Abstrak
Sistem pakar merupakan sistem yang berusaha mengadopsi kepakaran manusia sehingga
komputer bisa melakukan hal-hal yang dapat dikerjakan oleh seorang pakar untuk memecahkan
permasalahan yang bersifat spesifik. Pakar dalam hal ini adalah seorang yang ahli di bidangnya.
Sistem pakar dapat digunakan untuk semua bidang ilmu termasuk dunia medis/kedokteran. Salah
satu yang berkaitan dengan medis adalah penyakit kanker mulut rahim yang amat ditakutkan semua wanita
karena menyerang organ reproduksi yang disebabkan oleh virus Human Virus Papilloma (HPV).
Ada banyak teknik untuk meningkatkan keakuratan keputusan yang dapat digunakan salah satunya
dengan menggunakan algoritma sehingga dapat meningkatkan keakuratan keputusan yang diambil. Salah
satu algoritma yang digunakan adalah algoritma k-Nearest Neighbour (KNN).
Algoritma Nearest Neighbor (k-nearest neighbor atau k-NN) adalah sebuah algoritma untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan
objek tersebut. Hasil dari penelitian ini adalah suatu rekayasa inferensi kepakaran dengan tujuan untuk
memperoleh keputusan klinis penyakit kanker rahim berdasarkan tingkat stadium sebagai upaya
meningkatkan pelayanan praktek kedokteran pada pasien untuk penanganan medis sedini mungkin.
Kata Kunci : Model Algoritma, Keputusan Klinis, k-Nearest Neighbor (k-NN), Kanker Mulut Rahim
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 26
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
dapat berperilaku cerdas seperti manusia dan ditetapkan dengan class yang paling umum
implementasi dari Sistem pakar merupakan diantara k nearest neighborsnya. Ketika k =
sebuah program yang difungsikan untuk 1, unknown sampel ditetapkan dengan class
menirukan pakar manusia harus bisa dari training sampel yang paling dekat
melakukan hal-hal yang dapat dikerjakan oleh dengan pola ruangnya.
seorang pakar (Giarrattano, 2005). Rumus untuk menghitung bobot kemiripan
2.2. Kanker Serviks (similarity) dengan nearest neighbor retrieval
Kanker serviks atau yang dikenal sebagai adalah:
kanker leher Rahim adalah salah satu jenis
kanker yang sangat berbahaya. Kanker Similarity (problem,case) =
serviks disebabkan oleh human papilloma s1 * w1 s2 * w2 ... sn * wn
virus (HPV) yang menyerang organ leher (2.1)
w1 w2 ... wn
Rahim perempuan di lapisan permukaan Keterangan:
(epitel) dari leher Rahim atau mulut Rahim. S = similarity (nilai kemiripan)
Dimana sel-sel permukaan (epitel) tersebut W = weight (bobot yang diberikan
mengalami penggandaan dan berubah sifat
tidak seperti sel normal. Penggandaan sel 3. Metode Penelitian
yang tidak menuruti aturan itulah yang dapat 3.1. Bahan Penelitian
membentuk umor atau dungkul, terkadang Bahan penelitian dalam penelitian ini adalah
luka yang memberi keluhan atau gejala sebagai berikut:
keputihan yang berbau atau pendarahan. a) Studi literatur
Selain itu, sifat sel ganas ini dapat menyebar Bertujuan untuk mempelajari dan
baik secara langsung di sekitar panggul memahami teori dasar tentang permasalahan
maupun jauh lewat saluran getah bening atau kanker mulut rahim, sistem pakar,
pembuluh darah, misalnya ke paru, pemrograman dan teknologi yang digunakan.
hati,tulang (Ananto, 2011). b) Pengumpulan data dan studi lapangan
2.3. Algoritma nearest Neighbor Mengumpulkan data d an informasi yang
Algoritma Nearest Neighbor Retrieval (k- terkait dengan informasi jenis, gejala kanker
nearest neighbor atau k-NN) adalah sebuah mulut rahim, baik melalui konsultasi
algoritma untuk melakukan klasifikas dengan yaitu Dr. Hj. Cynthia
terhadap objek berdasarkan data Sukotjo,S.POG, KFER sebagai Pakar
pembelajaran yang jaraknya paling dekat maupun sumber literatur lainnya.
dengan objek tersebut. Kasus khusus di mana 3.2. Alat Penelitian
klasifikasi diprediksikan berdasarkan data Alat dalam penelitian ini meliputi perangkat
pembelajaran yang paling dekat (dengan kata keras berupa komputer dan perangkat lunak
lain, k = 1) disebut algoritma nearest berupa pemrograman dengan menggunakan
neighbor. Algoritma nearest neighbor bahasa pemrograman PHP (Hypertext
berdasarkan pada proses pembelajaran Preprocessor), menggunakan web server
menggunakan analogi / learning by analogi. Appserv dan menggunakan MySQL sebagai
Training sampelnya dideskripsikan dalam database.
