Institutional Repository | Satya Wacana Christian University: Perancangan Sistem Diagnosa Penyakit Kanker Kolorektal Menggunakan Algoritma Iterative Dichotomiser 3 (ID3)

  Perancangan Sistem Diagnosa Penyakit Kanker Kolorektal Menggunakan Algoritma Iterative Dichotomiser 3 (ID3) Artikel Ilmiah Peneliti: Ivana Christy Pombengi (672014226) Magdalena A. Ineke Pakereng, M.Kom. Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Januari 2018

  

Perancangan Sistem Diagnosa Penyakit Kanker Kolorektal

Menggunakan Algoritma Iterative Dichotomiser 3 (ID3)

_{1) 2)}

Ivana Christy Pombengi, Magdalena A. Ineke Pakereng

  

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Abstract

  Colorectal Cancer or Colon Cancer initially only affects age > 50 years, but

now the disease can affect age <50 years, there is a lot of various factors for example is

a patient who has a history of inflammatory bowel disease, early diagnosis is needed to

prevent the growth of colorectal cancer becomes malignant. This research is aimed to

assist the expert as a doctor in early detection of colorectal cancer by using Iterative

Dichotomizer Three (ID3) method through a built system. The system is designed by

using ID3 method with uses 4 attributes that have been selected from the 9 attributes

obtained, with family history of colon cancer patients as the main symptoms . that

determines a person positive for colon cancer. The result of this research shows that

system can assist in the process of diagnosing patients with colorectal cancer.

  Keywords: Colorectal Cancer, Expert System, Iterative Dichotomiser 3

Abstrak

  Kanker Kolorektal atau Kanker Usus Besar awalnya hanya menyerang usia >50

tahun, namun sekarang penyakit ini bisa menyerang usia <50 tahun, faktor-faktor yang

ada pun bermacam-macam seperti pasien yang memiliki riwayat penyakit radang usus

atau riwayat keluarga penderita kanker kolorektal, diagnosa dini diperlukan untuk

mencegah pertumbuhan kanker kolorektal menjadi ganas. Penelitian ini ditujukan untuk

membantu pakar sebagai dokter dalam melakukan deteksi dini munculnya kanker

kolorektal dengan menggunakan metode Iterative Dichotomizer Three (ID3) melalui

sistem yang dibangun. Sistem yang dirancang dengan menggunakan metode ID3

menggunakan 4 atribut yang telah diselektif dari 9 atribut yang didapat, dengan atribut

riwayat keluarga penderita kanker kolon sebagai atribut utama yang menentukan

seseorang positif menderita kanker kolon. Hasil penelitian ini menunjukkan bahwa sistem

yang dibangun dapat membantu dalam proses mendiagnosa pasien penyakit kanker

kolorektal. ₁₎ Kata Kunci: Kanker Kolorektal, Sistem Pakar, Iterative Dichotomiser 3

  

Mahasiswa Fakultas Teknologi Informasi Program Studi Teknik Informatika, Universitas Kristen Satya

Wacana Salatiga.

  1. Pendahuluan

  Kesehatan merupakan salah satu hal yang terpenting dalam kehidupan manusia. Tapi terkadang manusia sering lupa untuk menjaga kesehatannya karena disibukkan dengan berbagai pekerjaan dan tanggung jawab. Salah satu penyakit yang mulai beredar di masyarakat umum saat ini adalah kanker kolorektal atau yang sering disebut dengan kanker usus besar. Belum diketahui faktor pasti untuk mendiagnosa seseorang menderita kanker kolorektal atau tidak, tapi ada beberapa faktor yang menjadi pemicu munculnya kanker kolon yaitu faktor genetik, pola makan yang tidak teratur, dan pola hidup yang tidak sehat.

  Akhir-akhir ini penderita kanker kolorektal sudah semakin banyak, awalnya penderita kanker ini adalah orang dengan usia 50-75 tahun namun sekarang seseorang yang berumur 20 tahun pun berpotensi mengidap penyakit ganas ini. Di RSUD Dr.Moewardi, penderita kanker kolorektal terdapat 70 pasien diantaranya 37,14 % penderita laki-laki dan 62,85 % penderita perempuan [1]. Sebenarnya gejala dari penyakit ini sangatlah umum seperti sakit perut, sembelit dan penurunan berat badan. Karena kurangnya pengetahuan serta alat bantu untuk mendiagnosa penyakit ini maka ironisnya gejala-gejala ini terlambat untuk di diagnosa sehinga mencapai tahap kronis dan sulit untuk disembuhkan.

