LAPORAN AKHIR

PENELITIAN DOSEN PEMULA

PERANCANGAN SISTEM DETEKSI DINI PENYAKIT PARU

BERBASIS ADAPTIVE NEURO FUZZY INFERENCE

SYSTEM (ANFIS)

TIM PENGUSUL

Mochamad Yusuf Santoso, ST, MT (NIDN: 0027119001)

dr. Am Maisarah Disrinama, S.Ked (NIDN: 0027058405)

Haidar Natsir Amrullah, S.ST, MT (NIDN: 0028109101)

POLITEKNIK PERKAPALAN NEGERI SURABAYA

2019

Direktorat Riset dan Pengabdian Masyarakat Direktorat Jenderal Riset dan Pengembangan Kementerian Riset, Teknologi, dan Pendidikan Tinggi Gedung BPPT II Lantai 19, Jl. MH. Thamrin No. 8 Jakarta Pusat http://simlitabmas.ristekdikti.go.id/

PROTEKSI ISI LAPORAN AKHIR PENELITIAN Dilarang menyalin, menyimpan, memperbanyak sebagian atau seluruh isi laporan ini dalam bentuk apapun

kecuali oleh peneliti dan pengelola administrasi penelitian

LAPORAN AKHIR PENELITIAN TAHUN TUNGGAL

ID Proposal: cc925348-9848-451c-8f3f-3e5bc826dc84Laporan Akhir Penelitian: tahun ke-1 dari 1 tahun

 1. IDENTITAS PENELITIAN

  A. JUDUL PENELITIAN

Perancangan Sistem Deteksi Dini Penyakit Paru Berbasis Adaptive Neuro Fuzzy Inference System

   B. BIDANG, TEMA, TOPIK, DAN RUMPUN BIDANG ILMU

Bidang Fokus RIRN / Bidang

Unggulan Perguruan Tinggi

Tema Topik (jika ada)Rumpun

Bidang Ilmu

Teknologi Informasi dan Komunikasi

Pengembangan sistem berbasis Kecerdasan buatan

Pengembangan aplikasi sistem cerdas

Teknik Perangkat Lunak

   C. KATEGORI, SKEMA, SBK, TARGET TKT DAN LAMA PENELITIAN

Kategori (Kompetitif Nasional/

Desentralisasi/ Penugasan)

Skema Penelitian

Strata (Dasar/ Terapan/

Pengembangan)

SBK (Dasar, Terapan,

Pengembangan)

Target Akhir TKT

Lama Penelitian (Tahun)

Penelitian Kompetitif Nasional

Penelitian Dosen Pemula

SBK Riset Pembinaan/Kapasitas

SBK Riset Pembinaan/Kapasitas

4 1

 2. IDENTITAS PENGUSUL

Nama, PeranPerguruan

Tinggi/ Institusi

Program Studi/ Bagian

Bidang Tugas ID Sinta H-Index

MOCHAMAD YUSUF

SANTOSO

Ketua Pengusul

Politeknik Perkapalan

Negeri Surabaya

Teknik Keselamatan

Dan Kesehatan Kerja

5977813 1

AM MAISARAH DISRINAMA

S.Ked, dr., M.Kes

Anggota Pengusul 1

Politeknik Perkapalan

Negeri Surabaya

Teknik Keselamatan

Dan Kesehatan Kerja

6094558 0

HAIDAR NATSIR AMRULLAH S.ST, M.T

Politeknik Perkapalan

Negeri

Teknik Keselamatan

Dan Kesehatan

Pengumpulan Data, Pembelajaran

0 0

Anggota Pengusul

2

Surabaya Kerja Sistem, Penyusunan Laporan

 3. MITRA KERJASAMA PENELITIAN (JIKA ADA)

Pelaksanaan penelitian dapat melibatkan mitra kerjasama, yaitu mitra kerjasama dalam melaksanakan penelitian, mitra sebagai calon pengguna hasil penelitian, atau mitra investor

Mitra Nama Mitra

 4. LUARAN DAN TARGET CAPAIAN

Luaran Wajib

Tahun Luaran

Jenis Luaran

Status target capaian (accepted, published, terdaftar

atau granted, atau status lainnya)

Keterangan (url dan nama jurnal, penerbit, url paten,

keterangan sejenis lainnya)

  1   Purwarupa/Prototipe   produk   -

Luaran Tambahan

Tahun Luaran

Jenis LuaranStatus target capaian (accepted, published, terdaftar atau granted,

atau status lainnya)

Keterangan (url dan nama jurnal, penerbit, url paten, keterangan

sejenis lainnya)

  1  Publikasi Ilmiah Jurnal Internasional

  accepted/published  

5. ANGGARAN

Rencana anggaran biaya penelitian mengacu pada PMK yang berlaku dengan besaran minimum dan maksimum sebagaimana diatur pada buku Panduan Penelitian dan Pengabdian kepada Masyarakat Edisi 12.

