Gambar 3. Sequence diagram stadium kanker payudara

APLIKASI MOBILE MENGGUNAKAN METODE CERTAINTY
FACTORDANFORWARD CHAINING UNTUK MENDIAGNOSIS PENYAKIT
KANKER PAYUDARA
1Fransiskus
Xaverius Kurniawan Malo, 2Albertus Joko Santoso
Pascasarjana Teknik Informatika, Universitas Atma Jaya Yogyakarta, 55281,
Indonesia
2Dosen Pascasarjana Teknik Informatika, Universitas Atma Jaya Yogyakarta, 55281, Indonesia
email: [email protected], [email protected]
1Mahasiswa
Abstract
Cancer is a condition in which cells have lost control to their normal mechanism, thus, they abnormally
grow fast and uncontrolled. Breast cancer (carcinoma mammae) is a malignant neoplasm disease derived
from the parenchyma [1]. Breast cancer is one of the most fatal diseases for those infected. In Indonesia,
breast cancer ranks the second highest cause of death for women [2]. Effectively, it is caused by lack of
knowledge about the breast cancer symptoms, delays in the examination, lack of easy-to-use means to early
diagnose breast cancer. The main issue investigated in this research is, how to analyze the uncertainty of
the breast cancer symptoms in order to detect the disease and its stage. Therefore, the study purpose
consists of how to apply the expert system approach in reasoning. It is so, to solve the problem so that the
knowledge is stored in a database to be processed using certainty factor and forward chaining methods. The
result indicates that the designed application runs well and is able to diagnose the symptoms of breast
cancer uncertainty, besides it helps to determine its stage while using certainty factor and forward chaining
methods. In the medical field, this method is able to contribute as an approach to deal with breast cancer.
Furthermore, the application is designed to everyone to diagnose breast cancer without spending
tremendous expenses.
Keywords: breast cancer, expert systems, certainty factor, forward chaining
Abstrak
Penyakit kanker adalah sebuah kondisi dimana sel telah kehilangan pengendalian dan mekanisme
normalnya, sehingga mengalami pertumbuhan yang tidak normal, cepat dan tidak terkendali. Kanker
payudara (Carcinoma mammae) adalah suatu penyakit neoplasma yang ganas berasal dari parenchyma [1].
Kanker payudara merupakan salah satu penyakit yang paling banyak menyebabkan kematian pada
penderitanya. Di negara Indonesia, kanker payudara menempati urutan kedua penyebab kematian
tertinggi pada perempuan [2]. Hal ini disebabkan oleh kurangnya pengetahuan tentang gejala kanker
payudara, keterlambatan dalam pemeriksaan, minimnya media yang mudah digunakan untuk
mendiagnosa kanker payudara secara dini. Masalah yang diangkat dalam penelitian ini adalah bagaimana
mengolah ketidakpastian gejala penyakit kanker payudara untuk mendeteksi penyakit dan stadiumnya.
Tujuan dari penelitian ini adalah menerapkan sistem pakar dari proses penalaran seorang ahli untuk
membantu dalam penyelesaian masalah sehingga pengetahuannya disimpan dalam basis pengetahuan
untuk diproses menggunakan aplikasi yang akan dibangun menggunakan metode certainty factor dan
forward chaining. Hasil dari penelitian ini menunjukkan bahwa aplikasi yang dibangun dapat berjalan
dengan baik dan dapat mendiagnosis ketidakpastian gejala penyakit kanker payudara serta mengetahui
stadium nya dengan menggunakan metode certainty factor dan forward chaining. Metode ini dapat
memberikan kontribusi dalam dunia kesehatan yang berhubungan dengan penyakit kanker payudara.
Selain itu aplikasi yang dibangun dapat digunakan setiap orang untuk mendiagnosis penyakit kanker
payudara tanpa harus mengeluarkan biaya yang besar.
