dd062d01
TRANSCRIPT
-
8/17/2019 DD062d01
1/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1
Abstrak — Jumlah perokok di Indonesia dari tahun ke
tahun selalu meningkat. Keadaan ini secara tidak langsung
dapat menyebabkan meningkatnya jumlah penyakit yang
diderita akibat rokok. Penyakit paru-paru obstruktif kronis
merupakan salah satu penyakit yang disebabkan oleh rokok
dan termasuk dalam lima besar penyakit yang paling banyak menyebabkan kematian di Indonesia pada tahun 2010. Oleh
karena itu, aplikasi pendeteksi dini yang dapat mengetahui
gejala dan tingkat risiko dari penyakit paru-paru obstruktif
perlu dibuat.
Dalam Tugas Akhir ini, aplikasi pendeteksi dini penyakit
paru-paru obstruktif kronis dimodelkan sebagai sebuah peng-
klasifikasi berbasis logika fuzzy mandani. Fungsi keanggotaan
dari logika fuzzy didefinisikan dengan melibatkan tujuh
variabel masukan dan sebuah variabel keluaran. Ketujuh varia-
bel masukan, yang nilai-nilainya digunakan untuk merep-
resentasikan gejala penyakit paru obstruktif, meliputi derajat
berat merokok, usia, jenis kelamin, paparan okupasional, fak- tor genetik, status sosioekonomik, dan status keberadan penya-
kit paru lain. Sedang variabel keluaran, yang merepre-
sentasikan tingkat risiko penyakit paru obstruktif kronis, dibagi
menjadi tiga tingkatan nilai, yaitu rendah, sedang, dan tinggi.
Aplikasi yang diimplementasikan dengan menggunakan bahasa
pemrograman Java terdiri dari tiga modul utama, yaitu modul
mesin infrensi berbasis fuzzy (fuzzy control language), modul
antar-muka pengguna, dan modul pemrosesan klasifikasi.
Aplikasi yang telah berhasil dibuat diuji coba dengan
menggunakan uji coba verifikasi dan uji coba kinerja. Hasil uji
coba verifikasi menunjukkan bahwa aplikasi yang dibuat
memberikan hasil klasifikasi yang sama dengan yang dihasil- kan oleh paket perangkat lunak Matlab. Sedang uji coba
kinerja memberikan hasil yang memuaskan, dimana kinerja
hasil klasifikasi sebesar 85,57%, 84,89%, dan 90.46%. bertu-
rut-turut diperoleh untuk rataan nilai presisi,recall. Dan
akurasi.
Kata kunci: paru-paru obstruktif kronis, deteksi dini, tingkat
risiko, fuzzy logic mamdani.
PENDAHULUAN
Data terbaru menurut Organisasi Kesehatan Dunia
(World Health Organization/WHO) menyebutkan bahwa
jumlah perokok Indonesia terbanyak ketiga di seluruhdunia [1]. Fakta tersebut membuat meningkatnya tingkat
risiko seseorang terjangkit penyakit yang diakibatkan
rokok, salah satunya yaitu penyakit paru-paru obstruktif
kronis. Penyakit paru-paru obstruktif kronis (PPOK) adalah
istilah medis untuk bronkitis kronis dan emfisema yang
menyulitkan pernafasan. Penyebab utama PPOK adalah
rokok, asap polusi dari pembakaran, dan partikel gas
berbahaya. Gejala dan tanda PPOK, di antaranya adalah:
sesak napas, batuk kronik, produksi sputum, denganriwayat pajanan gas/prtikel berbahaya, disertai dengan
pemeriksaan faal paru. Indikator diagnosis PPOK adalah
penderita di atas usia 40 tahun, dengan sesak napas yang
progresif, memburuk dengan aktivitas, persisten, batuk
kronik, produksi sputum kronik, riwayat pajanan rokok,
asap atau gas berbahaya di dalam lingkungan kerja atau
rumah.
Faktanya, penyakit paru kronis ini adalah masalah
kesehatan utama yang menjadi penyebab kematian nomor
empat di Indonesia pada tahun 2010 menurut Organisasi
Kesehatan Dunia (WHO) [2]. Hal itu tidak lepas dari
kebiasaan masyarakat Indonesia dalam mengonsumsi rokok
yang merupakan penyebab utama penyakit ini. PosisiIndonesia masih teratas karena dipicu pertumbuhan
perokok baru di kalangan generasi muda Indonesia yang
tercepat di dunia.