  Berkaca dari masalah tersebut maka dapat simpulkan bahwa peran teknologi dalam dunia kesehatan sangat dibutuhkan untuk membantu para tenaga medis yang ada untuk mendiagnosa penyakit kanker kolorektal. Metode ID3 dipilih karena metode ini dapat menentukan nilai bobot dari setiap atribut yang telah ditentukan, yang dilanjutkan dengan seleksi atribut terbaik dari banyaknya atribut yang ada, oleh karena itu pengambilan keputusan dengan menggunakan metode ID3 akan lebih akurat karena didasarkan pada nilai kriteria dan bobot yang sudah ditentukan.

  Berdasarkan latar belakang tersebut, maka dilakukan penelitian yang berjudul "Perancangan Sistem Diagnosa Penyakit Kanker Kolorektal Menggunakan Algoritma Iterative Dichotomiser (ID3)". Algoritma dari ID3 nantinya akan merepresentasikan konsep-konsep yang ada dalam suatu bentuk pohon keputusan.

  2. Tinjauan Pustaka

  Algoritma ID3 (Iterative Dichotomizer Three) adalah algoritma yang sudah sering diterapkan di berbagai kasus untuk mengambil suatu keputusan dalam lingkup sistem pakar. Penggunaan algoritma ini sendiri dipercaya dapat memberikan suatu nilai kemungkinan yang konkrit berdasarkan faktor-faktor yang ada. Ada beberapa penelitian yang menerapkan algoritma ID3 (Iterative

  

Dichotomizer Three) ini yaitu Penerapan Algoritma Iterative Dichotomiser Three

  untuk Pemilihan Dosen Pembimbing (Studi Kasus : FTI UKSW) [2], penelitian tersebut bermanfaat untuk memberikan saran kepada mahasiswa terkait calon

  Pada penelitian yang berjudul Perancangan dan Implementasi Sistem Pendukung Keputusan Untuk Jalan Menggunakan Metode ID3 (Studi Kasus BAPPEDA Kota Salatiga [3], juga telah membahas tentang penerapan ID3 dalam mengambil suatu keputusan, manfaat dari sistem tersebut adalah membantu pengolahan data ajuan dari masyarakat Kota Salatiga untuk menentukan perbaikan jalan. Selain itu ada juga penelitian yang menerapkan algoritma ini yaitu penelitian yang berjudul Perancangan Klasifikasi Penerimaan Beasiswa Menggunakan Algoritma ID3 (Iterative Dichotomizer Three) (Studi Kasus: Beasiswa Rutin UKSW Salatiga) [4] yang memberikan manfaat bagi BIKEM (Biro Kemahasiswaan UKSW) untuk mengambil keputusan penentuan penerima beasiswa.

  Selain penerapan dari algoritma ID3, ada juga beberapa penelitian yang memiliki kaitan dengan topik yang diangkat oleh peneliti mengenai sistem pakar yaitu penelitian Rancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Mulut Menggunakan Logika Fuzzy [5] dan Sistem Pakar Untuk Diagnosa Penyakit ISPA Menggunakan Metode Faktor Kepastian [6]. Kedua penelitian ini memiliki topik yang sama yaitu bagaimana cara mengaplikasikan sistem pakar dalam dunia medis untuk membantu kalangan paramedis bahkan pasien juga.

  Berdasarkan penelitian-penelitian terkait penggunaan metode ID3 dan bagaimana implementasi bahkan manfaat akhir dari penggunaan metode tersebut, maka dilakukan penelitan untuk mendiagnosa penyakit kolorektal yang nantinya akan membantu dokter sebagai pakar dalam mengambil keputusan yang lebih akurat lagi berdasarkan faktor-faktor penentu yang ada.

  Menurut John McCarthy (1956), kecerdasan buatan ialah bagaimana cara untuk memodelkan proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia [7]. Tujuan utama dari AI adalah untuk membuat mesin menjadi lebih pintar, sedangkan tujuan ilmiahnya adalah untuk memahami kecerdasan manusia (bagaimana otak manusia bekerja) dan membuat mesin lebih berguna untuk dipakai. Ada dua bagian utama yang ada di dalam AI yaitu Basis Pengetahuan dan Motor Inferensi, terlihat pada Gambar 1.

