m erupakan 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. M enginputkan 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. M enghitung besar kemiripan antara data gejala pasien dengan data gejala pada database dengan menggunakan jaccard similarity.
3. M embandingkan hasil perhitungan dengan similarity dengan hasil data sekunder. Bila hasil sesuai dengan hasil observasi maka dapat dikatakan sistem berhasil.
4. M enentukan 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.
5. M enghitung 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 ha sil implementasi penelitian yang telah dilakukan. Laporan penelitian mencakup beberapa bagian, yaitu: pendahuluan, la ndasan teori, pembahasan dan penutup.
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 ya ng 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 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
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 pasie n digunakan untuk menyimpan inputan yang dihitung dengan jaccard similarity sedangkan tabel pasien2 diguna kan untuk me nyimpan 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 menghasilka n 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 diagnosis yang berbeda-beda. Data sebanyak 54 buah sudah cukup untuk memodelkan sim ilarity 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 Nilai threshold digunakan untuk menentukan banyak sedikitnya rekomendasi yang diberikan oleh sistem. Dari 54 data pasien diambil 2 data untuk menentukan
Tabel 4.1 Nilai similarity Jaccard pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis
Jaccard Suspek kanker Polip
Tabel 4.2 Nilai similarity Cosine pasien P31 dan P33 untuk penyakit suspek kanker, polip serviks, dan radang kronis Cosine
Suspek kanker Polip
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 thresho ld hanya dari ketiga penya kit tersebut dikarenakan ketiga penyakit tersebut memiliki gejala penyakit yang hampir mirip sehingga nilai similarity ya ng diperoleh memiliki selisih yang sedikit. Perhitungan Threshold sebagai berikut.
a. Threshold untuk Jaccard
b. Threshold untuk Cosine
Jadi, threshold yang ditetapkan untuk similarity Jaccard yaitu 0,189 dan thresho ld 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 denga n hasil normal sebanyak 5 orang. Jumlah pasien dengan hasil radang kronis sebanyak 26 orang. Jumlah pasien dengan hasil polip serviks sebanyak 14 orang. Jumlah pasie n dengan hasil carcinoma epidermoid sebanyak 4 orang. Jum lah pasien dengan hasil adenocarsinoma papilifer sebanya k
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
Rekomendasi Cosine
P01
Polip serviks
1. polip serviks
2. suspek kanker
1. polip serviks (0.577)
2. normal
3. suspek kanker (0.375)
P02
Polip serviks
1. polip serviks
1. polip serviks (0.714)
2. suspek kanker (0.530)
P03
Polip serviks
1. polip serviks
1. polip serviks (0.764)
P04
Polip serviks
1. polip serviks
1. polip serviks (0.707)
2. suspek kanker (0.510)
P05
radang kronis
1. radang kronis
1. radang kronis (0.620)
2. normal
Rekomendasi Cosine
P06
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal
(0.463) P07
radang kronis
1. radang kronis
1. radang kronis (0.679)
2. normal
(0.463) P08
radang kronis
1. radang kronis
1. radang kronis (0.620)
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.620)
2. normal
3. suspek kanker (0.447)
P10
radang kronis
1. radang kronis
1. radang kronis (0.555)
P11
radang kronis
1. radang kronis
1. radang kronis (0.679)
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal
(0.463) P13
radang kronis
1. radang kronis
1. radang kronis (0.620)
2. normal (0.507)
P14
radang kronis
1. radang kronis
1. radang kronis (0.679)
2. normal
(0.463) P15
radang kronis
1. radang kronis
1. radang kronis (0.620)
P16
radang kronis
1. radang kronis
1. radang kronis (0.620)
Rekomendasi Cosine
P17
radang kronis
1. radang kronis
1. radang kronis (0.620)
2. normal
(0.507) P18
radang kronis
1. radang kronis
1. radang kronis (0.679)
2. normal
(0.463) P19
radang kronis
1. radang kronis
1. radang kronis (0.734)
P20
radang kronis
1. radang kronis (0.308)
2. normal
3. suspek kanker (0.176)
4. polip serviks (0.143)
1. radang kronis (0.554)
2. normal
3. suspek kanker (0.375)
P21
radang kronis
1. radang kronis
2. suspek kanker
1. radang kronis (0.620)
2. suspek kanker (0.447)
P22
radang kronis
1. radang kronis
3. suspek kanker
4. polip serviks
1. radang kronis (0.555)
2. normal
3. suspek kanker (0.375)
P23
