152 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.

php/jsinbis

Penerapan Model Certainty Factor Untuk Mendeteksi

Gejala Kanker Mulut Rahim
Novita Marianaa , Rahmat Gernowob, Beta Noranitac
a
Jurusan Sistem Informasi,
Fakultas Teknologi dan Informasi, Universitas Stikubank
b
Jurusan Fisika, Fakultas Sains dan Matematika
Universitas Diponegoro, Semarang
c
Jurusan Teknik Informatika, Fakultas Sains dan Matematika
Universitas Diponegoro, Semarang

Abstrak

An expert system is a system that seeks to adopt human expertise so that computers can do things that can be done by an expert to solve
specific problems. Experts in this case is an expert in the field to address the problem under on detecting cervical cancer. Cervical cancer is a
disease that is very afraid of all women because it attacks the reproductive organs caused by the virus Human Papilloma Virus (HPV). The
system is made to detect cervical cancer using the certainty factor with a forward chaining inference engine. Certainty factor method used in
cervical cancer detection system to give certainty to the disease. As a result of this information system is to provide information regarding the
statement of cervical cancer and cancer treatment solution according to the stage.

Keywords : Certainty Factor, Forward Chaining, Kanker Mulut Rahim

1. Pendahuluan 2. Kerangka Teori

Perkembangan komputer dewasa ini telah mengalami 2.1. Sistem Pakar

banyak perubahan yang sangat pesat, seiring dengan kebutuhan Sistem pakar adalah salah satu bidang ilmu komputer
manusia yang semakin banyak dan kompleks. Hal ini yang yang mendayagunakan komputer sehingga dapat
mendorong para ahli untuk semakin mengembangkan komputer berperilaku cerdas seperti manusia. Sistem pakar sebagai
agar dapat membantu kerja manusia atau bahkan melebihi sebuah program yang difungsikan untuk menirukan pakar
kemampuan kerja (Rohman, 2008). manusia harus bisa melakukan hal-hal yang dapat
Pemanfaatan teknologi komputer yang modern yaitu telah dikerjakan oleh seorang pakar (Hartati et al., 2008).
berkembangnya bidang study Artificial Intellegence (AI) atau
kecerdasan buatan yang merupakan salah satu bidang ilmu 2.2. Mesin Inferensi Forward Chaining
komputer yang mendayagunakan komputer sehingga dapat Forward Chaining atau Runut maju berarti
berperilaku cerdas seperti manusia, yang mengembangkan menggunakan himpunan aturan kondisi-aksi. Dalam
perangkat keras dan perangkat lunak. metode ini, data digunakan untuk menentukan aturan
Salah satu bidang kecerdasan buatan yang menirukan mana yang akan dijalankan, kemudian aturan tersebut
proses penalaran manusia adalah sistem pakar (expert systems) dijalankan.
yaitu suatu program yang difungsikan untuk menirukan pakar Observasi A Aturan R1 Fakta C Aturan R3 Kesimpulan 1
manusia agar bisa melakukan hal-hal yang dapat dikerjakan oleh
seorang pakar. Sistem pakar menggunakan pendekatan dengan
penerapan metode Certainty factors atau faktor kepastian yang
Observasi B Aturan R2 Fakta D Aturan R2 Kesimpulan 2
diharapkan dapat memberikan jawaban kepada pengguna
terhadap sesuatu yang tidak pasti (Yugianus, 2010).
Sistem pakar dapat digunakan dalam bidang medis dan dalam
hal ini sistem pakar digunakan untuk mendeteksi gejala kanker Fakta E
mulut rahim. Dengan penerapan model certainty factor Gambar 1. Forward Chaining
diharapkan dapat mendeteksi gejala kanker mulut rahim yang
dimulai dari gejala-gejala yang dialami oleh setiap pasien 2.3. Faktor Kepastian (Certainty factors)
sehingga menghasilkan stadium penyakit kanker mulut rahim Dalam menghadapi suatu permasalahan sering
beserta solusi untuk penanganan penyakit tersebut. ditemukan jawaban yang tidak memiliki kepastian
penuh. Ketidakpastian ini dapat berupa probabilitas atau
keboleh jadian yang tergantung dari hasil suatu kejadian.
153 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.php/jsinbis

Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan
yang tidak pasti dan jawaban pengguna yang tidak pasti atas
suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat
mudah dilihat pada sistem diagnosis penyakit.
Pakar tidak dapat mendefinisikan hubungan antara gejala
dengan penyebabnya secara pasti, dan pasien tidak dapat
merasakan suatu gejala dengan pasti pula. Pada akhirnya akan
ditemukan banyak kemungkinan diagnosis.
Aplikasi sistem pakar yang menggunakan metode Certainty
factor (CF) untuk menangani ketidakpastian adalah MYCIN
yaitu sistem pakar yang digunakan untuk mendiagnosa infeksi
bakteri pada darah (Kusrini, 2008).
Kombinasi aturan dilakukan dengan metode MYCIN untuk
menggabungkan evidence pada antecedent sebuah aturan yang
ditunjukkan pada tabel 1 :
Tabel 1. Tabel Aturan Kombinasi MYCIN
Evidence , E Antecedent Ketidakpastian
E1 DAN E2 min[CF(H,E1), CF(H,E2)]
E1 OR E2 max[CF(H,E1), CF(H,E2)]
NOT E -CF(H,E)
smear atau Papanicolaou smear yang diambil dari nama
dokter Yunani yang menemukan metode ini yaitu George
N. Namun, ada juga berbagai metode lainnya untuk
deteksi dini terhadap infeksi HPV dan kanker serviks
seperti berikut (http://www.ngeramal.com) (Novel,
2010):
1. IVA ( Inspeksi Visual dengan Asam Asetat)
Pada pemeriksaan ini dengan cara melihat serviks
yang telah diberi asam asetat 3-5%. Waktu yang
dibutuhkan untuk melihat perubahan-perubahan epitel
berkisar antara 1-2 menit. Jika pada pulasan Asam
Asetat 3–5% terjadi perubahan warna “aceto white
epithelial” pada serviks, dapat ditegakkan diagnosis
adanya lesi prakanker. Dari temuan pemeriksaan
IVA, dapat dikategorikan:
1. Normal
2. (Servisitis)
3. IVA (+) mengindikasikan Lesi pra kanker serviks
4. Kanker.

Bentuk dasar rumus certainty factor sebuah aturan JIKA E

MAKA H adalah sebagai berikut :

CF(H,e) = CF(E,e) * CF(H,E) (1)

Keterangan :
CF(E,e) : Certainty factor evidence E yang dipengaruhi oleh
evidence e
CF(H,E) : Certainty Factor hipotesis dengan asumsi
evidence diketahui dengan pasti, yaitu ketika
CF(E,e) = 1
CF(H,e) : Certainty factor hipotesis yang dipengaruhi oleh Gambar 2. Hasil Test IVA
evidence e Sumber : http://obgynmag.blogspot.com