  Gambar 1 Bagian Utama Artifical Intelligence [8]

  Basis pengetahuan (knowledge based) terdiri atas fakta-fakta, teori, pemikiran dan hubungan komponen satu dengan lainnya. Pengetahuan merupakan salah satu bagian yang tidak dapat terpisahkan dari AI, pengetahuan adalah sekumpulan informasi yang terorganisasi dan teranalisa agar lebih mudah sebuah keputusan. Sedangkan motor inferensi (inference engine) adalah kemampuan untuk menarik kesimpulan berdasarkan pengetahuan yang didapat sehingga mendapatkan output, jawaban ataupun solusi yang diinginkan.

  ID3 adalah algoritma matematika yang sering digunakan untuk menghasilkan suatu pohon keputusan yang mampu mengklasifikasi suatu objek, algoritma ini diperkenalkan pertama kali oleh J.Ross Quinlan (1979) [9].

  Jika disederhanakan, langkah kerja dari algoritma ID3 dapat digambarkan sebagai berikut [10] : Entorpy (S) = i log

  2 p i (1)

  ∑ p Gain (S,A) = Entropy (S) Entropy (S ) (2)

  v

• – ∑

  Secara umum penelitian terbagi ke dalam empat tahap, yaitu: (1) tahap Analisa Kebutuhan dan Pengumpulan Data, (2) tahap Perancangan Sistem, (3) tahap implementasi sistem, (4) tahap Pengujian Sistem dan Analisis Hasil Pengujian.

  

Analisis Kebutuhan, dan Pengumpulan Data

Perancangan Sistem meliputi Perancangan Proses

(UML)

Implementasi Sistem

  

Pengujian Sistem dan Analisis Hasil Pengujian

Gambar 2 Tahapan Penelitian [10]

  Tahapan-tahapan dalam perancangan program sistem diagnosa adalah sebagai berikut : Langkah pertama yang dilakukan adalah Analisis Kebutuhan dan Pengumpulan data, pada tahap ini pengumpulan data yang diperlukan dilakukan lewat wawancara dengan dokter spesialis bedah dignestif serta sumber buku-buku kesehatan mengenai kanker kolorektal untuk membangun program yang dirancang. Berdasarkan hasil wawancara dengan pakar, dan lewat sumber buku- buku yang ada maka didapatkanlah faktor-faktor penyebab adanya kanker kolorektal, gejala-gejala, serta cara mengatasinya. Salah satu faktor utama dari kanker kolorektal sendiri adalah riwayat penderita usus buntu yang dapat memungkinkan pasien mengalami kanker kolorektal. Langkah selanjutnya adalah Perancangan Sistem, pada tahap ini dilakukan perancangan sistem dan perangkat lunak dengan proses perancangan UML diagram yang meliputi use case diagram,

  

class diagram dan acticity diagram untuk mendapatkan gambaran umm sistem menterjemahkan desain program yang telah dibuat sebelumnya ke dalam kode- kode dengan menggunakan bahasa pemograman Java Netbeans dan pengolahan

  

database menggunakan MySQL. Output dari sistem berbasis java desktop ini

  adalah hasil diagnosa positif pasien menderita kanker kolorektal berdasarkan atribut yang telah ditentukan. Langkah yang terakhir adalah Pengujian Sistem, pengujian ini bertujuan untuk mengetahui apakah hasil dari sistem yang dibuat sudah menjawab permasalahan yang ada dan apakah hasil yang direkomendasikan oleh sistem dalam proses diagnosa dapat membantu pakar dalam mengambil sebuah keputusan. Pengujian sistem nantinya akan menggunakan metode black

  box .

  Proses dalam perancangan sistem menggunakan diagram Unified

  

Modeling Languange ( UML) yaitu use case diagram, activity diagram, dan class

diagram .