Kata kunci: kanker payudara, sistem pakar, certainty factor, forward chaining
154
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
1. PENDAHULUAN
Penyakit kanker adalah sebuah kondisi
dimana sel telah kehilangan pengendalian
dan mekanisme normalnya, sehingga
mengalami pertumbuhan yang tidak normal,
cepat dan tidak terkendali. Kanker payudara
(Carcinoma mammae) adalah suatu penyakit
neoplasma yang ganas berasal dari
parenchyma[1].
Kanker
payudara
merupakan salah satu penyakit yang paling
banyak menyebabkan kematian pada
penderitanya. Di negara Indonesia, kanker
payudara
menempati
urutan
kedua
penyebab
kematian
tertinggi
pada
perempuan[2]. Hal ini disebabkan oleh
kurangnya pengetahuan tentang gejala
kanker payudara, keterlambatan dalam
pemeriksaan, minimnya media yang mudah
digunakan untuk mendiagnosa kanker
payudara secara dini.
Kanker payudara merupakan kanker
kedua terbanyak sesudah kanker leher rahim
di Indonesia. Sejak 1988 kanker leher rahim
dan kanker payudara tetap menduduki
tempat teratas. Selain jumlah kasus yang
banyak, lebih dari 70% penderita kanker
payudara ditemukan pada stadium lanjut.
Data dari Direktorat Jenderal Pelayanan
Medik Departemen Kesehatan menunjukkan
bahwa Case Fatality Rate (CFR) akibat kanker
payudara menurut golongan penyebab
penyakit menunjukkan peningkatan dari
tahun 2002-2003, yaitu dari 3,9 menjadi 7,8
[3].
Sistem pakar adalah sistem informasi
berbasis komputer yang menggunakan
pengetahuan
pakar
untuk
mencapai
performa keputusan tingkat tinggi dalam
domain masalah sempit [4]. Sistem pakar
tidak untuk menggantikan kedudukan pakar
tetapi untuk memasyarakatkan pengetahuan
dan pengalaman pakar tersebut.
Untuk membangun sistem pakar yang
baik diperlukan beberapa komponen, antara
lain [5] :
a. AntarMukaPengguna (User Interface)
Sistem pakar menggantikan seorang
pakar dalam situasi tertentu, maka
sistem
harus
menyediakan
pendukung yang diperlukan oleh
pemakai yang tidak memahami
masalah teknis. Sistem pakar juga
menyediakan
komunikasi
antar
sistem dan pemakaianya (user) yang
disebut sebagai antar muka. Antar
muka yang efektif dan ramah
penggunaan (user-friendly) penting
sekali terutama bagi pemakai yang
tidak ahli dalam bidang yang
diterapkan pada sistem pakar.
b. Basis Pengetahuan (Knowledge Base)
Merupakan kumpulan pengetahuan
bidang tertentu pada tingkatan pakar
dalam format tertentu. Pengetahuan
ini
diperoleh
dari
akumulasi
pengetahuan
pakar
dan
sumberpengetahuan lainnya. Pada
sistem pakar ini basis pengetahuan
terpisah dengan mesin inferensi.
Pemisahan ini bermanfaat untuk
pengembangan sistem pakar secara
leluasa
disesuaikan
dengan
perkembangan pengetahuan.
c. MesinInferensi (Inference Machine)
Program
komputer
yang
menyediakan
metodologi
untuk
melakukan
penalaran
tentang
informasi pada basis pengetahuan
dan memori kerja serta untuk
merumuskan kesimpulan. Komponen
ini
menyajikan
panduan
menggunakan pengetahuan dari
sistem dengan membangun agenda
yang mengelola dan mengontrol
langkah-langkah yang diambil untuk
menyelesaikan
masalah
ketika
dilakukan konsultasi.
d. MemoriKerja (Working Memory)
Memori kerja, merupakan bagian
sistem pakar yang menyimpan faktafakta yang diperoleh saat dilakukan
155
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
proses konsultasi. Bukti inilah yang
nantinya akan diolah oleh mesin
inferensi berdasarkan pengetahuan
untuk menentukan suatu keputusan
pemecahan masalah.