2.4. Kanker Mulut Rahim 2. Pap Smear

Kanker serviks atau kanker leher rahim merupakan salah Pap smear adalah tes yang aman dan murah untuk
satu kanker yang paling sering menyerang wanita. Kanker mendeteksi kelainan yang terjadi pada sel epitel
serviks adalah kanker yang tejadi pada organ reproduksi wanita. serviks. Pemeriksaan mudah dan cepat dengan caa
Penyebab dari penyakit ini adalah tumbuhnya sel-sel tidak mengambil cairan yang mengandung sel-sel dinding
normal pada leher rahim (http://www.wayantulus.com). leher rahim
Di Indonesia, jumlah wanita penderita kanker serviks
mencapai angka 32.500 jiwa atau 0.05% dari 65.000.000. hampir
99,7% angka kejadian kanker serviks disebabkan oleh infeksi
HPV terutama HPV-16 dan HPV-18. Para wanita yang
melakukan pemeriksaan diperoleh beberapa variasi genotype
HPV dari kategori hr-HPV maupun Ir-HPV. Di Indonesia
genotype yang dominan adalah HPV-18 disusul oleh genotype
HPV-16 dan HPV-CP6108. Penelitian membuktikan lebih dari
90% dari kanker serviks berasal dari sel epitel yang melapisi
serviks dan 10% sisanya berasal dari sel kelenjar penghasil
lender pada saluran servikal yang menuju uterus (Novel, 2010).
Gambar. 3. Cara pengambilan cairan dalam pap smear
Gejala seseorang terinfeksi kanker mulut rahim memang
Sumber : www.firstvisitivy.org
tidak terlihat dan tidak mudah diamati. Cara paling mudah untuk
mengetahuinya dengan melakukan pemeriksaan sitologis leher/ 3. Metodologi
mulut rahim. Pemeriksaan ini saat ini populer dengan nama Pap
154 Jurnal Sistem Informasi Bisnis 03 (2012)
Sekuensial Linier mengusulkan sebuah pendekatan kepada
perkembangan perangkat lunak yang sistematik dan sekuensial
yang dimulai pada tingkat dan kemajuan sistem pada seluruh
analisis, desain,kode, pengujian, dan pemeliharaan. Sekuensial
linier untuk rekayasa perangkat lunak yang sering disebut juga
dengan siklus kehidupan klasik atau model air terjun model
(waterfall). Model sekuensial linier melingkupi aktivitas-
aktivitas seperti pada gambar 3.1 (Pressman, 2002).
Rekayasa sistem
dan Analisis
Analisis kebutuhan
perangkat lunak
Perancangan
(Design)
Pembuatan
Coding
Pengujian
(Testing)
Perawatan
(Maintenance)
Gambar.4. Model Pengembangan Sistem Informasi Model
Waterfall (Pressman, 2002)
3.1. Rekayasa Sistem dan Analisis
Rekayasa dan analisis sistem menyangkut pengumpulan
kebutuhan pada tingkat sistem dengan sejumlah kecil analisis
serta desain tingkat puncak. Tahapan ini terdiri dari :
a. Basis Pengetahuan, yang terdiri dari Aturan Nama Penyakit/
Stadium Ca Cervix dan Aturan Gejala Penyakit Ca Cervix
b. Tabel Keputusan, suatu tabel yang berisi hubungan antara
gejala dan penyakit/stadium
c. Teknik Penelusuran Depth First Search, teknik penelusuran
data pada node-node secara vertical dan sudah
terdefinisikan. Proses pencarian akan dilakukan pada semua
anaknya sebelum dilakukan pencarian ke node-node yang
selevel. Pencarian dimulai dari node akar ke level yang lebih
tinggi
d. Kaidah, suatu aturan yang digunakan sistem untuk
menemukan suatu konklusi. Gejala yang dimasukkan user
merupakan kondisi (IF) dan penyakit adalah merupakan
konklusi (THEN). Sebagai contoh Kaidah 1
IF Keputihan berbau
AND keputihan berwarna kuning
AND keputihan berwarna hijau
AND perdarahan dari jalan lahir
AND perdarahan setelah berhubungan
AND histopatologi karsinoma insitu (karsinoma intraepitel)
THEN nama penyakit Ca Cervix stadium 0
3.2. Analisis Kebutuhan Perangkat Lunak
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Pada tahap ini mengidentifikasi data dan proses yang
dibutuhkan untuk sistem baru, serta menentukan
kebutuhan fungsional yaitu analisis terhadap data yang
meliputi data dan informasi tentang jenis penyakit,
gejala-gejala serta tindakan apa yang harus dilakukan
sehingga sistem dapat memberikan informasi kepada
user. Pada tahap ini menggunakan mesin inferensi yaitu
metode Forward chaining (Runut Maju).
3.2.1. SRS (Software Requirement Specification)
Pada proses pembuatan sebuah sistem untuk
Mendeteksi Kanker Mulut Rahim diperlukan berbagai
informasi yang berkenaan dengan rumusan masalah, ide
pokok pemecahan masalah dan model sistem untuk
mendeteksi kanker mulut rahim. Oleh karena itu sistem
mendeteksi kanker mulut rahim yang dibuat diharapkan
memiliki kemampuan:
1. Sistem mampu melakukan penyimpanan dan
penambahan data dokumen teks.
2. Sistem mampu melakukan pencarian dokumen yang
disimpan dalam database.
3. Sistem mampu mendeteksi penyakit yang terdapat
dalam halaman yang dicari dengan memasukkan
gejala-gejala yang dimiliki user.
4. Sistem mampu menampilkan hasil pencarian yang
dilakukannya dan user dapat melakukan validasi
dengan hasil lab yang dimiliki user
5. Sistem mampu menampilkan penyakit atau stadium
berdasarkan gejala yang diinputkan oleh user
3.2.2. Perancangan Mesin Inferensi
Mesin inferensi yang digunakan dalam proses ini
adalah Forward chaining (runut maju). Runut maju
digunakan untuk menentukan calon penyakit yang
diderita oleh pasien berdasarkan gejala yang dimasukkan
oleh user. Dalam mesin inferensi juga terdapat memori
kerja yang berfungsi menyimpan fakta-fakta yang terjadi
selama proses konsultasi yang dilakukan oleh pasien.
Setelah semua gejala dimasukkan oleh user akan
diketahui daftar penyakit yang menjadi calon konklusi.
Proses penalaran mesin inferensi berdasarkan jawaban
user atas pertanyaan-pertanyaan, sebagai contoh :
Apakah anda keputihan berbau? Dengan pilihan jawaban
Ya atau Tidak. Jika jawaban Ya, user diminta memilih
keyakinan seperti pada tabel 2.
Tabel 2 . Tabel Nilai Keyakinan
Keyakinan Nilai Keyakinan
Sedikit Yakin 0.4
Cukup Yakin 0.6
Yakin 0.8
Sangat Yakin 1
3.2.3. Analisa Sistem
Proses-proses yang ada dalam sistem pakar dianalisa
dengan menggunakan Diagram Alir Data (Data Flow
Diagram). Proses yang dikembangkan dalam sistem
155 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.php/jsinbis