bentuk atribut numerik n-dimensi. Tiap 3.3. Metode Pengembangan Sistem Pakar
sampel mewakili sebuah titik pada ruang n- Dalam mengembangkan sistem pakar ada 5
dimensi. Dengan cara ini, semua training (lima) tahapan yang harus dilakukan menurut
sampel disimpan pada pola ruang n-dimensi. Sri Kusumadewi (2003), yaitu :
Ketika diberikan “unknown” sampel, k- a. Tahapan Identifikasi
nearest neighbor classifier mencari pola Mengkaji situasi dan memutuskan dengan
ruang K training sampel yang paling dekat pasti tentang masalah yang akan
“unknown” sampel tersebut. K training dikomputerisasi dan apakah sistem pakar bisa
sampel ini adalah k nearest neighbor dari lebih membantu atau tidak. Adapun
unknown sampel. Unknown sampel kebutuhannya yaitu pertanyaan untuk
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 27
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
membantu penyakit kanker secara dini, serta rahim dapat dilihat tabel 1 dan gejala-gejala
PHP MySQL sebagai perangkat lunak kanker mulut rahim dapat dilihat pada tabel 2.
program aplikasi untuk membantu deteksi
kanker serviks secara dini.
b. Tahapan Konseptualisasi Tabel. 1 Aturan Nama Penyakit/ Stadium Ca
Tahapan konseptualisasi merupakan tahapan Cervix
dimana pengetahuan dan pakar menentukan No. Aturan Fakta/ Hasil
konsep yang kemudian dikembangkan 1 P001 Ca Cervix stadium 0
menjadi suatu sistem pakar. Dari konsep 2 P002 Ca Cervix stadium I A
tersebut unsur – unsur yang terlibat akan 3 P003 Ca Cervix stadium I B
dirinci dan dikaji hubungan antara unsur serta 4 P004 Ca Cervix stadium II A
mekanisme pengendalian yang diperlukan 5 P005 Ca Cervix stadium II B
untuk mencapai sebuah solusi yang terbaik. 6 P006 Ca Cervix stadium III A
c. Tahapan Formalisasi 7 P007 Ca Cervix stadium III B
Tahapan Formalisasi merupakan tahapan 8 P008 Ca Cervix stadium IV A
dimana hubungan antara unsur – unsur 9 P009 Ca Cervix stadium IV B
digambarkan dalam bentuk format yang biasa
digunakan dalam sistem pakar. Tahap ini juga
Tabel. 2 Aturan Gejala Penyakit Ca Cervix
menentukan alat pembangunan sistem, teknik
No. Aturan Gejala
inferensi dan struktur data yang digunakan
1 G001 Keputihan berbau
pada sistem pakar.
2 G002 Keputihan berwarna kuning
d. Tahapan Implementasi
Tahapan implementasi merupakan tahap yang 3 G003 Keputihan berwarna hijau
sangat penting karena disinilah sistem pakar 4 G004 Batuk Berdarah
yang dibuat akan diterapkan dalam bentuk 5 G005 Perdarahan dari jalan lahir
program komputer. 6 G006 Perdarahan setelah
e. Tahapan Pengujian berhubungan
Sesudah sistem pakar dikembangkan, 7 G007 Histopatologi karsinoma
selanjutnya diuji dan dicari kesalahannya. insitu (karsinoma intraepitel)
Tidak pernah ada sistem yang begitu dibuat 8 G008 Histopatologi karsinoma
begitu berhasil dengan sempurna. Sistem kedalaman Invasi < 5 mm
untuk mendeteksi penyakit kanker serviks 9 G009 Histopatologi karsinoma
yang selesai dibangun, perlu untuk dievaluasi perluasan < 7 mm
untuk menguji dan menemukan 10 G010 Histopatologi karsinoma
kesalahannya. Hal ini merupakan hal yang kedalaman invas >= 5 mm
umum dilakukan karena suatu sistem belum 11 G011 Histopatologi karsinoma
tentu sempurna setelah selesai pembuatannya perluasan >= 7 mm
sehingga proses evaluasi diperlukan untuk 12 G012 Keputihan seperti air cucian
penyempurnaannya. daging
13 G013 Penurunan berat badan
Basis Pengetahuan 14 G014 Nyeri perut bagian bawah
Basis pengetahuan dalam system ini adalah 15 G015 Buang air besar berdarah
gejala-gejala kanker mulut rahim, jenis 16 G016 Sulit buang air kecil
penyakit/ stadium kanker mulut rahim. Basis 17 G017 Histopatologi karsinoma
pengetahuan tersebut akan direpresentasikan invasi ke samping kanan kiri
dalam bentuk tabel pengetahuan dan dari serviks
tabel pengetahuan ini akan dibuat sebuah 18 G018 Histopatologi karsinoma 1/3
tabel keputusan dan dari tabel keputusan distal vagina
keputusan tersebut dibuat suatu kaidah. Nama 19 G019 Histopatologi karsinoma
penyakit beserta stadium dari kanker mulut belum mencapai
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 28
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 29
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 30
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
BASIS
Perhitungan kasus 1 :
PENGETAHUAN Bobot gejala penyakit Ca Cervix stadium 0:
keputihan berbau = 3
Gambar 2 Model Sistem Pakar Deteksi keputihan berwarna kuning = 1
kanker serviks keputihan berwarna hijau = 1
perdarahan dari jalan lahir = 5
Perhitungan kNN perdarahan setelah berhubungan = 3
histopatologi karsinoma insitu (karsinoma
Proses pembobotan yang dilakukan oleh intraepitel) = 5
sistem ditampilkan dalam perhitungan di
bawah ini.