Metode certainty factor digunakan untuk
menyelesaikan masalah ketidakpastian data.
Metode ini merupakan nilai parameter klinis
yang digunakan MYCIN untuk menunjukkan
besarnya kepercayaan. Ada 2 macam faktor
kepastian yang digunakan yaitu [6] :
a. Faktorkepastian
yang
diisikanolehpakarmenggambarkankep
ercayaanoakarterhadaphubunganantac
edentdankonsekuen.
b. Faktorkepastian
yang
diisikanolehpengguna
yang
menunjukkanbesarnyakepercayaanterh
adapkeberadaanmasingmasingelemendalamantacedent.
Metode forward chaining adalah
pendekatan berdasarkan data (data driven).
Dalam pendekatan ini pelacakan di mulai
dari informasi masukan, dan selanjutnya
mencoba
menggambarkan
kesimpulan.
Pelacakan ke depan mencari fakta yang
sesuai dengan bagian IF dari aturan IF
THEN[7]. Forward Chaining merupakan
metode inferensi yang melakukan penalaran
dari suatu masalah kepada solusinya. Jika
klausa premis sesuai dengan situasi (bernilai
TRUE), maka proses akan menyatakan
konklusi. Forward chaining adalah data-driven
karena inferensi dimulai dengan informasi
yang
tersedia dan baru 23 konklusi
diperoleh. Jika suatu aplikasi menghasilkan
tree yang lebar dan tidak dalam, maka
gunakan forward chaining[8].
jenis penyakit mata yang diderita seseorang
menggunakan metode forward chaining.
Menjelaskan bahwa persentase gejala yang
diderita
seseorang
menunjukan
jenis
penyakit mata. Kemungkinan penyakit mata
yang
ditampilkan
sesuai
dengan
pengelompokan jenis penyakit mata yang
didapat
dari
pakar.
Pasien
dapat
menggunakan sistem dengan cara mendaftar
terlebih dahulu untuk dapat melakukan
diagnosa dan sistem hanya dapat melayani
satu pasien saja untuk mendiagnosa
penyakit mata.
Sistem hanya dapat
mengenali penyakit mata yang ada dalam
tabel kebenaran yang sudah ditentukan [9].
Penelitian yang dilakukan oleh Rama,
dkk (2013) dengan judul Rancang Bangun
Aplikasi
Mobile
Untuk
Mendiagnosa
Penyakit Umum Dengan Metode Certainty
Factor Menggunakan Teknologi Android.
Dalam penelitiannya kasus yang diambil
adalah penyakit umum yang dibutuhkan
adanya aplikasi sehingga dapat memberikan
informasi kepada seseorang akan adanya
kemungkinan penyakit pada tubuh mereka
agar dapat ditindak lanjuti lebih dini.
Berdasarkan hasil pengujian dan analisa,
maka dapat diberikan beberapa kesimpulan
sebagai berikut[10]:
 Hasil perbandingan antara diagnosa
dengan menggunakan sistem dan
tanpa
menggunakan
sistem
menunjukkan sistem tersebut sudah
mampu mendeteksi penyakit dengan
baik dan hasilnya sama melalui
masukan gejala fisik.
 Data gejala diinputkan oleh pengguna
merupakan representasi dari jenis
penyakit yang dideritanya berdasarkan
gejala yang dirasakan.
 Pada metode CF ini, terdapat suatu
kondisi dimana hanya seorang pakar
yang dapat memberikan rekomendasi
keputusan.