Total RAB 1 Tahun Rp. 18,990,000

Tahun 1 Total Rp. 18,990,000

Jenis Pembelanjaan Item Satuan Vol.Biaya

SatuanTotal

Analisis Data HR Pengolah DataP (penelitian)

1 1,540,000 1,540,000

Analisis Data Transport Lokal OK (kali) 4 150,000 600,000

Analisis Data Biaya konsumsi rapat OH 10 44,000 440,000

Bahan ATK Paket 2 250,000 500,000

Pelaporan, Luaran Wajib, dan Luaran Tambahan

Biaya seminar internasional

Paket 1 7,730,000 7,730,000

Pelaporan, Luaran Wajib, dan Luaran Tambahan

Publikasi artikel di Jurnal Internasional

Paket 1 1,500,000 1,500,000

Pelaporan, Luaran Wajib, dan Luaran Tambahan

Luaran KI (paten, hak cipta dll)

Paket 1 5,000,000 5,000,000

Pelaporan, Luaran Wajib, dan Luaran Tambahan

Biaya konsumsi rapat OH 10 44,000 440,000

Pengumpulan Data Biaya konsumsi OH 10 44,000 440,000

Pengumpulan Data HR Pembantu Peneliti OJ 40 20,000 800,000

 

6. HASIL PENELITIAN

A. RINGKASAN: Tuliskan secara ringkas latar belakang penelitian, tujuan dan tahapan metode penelitian, luaran yang ditargetkan, serta uraian TKT penelitian.

 

          Hasil riset kesehatan dasar (Riskesdas) tahun 2013 menunjukkan tingkar prevalensi penyakit asma sebesar 4,5%. Sedangkan jumlah keseluruhan kasus pneumonia dan TB paru di Indonesia masing-masing adalah 0,4.% dan 4,5% [1]. Sedangkan untuk kanker paru, tingkat prevalensinya sebesar 0,18%. Menurut data WHO, setiap tahun ada lebih dari 1,2 juta kasus kanker paru di seluruh dunia dengan angka kematian mencapai sekitar 1,1 juta [2]. Selama ini, deteksi penyakit/gangguan paru pada umumnya dilakukan pemeriksaan gejala fisik oleh dokter [3]. Namun, dengan jumlah dokter spesialis paru yang minim, penanganan penyakit paru akan terlambat. Sistem pakar dalam dunia kesehatan semakin berkembang akhir-akhir ini, salah satunya adalah Adaptive Neuro Fuzzy Inference System (ANFIS) [4]. Sistem pakar di dunia kesehatan bukan bermaksud untuk menggantikan peran seorang dokter, namun untuk membantu mendiagnosa keadaan pasien lebih dini [5]. Penelitian ini akan merancang sebuah sistem pakar berbasis ANFIS untuk mendeteksi dini penyakit paru berupa asma, TB, pneumonia dan kanker paru. Sistem ini dirancang berdasarkan data kepakaran dari dokter yang dituangkan dalam sistem kecerdasan buatan. Dengan adanya sistem ini, diharapkan akan semakin banyak pasien yang terdeteksi lebih awal tentang penyakit yang diderita, sehingga penanganan yang akan dilakukan jadi lebih mudah. Pada laporan kemajuan penelitian ini, model ANFIS yang berhasil dirancang yaitu untuk penyakit pneumonia dan TB paru. Perancangan model ANFIS menggunakan metode subtractive clustering. Model ANFIS pneumonia memiliki error sebesar 0.140 untuk proses pelatihan dan 0.73 saat pengujian. Model untuk TB paru memberikan hasil error masing-masing sebesar 0.099 untuk pelatihan dan 0.659 untuk pengujian. Sedangkan untuk kanker paru, kesalahan proses training dan testing berturut-turut adalah 1.42E-15 dan 0.348. Secara umum, ketiga model ANFIS memberikan performansi yang lebih baik jika dibandingkan dengan model logika fuzzy yang dibangun menggunakan metode konvensional. Luaran penelitian ini adalah purwarupa perangkat lunak untuk deteksi dini penyakit paru. Purwarupa tersebut berhasil dirancang dan divalidasi menggunakan data pelatihan dan pengujian. Luaran lain adalah publikasi pada seminar internasional yang sudah dilaksanakan. Untuk luaran publikasi ilmiah pada jurnal internasional, artikel yang akan didaftarkan sudah dalam tahapan submitted.