Saat ini, penggunaan teknologi komputer di area
diagnosis kedokteran, pengobatan penyakit dan pelayanan
pasien telah sangat meningkat. Terlepas dari kenyataan
penggunaan komputer pada bidang tersebut, dimana
memiliki kompleksitas dan ketidakpastian yang sangat
tinggi. Penggunaan sistem komputasi cerdas seperti logika
fuzzy, jaringan syaraf tiruan dan algoritma genetika telah
banyak dikembangkan [3].
Memiliki beberapa faktor untuk menganalisis danmendiagnosis penyakit paru-paru obstruktif kronis pada
pasien membuat pekerjaan dokter menjadi sulit. Jadi, ahli
memerlukan sistem yang akurat yang mempertimbangkan
risiko faktor-faktor ini dan menunjukkan hasil tertentu
dalam rentang yang pasti. Termotivasi oleh kebutuhan
tersebut, diperlukan sebuah sistem pakar yang dapat
menjelaskan proses pemodelan konsep medis sebagai
pemetaan dari dunia nyata konsep medis ke model
komputasi [4].
Konsep sistem pakar logika fuzzy sangat fleksibel dan
mempunyai toleransi terhadap data-data yang tidak tepat
serta didasarkan pada bahasa alam. Logika fuzzy dapat
memodelkan relevansi dari beberapa penyebab penyakit
paru-paru obstruktif kronis yang bermacam–macam
sehingga dapat meminimalkan efek dari berbagai
ketidakpastian yang dapat terjadi. Pada dunia medis,
DETEKSI PENYAKIT PARU-PARU
OBSTRUKTIF KRONIS MENGGUNAKAN
METODE FUZZY : STUDI KASUS DI RUMAH
SAKIT XYZ Muhammad Reza Budiman, Arif Djunaidy, Retno Aulia Vinarti
Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
-
8/17/2019 DD062d01
2/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 2
metode fuzzy sudah pernah digunakan oleh peneliti–peneliti
atau beberapa ilmuwan dalam mengatasi berbagai
masalah–masalah yang komplek, beberapa diantaranya
seperti Diagnosa penyakit jantung [3] dan Manajemen
kanker payudara [5]. Logika fuzzy telah menjadi area riset
yang mengagumkan karena kemampuannya dalam
menjembatani bahasa mesin yang serba presisi dengan
bahasa manusia yang cenderung tidak presisi yaitu dengan
menekankan pada makna atau arti (significance). Sistem
pakar dibuat hanya pada domain pengetahuan tertentu
untuk suatu kepakaran tertentu yang mendekati
kemampuan manusia di salah satu bidang saja. Pada
dasarnya sistem pakar diterapkan untuk mendukung
aktivitas pemecahan masalah seperti pembuatan keputusan
(decision making), pemaduan pengetahuan (knowledge
fusing), pembuatan desain (designing), perencanaan
(planning) dan perakiraan (forecasting).
Pembuatan deteksi dini penyakit paru-paru obstruktif
kronis ini diimplementasikan pada bahasa pemrograman
java dengan bantuan library JfuzzyLogic. Library ini akan
membantu menjalankan proses logika fuzzy pada sistemdeteksi dini penyakit ini.
Hasil keputusan sistem deteksi dini ini diharapkan
dapat menjadi metode alternatif dalam mendiagnosis risiko
terkena penyakit paru-paru obstruktif kronis. Sedangkan
bagi para ahli, sistem deteksi dini ini dapat digunakan
sebagai asisten yang berpengalaman.
Paper ini akan membahas pengimplementasian sistem
dan analisis hasil menerapkan metode logika fuzzy dalam
mendeteksi dini risiko terkena penyakit paru-paru
obstruktif kronis. Analisis pada paper ini berdasarkan
beberapa literatur dan hasil uji coba program.
I.
METODE
Berikut ini adalah gambar metodologi tugas akhir yang
digunakan.
Gambar 1 Diagram Alur Metodologi Pengerjaan Tugas Akhir
A. Sistem Fuzzy
Pada bagian ini menunjukkan proses logika fuzzy
meliputi fuzzifikasi, aplikasi fungsi implikasi, komposisi
aturan logika fuzzy kemudian proses defuzzifikasi.
i.