radang kronis
1. radang kronis
1. radang kronis (0.555)
P24
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.679)
2. suspek kanker (0.510)
3. normal
(0.463) P25
radang kronis
1. radang kronis
1. radang kronis (0.679)
2. suspek kanker (0.510)
Rekomendasi Cosine
3. suspek kanker
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.620)
2. normal
3. suspek kanker (0.447)
P27
radang kronis
1. radang kronis
3. suspek kanker
1. radang kronis (0.620)
2. normal
3. suspek kanker (0.447)
P28
radang kronis
1. radang kronis
2. suspek kanker
1. radang kronis (0.566)
2. suspek kanker (0.408)
P29
radang kronis
1. radang kronis
1. radang kronis (0.679)
2. normal
(0.463) P30
suspek kanker
1. suspek kanker
1. suspek kanker (0.707)
P31
suspek kanker
1. polip serviks
2. suspek kanker
1. polip serviks (0.589)
2. suspek kanker (0.408)
3. radang kronis (0.339)
P32
suspek kanker
1. suspek kanker
2. polip serviks
1. suspek kanker (0.661)
2. polip serviks (0.545)
P33
suspek kanker
1. radang kronis
2. suspek kanker
1. radang kronis (0.628)
2. suspek kanker (0.567)
3. normal
(0.428) P34
Normal
1. normal
1. normal
Rekomendasi Cosine
carsinoma sel
skuamus
1. carsinoma sel skuamus (0.833)
1. carsinoma sel skuamus (0.913)
P40
Adenocarsino
ma papilifer
1. Adenocarsinoma papilifer (1)
1. Adenocarsinoma papilifer (1)
P41
Adenocarsino
ma 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
1. polip serviks (0.645)
P47
Polip serviks
1. polip serviks
1. polip serviks (0.707)
2. suspek kanker (0.510)
P48
Polip serviks
1. polip serviks
1. polip serviks (0.707)
2. suspek kanker (0.510)
P49
Polip serviks
1. polip serviks
2. suspek kanker
1. polip serviks (0.645)
2. suspek kanker (0.447)
P50
Polip serviks
1. polip serviks
1. polip serviks (0.707)
P51
Polip serviks
1. polip serviks
2. suspek kanker
1. polip serviks (0.655)
2. suspek kanker (0.473)
Rekomendasi Cosine
P52
Polip serviks
1. polip serviks
2. suspek kanker
1. polip serviks (0.577)
2. suspek kanker (0.5)
P53
Polip serviks
1. polip serviks
1. polip serviks (0.645)
P54
Polip serviks
1. polip serviks
1. polip serviks (0.645)
2. suspek kanker (0.447)
Akurasi perhitungan sim ilarity 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 ya ng 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
Dari hasil pengujian seperti ditunjukan pada Tabel 4.3, untuk sim ilarity Jaccard didapatkan 2 orang pasien m emiliki 4 buah rekomendasi, 10 orang pasien dengan 3 buah rekomendasi, 16 orang pasien dengan 2 buah rekomendasi dan 26 Dari hasil pengujian seperti ditunjukan pada Tabel 4.3, untuk sim ilarity Jaccard didapatkan 2 orang pasien m emiliki 4 buah rekomendasi, 10 orang pasien dengan 3 buah rekomendasi, 16 orang pasien dengan 2 buah rekomendasi dan 26
Tabel 4.5 Jumlah hasil rekomendasi
Metode
Jumlah data
Banyaknya rekomendasi
4 Rekomendasi Jaccard
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 sim ilarity 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 se hingga user lebih terbantu dalam menentukan kemungkinan penyakit yang diderita pasien karena similarity Cosine mengurangi satu kemungkinan penyakit yang diderita pasien sedangkan sim ilarit y Jaccard tidak mengurangi kemungkinan penyakit yang diderita pasien tetapi hanya mengurutkan dari kemungkinan terbesar penyakit yang diderita pasien.
Tabel 4.6 Hasil rekomendasi pasien P20, pasien P21, pasien P22, dan pasien P28
Rekomendasi Cosine
P20
radang kronis
1. radang kronis
2. normal (0.222)
3. suspek kanker
4. polip serviks
1. radang kronis (0.554)
2. normal
3. suspek kanker (0.375)
P21
radang kronis
1. radang kronis
2. suspek kanker
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
4. polip serviks (0.143)
1. radang kronis (0.555)
2. normal
3. suspek kanker (0.375)
P28
radang kronis
1. radang kronis
2. suspek kanker
1. radang kronis (0.566)
2. suspek kanker (0.408)
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Akurasi hasil pengujian sistem pada 54 data uji untuk sim ilarity 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 sim ilarity dapat digunakan untuk m endukung 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. M engaplikasikan metode similarity ya ng lain untuk mendukung keputusan diagnosis kanker serviks, seperti metode dice similarity dan overlap similarity.
b. M enambah 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. M engaplikasikan sistem pendukung diagnosis kanker ini dalam bentuk mobile sehingga bisa lebih nyaman dalam penggunaannya.