IMPLEMENTASI METODE FUZZY TSUKAMOTO UNTUK MENDIAGNOSA KANKER PROSTAT
Abstract
Kanker prostat adalah salah satu penyakit yang memiliki tingkat kematian tinggi di kalangan pria. Diagnosa dini sangat penting untuk meningkatkan peluang kesembuhan. Namun, proses diagnosa kanker prostat seringkali memerlukan analisis data medis yang kompleks dan subjektif. Untuk membantu dalam proses diagnosa ini, penelitian ini mengimplementasikan metode Fuzzy Tsukamoto sebagai alat bantu pengambilan keputusan. Metode Fuzzy Tsukamoto dipilih karena kemampuannya dalam menangani ketidakpastian dan data yang samar, yang seringkali terjadi dalam diagnosa medis. Dalam penelitian ini, data gejala klinis seperti tingkat antigen spesifik prostat (PSA), hasil digital rectal examination (DRE), dan usia pasien digunakan sebagai variabel input untuk sistem Fuzzy Tsukamoto. Sistem ini kemudian mengolah data tersebut untuk memberikan output dalam bentuk kemungkinan adanya kanker prostat pada pasien. Hasil penelitian menunjukkan bahwa metode Fuzzy Tsukamoto dapat memberikan keputusan yang akurat dan dapat diandalkan dalam mendiagnosa kanker prostat, dengan tingkat akurasi mencapai 85%. Selain itu, sistem ini juga mampu memberikan interpretasi hasil yang lebih mudah dipahami oleh tenaga medis, sehingga dapat digunakan sebagai alat bantu dalam pengambilan keputusan klinis. Dengan demikian, implementasi metode Fuzzy Tsukamoto ini diharapkan dapat menjadi solusi efektif dalam mendukung proses diagnosa kanker prostat, serta membantu mengurangi tingkat ketidakpastian dalam pengambilan keputusan medis.
References
Arifin, Z., & Rahman, A. (2018). Application of Fuzzy Inference System for Breast Cancer Diagnosis. International Journal of Computer Applications, 179(1), 25-30. doi:10.5120/ijca2018916941
Kumar, P., & Verma, S. (2020). Fuzzy Logic-Based Diagnosis System for Urological Diseases Including Prostate Cancer. Journal of Medical Systems, 44(3), 1-11. doi:10.1007/s10916-020-1534-1
Rahmad, R., & Setiawan, M. I. (2017). Implementation of Fuzzy Tsukamoto Method in Diagnosing Diabetes Mellitus. Journal of Computer Science and Information Systems, 13(2), 102-108. doi:10.21776/ub.jteti.2017.013.02.5
Salim, S., & Mansur, R. (2019). Development of a Fuzzy-Based System for Prostate Cancer Diagnosis. Proceedings of the International Conference on Computer Science and Information Technology, 112-118. doi:10.1109/ICCSIT.2019.8924576
Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8(3), 338-353. doi:10.1016/S0019-9958(65)90241-X
Tsukamoto, Y. (1979). An Approach to Fuzzy Reasoning Method. Advances in Fuzzy Set Theory and Applications, 137-149. North-Holland Publishing Company.
Jang, J.-S. R., Sun, C.-T., & Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall.
Prostate Cancer Foundation. (2020). Understanding Prostate Cancer Risk Factors and Diagnosis. Retrieved from https://www.pcf.org/prostate-cancer/risk-factors/
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer-Verlag.
Mendel, J. M. (2001). Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions. Prentice Hall.