Tahap pembentukan himpunan fuzzy ( fuzzification)
Fuzzifikasi adalah suatu proses untuk mengubah suatu
masukan dari bentuk tegas (crisp) menjadi fuzzy
(variabel linguistik) yang biasanya disajikan dalam
bentuk himpunan-himpunan fuzzy dengan suatu
fungsi kenggotaannya masing-masing. Pada Metode
Mamdani, baik variabel masukan maupun variabel
keluaran dibagi menjadi satu atau lebih himpunan
fuzzy.
ii. Aplikasi Fungsi Implikasi
Fungsi implikasi yang digunakan yaitu fungsi Min.
Fungsi Min ini akan memotong keluaran himpunan
fuzzy.
iii.
Komposisi Aturan
Tidak seperti penalaran monoton, apabila sistem
terdiri-dari beberapa aturan, maka inferensi diperoleh
dari kumpulan dan korelasi antar aturan. Ada tiga
metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu: max, additive dan probabilistik OR
(probor). Pada tahapan komposisi aturan, metode yang
digunakan adalah metode max. Pada metode ini,
solusi himpunan fuzzy diperoleh dengan cara
mengambil nilai maksimum aturan, kemudian
menggunakannya untuk memodifikasi daerah fuzzy
dan mengaplikasikannya ke keluaran dengan
menggunakan operator OR (union). Jika semua
proposisi telah dievaluasi, maka keluaran akan berisi
suatu himpunan fuzzy yang merefleksikan konstribusidari tiap-tiap proposisi. Apabila digunakan fungsi
implikasi MIN, maka metode komposisi ini sering
disebut dengan nama MAX-MIN atau MIN-MAX
atau MAMDANI. iv.
Tahap penegasan (defuzzification)
Masukan dari proses defuzzifikasi adalah suatu
himpunan fuzzy yang diperoleh dari komposisi aturan-
aturan fuzzy, sedangkan keluaran yang dihasilkan
merupakan suatu bilangan pada domain himpunan
fuzzy tersebut. Metode yang digunakan dalam bagian
ini adalah metode centroid. Metode centroid adalah
metode yang dipergunakan untuk menentukan titikkeseimbangan dari grafik yang merupakan hasil dari
proses pengolahan data dengan menggunakan
operator fuzzy. Pada metode ini, solusi crisp diperoleh
dengan cara mengambil titik pusat (z*) daerah fuzzy.
Metode centroid ini banyak digunakan karena nilai
yang didapatkan lebih halus dan relatif adil
dibandingkan metode lainnya yaitu, bisector, MOM,
SOM dan LOM. Secara umum metode centroid
dirumuskan sebagai berikut:
II.
DESAIN SISTEM
Dalam bagian ini, dijelaskan desain data dan logika fuzzy
dalam proses pengambilan keputusan status risiko terkena
penyakit paru-paru obstruktif kronis. Desain dijelaskan
mengenai perancangan fungsi keanggotaan.
A. Variabel Masukan
Variabel masukan merupakan variabel-variabel yang
akan menjadi masukan sebuah sistem. Variabel-variabel ini
-
8/17/2019 DD062d01
3/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 3
yang akan berperan penting dalam proses logika fuzzy
dalam mendeteksi dini risiko terkena penyakit paru-paru
obstruktif kronis. Ada 9 variabel yang digunakan yaitu
derajat berat merokok, faktor genetik, sosioekonomik,
paparan okupasional, usia, penyakit paru penyerta lain,
jenis kelamin.
1)
Derajat Berat Merokok
Variabel fungsi derajat berat merokok memiliki tiga
nilai yaitu status ringan (status1), status sedang (status2),
dan status berat (status3). Pendekatan fungsi yang
digunakan untuk merumuskan fungsi genetik ini adalah
fungsi kontinu karena merupakan variabel kontinu. Bentuk
model fungsi keanggotaan derajat berat merokok sesuai
dengan tabel 1 dan gambar 2.
Tabel 1 Fuzzy Set untuk Variabel Derajat Berat Merokok
Input Range Fuzzy set
Derajat
Berat
Merokok
< 200 Ringan
150-600 Sedang
> 550 Berat
Gambar 2 Fungsi Keanggotaan Derajat Berat Merokok
2)
Genetik
Variabel faktor genetik memiliki dua nilai yaitu ada
riwayat keluarga dan tidak ada riwayat keluarga.Pendekatan fungsi yang digunakan untuk merumuskan
fungsi genetik ini adalah fungsi singleton karena
merupakan variabel diskrit. Nilai 1 diberikan kepada nilai
tidak ada riwayat bawaan keluarga dan 2 untuk nilai ada
riwayat bawaan keluarga dengan nilai keanggotaannya
sesuai tabel 2 dan gambar 3.