 

B. KATA KUNCI: Tuliskan maksimal 5 kata kunci.

 

Deteksi dini; penyakit paru; ANFIS

 Pengisian poin C sampai dengan poin H mengikuti template berikut dan tidak dibatasi jumlah kata atau halaman namun disarankan seringkas mungkin. Dilarang menghapus/memodifikasi template ataupun menghapus penjelasan di setiap poin.

C. HASIL PELAKSANAAN PENELITIAN: Tuliskan secara ringkas hasil pelaksanaan penelitian yang telah dicapai sesuai tahun pelaksanaan penelitian. Penyajian dapat berupa data, hasil analisis, dan capaian luaran (wajib dan atau tambahan). Seluruh hasil atau capaian yang dilaporkan harus berkaitan dengan tahapan pelaksanaan penelitian sebagaimana direncanakan pada proposal. Penyajian data dapat berupa gambar, tabel, grafik, dan sejenisnya, serta analisis didukung dengan sumber pustaka primer yang relevan dan terkini.

Pengisian poin C sampai dengan poin H mengikuti template berikut dan tidak dibatasi jumlah kata atau halaman namun disarankan seringkas mungkin. Dilarang menghapus/memodifikasi template ataupun menghapus penjelasan di setiap poin.

Penyakit paru dapat dikategorikan menjadi penyakit menular dan tidak menular. Pneumonia dan TB

Paru termasuk penyakit paru yang menular. Kedua jenis penyakit tersebut memiliki kesamaan gejala

[6],[7]. Namun, terdapat beberapa gejala spesifik yang membutuhkan penanganan berbeda untuk

masing-masing penyakit. Gejala-gejala pneumonia dan TB paru yang digunakan sebagai masukan

untuk perancangan sistem ditunjukkan pada Tabel 1. Kanker paru tergolong yang tidak menular

dengan gejala utama adalah batuk. Selain itu, deteksi kanker paru dapat dilakukan dengan

mengetahui perilaku dari pasien.

Tabel 1. Gejala untuk pneumonia and TB paru

Penyakit Paru Gejala

Pneumonia Batuk

Panas/Demam

Pusing

Malas

Menggigil

TB Paru Batuk

Panas/Demam

Malas

Keringat Dingin

Menggigil

Penelitian ini merancang tiga struktur ANFIS, yaitu untuk deteksi dini pneumonia, TB paru dan kaker

paru. Sistem untuk pneumonia memiliki 7 (tujuh) masukan, yaitu batuk, lama batuk, panas, lama

panas, pusing, malas dan menggigil. Untuk TB Paru, masukan dari sistem adalah batuk, lama batuk,

panas, lama panas, malas, keringat dingin dan menggigil. Sedangkan untuk sistem deteksi dini kanker

paru mempunyai 4 (emapt) masukan, yaitu lama batuk, jenis pekerjaan, lama merokok dan jumlah

konsumsi rokok per hari. Keluaran dari ketiga sistem tersebut adalah risiko atau tidak terhadap

penyakit. Jumlah data yang digunakan untuk penyusunan sistem deteksi dini pneumonia dan TB paru

sebanyak 76 data pasien. Lima puluh satu data digunakan untuk proses pelatihan sistem dan 25

sisanya digunakan untuk pengujian. Sedangkan untuk sistem kanker paru memanfaatkan 75 data

pasien yang dibagi menjadi 50 data pelatihan dan 25 data pengujian.

C. HASIL PELAKSANAAN PENELITIAN: Tuliskan secara ringkas hasil pelaksanaan penelitian yang telah dicapai sesuai tahun pelaksanaan penelitian. Penyajian dapat berupa data, hasil analisis, dan capaian luaran (wajib dan atau tambahan). Seluruh hasil atau capaian yang dilaporkan harus berkaitan dengan tahapan pelaksanaan penelitian sebagaimana direncanakan pada proposal. Penyajian data dapat berupa gambar, tabel, grafik, dan sejenisnya, serta analisis didukung dengan sumber pustaka primer yang relevan dan terkini.

