Abstrak
Leukimia atau yang biasa kita sebut kanker darah merupakan kanker yang menyerang sel darah putih.
Metode penyembuhan yang masih menjadi perdebatan di dunia kedokteran dan kesulitan untuk
mencegah penyakit ini, membuat penyakit ini termasuk dalam kanker yang mematikan. Kurangnya
pakar dan informasi mengenai penyakit leukimia sering kali mengakibatkan keterlambatan dalam
mendiagnosis penyakit leukimia. Mahalnya biaya pengobatan dokter pun membuat tidak sedikit orang
mencoba pengobatan alternatif yang biayanya relatif lebih terjangkau. Namun pengobatan alternatif pun
tidak memastikan kesembuhan untuk pasien, yang akhirnya membuat pasien harus dibawa ke rumah
sakit kembali dan pada kebanyakan kasus kanker tersebut telah mencapai stadium lanjut. Berdasarkan
permasalahan tersebut penulis menyimpulkan dan mengangkat suatu masalah ke dalam sebuah
penelitian sistem pakar untuk mendiagnosis penyakit leukimia yang diharapkan dapat membantu
penderita serta para dokter yang membutuhkan. Sistem pakar untuk mendiagnosis penyakit leukimia
yang dibuat menggunakan metode Fuzzy Tsukamoto berdasarkan 100 data latih pasien dengan 10
artribut, telah diuji dengan diagnosis pakar memiliki tingkat keberhasilan sebesar 90%. Perbedaan hasil
diagnosis sistem dengan pakar dari 30 data uji adalah 3 data sehingga terdapat 27 data benar dari 30 data
uji.
Kata kunci: Leukimia, Diagnosis, fuzzy tsukamoto, sistem pakar.
Abstract
Leukemia or what we usually call blood cancer is cancer that attacks white blood cells. The healing
method which is still being debated in the medical world and the difficulty in preventing this disease,
makes this disease a deadly cancer. Lack of experts and information about leukemia often results in
delays in diagnosing leukemia. The high cost of medical treatment by doctors has made many people try
alternative treatments, which are relatively more affordable. However, even alternative medicine does
not ensure a cure for the patient, which in turn requires the patient to be taken to the hospital again and
in most cases the cancer has reached an advanced stage. Based on these problems the authors conclude
and raise a problem into an expert system study to diagnose leukemia which is expected to help sufferers
and doctors in need. The expert system for diagnosing leukemia which is made using the Fuzzy
Tsukamoto method based on 100 patient training data with 10 attributes, has been tested with expert
diagnosis having a success rate of 90%. The difference in the results of system diagnosis with experts
from 30 test data is 3 data so that there are 27 correct data from 30 test data.
Keywords: leukimia, diagnose, fuzzy tsukamoto, expert system.
jiwa mengidap penyakit leukimia. Sementara di dapat melakukan diagnosis dini terhadap
Indonesia, sekitar 13.498 jiwa menderita penyakit, kemudian pasien yang memiliki hasil
penyakit leukimia ini. Diperkirakan angka ini diagnosis penyakit leukimia dapat langsung
akan terus bertambah hingga sekitar 60 % pada ditangani oleh dokter. Pengetahuan oleh pakar
tahun 2040 (WHO, 2018). merupakan kunci akurasi dari sistem ini,
Banyaknya angka kejadian kanker ini semakin sering pakar/dokter melakukan update
disebabkan oleh kurangnya pengetahuan tentang data penyakit dan gejala baru maka akurasi dari
leukimia dan gejala penyakit yang tidak sistem ini semakin baik.
diketahui oleh orang tua. Oleh karna itu Penelitian lain dilakukan oleh Yanmas
pengenalan gejala dini dan penanganan segera Akhir Maulana dengan judul “Implementasi
terhadap anak yang terkena leukimia itu sendiri Fuzzy Tsukamoto Dalam Mendiagnosa Penyakit
sangat penting.(Yayasan Onkologi Indonesia, Diabetes Melitus”. Sistem ini menggunakan data
2017). Metode penyembuhan yang masih yang berupa hasil lab darah data kadar gula
menjadi perdebatan di dunia kedokteran dan penyakit diabetes yaitu: gula darah setelah tidak
kesulitan untuk mencegah penyakit ini, makan, gula plasma setelah tidak makan, gula
membuat penyakit ini termasuk dalam kanker darah 2jm pp, dan HbA1c. Akurasi yang
yang mematikan. Di Indonesia biaya pengobatan dihasilkan oleh penelitian ini adalah 87%.