Tabel 2 Fuzzy Set untuk Variabel Genetik
Input Range Fuzzy set
Genetik1 Tidak ada riwayat keluarga
2 Ada riwayat kelurga
Gambar 3 Fungsi Keanggotaan Genetik
3)
Sosioekonomik
Variabel fungsi status sosioekonomik memiliki dua nilai
yaitu tingkat rendah dan tingkat baik. Pendekatan fungsi
yang digunakan untuk merumuskan fungsi sosioekonomikyaitu fungsi singleton. Nilai 1 diberikan kepada tingkat
rendah dan 2 untuk tingkat baik dengan nilai
keanggotaannya sesuai tabel 3 dan gambar 4.
Tabel 3 Fuzzy Set untuk Variabel Status Sosioekonomik
Input Range Fuzzy set
Sosioekonomik1 Status Baik
2 Status Rendah
Gambar 4 Fungsi Keanggotaan Status Sosioekonomik
4)
Paparan Okupasional
Variabel fungsi paparan okupasional memiliki tiga nilai
yaitu tidak pernah terpapar, jarang terpapar, dan sering
terpapar. Pendekatan fungsi yang digunakan untuk
merumuskan fungsi ini adalah fungsi singleton karena
merupakan variabel diskrit. Nilai 1 diberikan kepada tidak
pernah terpapar, 2 untuk terpapar dengan nilai
keanggotaannya sesuai dengan tabel 4 dan gambar 5.
Tabel 4 Fuzzy Set untuk Variabel Paparan Okupasional
Input Range Fuzzy set
Paparan
Okupasional
1 Tidak pernah terpapar
2 Pernah terpapar
Gambar 5 Fungsi Keanggotaan Paparan Okupasional
5)
Usia
Variabel faktor usia memiliki tiga nilai yaitu usia < 40
tahun (usia1), usia antara 40-60 tahun (usia2), dan usia >
60 tahun (usia3). Pendekatan fungsi yang digunakan untuk
merumuskan fungsi genetik ini adalah fungsi kontinu
sesuai tabel 5 dan gambar 6.
Tabel 5 Fuzzy Set untuk Variabel usia
Input Range Fuzzy set
Usia
< 40 Muda (usia1)
35 - 60 Paruh baya (usia2)
> 55 Tua (usia3)
Gambar 6 Fungsi Keanggotaan Usia
6)
Penyakit Paru penyerta lain
Variabel fungsi penyakit paru penyerta lain memiliki
dua nilai yaitu ada penyakit dan tidak ada penyakit.
Pendekatan fungsi yang digunakan untuk merumuskan
-
8/17/2019 DD062d01
4/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 4
fungsi ini adalah fungsi singleton. Nilai 1 diberikan kepada
nilai tidak ada penyakit dan 2 untuk nilai ada penyakit
dengan nilai keanggotaannya sesuai dengan tabel 6 dan
gambar 7.
Tabel 6 Fuzzy Set untuk Variabel Penyakit Paru lain
Input Range Fuzzy set
Penyakit
paru lain
1 Ada penyakit lain
2 Tidak ada penyakit
Gambar 7 Fungsi Keanggotaan Penyakit paru lain
7)
Jenis Kelamin
Menurut studi kasus yang sering ditemukan, laki-laki
lebih berisiko terkena penyaki ini dibandingkan denganwanita. Variabel fungsi jenis kelamin memiliki dua nilai
yaitu ada laki-laki dan perempuan. Pendekatan fungsi yang
digunakan untuk merumuskan fungsi ini adalah fungsi
singleton. Nilai 1 diberikan kepada perempuan dan 2 untuk
laki-laki dengan nilai keanggotaannya sesuai dengan tabel
7 dan gambar 8.
Tabel 7 Fuzzy Set Untuk Variabel Jenis Kelamin
Input Range Fuzzy set
Jenis
Kelamin
1 Perempuan
2 Laki-laki
Gambar 8 Fungsi Keanggotaan Jenis Kelamin
B. Variabel Keluaran
Tujuan dari sistem ini adalah mengidentifikasi status
risiko seseorang terkena penyakit paru-paru obstruktif
kronis. Variabel keluaran mempunyai rentang antara 0-2
yang mempresentasikan risiko rendah, risiko sedang dan
risiko tinggi. Fungsi keanggotaan yang digunakan adalah
fungsi segitiga. Fungsi keanggotaan dapat dilihat pada
tabel 8 dan gambar 9.