pakar ini adalah proses pembentukan kaidah, proses

penelusuran. Kd-pasien IDp

Nama Nama_penyakit
CFU
data_penyakit 0 Tgl_lahir M 1 CFP
Pasien konsultasi Penyakit
Alamat Keterangan

data_kaidah SISTEM CFK N Solusi

PAKAR/ PENDETEKSI
PASIEN Id_cek
ADMIN login KANKER hasil_diagnosa id
RAHIM Kd_pasien 1
Diagnosa Kaidah
data_gejala IDpenyakit
registrasi IDpenyakit
Idgejala

Umur M
login_valid
gejala Tgl_periksa

ID
data_konsultasi
CF
Gejala
Gejala
Gambar 5. Diagram Konteks (Level 0)
Sistem Pendeteksi Kanker Serviks

Keterangan alir data pada gambar 4 : Gambar 7. Entity Relationship Diagram sistem
Data_gejala : ID, gejala pendeteksi kanker serviks
Data_penyakit : Idp,nama_penyakit,
CFP,Keterangan, 3.3. Perancangan (Design)
Solusi 3.3.1. Desain data ( data design )
Data_kaidah : Id,Idpenyakit,Idgejala Dalam tahap ini menentukan spesifikasi detil dari
Login : Usernama,password komponen-komponen sistem informasi :
Registrasi : Nama,tanggal lahir, a) User adalah Pakar/ admin, Pengguna (Pasien atau
alamat bukan Pasien)
CFK : Faktor Kepastian b) Hardware, Perangkat keras yang digunakan untuk
Kesimpulan mengolah data sebagai berikut : Processor Dual
CFU : Faktor Kepastian Core, Memory RAM 1 GB, Monitor.
User c) Software, yang digunakan untuk DMBS adalah
MySQL, web server menggunakan XAMPP dan
untuk bahasa pemrograman menggunakan PHP
us er
d) Data, yang digunakan adalah data gejala, data
us ername,
penyakit, data kaidah, data pasien dan data
data_penyak it
login_valid pas s word
gejala diagnosa.
data_gejala 1

PAKAR / us ername, pem bentukan penyak it

gejala
3.3.2. Desain Arsitektur ( Architecture Design )
ADMIN pas s word kaidah
login_valid kaidah Dalam tahap ini sasaran utamanya adalah
data_kaidah mengembangkan struktur program dan struktur data
kaidah penyak it
algoritma yang terdapat pada gambar 7.

CFU
diagnos a
diagnos a 3.3.3. Desain Antar Muka ( Interface Design )
regis tras i diagnos a
penyak it
Dengan menggunakan bahasa pemrograman PHP yang
2

gejala pros es
penyak it
gejala
akan menampilkan pilihan kebutuhan untuk user. Pada
penelus uran
pas ien desain antar muka, akan dibuat menu untuk pakar/ admin
CFK
pas ien
diagnos a 3
gejala
dan menu untuk pasien. Untuk pakar/ admin perlu
pas ien laporan
PASIEN
has il_diagnos a
pas ien data
kons ultas i
dilakukan login dan pasien perlu melakukan registrasi
terlebih dahulu sebelum pasien berkonsultasi.
data_kons ultas i