dokter masih sangat mahal bisa mencapai Penelitian lain dilakukan oleh Fauzan
puluhan jutaan rupiah, tergantung jenis kanker Masykur dengan judul “Implementasi Sistem
dan stadium serta penyakit lain yang diidap Pakar Diagnosis Penyakit Diabetes Mellitus
pasien (Dream, 2018). Mahalnya biaya Menggunakan Metode Fuzzy Logic Berbasis
pengobatan dokter pun membuat tidak sedikit Web”. Sistem ini menggunakan 8 jenis hasil lab
orang mencoba pengobatan alternatif yang tes darah sebagai masukkan sistem diantara lain:
biayanya relatif lebih terjangkau. Namun Gula Darah setelah tidak makan (mg/dl) , Gula
pengobatan alternatif pun tidak memastikan Plasma setelah tidak makan (mg/dl), Gula
kesembuhan untuk pasien, yang akhirnya Plasma Tidur (mg/dl), Gula Darah 2 jam PP
membuat pasien harus dibawa ke rumah sakit (mg/dl), takaran HbA1c (mg/dl), takaran HDL
kembali dan pada kebanyakan kasus kanker (mg/dl), takaran Trigliserida (mg/dl), takaran
tersebut telah mencapai stadium lanjut. Insulin (%). Akurasi yang dihasilkan 100%. Hal
Berdasarkan permasalahan tersebut penulis ini dapat meningkatkan efisiensi waktu dokter,
menyimpulkan dan mengangkat suatu masalah oleh karna itu penggunaan Fuzzy Tsukamoto
ke dalam sebuah penelitian sistem pakar untuk pada sistem pakar ini dapat menghasilkan
mendiagnosis penyakit leukimia yang keluaran akurasi yang baik.
diharapkan dapat membantu penderita serta Untuk membantu mendeteksi permasalahan
dokter yang terkait. diatas, penulis mencoba mengimplementasikan
Penelitian mengenai panyakit leukimia ini metode Fuzzy Tsukamoto untuk mendiagosis
sebelumnya pernah dilakukan. Penelitian yang penyakit leukimia dengan judul “Sistem Pakar
dilakukan oleh M. Fahruddin Ghozali yang Diagnosis Penyakit Leukimia dengan Metode
berjudul “Sistem Pakar Diagnosis Dini Penyakit Fuzzy Tsukamoto” dengan tujuan membantu
Leukemia Dengan Metode Certainty Factor” para pengidap penyakit leukimia dalam
sudah membangun sistem pakar diagnosis mendiagnosa penyakit leukimia dan
penyakit leukimia yang memakai gejala penyakit menggurangi resiko kematian pengidap
leukimia sebagai masukan sistem dan diagnosis penyakit.
jenis penyakit leukimia yang diderita pengguna
sebagai keluaran sistem. Nilai kepercayaan yang 2. TINJAUAN PUSTAKA
dihasilkan oleh sistem adalah 0,78 (78%). 2.1 Sistem Pakar
Penelitian lain dilakukan oleh Melisa yang
berjudul ”Perancangan Sistem Pakar Diagnosia Sistem pakar merupakan sistem berdasar
Penyakit Leukimia dengan Metode Forward komputer yang memanfaatkan ilmu, kebenaran
Chaining” dalam penelitian tersebut memakai 4 serta metode berfikir untuk menyelesaikan
jenis kimia yaitu Leukimia Limfotik Akut problem yang kebanyakan mampu diselesaikan
(LLA), Leukimia Mielogen Akut (LMA), oleh seorang pakar di dalam suatu bidang
Leukimia Limfotik Kronis (LLK), Leukimia tertentu saja (Kusrini, 2006). Sebutan sistem
Mielogen Kronis (LMA). Dari penelitian ini pakar datang dari knowledge-based expert
dihasilkan sebuah sistem untuk para pasien agar system. Sebutan ini dihasilkan dari kebutuhan
sistem pakar akan ilmu seorang pakar yang laporan, jurnal penelitian, basis data dan
diimplementasikan ke dalam sebuah sistem pengalaman pengguna.
