dd062d01

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, faktor 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 dihasilkan 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


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


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


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


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


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


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


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


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


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


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


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


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

dd062d01

Documents