Penelitian yang dilakukan oleh Rika,
dkk (2012) Pembangunan Aplikasi Sistem
2. KAJIAN LITERATUR
Penelitian yang dilakukan oleh Hamdani
(2010) dengan judul Sistem Pakar Untuk
Diagnosa Penyakit Mata. Permasalahan yang
diangkat adalah peneliti menganggap mata
adalah organ tubuh yang paling penting
untuk dijaga dan dideteksi sejak dini dari
156
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
4. HASIL DAN PEMBAHASAN
4.1 Certainty Factor
Padasesikonsultasisistem,
pasienatauuserdiberipilihanjawaban yang
masingmasingmemilikibobotsebagaiberikut:
 Ya = 1
 Tidak = 0
Kemudian user mengisikan mengisikan
tingkat keyakinan dari 0 sampai dengan 1
dengan pemberian bobot sebagai berikut:
 Sangat Yakin
= 0,8 – 1
 Yakin
= 0,6 – 0,8
 Cukup Yakin
= 0,4 – 0,6
 Tidak Yakin
= 0 – 0,4
Nilai 0 menunjukkan bahwa user tidak
mengalami gejala seperti yang ditanyakan
oleh
sistem.
Sedangkan
nilai
1
menunjukkan bahwa user mengalami
gejala seperti yang ditanyakan sistem.
Dalam proses perhitungan CF diawali
dengan pemecahan sebuah aturan (rule)
yang memiliki premis (gejala) majemuk,
menjadi aturan-aturan (rules) yang
memiliki premis tunggal. Selanjutnya
setiap rule baru dihitung dengan
menggunakan persamaan:
CF(H,E) = CF(E)*CF(rule)
=CF(user)*CF(pakar) [3.1]
Sehingga setelah diperoleh nilai CF
untuk masing-masing rule, kemudian
nilai CF tersebut dikombinasikan dengan
persamaan:
CFcombine (CF1,CF2) = CF1 + CF2 (1 CF1)[3.2]
Sebagai contoh, berikut ini adalah proses
pemberian bobot pada pada setiap premis
(gejala) hingga memperoleh nilai CF untuk
penyakit kanker payudara:
Aturan 1 :
JIKA Benjolan/penebalan di sekitar
payudara
DAN Perubahan ukuran dan bentuk
payudara (puting masuk ke dalam)
DAN Rasa nyeri yang tak kunjung
hilang di bagian tertentu payudara
Pakar untuk Diagnosis Penyakit Tanaman
Padi. Dalam penelitian ini kasus yang
diambil adalah macam penyakit tanaman
padi yang dirasa dapat memperkaya
pengetahuan mengenai penyakit tanaman
padi dengan menggunakan metode forward
chaining. Hasil yang di dapat dalam
penelitian ini adalah [11]:
 Pengetahuantentangpenyakitpadidapa
tdiinformasikansecaraterkomputerisasi
denganmetodeinferensiforward chaining
di
sistempakar
yang
dapatmembantupetugaspenyuluh
di
DinasTanamanPangandanHortikultura
dalammelaksanakantugasnyasecaralebi
hefisien.
 Aplikasisistempakar
yang
dibangundapatdijadikansebagaialterna
tifkeduasetelahpakardalammelakukan
konsultasisertadapatmembantumemud
ahkan
user
yaitupenyuluhdalammengetahuipenge
tahuantentangpenyakittanamanpadiser
tacarapengendaliannya.
Hasilpengujiandenganmenggunakanmet
odeBlack box bahwa pada aplikasi system
pakar bias berjalan dengan baik dan bias
menghasilkan output yang diharapkan serta
bias dipakai pada tahap konsultasi.
3. METODE PENELITIAN
Pada penelitian ini terdapat dua metode
yang digunakan, yaitu certainty factor dan
forward chaining.Metode certainty factordapat
membantu
untuk
mendiagnosis
ketidakpastian penyakit kanker payudara.
Sedangkan
metode
forward
chaining
membantu untuk mendeteksi stadium
penyakit kanker payudara. Semua proses
yang terjadi membutuhkan variable data
berdasarkan umpan (feedback)yang diberikan
oleh pasien, kemudian dapat diproses oleh
sistem sehingga dapat menemukan hasil
yang diinginkan.