pakar untuk memecahkan suatu masalah. 2. Basis pengetahuan (Knowledge Base)
Meningkatkan kapabilitas dalam penyelesaian Basis pengetahuan terdiri dari
masalah adalah tujuan seseorang yang awam pengetahuan-pengetahuan yang diperlukan
atau selain pakar untuk memakai sistem pakar, dalam mencerna, merumuskan dan mencari
sedangkan sebagai asisten pengetahuan adalah solusi dari sebuah masalah. Basis
alasan seorang pakar menggunakan sistem pengetahuan melingkupi penjelasan dan
pakar. aturan-aturan pemecahan sebuah inti
bahasan masalah beserta atributnya yang
2.1.1 Struktur Sistem Pakar membuat basis pengetahuan ini sangat
Sistem pakar mencakup dua elemen inti penting dalam melakukan inferensi. Fakta
yaitu, lingkungan konsultasi (consultation dan aturan menjadi komponen utama dalam
environment) dan lingkungan pengembangan basis pengetahuan (Sutojo, T., 2011).
(development environment). Lingkungan 3. Mesin Inferensi
pengembangan dipakai untuk membangun Dalam penyelesaian masalah, bagian ini
sistem pakar dari beberapa aspek antara lain terdiri dari penalaran dan mekanisme
aspek komponen dan aspek basis pengetahuan. berfikir yang dipakai oleh pakar. Mesin
Lingkungan konsultasi digunakan oleh inferensi memberikan metodologi berfikir
pengguna yang awam atau bukan pakar untuk tentang penjelasan yang terkandung dalam
berkonsultasi agar mendapatkan informasi yang basis pengetahuan dan blackboard untuk
diberikan oleh sistem seperti bertanya dengan memformulasikan kesimpulan dalam
pakar (Sutojo, T., 2011). Elemen-elemen yang bentuk program komputer.
terdapat dalam sistem pakar seperti: 4. Blackboard
Blackboard adalah lingkungan dari
sekelompok working memory.
Mengabadikan peristiwa yang sedang
terjadi serta dengan keputusan temporer
juga merupakan kegunaan dari blackboard.
5. Antarmuka
Antarmuka berfungsi sebagai perantara
komunikasi antara pengguna dengan
sistem. Menurut Mcleod(1995), dalam
antarmuka berlangsung percakapan antara
user dengan program, sistem mendapatkan
dan memberikan informasi dari dan kepada
user.
6. Subsistem penjelasan
Pada bagian ini pengguna mendapatkan
penjelasan bagaimana hasil
Gambar 1 Struktur Sistem Pakar diagnosis/keluaran didapatkan.
Memberikan penjelasan kepada user
1. Subsistem penambahan pengetahuan tentang bagaimana proses penarikan
(Akuisisi Pengetahuan) konklusi terjadi dengan menunjukkan
Akuisisi pengetahuan merupakan aturan yang dipakai merupakan tujuan dari
penyelesaian masalah dengan fasilitas penjelasan.
menggunakan penambahan, pemindahan, 7. Perbaikan pengetahuan
dan alih bentuk pengetahuan dari pakar ke Pada bagian ini sistem menilai performa
sebuah sistem komputer. Dalam bagian ini, sistem pakar agar mengetahui apakah
perekayasa pengetahuan (knowledge pengetahuan tersebut masih relevan
engineer) berupaya menerima pengetahuan digunakan untuk sekarang atau pun dimasa
yang kemudian akan dipindahkan ke dalam yang akan datang.
basis pengetahuan. Beberapa cara untuk
mendapatkan pengetahuan adalah dari 2.2 Algoritma Fuzzy
pakar, ditambah pengetahuan dari buku,
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5332
1. Fuzzifikasi
Gambar 2. Pemetaan Masukkan-Keluaran
Proses pengubahan nilai masukkan tegas ke
2.3 Fungsi Keanggotaan nilai fuzzy adalah tujuan dari fuzzifikasi. Nilai
masukkan fuzzy didapatkan dengan
Fungsi keanggotaan adalah suatu kurva memasukkan nilai masukkan tegas ke dalam
yang menyatakan penempatan point-point fungsi pengaburan yang sudah dibuat dilakukan
masukkan ke dalam derajat keanggotaan pada tahap fuzzifikasi.
