1 SM
1 SM
Abstract
An ovarian cyst is a sac filled with liquid material that arises in an ovary. People often underestimate an ovarium
cyst because they do not feel the early symptoms, until they realize the condition of cyst has been growing and
disrupting their daily activities. Ovarium cyst is not harmful enough, but if it is neglected and get improper
treatment, it will develop into ovarian cancer. According to the World Health Organization (WHO), ovarian
cancer is the fourth most dangerous cancer that mostly found in woman in the worldwide after breast cancer,
colorectal, and uterine corpus. Based on these facts, one of causes of ovarian cancer is started from unrealized
ovarian cyst that did not get early proper treatment. Thus, ovarian cancer can be prevented by early detection of
ovarian cyst through symptomps. The purpose of this research is to establish an ovarian cyst prediction system
using a model of Artificial Neural Network (ANN) Learning Vector Quantization. Variables that are used as
prediction data are experienced physical symptoms. There are 7 symptoms variable in this research. The data
were taken from medical records of RSUP Dr Kariadi Semarang, there are 90 data distribution of training data
and test data uses K-Fold strategy with K-value 10. The results of research show that the best LVQ network
architecture for the prediction are obtained when using a learning rate value of 0.02, epsilon 0.01, and the
maximum epoch 1000. The best parameters combination in this research result in accuracy 72.22%, error 27.78%,
sensitivity 28.65% and specificity 86.11%.
Keywords : Ovarian Cysts Prediction System , Ovarian Cyst Prediction, Ovarian Cysts , artificial neural
network (ANN) , Learning Vector Quantization , LVQ
Abstrak
Kista ovarium (kista indung telur) adalah kantung berisi cairan yang terletak di ovarium. Masyarakat sering
menganggap remeh penyakit kista ovarium karena gejala awal yang timbul tidak terlalu dirasakan, sehingga saat
diketahui kondisi kista sudah membesar dan mengganggu aktivitas sehari-hari. Kista ovarium tidak terlalu bahaya,
namun jika diabaikan dan tidak mendapatkan penanganan yang tepat, maka kista ovarium dapat berkembang
menjadi kanker ovarium. Menurut World Health Organization (WHO), kanker ovarium masuk ke dalam kanker
berbahaya keempat yang paling sering ditemukan pada wanita di seluruh dunia setelah kanker payudara,
kolorektal, dan korpus uteri. Dari fakta tersebut, salah satu penyebab kanker ovarium adalah berawal dari kista
ovarium yang tidak disadari dan tidak mendapatkan penanganan awal yang tepat. Salah satu langkah untuk
mencegah kasus kanker ovarium adalah dengan mencegahnya dari penyebab paling awal yaitu pendeteksian dini
kista ovarium melalui gejala yang muncul. Penelitian ini bertujuan untuk membangun sebuah sistem prediksi kista
ovarium menggunakan Jaringan Saraf Tiruan (JST) metode Learning Vector Quantization. Variabel yang
digunakan sebagai data prediksi berupa gejala fisik yang dialami. Terdapat 7 variabel gejala yang digunakan dalam
penelitian ini. Seluruh data penelitian diambil berdasarkan data rekam medis dari RSUP Kariadi Semarang
sejumlah 90 data. Identifikasi data latih dan data uji menggunakan strategi K-Fold dengan K bernilai 10. Hasil
penelitian menunjukkan bahwa arsitektur jaringan LVQ terbaik untuk prediksi diperoleh pada nilai learning rate
0.02, epsilon 0.01, dan maksimum epoch 1000. Kombinasi parameter terbaik dalam penelitian menghasilkan
tingkat akurasi 72.22%, error 27.78%, sensitivitas 28.65% dan spesifisitas 86.11%.
Kata kunci : Sistem Prediksi Kista Ovarium, Prediksi Kista Ovarium, Kista Ovarium, Jaringan saraf tiruan
(JST), Learning Vector Quantization, LVQ
(ovum), menghasilkan hormon (progesteron dan digunakan untuk pengenalan pola, peramalan atau
estrogen), dan ikut serta mengatur haid [24]. Jaringan prediksi, deteksi kemiripan, dan klasifikasi.
ovarium sangat dinamik, dipengaruhi oleh rangsang Salah satu metode jaringan dalam jaringan syaraf
hormonal sejak dari masa pubertas hingga menopause. tiruan adalah Learning Vector Quantization (LVQ)
Hal ini merupakan alasan mengapa banyak kista atau [6]. LVQ adalah suatu metode klasifikasi pola yang
tumor jinak timbul di ovarium. masing-masing unit input mewakili kategori atau
Masyarakat sering menganggap remeh penyakit kelompok tertentu. Pemrosesan yang terjadi pada
kista ovarium karena gejala awal yang timbul tidak setiap neuron adalah mencari jarak terdekat antara
terlalu dirasakan, sehingga saat diketahui kondisi suatu vektor masukan ke bobot yang bersangkutan.