Tabel 8 Fuzzy Set untuk output variabel
Input Range Fuzzy set
Status
risiko
0 – 0.7 Rendah
0.5 – 1.5 Sedang
1 – 2 Tinggi
Gambar 9 Fungsi keanggotaan variabel keluaran
C. Aturan Fuzzy
Aturan fuzzy merupakan bagian utama dalam sistem
inferensi fuzzy dan kualitas hasil dalam sistem fuzzy
tergantung pada fuzzy rule (aturan-aturan fuzzy).
Perumusan dan pendefinisian aturan ini digunakan untuk
menggambarkan kenyataan yang ada di dunia kedokteran.
Aturan ini didapatkan dari hasil pengolahan data dan
kemudian dilakukan proses konsultasi dan gagasan dari
pakar (dokter), sehingga aturan yang didapat mampu
memberikan hasil yang tepat dalam menentukan tingkat
risiko penyakit paru-paru obstruktif kronis. Aturan-aturan fuzzy yang telah dirumuskan
-
8/17/2019 DD062d01
5/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 5
Gambar 10 Aturan Fuzzy
D. Defuzzifikasi
Proses defuzzifikasi ini merupakan proses pengubahan
besaran fuzzy yang disajikan dalam bentuk himpunan-himpunan fuzzy keluaran dengan fungsi keanggotaannya
untuk mendapatkan kembali bentuk tegasnya. Metode yang
digunakan pada proses defuzzifikasi ini adalah metode
centroid atau biasa dinamakan Center Of Gravity (COG).
Metode COG yang digunakan akan menentukan titik
keseimbangan dari grafik yang merupakan hasil dari proses
pengolahan data sebelumnya. Pada metode ini, solusi crisp
diperoleh dengan cara mengambil titik pusat daerah grafik
fuzzy variabel keluaran.
III.
PEMBUATAN APLIKASI
A.
Desain Aplikasi
Desain aplikasi ini menggambarkan desain sistem yang
perlu dibuat, antara lain use case, activity diagram, dan
sequence diagram. Pada pembuatan desain aplikasi ini,
terdapat dua use case yang bisa dilakukan oleh aktor yaitu
input gejala dan menampilkan hasil diagnosis seperti pada
gambar 11.
Gambar 11 Use Case
Setelah pembuatan use case, selanjutnya dilakukan
pembuatan activity diagram. Gambar 4.10 menjelaskan
activity diagram dari aktivitas memasukkan data gejala.
Proses sesuai gambar 12.
Gambar 12 Activity Diagram
Setelah pembuatan use case dan activity diagram,
selanjutnya dilakukan pembuatan sequence diagram.
Sequence diagram menggambarkan interaksi antar objek di
dalam dan di sekitar sistem (termasuk pengguna, display,
dan sebagainya) berupa pesan yang digambarkan terhadap
waktu. Interaksi yang ada sesuai gambar 13.
Gambar 13 Sequence Diagram
B. Implementasi Aplikasi
Fuzzy Control Language atau biasa disingkat FCL
merupakan bahasa yang sederhana untuk menentukan
sistem inferensi fuzzy. FCL juga merupakan bahasa yang
digunakan untuk mengimplementasikan algoritma fuzzy
logic. Implementasi ini dilakukan untuk membuat
algoritma fuzzy logic yang telah dirumuskan dapat
dijalankan pada aplikasi. Tahap dari implementasi FCL
untuk tugas akhir ini yaitu definisi fungsi dan variabel,
definisi fungsi keanggotaan variable masukan, definisi
fungsi keanggotaan variabel keluaran dan defuzzifikasi,
dan definisi aturan fuzzy.
C. Implementasi Antar-muka
Setelah dilakukan pembuatan use case, activity diagram,
dan sequence diagram, selanjutnya dilakukan
implementasi. Implementasi merupakan proses pengubahan
sistem yang telah dirancang kemudian diterapkan dalam
program. Pada tahap ini digunakan dengan menuliskan scriptdan pembuatan antar muka aplikasi. Aplikasi yang dibuat ini
memiliki tampilan antarmuka seperti gambar.
-
8/17/2019 DD062d01
6/6
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 6
Gambar 14 Antar-muka Aplikasi
D. Implementasi Proses Menampilkan Hasil
Untuk melihat hasil dari aplikasi, perlu dilakukan
implementasi proses untuk menampilkan hasil diagnosis.