(membership function) yang mempunyai jarak
antara 0 sampai 1. Pendekatan fungsi adalah 2. Pembentukkan Aturan Fuzzy
salah satu dari beberapa cara yang mungkin Pembentukan aturan fuzzy digunakan untuk
dipakai agar memperoleh derajat keanggotaan. mendapatkan hasil output yang tegas (crisp
Ada beberapa fungsi yang dapat dimanfaatkan solution). Aturan fuzzy yang dipakai yaitu rule
antara lain: “if-then” dengan operator antar variabel input
merupakan operator “and”. Antiseden
2.3.1 Representasi Kurva Bahu merupakan penyataan yang berada setelah “if”,
Rerepesentasi kurva bahu adalah daerah yang sedangkan konsekuen addalah pernyataan
terdapat pada antara sebuah variable, yang setelah “else”, ditunjukkan pada Persamaan
dinyatakan ke dalam suatu bentuk segitiga, pada berikut:
sisi kiri dan kananya akan naik dan turun, namun
dalam beberapa kasus salah satu sisi dari 3. Analisis Logika Fuzzy
variable tersebut tidak terjadi perubahan. Bahu Setiap aturan yang dibuat adalah harus
sebelah kiri beranjak dari 1 ke 0, begitu juga memiliki sifat keterkaitan. Analisis logika fuzzy
dengan bahu sebelah kanan beranjak dari 0 ke 1. yang dipakai dalam bagian ini yaitu fungsi
Penggambaran kurva bahu dapat keterkaitan min, karena operator yang dipakai
direpresentasikan pada gambar berikut: dalam rule “if-then” adalah operator “and”.
Memilih niali keanggotaan terkecil dari elemen
yang ada pada himpunan fuzzy yang terkait
adalah tujuan dari fungsi implikasi min. penyakit yang cenderung lambat membuat
Keluaran fungsi implikasi dari setiap aturan- penyakit leukimia jenis ini sulit untuk dideteksi
aturan yang ada adalah α-predikat atau dapat secara dini. Tidak jarang pasien baru terdiagnosa
direpresentasikan oleh α, ditunjukkan pada penyakit ini setelah menjalankan pemeriksaan
Persamaan berikut: penyakit lain atau saat menjalani pemeriksaan
fisik rutin. Beberapa gejala yang sering muncul
4. Defuzzifikasi pada penyakit leukimia jenis ini adalah
pembengkakan dan sering mengalami infeksi,
Proses pengubahan nilai output fuzzy
hal ini disebab kan oleh sel apoptosis tersebut
menjadi nilai output yang tegas merupakan
terakumulasi dalam limfa. Leukemia kronis
fungsi dari deffuzifikasi. Formula yang dipakai
dapat digolongkan menjadi 2 jenis, yaitu
dalam bagian ini merupakan rata-rata terbobot,
Chronic Myeloblastic Leukemia (CML) yang
ditunjukan pada Persamaan berikut.
menargetkan sel myeloid dan Chronic
Lymphoblastic Leukemia (CLL) yang
menargetkan sel limfoid (Morrison, Candis dan
2.5 Penyakit Leukimia
Hesdorffer, Charles S., 2012: 9).
Istilah leukemia datang dari bahasa
Yunani yang memiliki arti yaitu darah putih. 3. METODOLOGI
Leukemia masuk ke dalam lingkup kategori jenis
tumor cair (liquid tumor) (Morrison, Candis dan Metodologi pada penelitian ini
Hesdorffer, Charles S., 2012: 4). Penumpukan menggunakan beberapa tahap agar proses yang
sel darah putih yang tidak normal dalam sumsum dilalui menjadi lebih teratur, seperti yang
tulang merupakan salah satu tanda dari penyakit digambarkan pada Gambar 4.