Bobot parameter (w) :
Gejala Penting = 5
Gejala Sedang = 3
Gejala Biasa = 1
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 31
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
Login Pakar
Similarity (X, Ca Cervix stadium 1A) =
[(1*3) + (1*1) + (1*1) + (1*5) + (1*3) +
(1*3)/(5+5+5+3+5) = 16/19 = 84,21%
Gambar 4.2. Gambar Rancangan Halaman
Dari perhitungan diatas kasus yang memiliki User/ Pengguna
bobot kemiripan paling rendah adalah kasus 4.2. Perancangan Antar Muka
Ca Cervix stadium 0 yaitu sebesar 72,22%. User interface merupakan bagian dari sistem
Kasus Ca Cervix stadium 1A 84,21%. Hasil pakar yang digunakan sebagai media atau alat
perhitungan dengan bobot menunjukkan komunikasi antara user dengan sistem. Di
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 32
DINAMIKA INFORMATIKA – Vol.7 No. 1, Maret 2015 ISSN 2085-3343
dalam user interface ini rancangan form user Gambar 7 Perancangan Halaman Penyakit
adalah user yang menggunakan aplikasi
sistem pakar ini untuk memanipulasi data Halaman penyakit ini digunakan oleh pakar
penyakit, gejala, aturan. untuk menambah data penyakit.
1. Halaman Login Pakar
4. Halaman Gejala
Gejala Enter Text
Pertanyaan
login batal
Bobot Penting
Sedang
Simpan Batal
Gambar 5 Perancangan Halaman Login
untuk Pakar
Gambar 8 Perancangan Halaman Gejala
Halaman login ini digunakan untuk pakar,
dengan memberikan inputan berupa username Halaman gejala ini digunakan oleh pakar
dan password untuk masuk ke aplikasi sistem untuk menambah data gejala. Dengan
pakar deteksi dini kanker serviks dengan mengisi data gejala gangguan selanjutnya
kNN. disimpan.
Halaman utama ini digunakan untuk pakar, Halaman konsultasi ini digunakan untuk
terdiri dari header yang berisi gambar dari konsultasi antara user dengan sistem dengan
aplikasi ini, selanjutnya ada halaman utama, memberikan inputan berupa gejala penyakit
halaman menu dan footer. dan hasilnya akan ditampilkan berupa nama
penyakit, tingkat kemiripan, gejala yang telah
3. Halaman Penyakit dipilih.
Daftar Pustaka
Al Zahrani, Nouf Mohammad., Safeeullah
Soomro., Abdul Ghafoor Memon.2010.
Breast Cancer Diagnosis and Treatment
of Prophetic Medicine Using Expert
System.Journal of Information &
Communication Technology Vol. 4, No.
2, (Fall 2010) 20-26
Ananto Sidohutomo,E. Natasha, 2011,
Perempuan bisa mencegah kanker
serviks, Surabaya, Gramedia printing
group.
Giarrattano, J., Riley, G., 2005. Expert
Systems P rinciples and Programming,
fourth edition, PWS Publishing
Company, Boston
Kusumadewi, Sri. 2003. Artificial
Intelligence (Teknik dan Aplikasinya).
Yogyakarta; Penerbit Graha Ilmu
Nafsiah,Siti. "Prof. Hembing pemenang the
Star of Asia Award: pertama di Asia
ketiga di dunia", Gema Insani, 2000,
979915703X, 9789799157034
Wijayanti, E., 2010. Penerapan Certainty
Factor Untuk Mendiagnosa Infeksi HPV
Cara Penangannya Berbasis Web.
Skripsi. UNIKOM (Indonesia Computer
University), Bandung
Yayasan Lembaga Bantuan Hukum
Indonesia, Pusat Studi Hukum dan
Kebijakan Indonesia, "Panduan bantuan
hukum di Indonesia: pedoman anda
memahami dan menyelesaikan masalah
hukum", Yayasan Obor Indonesia, 2006,
9799662761, 9789799662767
Penerapan Algoritma k-NN (nearest Neighbor) Untuk Deteksi Penyakit (Kanker Serviks) 34