Sistem deteksi dini yang dirancang berdasarkan ANFIS Subtractive Clustering. Parameter clustering

yang digunakan adalah 0.5 untuk accept ratio, 0.15 untuk reject ratio and 1.25 untuk quash factor.

Variasi dilakukan pada cluster radius antara 0 sampai 1 dengan increment 0.1. Variasi dilakukan

untuk memilih model terbaik dengan nilai error yang paling kecil.

Model yang dipilih untuk sistem deteksi dini pneumonia adalah model dengan nilai cluster radius 0.3

yang memiliki nilai error terkecil. Untuk sistem deteksi dini TB paru, dipilih model dengan nilai

cluster radius 0.1. sedangkan untuk kanker paru, dipilih model dengan nilai ra sebesar 0.4. Tabel 2

menunjukkan hasil perhitungan error untuk masing-masing model sistem deteksi dini. Masing-

masing kemudian dibandingkan dengan model yang dibangun menggunakan metode clustering

konvensional dua fungsi keanggotaan. Model yang dibangun dengan subtractive clustering

memberikan performansi yang lebih baik. Hal ini dikarenakan, model dengan subtractive clustering

menghasilkan jumlah fungsi keanggotaan secara alami berdasarkan kebutuhan sistem [8].

Hasil pengujian untuk sistem deteksi dini penyakit paru ditunjukkan pada Tabel 3. Sistem deteksi dini

pneumonia dan kanker paru yang dibangun menggunakan subtractive clustering menghasilkan

performansi yang lebih baik dibandingkan dengan model yang dibangun menggunakan metode

konvensional. Untuk sistem deteksi dini TB, kedua model memberikan hasil yang seimbang.

Tabel 2. Nilai error proses pelatihan

Metode clustering Pneumonia TB Paru Kanker Paru

Subtractive 0.140 0.099 1.42E-15

2 MF 0.792 0.642 0.721

Tabel 3. Nilai error proses pengujian

Metode clustering Pneumonia TB Paru Kanker Paru

Subtractive 0.730 0.659 0.348

2 MF 0.800 0.529 0.600

Representasi keseksesan sistem pada proses pelatihan dan pengujian ditunjukkan berturut-turut

pada Gambar 1 dan Gambar 2. Titik bullat berwarna biru (o) merupakan nilai sebenarnya dan titik

bintang berwarna merah (*) merupakan hasil prediksi model ANFIS. Pada proses pelatihan, kedua

meodel memberikan hasil yang bagus. Sebagian besar keluaran model berhimpitan dengan nilai

sebenarnya. Gambar 3 menunjukkan hasil pelatihan yang menjanjikan untuk sistem deteksi kanker

paru.

Pada proses pengujian, beberapa keluaran dari ketiga sistem tidak dapat mendekati nilai

sebenarnya. Hal ini kemungkinan dikarenakan terdapat nilai masukan dari data pengujian yang

berada di luar jangkauan data pelatihan. Hasil yang kurang memuaskan ini juga ditunjukkan dari

selisih error pelatihan dan pengujian yang cukup besar. Performansi dari sistem dapat ditingkatkan

dengan menambah data pelatihan, atau melakukan normalisasi data agar memiliki range yang sama.

Gambar 1. Validasi proses pelatihan

Gambar 2. Validasi proses pengujian

0 10 20 30 40 50 60-0.5

0

0.5

1

1.5Training Pneumonia (ra = 0,3)

i-th data

outp

ut

0 10 20 30 40 50 60-0.5

0

0.5

1

1.5Training Pulmonary TB (ra = 0,1)

i-th data

outp

ut

0 5 10 15 20 25-1

0

1

2

3Testing Pneumonia (ra = 0,3)

i-th data

outp

ut

0 5 10 15 20 25-1

0

1

2Testing Pulmonary TB (ra = 0,1)

i-th data

outp

ut

Gambar 3. Validasi proses pelatihan dan pengujian model ANFIS untuk deteksi kanker paru

Model ANFIS yang dipilih kemudian dikonversi menjadi software deteksi dini kanker paru. Tampilan

perangkat lunak tersebut ditunjukkan pada Gambar 4. Hasil validasi software menggunakan data

pelatihan dan pengujian diberikan pada Tabel 4. Tingkat keberhasilan software ketika menggunakan

data pelatihan adalah sampai 94%. Ketika validasi menggunakan data pengujian, software tingkat

keberhasilannya mulai dari 80% sampai 100%. Dari ketiga system deteksi dini yang dirancang,

software deteksi dini kanker paru memiliki performansi terbaik.