  

Gambar 2 Use Case Diagram Sistem

  Gambar 2 menunjukkan use case diagram yang akan digunakan pada sistem yang akan dirancang. User pada sistem ini terdiri atas 2 yaitu dokter (pakar), admin (petugas). User dokter atau pakar adalah penanggungjawab utama untuk melakukan diagnosa dini kepada pasien dan mengelola history medis pasien. Sedangkan user admin atau petugas yang berfungsi mengelola bidang adminstrasi meliputi data dokter dan data pasien. Proses diagnosa berlangsung dengan cara dokter memberikan pertanyaan yang berkaitan dengan penyakit kanker kolorektal kepada pasien yang nantinya akan diproses oleh sistem dengan alogritma ID3, sehingga nantinya akan menghasilkan sebuah keputusan dan solusi bagi pasien yang mengidap kanker kolorektal.

  

Gambar 3 Class Diagram Sistem

  Gambar 3 merupakan class diagram yang digunakan oleh sistem. Pada class

  

diagram ini terapat 7 class yang nantinya akan digunakan oleh sistem dan setiap

class memiliki komponen berupa atribut dan operation yang dibutuhkan untuk

  pembuatan tabel pada database sistem. Setiap class memiliki foreign key dan

  

primary key masing-masing, relasi yang digunakan adalah one-to many, satu class

  bisa berelasi dengan banyak class contohnya class dokter bisa berelasi dengan class data dokter, kriteria dan diagnosa.

  Pada sistem yang akan dibuat terdapat 2 aktivitas utama yaitu pendaftaran pasien dan proses diagnosa

  Gambar 4 adalah activity diagram daftar pasien, untuk bisa melakukan diagnosa dengan dokter, pasien wajib melakukan pendaftaran di bagian adminstrasi yang akan dilayani oleh admin, proses awalnya adalah admin harus

  

login ke sistem terlebih dahulu, selanjutnya admin akan memasukkan data pasien

  sebelum melakukan konsultasi dengan dokter, admin akan mengecek kembali apakah data sudah benar atau belum, jika belum maka admin akan meng-update data kembali. Proses ini akan berulang sampai data pasien benar-benar sesuai sebelum memasuki tahap selanjutnya

  

Gambar 5 Activity Diagram Proses Diagnosa

  Gambar 5 adalah activity diagram proses diagnosa dijelaskan sebagai berikut. Proses diagnosa dapat dilaksanakan oleh dokter yang bersangkutan sesuai dengan yang telah dipilih oleh pasien. Proses awal adalah dokter login ke sistem, selanjutnya memasukkan id pasien dan nama pasien, kemudian memulai proses diagnosa dengan cara memberikan pertanyaan kepada pasien berdasarkan gejala yang dialami, kemudian sistem melakukan proses ID3 dan memasukkan hasil konsultasi ke database. Jika proses diagnosa masih belum akurat karena pasien mungkin belum menjawab pertanyaan yang diberikan maka dilakukan proses diagnosa kembali. Jika proses diagnosa telah selesai maka sistem menampilkan hasil diagnosa pasien. Setelah itu dokter menyampaikan solusi pada pasien untuk melakukan proses pengobatan pada tahap selanjutnya.

  Untuk menentukan diagnosa diperlukan objek-objek yang digunakan nantinya, hal ini merupakan langkah awal yang dilakukan untuk proses perancangan sistem. Kriteria diagnosa yang digunakan ditunjukkan pada Tabel 1.

  Tabel 1 Tabel Kriteria Diagnosa

  Ya Tidak

  Positif Negatif

  Hasil Diagnosa (J)

  Ya Tidak

  Mengalami Nyeri di Perut Bagian Bawah (I)

  Ya Tidak

  Buang Air Besar Tidak Lancar (H)

  Ya Tidak

  Menderita Sembelit (G)

  Perut Sering Terasa Kembung (F)

  Atribut Value Keterangan Usia (A) >50

  Ya Tidak

  Pecandu Alkohol (E)

  Ya Tidak

  Mengidap Obesitas (D)

  Ya Tidak

  Riwayat Penyakit Radang Usus (C)

  Ya Tidak

  <50 Riwayat Keluarga Penderita Kanker Kolon (B)