Gambar 6. Diagram Level 1 3.3.4. Pembuatan Coding

Sistem Pendeteksi Kanker Serviks Implementasi dengan pemrograman PHP dan
pembuatan database dengan MySQL.
3.2.4. Entity Relationship Diagram (ER-Diagram)
ERD merupakan sebuah data model yang memanfaatkan 3.3.5. Pengujian (Testing)
beberapa notasi untuk menggambarkan data dalam entity dan Dalam tahap ini dilakukan pengujian dengan kasus
relasi yang dijelaskan oleh data. Dari entity relationship diagram nyata.
akan diperoleh 5 tabel yaitu tabel pasien, tabel penyakit, tabel
diagnosa, tabel gejala dan tabel kaidah.
156 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.php/jsinbis

berfungsi untuk mengelola basis pengetahuan, pakar

Start
memilih menu masuk pakar lalu harus melakukan login
terlebih dahulu dengan memasukkan username dan
Register Pasien
password. Sedangkan menu antar muka untuk pasien
adalah Register Pasien dan Konsultasi. Sebelum pasien
melakukan konsultasi, maka pasien harus memilih menu
Register Pasien. Setelah pasien melakukan registrasi
Konsultasi
Entry kode Pasien
maka pasien dapat melakukan proses konsultasi dan akan
F
mendapatkan hasil berupa tampilan hasil proses
pelacakan yang dilakukan sistem, dapat dilihat pada
gambar 9.
Cek member pasien

Entry Gejala
dan faktor
keyakinan user

Gejala = list gejala yang diisi

Keyakinan = list keyakinan yang
diisi
Count gejala = count(gejala)

Kaidah = list semua gejala setiap

penyakut
Count kaidah = count(kaidah)
Cek = [count(gejala)=count(kaidah)]

Cek >= 1
T
Penyakit
CFP = CFP(Penyakit)
CFU = min(keyakinan)
CFK =(CFU+CFP) - (CFU*CFP)
Tampilkan data
pasien, penyakit,nilai
CF, gejala,
keterangan dan solusi
Tidak
F terdeteksi
penyakit
Gambar 9. Menu utama sistem pendeteksi gejala kanker
mulut rahim
4.1. Menu pakar
Menu pakar merupakan menu yang digunakan untuk
data gejala, data penyakit, data kaidah dan data
konsultasi. Menu pakar ini berfungsi untuk memasukkan,
mengedit, menambah dan menghapus data gejala, data
penyakit dan data kaidah. Sebelum pakar melakukan
pemilihan menu, pakar diwajibkan melakukan login
terlebih dahulu seperti pada gambar 10 dan gambar 11.

End

Gambar 8. Flowchart untuk mendeteksi gejala kanker mulut

rahim

4. Hasil dan Pembahasan

Pada sistem pakar untuk mendeteksi gejala kanker mulut

rahim menu utama antar muka dibagi menjadi dua bagian yaitu
antar muka untuk pakar/ admin dan antar muka untuk pasien.
menu utama antar muka terdiri dari home, menu pasien dan
menu masuk pakar. Sebelum masuk ke menu pakar ini yang
Gambar 10. Login Admin/ pakar
157 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.php/jsinbis

Gambar 11.Menu Pakar

4.2. Input Data Gejala

Data yang dimasukkan adalah Gejala yang berhubungan
dengan penyakit tertentu yang mungkin terjadi seperti yang Gambar 13. Input Data Penyakit
terlihat pada gambar 12.
4.3.1. Input Data Kaidah
Data yang dimasukkan pada menu ini adalah
Nama_Penyakit dan gejala yang berhubungan dengan
penyakit tertentu, seperti yang terlihat pada gambar 14.

Gambar 12. Menu tambah gejala

4.3. Input Data Penyakit
Data yang dimasukkan pada menu ini adalah ID_Penyakit,
Nama_Penyakit, Faktor Keyakinan Pakar (CFP), Keterangan dan
Solusi, seperti pada gambar 13.
Gambar 14. Menu Input Kaidah
4.3.2. Laporan Data Konsultasi
Data yang masuk ke proses ini adalah berasal dari
data penyimpanan gejala, pasien, penyakit dan diagnosa,
seperti yang dapat dilihat pada gambar 15.
158 Jurnal Sistem Informasi Bisnis 03 (2012) On-line : http://ejournal.undip.ac.id/index.php/jsinbis