Gambar 4. Tampilan antarmuka software deteksi dini penyakit paru

0 5 10 15 20 25 30 35 40 45 50-0.5

0

0.5

1

1.5Training Lung Cancer (ra = 0,4)

i-th data

outp

ut

0 5 10 15 20 25-0.5

0

0.5

1

1.5Testing Lung Cancer (ra = 0,4)

i-th data

outp

ut

Table 4. Hasil validasi software deteksi dini

penyakit paru

Jenis Penyakit Tingkat Keberhasilan (%)

Data Pelatihan Data Pengujian

Pneumonia 86.27 96.00

TB Paru 72.54 80.00

Kanker Paru 94.00 100.00

D. STATUS LUARAN: Tuliskan jenis, identitas dan status ketercapaian setiap luaran wajib dan luaran tambahan (jika ada) yang dijanjikan pada tahun pelaksanaan penelitian. Jenis luaran dapat berupa publikasi, perolehan kekayaan intelektual, hasil pengujian atau luaran lainnya yang telah dijanjikan pada proposal. Uraian status luaran harus didukung dengan bukti kemajuan ketercapaian luaran sesuai dengan luaran yang dijanjikan. Lengkapi isian jenis luaran yang dijanjikan serta mengunggah bukti dokumen ketercapaian luaran wajib dan luaran tambahan melalui Simlitabmas mengikuti format sebagaimana terlihat pada bagian isian luaran

Jenis Luaran Target Tahun Luaran Status Luaran

Publikasi Ilmiah Seminar Internasional (wajib)

2019 Terlaksana

Purwarupa/Prototipe (wajib) 2019 Produk Perangkat Lunak

Publikasi Ilmiah Jurnal Internasional (tambahan)

2019 Draft

E. PERAN MITRA: Tuliskan realisasi kerjasama dan kontribusi Mitra baik in-kind maupun in-cash (jika ada). Bukti pendukung realisasi kerjasama dan realisasi kontribusi mitra dilaporkan sesuai dengan kondisi yang sebenarnya. Bukti dokumen realisasi kerjasama dengan Mitra diunggah melalui Simlitabmas mengikuti format sebagaimana terlihat pada bagian isian mitra

-

F. KENDALA PELAKSANAAN PENELITIAN: Tuliskan kesulitan atau hambatan yang dihadapi selama melakukan penelitian dan mencapai luaran yang dijanjikan, termasuk penjelasan jika pelaksanaan penelitian dan luaran penelitian tidak sesuai dengan yang direncanakan atau dijanjikan.

No. Kegiatan Kendala yang dihadapi

1 Pengambilan Data Terdapat perbedaan jenis gejala untuk penyakit pneumonia, TB paru dan kanker paru; Perlu waktu untuk mendapatkan keputusan dokter (keluaran) dari data (masukan) yang sudah terkumpul;

2 Pengolahan Data Perancangan model ANFIS kanker paru tidak bersamaan dengan model ANFIS untuk pneumonia dan TB paru

3 Perancangan Perangkat Lunak (Software)

Terdapat 3 jenis sistem deteksi dini penyakit paru yang garus digabung menjadi satu

4 Publikasi Jurnal Internasional

Penyusunan artikel untuk jurnal internasional masih menunggu hasil perancangan perangkat lunak (software).

G. RENCANA TINDAK LANJUT PENELITIAN: Tuliskan dan uraikan rencana tindaklanjut penelitian selanjutnya dengan melihat hasil penelitian yang telah diperoleh. Jika ada target yang belum diselesaikan pada akhir tahun pelaksanaan penelitian, pada bagian ini dapat dituliskan rencana penyelesaian target yang belum tercapai tersebut.

Rencana tahapan selanjutnya dari penelitian ini adalah sebagai berikut:

• Penyempurnaan perangkat lunak deteksi dini penyakit paru

• Pendaftaran Kekakyaan Intelektual

• Submit naskah artikel publikasi jurnal internasional

H. DAFTAR PUSTAKA: Penyusunan Daftar Pustaka berdasarkan sistem nomor sesuai dengan urutan pengutipan. Hanya pustaka yang disitasi pada laporan akhir yang dicantumkan dalam Daftar Pustaka.