  Tabel 1 menunjukkan kriteria diagnosa yang diperlukan untuk pembuatan sistem. Atribut yang digunakan adalah berjumlah 10 atribut sebagai kesimpulan untuk menentukan diagnosa valid terhadap pasien. Pada atribut pertama yaitu Usia memiliki value >50 dan < 50, penentuan nilai ini mengacu pada penelitan yang dilakukan terlebih dahulu bahwa pada umumnya penderita kanker kolorektal berumur >50 tahun namun dapat juga menyerang usia <50 tahun. Selanjutnya pada atribut Riwayat Keluarga Penderita Kanker Kolon, Riwayat Penyakit Radang Usus, Mengidap Obesitas, Pecandu Alkohol, Perut Sering Terasa Kembung, Menderita Sembelit, Buang Air Besar Tidak Lancar dan Mengalami Nyeri di Perut Bagian Bawah memiliki value Ya dan Tidak, atribut-atribut ini digunakan sebagai acuan untuk mendiagnosa pasien berdasarkan hasil penelitan yang telah dilakukan. Atribut tujuan adalah Hasil yang memiliki value Positif dan

  (24/30) + (-(6/30) log ² (6/30) = 0,25754 + 0,46439 = 0,72193

  <50 T T Y T Y Y T Y Positif

  Entropy (S)[24+,6-] = -(24/30) log ²

  = - p ^a log ² p ^a

  Tabel 2 merupakan 30 sampel data pasien pengidap kanker kolorektal yang diperoleh dari naskah publikasi penderita kanker usus besar/kolon di RSUD Dr. Moewardi [1]. Perhitungan Entropy S.

  D29 >50 Y T Y T Y Y T Y Positif D30 <50 Y T Y T Y Y T Y Positif

  >50 Y Y Y Y T Y T Y Negatif

  D24 >50 T T T T Y Y T Y Positif D25 >50 T T T T Y Y T Y Positif D26 <50 T T Y T T Y T Y Positif D27 <50 Y Y Y Y T Y T T Negatif D28

  D19 >50 T T Y T T Y T Y Positif D20 <50 Y T Y T T Y T Y Positif D21 <50 Y T Y T T Y T T Positif D22 <50 Y T Y T T Y T Y Positif D23

  

Tabel 2 Tabel Sampel Data Pasien Pengidap Kanker Kolorektal

Data A B C D E F G H

  >50 T T Y T T Y T Y Positif

  D15 <50 T T Y T Y Y T T Positif D16 <50 T T Y T T Y T Y Positif D17 >50 T T Y T T Y T Y Positif D18

  >50 Y Y T T T Y Y Y Negatif

  D10 <50 T Y Y Y T Y T Y Positif D11 >50 Y Y T Y T Y Y T Negatif D12 <50 T T Y Y Y Y T Y Positif D13 >50 Y Y Y Y T Y Y T Negatif D14

  <50 T Y Y Y Y Y T Y Positif

  I J D1 >50 Y Y Y T T T Y Y Positif D2 <50 Y Y Y Y T T Y T Positif D3 <50 T Y Y Y T Y Y T Positif D4 <50 T Y Y Y T Y Y Y Positif D5 <50 Y Y Y Y Y Y T T Positif D6 <50 T Y Y Y Y Y T Y Positif

D7 >50 Y Y Y T T Y Y Y Negatif

D8 <50 T Y Y Y Y Y T Y Positif D9

• – p ^b log2 p ^b
• Entropy (S)

  

Tabel 3 Tabel Perhitungan Gain Tahap 1

  E(S ya ) E(S tidak )

  0,52256 0,89049

  Gain (S, E) = 0,03993

  E(S ya ) E(S tidak )

  [11+,0-] [13+,6-]

  0,89974 Gain (S, F) = 0,15209

  E(S ya ) E(S tidak )

  [22+,6-] [2+,0-] 0,7496

  Gain (S, G) = 0,02230

  [4+,4-] [20-+,2-]

  E(S ya ) E(S tidak )

  1 0,4395

  Gain (S, H) = 0,13296

  E(S ya ) E(S tidak )

  [19+,3-] [5+,3-]

  0,57464 0,95443

  Gain (S, I) = 0,04601

  Setelah dilakukan proses perhitungan information gain untuk tahap 1 yang ditunjukkan pada Tabel 3, terlihat bahwa atribut yang sangat berpengaruh untuk mendiagnosa seseorang menderita kanker kolorektal atau tidak adalah atribut Riwayat Keluarga Penderita Kanker Kolon.