Gambar 15. Data Konsultasi Gambar 17. Menu pemilihan gejala

Setelah pasien memilih semua gejala yang dirasakan

4.3.3. Proses Konsultasi maka akan muncul hasil konsultasi seperti yang terlihat
Sebelum pasien melakukan proses konsultasi, pasien diminta pada gambar 18.
memasukkan Kode Pasien sesuai dengan kode yang didapat saat
registrasi. Data masukan untuk proses konsultasi adalah gejala,
CFU (Faktor Kepastian User) dengan memilih jawaban YA
(sedikit yakin, cukup yakin, yakin dan sangat yakin ) dan
TIDAK untuk setiap gejala sampai gejala yang terakhir atau jika
dari gejala yang sudah diinputkan akan menghasilkan konklusi
maka pasien akan memperoleh hasil diagnosa yang berisi
penyakit/stadium kanker dan solusi serta memperoleh CFK
(Faktor Kepastian Kesimpulan). Sebelum pasien melakukan
konsultasi, pasien diharapkan memasukkan kode pasien terlebih
dahulu, seperti pada gambar 16. Gambar 18. Hasil pengujian dengan kasus nyata

Gambar 16. Menu Konsultasi

Dari hasil pengujian berdasarkan 7 kasus nyata,
Pasien memasukkan kode pasien, langkah selanjutnya pasien adapun hasilnya dapat dilihat pada Tabel 3 .
diminta memilih gejala yang dirasakan dan memilih keyakinan
sesuai dengan gejala yang dirasakan oleh pasien. Pasien dapat
memilih tingkat keyakinan sesuai yang dirasakan, seperti yang
terlihat pada gambar 17.
159 Jurnal Sistem Informasi Bisnis 03 (2012)
Tabel 3. Hasil pengujian sistem
Berdasarkan tabel 3, dapat dilihat jika pengujian sistem yang
tidak berhasil sebanyak 1 (negatif) dari 7 kasus nyata. Adapun
perhitungan perbandingan antara pengujian standar dengan
pengujian sistem sebagai berikut :
1/7 x 100% = 0.143 atau 14.29%
Dari perhitungan diatas, dapat dinilai bahwa kegagalan sistem
hanya 14.29% (1,428) berarti keberhasilan sistem sebesar
85.71% (8,571).
5. Kesimpulan
Berdasarkan dari hasil penelitian yang sudah dilakukan,
kesimpulan yang dapat diambil adalah hasil dari implementasi
sistem pendeteksi kanker mulut rahim melakukan penarikan
kesimpulan berdasarkan pada fakta yang ada dengan metode
certainty factor dan mesin inferensi forward chaining maka
penelusuran dimulai dari data berupa gejala yang kemudian akan
diperoleh informasi mengenai keterangan penyakit dan stadium
serta solusi penanganan penyakit.
Ucapan Terima Kasih
Terima kasih saya ucapkan kepada bapak Dr. Rahmat
Gernowo, M.Si dan ibu Beta Noranita, S.Si., M.Kom selaku
dosen pembimbing, Dr. H. Cynthia Sukotjo, SpOG selaku pakar,
Rektor dan seluruh dosen karyawan Universitas Stikubank
(UNISBANK) Semarang.
Daftar Pustaka
Anonim., 2011. Kanker rahim, tanda, gejala, dan penyebabnya, 2011. Website :
http://penyakitkanker.blogdetik.com/kanker-serviks/ diakses pada tanggal 15
Juni 2011.
Anonim., 2010. Cara Mencegah kanker Serviks, 2010. Website :
http://serbgratis.blogspot.com/2010/03/cegah-kanker-serviks-sekarang-
juga.html diakses pada tanggal 15 juni 2011.
Anonim., 2010. Mengenali gejala-gejala kanker Serviks, 2010. Website :
http://obgynmag.blogspot.com/2011/01/pemeriksaan-iva-test-inspeksi-
visual.html diakses pada tanggal 15 juni 2011.
Anonymous., 2009. Cervical Cytology Screening, Acog Practice Bulletin
Number 109, Desember 2009. The American College Of Obstetricians And
Gynecologists, Amerika.
Anonymous., 2010, Cervical Cancer Website : www.firstvisitivy.org diakses
pada tanggal 15 juli 2011.
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Anonymous., 2008, Management Of Cervical Cancer, a National