leukimia, hal ini dapat membuat gangguan pada
sumsum tulang dan menjadikan peredaran sel
darah putih meningkat. Leukemia digolongkan
menjadi 2 jenis, yaitu:
4. PERANCANGAN
Gambar 9. Himpunan Variabel Hematokrit
4.1 Perancangan Sistem 4.1.1.1.a.i.1.e. Himpunan fuzzy variable
Sistem pakar untuk mendiagnosis Trombosit
penyakit leukimia adalah sistem yang dibuat
pada penelitian kali ini. Metode Fuzzy
Tsukamoto merupakan metode yang digunakan
Gambar 9. Himpunan Variabel Trombosit
dalam membuat sistem ini yang mempunyai
rancangan untuk penarikan kesimpulan 4.1.1.1.a.i.1.f. Himpunan fuzzy variable
berdasarkan data aturan hasil lab yang sudah Eosinofil
terdokumentasikan pada tabel basis
pengetahuan. Tahapan sistem yang terjadi yaitu
menerima masukkan berupa hasil lab penyakit Gambar 10. Himpunan Variabel Eosnofil
leukimia yang sudah dilakukan oleh pengguna.
4.1.1.1.a.i.1.g. Himpunan fuzzy variable
Kemudian sistem memproses nilai tersebut ,
Basofil
melakukan inferensi fuzzy dan akhirnya
melakukakan perhitungan yang crisp melalui
deffuzifikasi. Selain memberikan hasil akhir Gambar 11. Himpunan Variabel Basofil
berupa diagnosis penyakit apa yang diderita
pasien, sistem ini juga memberikan saran solusi
kepada pasien untuk melakukan penanganan 4.1.1.1.a.i.1.h. Himpunan fuzzy variable
terhadap penyakit berdasarkan masukan hasil lab Neutrofil
darah yang dimasukkan oleh pasien.
Konsep pembuatan sistem ini Gambar 12. Himpunan Variabel Neurofil
direpresentasikan ke dalam arsitektur sistem
pakar yang diperlihatkan oleh Gambar 5. 4.1.1.1.a.i.1.i. Himpunan fuzzy variable
Limfosit
5. IMPLEMENTASI
Antar muka sistem diagnosis penyakit leukimia
diperlukan dalam proses komunikasi antara user
dan sistem. Antar muka yang akan diberikan
penjelasan pada bagian ini yaitu penerapan
halaman beranda sistem, penerapan halaman
leukimia, penerapan halaman facts, penerapan
halaman diagnose, dan penerapan halaman
hospital. Gambar 17. Implementasi Halaman Leukimia
setelah pengguna mengisikan input text yang Pengujian akurasi adalah pengujian yang
disediakan, serta memberikan hasil dari digunakan agar mampu memahami kinerja
perhitungan yang telah dilakukan menggunakan sistem dalam memberikan keluaran hasil
metode fuzzy tsukamoto. Gambar 19 merupakan diagnosis penyakit dengan masukan berupa hasil
implementasi dari halaman diagnose. tes lab yang dimasukkan oleh user. 30 data hasil
diagnosis pakar digunakan sebagai dasar
perbandingan pada pengujian penelitian ini.
Diagnosis yang diberikan oleh pakar kemudian
dibandingan dengan hasil keluaran diagnosis
sistem merupakan pengujian yang dilalui. Hasil
pengujian akurasi sistem memiliki kesamaan
diagnosis dengan diagnosis dari pakar sebesar
90%.
7. PENUTUP
7.1 Kesimpulan
latih dan data uji. Dari 100 data yang 1. Memperbanyak variabel masukkan, seperti
didapatkan, 100 data tersebut dijadikan data aspirasi sumsum tulang belakang, tes
latih dan akan diambil 30 secara acak dari pemindaian (USG, CT scan, dan MRI), lumal
100 data tersebut untuk digunakan menjadi pungsi, tes fungsi hati, biopsy limpa dan lain
data uji. Penelitian ini menggunakan 10 sebagainya agar mendapatkan keluaran yang
variabel masukkan antara lain, Hemoglobin, lebih presisi.
Eritrosit, Leukosit, Hematokrit, Trombosit,
Eosinofil, Basofil, Neutrofil, Limfosit, 2. Memperbanyak himpunan fuzzy dan
Monosit. Keluaran yang dihasilkan dari menggunakan jenis inferensi yang berbeda.
penelitian ini adalah jenis penyakit leukimia 3. Memakai model fuzzy yang lain, sepeti
yaitu, AML, ALL, CML, dan CLL. Dari 100 metode mamdani, sugeno, neuro-fuzzy, dan
data uji diapatkan 88 rule fuzzy yang unik. lain-lain.