  Gambar 6 Pohon Keputusan Tahap Pertama

  [9+,4-] [15+,2-]

  1 Gain (S, D) = 0,05179

  Atribut Nilai Entropy Nilai Gain A B C D E F G H

  ) [8+,6-] [16+,0-]

  I E(S >50 ) E(S <50 )

  [7+,5-] [17+,1-]

  0,97987 0,30954

  Gain (S, A) = 0,14425

  E(S

  ya

  ) E(S

  tidak

  0,98523 Gain (S, B) = 0,26215

  0,61938

  E(S ya ) E(S

  tidak

  ) [9+,6-] [15+,0-]

  0,97095 0,

  Gain (S, C) = 0,23645

  E(S ya ) E(S

  tidak

  ) [22+,4-] [2+,2-]

  Gambar 6 menunjukkan jika pasien tidak memiliki Riwayat Keluarga Penderita Kanker Kolon maka hasil diagnosanya adalah negatif tidak mengidap kanker kolorektal. Sedangkan untuk pasien yang memiliki Riwayat Keluarga Penderita Kanker Kolon maka akan dilanjutkan dengan perhitungan ID3 yang Untuk perhitungan selanjutnya masih menggunakan cara yang sama, sampai ditemukannya decision tree tahap terakhir untuk mendiagnosa pasien.

  

Gambar 7 Pohon Keputusan Tahap Terakhir

  Gambar 7 adalah pohon keputusan yang telah mencapai tahap akhir yang nantinya akan diimplementasikan pada program. Berdasarkan pohon keputusan tersebut terlihat kriteria riwayat keluarga penderita kanker kolon yang menjadi prioritas utama, disusul dengan riwayat penyakit radang usus, menderita sembelit dan perut sering terasa kembung. Rule base untuk pengambilan keputusan adalah sebagai berikut.

  If riwayat keluarga penderita kanker kolon = tidak THEN hasil = negatif

If riwayat keluarga penderita kanker kolon = ya AND riwayat penyakit radang

  usus = ya AND menderita sembelit = ya AND perut sering terasa kembung = ya

  THEN hasil = positif

If riwayat keluarga penderita kanker kolon = ya AND riwayat penyakit radang

  usus = tidak THEN hasil = positif

  

If riwayat keluarga penderita kanker kolon = ya AND riwayat penyakit radang

  usus = ya AND menderita sembelit = tidak THEN hasil = positif

  

If riwayat keluarga penderita kanker kolon = ya AND riwayat penyakit radang

  usus = ya AND menderita sembelit = tidak AND perut terasa kembung = tidak

  THEN hasil = positif

  Hasil implementasi sistem yang telah dirancang, mulai dari proses login,

  

input data pasien ataupun dokter sampai pada proses diagnosa dapat dijelaskan

sebagai berikut.

  Ga

mbar 8 Form Login

  Gambar 8 adalah form login sebelum masuk ke proses-proses yang telah ditentukan. Sistem ini dirancang dengan menggunakan multi user, yatu admin yang bertugas untuk melakukan daftar dokter dan daftar pasien. Sedangkan pakar hanya bertugas untuk melihat history medis pasien dan melakukan diagnosa.

  

Gambar 9 Form Daftar Pasien Gambar 9 adalah form daftar pasien yang harus diisi sebelum melakukan konsultasi dengan dokter. Jika pasien baru pertama kali melakukan konsultasi maka admin akan memasukkan semua data yang diperlukan untuk administrasi, sedangkan jika pasien sudah pernah terdaftar maka admin hanya perlu menggunakan fungsi pencarian data pasien menurut ID Pasien atau Nama Pasien. Data pasien yang dimasukkan oleh admin tersimpan dalam database.

  

Gambar 10 Form History Rekam Medis

  Gambar 10 adalah halaman history rekam medis yang hanya dapat diakses oleh dokter sebagai pakar, halaman ini berfungsi untuk melihat kembali rekam medis pasien sebagai sebuah database penyimpanan. Dokter memasukkan ID Pasien, dan sistem akan menampilkan seluruh history rekam medis yang dilakukan oleh pasien.

  

Gambar 11 Form Daftar Dokter Gambar 11 adalah halaman form daftar dokter yang dibutuhkan untuk keperluan adminstrasi mendata dokter-dokter spesialis kanker kolorektal. Setiap dokter memiliki id yang memudahkan proses pendataan atau pencarian. Data dokter yang dimasukkan oleh admin nantinya akan dimasukkan juga ke database yang telah dirancang.