Clinical Guideline, Scottish Intercollegiate Guidelines Network
(SIGN), First Publish on January 2008, ISBN 978 1905813 24 7.
Website : www.sign.ac.uk diakses pada tanggal 15 juli 2011
Budiarso, Z., 2010. Sistem Pakar Untuk Pembelajaran Praktikum
Troubleshooting Televisi. Tesis. Universitas Gajah Mada,
Yogyakarta.
Daniel., Virginia, G., 2010. Implementasi Sistem Pakar Untuk
Mendiagnosis Penyakit Dengan Gejala Demam Menggunakan
Metode Certainty Factor, Jurnal Informatika Volume 6 Nomor 1,
April 2010, Universitas Kristen Duta Wacana, Yogyakarta.
Giarrattano, J., Riley, G., 2005. Expert Systems P rinciples and
programming, fourth edition, PWS Publishing Company, Boston.
Hartati, S., Iswanti, S., 2008. Sistem Pakar dan Pengembangannya.
Graha Ilmu, Yogyakarta.
Kele, A., Expert Sistem Based on Neuro Fuzzy Rules for Diagnosis
Breast Cancer, Expert System With Applications 38 (2011), 5719-
5726.
Kusuma., R., 2009. Derajat Differensiasi Histopatologik pada Kejadian
Rekurensi Kanker Serviks. Universitas Diponegoro, Semarang.
Kusrini., 2008. Aplikasi Sistem Pakar Menentukan Faktor Kepastian
Pengguna dengan Metode Kuantifikasi Pertanyaan. Penerbit Andi,
Yogyakarta.
Kusumadewi, S., 2003. Teknik dan Aplikasi Kecerdasan Buatan. Graha
Ilmu, Yogyakarta.
Marle, J, L., 2004. A Situational Analysis Of Cervical Cancer in Latin
American & The Carribean, 29 P. Washington DC, America.
Muhammad, A., 2005. Konsep Dasar Sistem Pakar. Andi Offset,
Yogyakarta.
Munoz, N., 2003. Epidemiologic Classification Of Human
Papillomavirus Types Associated with Cervical Cancer, Original
Article. Website : www.nejm.org diakses tanggal 19 mei 2011.
Novel, S.S., Nuswantara, S., Safitri, R., 2010. Kanker Seviks dan Infeksi
Human Pappilomavirus (HPV). Javamedia Network, Jakarta.
Nuranna, L., 2008. Kanker Rahim Penyebab Kematian Utama Wanita,
2008. Website : http://artikel02.fip.um.ac.id/2012/01 diakses pada
tanggal 12 Februari 2012.
Petignat, P., Roy, M., 2007. Diagnosis and Management of
Cervical Cancer. BMJ 2007, 335:765-768.
Pressman, R.S., 2002. Rekayasa Perangkat Lunak Pendekatan Praktisi.
Andi Offset, Yogyakarta.
Rakhman, F., 2010. Ciri-ciri Gejala Kanker Serviks Pada Wanita,
2010. Website: http://www.ngeramal.com/2010/05/ciri-ciri-gejala-
kanker-serviks-pada.html, diakses pada tanggal 14 Januari 2012.
Rohman, F., Fauzijah, A., 2008. Rancang Bangun Aplikasi System
Pakar Untuk Menentukan Jenis Gangguan Perkembangan Anak.
Jurnal Media informatika, vol.6, No.1, Juni 2008.
Saputra, A., 2011. Membangun Aplikasi SMS dengan PHP dan MySQL,
Elex Media Komputindo, Jakarta.
Taufik, B., 2011. Ciri-ciri Kanker Serviks, 2011. Website:
http://www.blogbintang.com/ciri-ciri-kanker-serviks, diakses pada
tanggal 14 Januari 2012.
Tulus, W., 2012. Gejala, Penyebab dan Pencegahan Kanker
Serviks (Kanker Leher Rahim), Website:
http://www.wayantulus.com/tag/ciri-ciri-kanker-serviks,
diakses pada tanggal 5 Februari 2012.
Turban, E., 2002. Decision Support System and Intelligent System,
Prentice Hall, New Jersey.
Wijayanti, E., 2010. Penerapan Certainty Factor Untuk Mendiagnosa
Infeksi HPV Cara Penangannya Berbasis Web. Skripsi. UNIKOM
(Indonesia Computer University), Bandung.
Yugianus, P., 2010. Pengembangan Aplikasi Sistem Pakar Untuk
Mendiagnosa Penyakit Stroke dan Pengobatannya menggunakan
Metode Certainty Factor. Skripsi. Universitas Pendidikan
Indonesia, Bandung.