penyakit ini sudah membesar dan mengganggu Jaringan syaraf tiruan LVQ banyak digunakan dalam
aktivitas sehari-hari. Kista ovarium ini tidak terlalu bidang medis karena karekteristik tersebut. Penelitian
bahaya, namun jika diabaikan dan tidak mendapatkan bidang medis terkait LVQ dilakukan oleh Yanti (2015)
penanganan yang tepat maka dapat berkembang berkaitan deteksi dini gangguan pernafasan
menjadi kanker ovarium [15]. Menurut World Health menggunakan tujuh input gejala dan empat output
Organization (WHO), kanker ovarium merupakan gangguan pernafasan. Berdasarkan penelitian tersebut,
kanker berbahaya keempat yang paling sering jaringan saraf tiruan LVQ dapat digunakan untuk
ditemukan pada wanita di seluruh dunia setelah kanker memprediksi penyakit gangguan pernafasan dengan
payudara, kolorektal, dan korpus uteri [10]. Dari fakta tingkat akurasi mencapai 80% [11]. Melihat penelitian
tersebut, salah satu penyebab sebuah kanker ovarium tersebut, maka penelitian ini akan mencoba
adalah berawal dari kista ovarium yang tidak disadari menerapkan metode LVQ untuk memprediksi
dan tidak mendapatkan penanganan awal yang tepat. penyakit kista ovarium. Hal ini dapat didukung dengan
Sehingga, dibutuhkan pencegahan dini kanker sebuah sistem berbasis web yang dapat diakses dimana
ovarium dari awal melalui ada atau tidaknya kista saja dan kapan saja melalui jaringan internet.
ovarium agar penyakit dapat segera dideteksi dan Sistem berbasis web memiliki kelebihan dapat
ditangani secara tepat. dengan mudah diakses dari jarak jauh melalui browser
Kista ovarium dapat dideteksi dengan melakukan tanpa harus melakukan installasi software [8]. Oleh
ultrasologi (USG), CT-scan, pemeriksaan ginekologis karena itu, sistem prediksi kista ovarium dapat diakses
(fisik), dan laparoskopi [2]. Namun, alasan waktu dan dimana dan kapan saja jika dibuat berbasis web.
biaya alat deteksi yang terbilang mahal menyebabkan Dengan adanya sistem ini diharapkan dapat membantu
masyarakat mengabaikan untuk memeriksakan diri ke masyarakat dalam mengetahui secara dini penyakit
dokter saat gejala mulai muncul. Padahal mengetahui kista ovarium agar mendapatkan pemeriksaan lanjut
ada tidaknya penyakit kista ovarium dalam diri secara tepat.
diperlukan dengan mengetahui gejala yang dialami, Tujuan yang ingin dicapai adalah menghasilkan
agar selanjutnya mendapatkan penanganan secara sebuah sistem berbasis web yang dapat digunakan
tepat. Pendeteksian ini dapat dilakukan oleh diri untuk memprediksi penyakit kista ovarium
sendiri dengan memperhatikan gejala-gejala yang berdasarkan gejala menggunakan jaringan syaraf
muncul pada tubuh. Hal ini dapat didukung dengan tiruan metode LVQ. Manfaat yang diharapkan dari
bantuan teknologi yang semakin berkembang. penelitian ini adalah sistem yang dikembangkan dapat
Perkembangan teknologi yang semakin canggih, memberikan prediksi kista ovarium berdasarkan gejala
memudahkan manusia dalam mengambil keputusan serta meningkatkan pengetahuan masyarakat tentang
atau memprediksi suatu hal. Komputer dapat bekerja penyakit kista ovarium.
meniru cara kerja otak manusia sehingga dapat
menimbang dan mengambil keputusan yaitu dengan 2. Tinjauan Pustaka
menggunakan metode jaringan syaraf tiruan. Jaringan
Kista Ovarium
syaraf tiruan adalah sistem komputasi yang memiliki
Kista ovarium merupakan suatu pengumpulan
arsitektur dan operasi diilhami dari pengetahuan
cairan yang terjadi pada indung telur atau ovarium.
tentang sel syaraf biologis dalam otak, salah satu
Cairan yang terkumpul ini dibungkus oleh semacam
representasi buatan dari otak manusia yang selalu
selaput yang terbentuk dari lapisan terluar dari
mencoba menstimulasi proses pembelajaran pada otak
ovarium. Penyakit kista ini sebenarnya merupakan
manusia tersebut. Jaringan syaraf tiruan memiliki
penyakit tumor jinak, karena kebanyakan
kemampuan untuk belajar, selain itu juga mampu
penanganannya tidak melalui operasi besar [5].
menghasilkan aturan atau operasi dari beberapa contoh
Terdapat dua sifat kista, yakni kista non-neoplastik,
atau input yang dimasukkan, dan membuat prediksi
yang sifatnya jinak dan biasanya akan mengempis
tentang kemungkinan output yang akan muncul [4].