  

Gambar 12 Form Diagnosa Pasien

  Gambar 12 adalah halaman form diagnosa pasien, pasien wajib menjawab pertanyaan yang diberikan oleh dokter, yang nantinya dimasukkan oleh dokter. Jika pasien memiliki riwayat keluarga penderita kanker kolon, maka dilanjutkan pada pertanyaan selanjutnya sampai didapatkan hasil diagnosa yang valid.

  

Gambar 13 Form Hasil Diagnosa Gambar 13 adalah halaman hasil diagnosa pasien positif menderita kanker kolorektal setelah melalui tahap diagnosa yang dilakukan oleh dokter sebagai pakar.

  Kode program dapat dilihat pada Kode Program 1.

  6 DataDiagnosaDB dg = new DataDiagnosaDB();

  12 String[] attributes = (String[]) keys.toArray(new String[keys.size()]);

  11 Set keys = S[0].Row.keySet();

  7 List<String> s = ID3Row.extractValues(S, targetAttributeName); 8 if (s.size() == 1) { 9 node.Attribute = s.get(0); 10 }

  3 ID3Node node = new ID3Node(); 4 node.Entropy = Entropy(S, targetAttributeName); 5 node.S = S; 6 node.Gains = new HashMap<String, Double>();

  1 private ID3Node GenerateNode(ID3Row[] S, String 2 targetAttributeName) {

  14 } 15 return list;

  13 JOptionPane.showMessageDialog(null, e);

  7 for (int i = 0; i < dg.Atribut.length; i++) { 8 dg.Nilai[i] = rs.getString(dg.Atribut[i]); 9 } 10 list.add(dg); 11 } 12 } catch (SQLException e) {

  5 while (rs.next()) {

  Kode Program 1 Perintah Untuk Select Data Training Diagnosa

  4 ResultSet rs = st.executeQuery(sql);

  3 String sql = "SELECT * FROM datadiagnosa ORDER BY ID_Pasien";

  2 Statement st = kon.createStatement();

  1 try {

  Pengujian sistem dilakukan menggunakan Blackbox Testing untuk mengetahui fungsionalitas dari sistem apakah bekerja dengan tepat atau tidak. Penguji mendefinisikan sekumpulan kondisi input kemudian melakukan sejumlah pengujian terhadap program sehingga menghasilkan suatu output yang nilainya dapat dievaluasi. Hasil dari blackbox testing ditampilkan pada Tabel 4.

  ID3 Node. Perintah pada baris 13 dan 14 untuk memilih atribut dan gain yang telah ditentukan untuk membentuk function decision.

  Kode Program 2 merupakan perintah yang berfungsi untuk menghasilkan

  Kode Program 2 Perintah Untuk Menghasilkan ID3 Node

  Kode Program 1 merupakan perintah yang berfungsi untuk memilih data yang telah ada di database untuk melakukan diagnosa. Perintah pada baris 3 sampai 4 adalah perintah untuk menangkap data training.

  13 String selectedAttributeName = ""; 14 double selectedAttributeGain = 0.0

  

Tabel 4 Hasil Black Box Testing untuk Proses Output

  Data No Data Input Output Kesimpulan

  Uji Sistem menampilkan alert

  Username

  apabila username dan

  1 Fungsi Login dan

  Valid

  yang dimasukkan

  

password

password

  tidak valid. Sistem menampilkan alert

  Fungsi Input apabila user tidak mengisi

  2 Data Pasien Valid Data Pasien semua kolom administrasi pasien.

  Sistem menampilkan alert Fungsi Input apabila data yang dimasukkan Valid

  3 Data Dokter Data Dokter user adalah data yang sudah ada database.

  Sistem menampilkan hasil diagnosa yang dilakukan oleh Fungsi Hasil

  Gejala user yaitu positif mengidap

  4 Diagnosa

  Valid

  Pasien kanker kolorektal lewat data Pasien sample yang ada dan dideteksi

  70% data yang tepat. Fungsi Sistem menampilkan data History rekam medis pasien berupa

  5 Data Pasien Valid Rekam biodata pasien dan hasil Medis diagnosa sebelumnya.

  Berdasarkan hasil pengujian pada Tabel 4, disimpulkan bahwa fungsionalitas pada sistem telah bekerja dengan baik dan sesuai dengan yang diharapkan.