Implementasi ini berisian kode program untuk memproses
dan menjalankan sistem fuzzy. Program proses ini berisikan
koneksi dengan file FCL, inisiasi masukan dan keluaran,
dan kode untuk menampilkan grafik hasil diagnosis.
IV. HASIL DAN PEMBAHASAN
Analisis hasil program berdasarkan hasil perhitungan
presisi, recall dan akurasi yang dilakukan aplikasi Java
desktop. Presisi dapat diartikan sebagai kepersisan atau
kecocokan (antara permintaan informasi dengan jawaban
terhadap permintaan itu).
Recall adalah proporsi jumlah dokumen yang dapat
ditemukan kembali oleh sebuah proses pencarian. Akurasi
adalah proporsi jumlah prediksi yang tepat, dengan kata
lain adalah tingkat kedekatan pengukuran kuantitas
terhadap nilai yang sebenarnya. Pada tabel 9 hasil
perhitungan status risiko tinggi, sedang dan rendah berdasarkan ketiga perhitungan tersebut.
Tabel 9 Hasil perhitungan Presisi, Recall, dan Akurasi
Jenis penilaian/ Status risikoppok
Tinggi Sedang Rendah
presisi 94,44% 78,94% 83,33%
recall 94,44% 83,33% 76,92%
Akurasi 95,9% 85,71% 89,79%
Adapun rangkuman perhitungannya adalah sebagai berikut
:
1.
Dari hasil perhitungan, presisi “tinggi” bernilai paling baik yaitu sebesar 94,44%, kemudian presisi “rendah”
sebesar 83,33% dan yang paling kecil adalah presisi
“sedang” yaitu sebesar 78,94%.
2.
Untuk perbandingan tingkat presisi, presisi status tinggi
lebih dominan. Hal ini menunjukkan bahwa tingkat
data yang tidak misses pada status tinggi paling
dominan.
3.
Dari hasil perhitungan recall , recall “tinggi” bernilai
paling baik yaitu sebesar 94,44%, kemudian recall
“sedang” sebesar 83,33% dan yang paling kecil adalah
recall “rendah” yaitu sebesar 76,92%.
4.
Untuk perbandingan tingkat recall, recall status tinggimemiliki nilai recall yang paling tinggi. Hal ini
menunjukkan bahwa bahwa tingkat data yang tidak
noise pada status tinggi adalah yang paling tinggi.
5.
Dari hasil perhitungan tingkat akurasi, akurasi “tinggi”
bernilai paling baik yaitu sebesar 95,9%, kemudian
akurasi “rendah” sebesar 89,79% dan yang paling kecil
adalah akurasi “sedang” yaitu sebesar 85,71%.
V.
KESIMPULAN
Kesimpulan yang dapat diambil setelah mengerjakan
Tugas Akhir ini adalah bahwa aplikasi pendeteksi tingkatrisiko paru-paru obstruktif kronis ini telah dikembangkan
dan disesuaikan dengan model fuzzy yang telah didesain
sesuai gejala dan data yang didapat dari Rumah Sakit XYZ
telah mampu menghasilkan hasil prediksi yang baik dan
dinilai dapat merepresentasikan data dan gejala untuk
mendeteksi tingkat risiko penyakit pada Rumah Sakit XYZ,
hal ini didukung dengan tingkat kebenaran klasifikasi yaitu
sebesar 85,71%.
DAFTAR PUSTAKA
[1] AntaraNews,2012, Jumlah perokok Indonesia terbanyak ketiga di
dunia, http://www.antaranews.com/berita/313477/jumlah-perokok-
indonesia-terbanyak-ketiga-di-dunia, diakses tanggal 30 September
2012
[2] MajalahKesehatan, 2011, PPOK : Penyakit mematikan Akibat Rokok ,
http://majalahkesehatan.com/ppok-penyakit-mematikan-akibat-rokok/,
diakses tanggal 29 September 2012
[3] Adeli, Ali dan Neshat, Mehdi, "A Fuzzy Expert Sistem for Heart
Disease Diagnosis",IMECS 2010. Vol. 1. 2010
[4] Kwiatkowska, Mila, Kielan, Krzysztof, "Fuzzy logic and semiotic
methods in modeling of medical concepts", SciVerse ScienceDirect.
2012
[5] Saleh, Ahmed Abou Elfetouh, Barakat, Sherif Ebrahim, Awad, Ahmed
Awad Ebrahim, "A Fuzzy Decision Support Sistem for Management of
Breast Cancer", IJACSA. Vol. 2, No.3. 2011