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
Perancangan Sistem Diagnosa Penyakit Kanker Kolorektal
Menggunakan Algoritma
Iterative Dichotomiser 3
(ID3)
1)
Ivana Christy Pombengi, 2)Magdalena A. Ineke Pakereng
Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
Email: 1)672014226@student.uksw.edu, 2)ineke.pakereng@staff.uksw.edu 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 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.
Kata Kunci: Kanker Kolorektal, Sistem Pakar, Iterative Dichotomiser 3
1)Mahasiswa Fakultas Teknologi Informasi Program Studi Teknik Informatika, Universitas Kristen Satya
Wacana Salatiga. 2)
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
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]
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) = ∑ pi log2 pi (1)
Gain (S,A) = Entropy (S) –∑
Entropy (Sv) (2)
3. Metode dan Perancangan Sistem
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.
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 yang akan dibangun. Tahap selanjutnya adalah Implementasi Sistem, yakni
Analisis Kebutuhan, dan Pengumpulan Data
Perancangan Sistem meliputi Perancangan Proses (UML)
Implementasi 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 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.
4. Pembahasan dan Hasil Pengujian
Tabel 1 Tabel Kriteria Diagnosa
Atribut Value Keterangan
Usia (A) >50
Tabel 2 Tabel Sampel Data Pasien Pengidap Kanker Kolorektal yang diperoleh dari naskah publikasi penderita kanker usus besar/kolon di RSUD Dr. Moewardi [1]. Perhitungan Entropy S.
- Entropy (S) = - palog2pa– pblog2 pb
Entropy (S)[24+,6-] = -(24/30) log2(24/30) + (-(6/30) log2(6/30)
Tabel 3 Tabel Perhitungan Gain Tahap 1
Atribut Nilai Entropy Nilai Gain
A
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
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. Rulebase 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,
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 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 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 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.
Kode Program 1 Perintah Untuk Select Data Training Diagnosa
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.
Kode Program 2 Perintah Untuk Menghasilkan ID3 Node
Kode Program 2 merupakan perintah yang berfungsi untuk menghasilkan ID3 Node. Perintah pada baris 13 dan 14 untuk memilih atribut dan gain yang telah ditentukan untuk membentuk function decision.
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.
1 try {
2 Statement st = kon.createStatement();
3 String sql = "SELECT * FROM datadiagnosa ORDER BY ID_Pasien"; 4 ResultSet rs = st.executeQuery(sql);
5 while (rs.next()) {
6 DataDiagnosaDB dg = new DataDiagnosaDB(); 7 for (int i = 0; i < dg.Atribut.length; i++) {
1 private ID3Node GenerateNode(ID3Row[] S, String 2 targetAttributeName) {
3 ID3Node node = new ID3Node();
4 node.Entropy = Entropy(S, targetAttributeName);
5 node.S = S;
6 node.Gains = new HashMap<String, Double>();
7 List<String> s = ID3Row.extractValues(S, targetAttributeName); 8 if (s.size() == 1) {
9 node.Attribute = s.get(0);
10 }
11 Set keys = S[0].Row.keySet();
12 String[] attributes = (String[]) keys.toArray(new String[keys.size()]); 13 String selectedAttributeName = "";
Tabel 4 Hasil Black Box Testing untuk Proses Output
No Data
Uji Data Input Output Kesimpulan
1 Fungsi Login
password yang dimasukkan tidak valid.
Valid
2 Fungsi Input
Data Pasien Data Pasien
Sistem menampilkan alert
apabila user tidak mengisi semua kolom administrasi pasien.
Valid
3 Fungsi Input
Data Dokter Data Dokter
Sistem menampilkan alert
apabila data yang dimasukkan
user adalah data yang sudah
Sistem menampilkan hasil diagnosa yang dilakukan oleh
user yaitu positif mengidap kanker kolorektal lewat data sample yang ada dan dideteksi 70% data yang tepat.
Sistem menampilkan data rekam medis pasien berupa biodata pasien dan hasil diagnosa sebelumnya.
Valid
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
Pasien 10 T T T Y Positif 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).
[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.
![Gambar 2 Tahapan Penelitian [10]](https://thumb-ap.123doks.com/thumbv2/123dok/3720798.1813808/9.595.98.510.196.547/gambar-tahapan-penelitian.webp)