  

Tabel 5 Hasil Diagnosa Pasien

  Data B C F G Hasil Diagnosa Pasien

  (J) Pasien 1 Y Y T T Positif Pasien 2 Y Y T T Positif Pasien 3 Y Y Y Y Positif Pasien 4 Y Y T Y Negatif Pasien 5 Y Y T Y Negatif Pasien 6 T T Y Y Positif Pasien 7 T T T Y Positif Pasien 8 T T T Y Positif Pasien 10 T T T Y Positif Pasien 11 Y T T Y Positif Pasien 12 Y T T Y Positif Pasien 13 Y T T Y Positif Pasien 14 T T Y Y Positif Pasien 15 T T Y Y Positif Pasien 16 T T Y Y Positif Pasien 17 T T T Y Positif Pasien 18 Y Y T Y Negatif Pasien 19 Y Y T Y Negatif Pasien 20 Y T Y Y Positif Pasien 21 Y T Y Y Positif

  Tabel 5 adalah tabel hasil diagnosa pasien berdasarkan data sample pasien yang ada di RSUD Dr. Moewardi pada tahun 2016. Hasil diagnosa tersebut menunjukkan bahwa 70% data yang ada dapat mendiagnosa dengan tepat. Berdasarkan data sample pasien yang ada, maka dapat disimpulkan bahwa hasil diagnosa pasien yang dilakukan oleh sistem telah sesuai dengan yang diharapkan.

  5. Simpulan

  Berdasarkan hasil penelitian dan pembahasan maka dapat disimpulkan bahwa (1) metode ID3 dapat diterapkan pada sistem diagnosa pasien penderita kanker kolorektal untuk membantu dokter sebagai pakar dalam proses pengambilan keputusan dan dideteksi ada 70% penderita kanker kolorektal melalui data yang ada, (2) hasil implementasi dari ID3 menunjukkan bahwa di antara 9 atribut yang ada hanya diperlukan 4 atribut yang paling berpengaruh untuk menentukan seseorang positif menderita kanker kolorektal, dengan atribut riwayat keluarga penderita kanker kolon sebagai atribut utama. Saran yang dapat diberikan untuk penyempurnaan sistem adalah dapat dikembangkannya sistem pakar untuk mendiagnosa penyakit kanker kolorektal lebih luas lagi, seperti penambahan saran pengobatan sehingga dapat memberikan layanan yang maksimal untuk user sebagai pengguna.

  6. Daftar Pustaka

  [1] RSUD Dr.Moewardi, History Medis Kanker Kolorektal 2016/2017

  [2] Utami. W. P., Widiasari. I. R., Edi. S. W. M., 2012. Penerapan Algoritma

  Iterative Dichotomiser Three untuk Pemilihan Dosen Pembimbing (Studi Kasus : FTI UKSW).

  [3] W. FX. Bagus A., Pakereng M. A. I., Tampake H. S., 2012. Perancangan dan Implementasi Sistem Pendukung Keputusan untuk Jalan Menggunakan

  Metode ID3 (Studi Kasus Bappeda Kota Salatiga). Universitas Kristen Satya Wacana. Salatiga.

  [4] Lee, M., 2010. Perancangan Klasifikasi Penerimaan Beasiswa Menggunakan

  Algoritma ID3 (Iterative Dichotomizer Three) (Studi Kasus : Beasiswa Rutin UKSW Salatiga). Salatiga: FTI UKSW. [5]

  Makarios, & Prasetiyowati., 2012. Rancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Mulut Menggunakan Logika Fuzzy. [6]

  Iskandar, E., 2007. Sistem Pakar Untuk Diagnosa Penyakit ISPA Menggunakan Metode Faktor Kepastian.

  [7] Achmad, B., 2007. Kecerdasan Buatan, Yogyakarta : Teknik Fisika UGM. [8] Suyanto, S., 2011. Artificial Intelligence, Bandung: Penerbit Informatika.

[9] Basuki, & Syarif., 2003. Decision Tree. Surabaya : Politeknik Elektronika

Negeri Surabaya.

  [10] Hasibuan, Z. A., 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer

  Dan Teknologi Informasi : Konsep, Teknik, dan Aplikasi , Jakarta: Ilmu Komputer Universitas Indonesia.