157
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
DAN Keluarnya cairan dari puting
secara tiba-tiba
MAKA kanker payudara
Langkah pertama, pakar menentukan
nilai CF untuk masing-masing gejalasebagai
berikut:
CFPAKAR (Benjolan/penebalan di sekitar
payudara) = 0.75
CFPAKAR(Perubahan ukuran dan bentuk
payudara, puting masuk ke dalam) = 0.7
CFPAKAR(Rasa nyeri yang tak kunjung
hilang di bagian tertentu payudara) = 0.7
CFPAKAR(Keluarnya cairan dari puting
secara tiba-tiba) = 0.5
CF 1.1 = 0.65*0.7 = 0.455
CF 1.2 = 0.7*0.1 = 0.07
CF 1.3 = 0.7*0.5 = 0.35
CF 1.4 = 0.5*0.2 = 0.1
Mengkombinasikan CF 1.1 dengan CF 1.2
untuk persamaan [3.2]
CFCOMBINE (CF1,CF2) = CF1 + CF2 (1 CF1)
CFCOMBINE (CF 1.1, CF 1.2) = 0.455 +
0.07(1 – 0.455) = 0.49315 CFOLD
Mengkombinasikan CFOLD dengan CF 1.3
CFCOMBINE (CFOLD, CF 1.3) = 0.49315 +
0.35 (1 – 0.50685) = 0.6705475 CFOLD1
Mengkombinasikan CFOLDI dengan CF 1.4
CFCOMBINE (CFOLD1, CF 1.4) =
0.6705475 + 0.1 (1 – 0.6705475) =
0.70349275 CFOLD2
Dengan hasil CF yang didapat kemudian
dibandingkan
dengan
aturan
yang
ditentukan oleh pakar yaitu : JIKA CF ≥ 0.8
MAKA Kanker Payudara. Jadi berdasarkan
kasus di atas user tidak terdiagnosa kanker
payudara dengan CF = 0.70349275
Dari analisis di atasmakadidapat CF
ruleberikut
yang
tercatatdalamsebuahtabeldimana
CF
ruletersebutakandigunakansebagai variable
data
sistemgunamenentukanhasildarikonsultasi
user
mengidapkankerpayudaraatautidak,
berikutadalahtabel variable data yang
didapatdaripakar
yang
akandibandingkandengankonsultasi user di
dalamsistem:
Tabel 1. Data gejala stadium awal (stadium1)
Nilai
No
Gejala
CF
rule
1 Pola hidup yang tidak sehat
0.3
2 Genetik
0.35
3 Gender
0.45
4 Usia
0.4
5 Riwayat keluarga
0.5
6 Perokok aktif dan pasif
0.2
7 Kurangnya konsumsi
0.2
vitamin
Misalkan pasien atau user menjawab sebagai
berikut:
 Benjolan/penebalan di sekitar payudara
(YAKIN) = 0.7
 Perubahan
ukuran
dan
bentuk
payudara, puting masuk ke dalam
(TIDAK YAKIN) = 0.1
 Rasa nyeri yang tak kunjung hilang di
bagian tertentu payudara (CUKUP
YAKIN) = 0.5
 Keluarnya cairan dari puting secara tibatiba (TIDAK YAKIN) = 0.2
Aturan awal yang memiliki 4 premis
dipecah menjadi aturan yang memiliki
premis tunggal, sehingga menjadi:
Aturan 1.1 JIKA Benjolan/penebalan di
sekitar
payudara
MAKA
Kanker
Payudara
Aturan 1.2 JIKA Perubahan ukuran dan
bentuk payudara (puting masuk ke
dalam) MAKA Kanker Payudara
Aturan 1.3 JIKA Rasa nyeri yang tak
kunjung hilang di bagian tertentu
payudara MAKA Kanker Payudara
Aturan 1.4 JIKA Keluarnya cairan dari
puting secara tiba-tiba MAKA Kanker
Payudara
Aturan-aturan baru tersebut kemudian
dihitung dengan perhitungan perkalian