sendiri setelah 2 hingga 3 bulan. Serta kista neoplastik,
Jaringan syaraf tiruan memiliki banyak model yang
kista ini umumnya harus dioperasi, namun hal itu pun c. Untuk k = 1 sampai n
tergantung pada ukuran dan sifatnya. 𝑛 𝟐
Hitung nilai Sik = √∑ (𝒙𝒊𝒋 − 𝒘𝒌𝒋 )
Kebanyakan kista tidak berbahaya. Namun, 𝒋=𝟏
beberapa dapat menimbulkan masalah, mulai dari i. Tentukan nilai Sik terkecil dan simpan k
nyeri haid, kista pecah, perdarahan, hingga penyakit ii. Bandingkan nilai k dengan Y. Perbaiki wk
serius, seperti terlilitnya batang ovarium, gangguan dengan ketentuan:
kehamilan, infertilitas hingga kanker endometrium. a. Jika k = Y maka,
Beberapa penyebab kista ovarium antara lain faktor Wk(baru) = wk(lama)+α*(xi–wk(lama))
keturunan atau genetika, pola hidup yang salah, b. Jika k ≠ Y maka,
menstruasi datang terlalu dini, serta penggunaan pil Wk(baru)= wk(lama) –α*(xi–wk(lama))
pencegah kehamilan [2]. 5. Kurangi nilai α
Gejala Kista Ovarium α=α–(0.1* α)
Berikut ini dapat dicermati gejala kista secara Keterangan :
umum, antara lain [12]. i : indeks untuk jumlah data pelatihan
1. Rasa nyeri di rongga panggul. j : indeks untuk variabel penentu jenis kista
2. Rasa nyeri saat menstruasi. ovarium
3. Perut membesar, ada benjolan di perut bagian k : indeks untuk kelas kista ovarium
bawah. m : jumlah data pelatihan
4. Menstruasi yang memanjang (> 14 hari) atau n : jumlah kelas kista ovarium
memendek (< 3 hari). x : vektor pelatihan
5. Siklus menstruasi yang tidak teratur. Y : Target pelatihan
6. Gangguan fungsi saluran cerna (perut kembung, wkj : Vektor bobot kelas ke-k
diare, susah menelan, susah mengunyah). Sik :Nilai Euclidean Distance vektor pelatihan ke-i
7. Mual dan muntah. dan kelas ke-k
penskalaan nilai atribut dari data sehingga bisa terletak menggunakan confusion matrix untuk mendapatkan
pada rentang 0 sampai 1 menggunakan persamaan akurasi, error, sensitivitas, dan spesifisitas.
berikut [1].
r −1
x=
R −1
Keterangan :
x : nilai hasil normalisasi
r : nilai peringkat penskalaan
R : nilai peringkat penskalaan terbesar
Pembentukan Data Latih dan Data Uji (K-Fold
Cross Validation)
Setelah melalui proses normalisasi, data akan
diproses menggunakan K-Fold Cross Validation
dengan K bernilai 10, dataset akan dibagi menjadi 10
partisi dan tiap partisi terdiri dari jumlah kelas yang
sama. Arsitektur LVQ dapat dilihat pada Gambar 3.1.
Berdasarkan hasil eksperimen 1, nilai akurasi terbaik. Strategi 1 memiliki parameter learning rate
tertinggi diperoleh ketika maksimum epoch berada antara 0.1 sampai dengan 0.9, epsilon 0.01 sampai
pada nilai 1000. Maksimum epoch ini digunakan pada 0.000001, maksimum epoch 1000, dan bobot awal 0.5.
eksperimen 2 dan 3. Strategi 2 memiliki parameter learning rate (α),
epsilon, dan maksimum epoch yang sama dengan
Eksperimen 2
strategi 1, namun bobot awal yang digunakan random.
Pada eksperimen 2, terdapat 2 strategi untuk
Perbandingan eksperimen 2 strategi 1 dan 2 dapat
mengetahui nilai akurasi, sensitivitas, dan spesifisitas
dilihat pada Tabel 4.2.
Tabel 4.2. Hasil Eksperimen 2
Strategi Learning rate Epsilon Akurasi (%) Error Sensitivitas Spesifisitas
(%) (%) (%)
1 0.3 0.0001 53.33 46.67 26.99 76.67
2 0.1 0.0001 54.44 48.89 25.80 77.22
Kelas 2 0.29 0.5 0.33 0.33 0.43 0.5 0.33 0.43 0.5 0.33
Kelas 3 0.38 0.33 0.38 0.33 0.33 0.33 0.33 0.33 0.33 0.33
Rata-rata 0.31 0.28 0.24 0.28 0.30 0.28 0.33 0.30 0.28 0.28
DAFTAR PUSTAKA
[1] Ariani, M., & Budianita, E. (2015). Penerapan
Jaringan Syaraf Tiruan Untuk Deteksi Penyakit
Jantung Koroner (PJK) Menggunakan Metode