4.1.1.1.a.i.2. Model fuzzy yang
dipakai yaitu model fuzzy tsukamoto. Model DAFTAR PUSTAKA
Fuzzy Tsukamoto bertujuan untuk mengubah Agustin, V.R. 2015. Aplikasi Pengambilan
himpunan Fuzzy ke dalam bentuk bilangan Keputusan dengan Metode Tsukamoto
crips dengan menggunakan metode pada Penentuan Tingkat Kepuasan
penghitungan rata-rata terbobot (Weighted Pelanggan (Studi Kasus di Toko Kencana
Average) , dengan memakai pendekatan Kediri). Skripsi tidak dipublikasikan.
kurva bahu. Kemudian keluaran hasil Malang: Universitas Negeri Maulana
diagnosis yang didapatkan dari sistem Malik Ibrahim Malang.
dengan metode fuzzy tsukamoto C., Obi J. & A., Imianvan A. (2011). Interactive
dibandingakan dengan hasil diagnosis yang Neuro-Fuzzy Expert System for
telah dilakukan pakar. Hasil yang didapatkan Diagnosis of Leukemia. Global Journal of
dipakai untuk menghitung tingkat Computer Science and Technology.
kepercayaan pada model fuzzy tsukamoto. Volume 11 Issue 12 Version 1.0. Hlm. 42-
50.
4.1.1.1.a.i.3. Hasil akurasi yang
Dream. 2018. Anak Denada Idap Leukimia, Ini
didapatkan dari pengujian dengan metode
Rincian Biaya Pengobatan Kanker.
defuzzikasi rata-rata terbobot (weighted
Tersedia dari URL : HYPERLINK
average), yaitu 90% yang bermenunjukkan
http://www.dream.co.id/.
peluang untuk mendiagnosis jenis leukimis
Faisal Yatim. 2012. TALASEMIA, LEUKEMIA,
pada 1 pasien mempunyai kesempatan
DAN ANEMIA. Versi online : IMU.
diagnosis tepat sebesar 0,9 dengan error 0,1.
Ghozali, M.F. 2016. Sistem Pakar Diagnosis
Dengan hasil yang memuaskan yaitu 90%
Dini Penyakit Leukemia Dengan Metode
dapat ditarik kesimpulan bahwa sistem pakar
Certainty Factor. Sidoarjo : Universitas
fuzzy tsukamoto dengan metode pengujian
Muhammadiyah Sidoarjo.
yaitu defuzzifikasi weighted average cukup
Kusrini. 2008. Aplikasi Sistem Pakar. Andi
baik dipakai dalam mendiagnosis jenis
Offset. Yogyakarta.
penyakit leukimia.
Kusumadewi, S. 2003. Artificial Inteligence
(Teknik dan Aplikasinya).Yogyakarta :
7.2 Saran
Graha Ilmu
Peneliti berharap hasil yang didapatkan dari Kusumumadewi, S. dan Purnomo, H., 2010.
penelitian kali ini dapat membatu dokter dalam Aplikasi Fuzzy logic untuk Pendukung
mendiagnosis penyakit leukimia. Beberapa cara Keputusan. Yogyakarta : Graha Ilmu.
yang mungkin dapat dilakukan untuk Maseleno, Andino. 2013. “The Fuzzy Dempster-
meningkatkan tinggkat kepercayaan metode Shafer Algoritm and its Application to
fuzzy dalam sistem diagnosis penyakit leukimia Insect Disease Detection”, Computer
adalah dengan menggunakan metode penegasan Science Program, Faculty of Science,
dan inferensi yang berbeda. Cara yang bisa Brunai Darussalam.
dipakai dalam mendiagnosis penyakit leukimia Maulana, Y.A. 2016. Implementasi Fuzzy
agar mememperoleh hasil yang lebih akurat dan Tsukamoto Dalam Mendiagnosa Penyakit
maksimal yaitu: Diabetes Melitus. Semarang : Universitas
Dian Nuswantoro Semarang.