CF(pakar) dengan CF(user)[3.1], sehingga
menjadi:
158
Seminar Nasional Universitas PGRI Yogyakarta 2016
8
9
10
11
12
13
14
15
16
Pola makan yang tidak
teratur
Nyeri tulang
Mual
Kehilangan nafsu makan
Penurunan berat badan
Sesak nafas
Kelemahan otot
Sakit kepala berkepanjangan
Insomnia
ISBN 978-602-73690-6-1
0.4
5
0.15
0.5
0.4
0.15
0.75
0.7
0.7
0.5
Terkadang susah dalam
bernafas
5
Tabel 3. Data gejala stadium 3
Presentase
No
Gejala
(%)
1
Puting susu
75
mengeluarkan cairan
secara tiba-tiba
2
Pencernaan terganggu
10
3
Benjolan pada payudara
15
semakin membesar
Gejala Stadium 4
Gejalapadaseluruh
Stadium
disertaidengangangguanpadaGinjal = G9
4.3 Input
Berikutadalah variable input yang
diisikan user (pasien):
 Nama user (pasien)
 Jawabanpertanyaangejala (Y/T)
4.4 Output
 Nama user (pasien)
 Kesimpulan(MengidappenyakitKa
nkerpayudaraatautidakmengidap
penyakitkankerpayudara)
 Saran untukpengguna (user) yang
mengidapkankerpayudara
4.2 Forward Chaining
MetodeForward
Chaininginiakandigunakanuntukmenentu
kan
stadium
darikankerpayudara.
Berdasarkanpengertian
di
atasdimanametode forward
chaining
akandilakukanapabilaklausapremissebelu
mnyasesuaidengansituasi (bernilaiTrue).
Untuk Stadium 2 harusterpenuhi 100%
untukdapatmelanjutkanmendiagnosa
Stadium 3. Begitu pula Stadium 3
harusterpenuhi
100%
untukmelanjutkanmendiagnosa Stadium
4. Berikutadalahaturan (rule) yang
digunakanuntukmendiagnosa
Stadium
KankerPayudara:
R1 : if G1 then Stadium 2 = 50%
R2 : if G2 then Stadium 2 = 25%
R3 : if G3 then Stadium 2 = 10%
R4 : if G4 then Stadium 2 = 10%
R5 : if G4 then Stadium 2 = 5%
Berikut ini merupakan variable yang
akan digunakan untuk mendiagnosis
stadium:
Tabel 2. Data gejala stadium 2
Prese
No
Gejala
ntase
(%)
1
Terdapat benjolan pada
50
ketiak (titik pembuluh getah
bening)
2
Puting susu masuk ke dalam
25
3
Daya tahan tubuh menurun
10
4
Rasa nyeri pada bagian
10
payudara
Gambar 1.Use case diagram
Padagambar
use
case
diagram
diatasmenjelaskanbagaimana
user
melakukanbeberapakegiatan
di
dalam
system. Berikutpenjelasankegiatan user:
Diagnosis,
pada
tahap
ini
user/pasienmenjawabbeberapapertanyaa
n yang ditampilkan oleh sistem,
kemudian
user
mengidentifikasidenganmelakukan action
Diagnosa.
User
akanmendapatkaninformasikesimpulanap
akah
user
mengidapkankerpayudaraatautidak. User
dapatmelanjutkanidentifikasidenganmela
159
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
kukan action Stadium. Dalam action
Stadium
ini
user
dapatmelanjutkandiagnosa
stadium
apabila
user
teriidentifikasiatauterdiagnosamengidapk
ankerpayudara,
namunapabila
user
tidakterdiagnosamengidapkankerpayudar
a, maka user akanmendapatkaninformasi
“andatidakberesikomengidapkankerpayu
dara”.
Dalammendiagnosa
stadium
pasienmendapatkankesimpulanpada
stadium
berapapasienmengidapkanker,
sekalilagiiniakandilakukansistemapabilap
asienterdiagnosaberesikoterkenakankerpa
yudara. Setiappertanyan yang adadalam
include n pertanyaan yang dipiliholeh
user (Ya/Tidak) dengannilai:
 Ya> 0 sampai 1 (berdasarkan
variable data dariahliataupakar)
 Tidak = 0
Selanjutnyaakandikalikandengan CF user
yang diisikan user.
4.5 Sequence Diagram
Pada sequence diagram diatas menjelaskan
bagaimana interaksi user dengan sistem.
Pemisahan sequence diagram di atas
menjelaskan bahwa setiap proses dilakukan
secara bertahap.
5. KESIMPULAN
Dari hasil analisa, dan pengujian terhadap
diagnosa
penyakit
kanker
payudara
menggunakan metode certainty factor dan
forward
chaining
diperoleh
beberapa
kesimpulan bahwa sistem pakar telah
dikembangkan dan dapat berjalan dengan
baik, Aplikasi ini mampu mengolah
ketidakpastian gejala penyakit kanker
payudara dan mampu mengetahui stadium
kanker payudara melalui tahap pengujian
serta penelitian secara langsung dari seorang
pakar kesehatan (dokter onkologi), buku dan
internet.
6. REFERENSI
[1] WHO, “World Health Organization,”
World Health Organization, 2016.
[Online]. Available: www.who.int/en/.
[Diakses 2016].
[2] R. Primartha dan N. Fathiyah, “SISTEM
PAKAR FUZZY UNTUK DIAGNOSIS
KANKER
PAYUDARA
MENGGUNAKAN
METODE
MAMDANI,” Jurnal Generic, vol. 04, pp.
164-176, 2014.
Gambar 2. Sequence diagram diagnosis kanker
payudara
[3] T. D., “Penanganan kanker payudara
masa kini dengan berbagai,” Indonesian
Issues On Breast Cancer , 2004.
[4] T. dan E. , “Decision support and expert
systems : management support systems,”
dalam 0-02-421701-8, Prentice Hall, 1995.
[5] H. S. dan S. Iswanti, “Sistem Pakar dan
Pengembangannya,” Yogyakarta, Graha
Ilmu, 2008.
[6] K. Konsep dan Aplikasi Sistem
Pendukung Keputusan, Yogyakarta:
Andi, 2008.
Gambar 3. Sequence diagram stadium
kanker payudara
160
Seminar Nasional Universitas PGRI Yogyakarta 2016
ISBN 978-602-73690-6-1
[7] W. P. S., “DIAGNOSA PENYAKIT
KANKER SERVIKS BERBASIS MOBILE
DENGAN
METODE
CERTAINTY
FACTOR
DAN
FORWARD
CHAINING,” Yogyakarta, 2014.
[8] W. Widiastuti, D. Destiani, D. dan D.
Johar, “Aplikasi Sistem Pakar Deteksi
Dini Pada Penyakit Tuberkulosis,” Jurnal
STT-Garu, vol. 09, 2012.
[9] H. “Sistem Pakar Untuk Diagnosa
Penyakit Mata Pada Manusia,” Jurnal
Informatika Mulawarman, vol. 5, 2010.
[10] R. T. Admaja, E. Martiana dan I.
Winarno,
“RANCANG
BANGUN
APLIKASI
MOBILE
UNTUK
MENDIAGNOSA PENYAKIT UMUM
DENGAN
METODE
CERTAINTY
FACTOR
MENGGUNAKAN
TEKNOLOGI ANDROID,” 2013.
[11] R. Sofa, D. Destiani dan A. Susanto,
“Pembangunan Aplikasi Sistem Pakar
untuk Diagnosis Tanaman Padi,” Jurnal
STT, vol. 09, 2012.
161