[1] Badan Penelitian dan Pengembangan Kesehatan Kementrian Kesehatan RI, “RISET

KESEHATAN DASAR,” 2013.

[2] K. Jinsa and G. K., “Lung cancer classification using fuzzy logic for CT images,” Int. J. Med.

Eng. Informatics, vol. 7, no. 3, pp. 233–249, 2015.

[3] R. Kurnia, R. Rahmadewi, and F. Aini, “DETEKSI DINI PENYAKIT PARU DENGAN METODA

BAYESIAN Abstrak,” in National Conference of Applied Sciences, Engineering, Business and

Information Technology, 2016, pp. 15–16.

[4] R. K. Purwar and V. Srivastava, “Recent Advancements in Detection of Cancer Using Various

Soft Computing Techniques for MR Images,” Prog. Adv. Comput. Intell. Eng., pp. 99–108, 2018.

[5] A. Saputra, “PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI PENYAKIT PARU-PARU

MENGGUNAKAN METODE CERTAINTY FACTOR,” IT J., vol. 4, no. 2, pp. 109–120, 2017

[6] S. Manurung, Gangguan Sistem Pernafasan Akibat Infeksi. Jakarta: Trans info media, 2009.

[7] R. Rachmawati, D. J. Damiri, and A. Susanto, “Aplikasi Sistem Pakar Diagnosis Penyakit

Asma,” J. Algoritm., vol. 9, no. 01, 2012.

[8] R. Rahmadewi and R. Kurnia, “Klasifikasi penyakit paru berdasarkan citra rontgen dengan metoda segmentasi sobel,” J. Nas. Tek. Elektro, vol. 5, no. 1, pp. 7–12, 2016.

Dokumen pendukung luaran Wajib #1

Luaran dijanjikan: Purwarupa/Prototipe

Target: produk

Dicapai: Produk

Dokumen wajib diunggah:

1. Deskripsi dan spesifikasi purwarupa

2. Hasil uji coba purwarupa terakhir

3. Dokumentasi (foto) pengujian purwarupa

Dokumen sudah diunggah:

1. Deskripsi dan spesifikasi purwarupa

2. Hasil uji coba purwarupa terakhir

3. Dokumentasi (foto) pengujian purwarupa

Dokumen belum diunggah:

-

Nama Purwarupa/Prototipe: Sistem Deteksi Dini Penyakit Paru Berbasis Adaptive

Neuro Fuzzy Inference System (ANFIS)

Pemegang Purwarupa/Prototipe: Mochamad Yusuf Santoso; Am Maisarah Disrinama;

Haidar Natsir Amrullah

Tgl Awal Periode Uji: 1 September 2019

Tgl Akhir Periode Uji: 31 Oktober 2019

Link Video Dokumentasi Pengujian: https://youtu.be/WMSxzqVAgnM

DESKRIPSI DAN SPESIFIKASI PURWARUPA PERANGKAT LUNAK

SISTEM DETEKSI DINI PENYAKIT PARU BERBASIS

ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Perangkat lunak ini merupakan perangkat lunak yang digunakan untuk mendeteksi

tiga jenis penyakit patu berdasarkan keluhan (gejala) dari pasien. Terdapat tiga sub

sistem yang masing-masing diperuntukkan untuk deteksi dini satu jenis penyakit.

Tiap sub sistem dibangun berdasarkan kecerdasan buatan ANFIS. Masing-masing

subsistem memiliki masukan yang berbeda bergantung pada jenis penyakitnya.

Keluaran dari ketiga subsistem adalah risiko atau tidak. Berikut ini merupakan

tampilan dan spesifikasi dari perangkat lunak tersebut:

• Ukuran berkas perangkat lunak: 500kb

• Mendeteksi dini tiga jenis penyakit: Pneumonia, TB Paru dan Kanker Paru

• Masukan Sistem:

- Pneumonia

No. Masukan Nama Masukan

1 Jenis Batuk

2 Lama Batuk

3 Panas

4 Lama Panas

5 Pusing

6 Malas

7 Menggigil

- TB Paru

No. Masukan Nama Masukan

1 Jenis Batuk

2 Lama Batuk

3 Panas

4 Lama Panas

5 Malas

6 Keringat Dingin

7 Menggigil

- Kanker paru

No. Masukan Nama Masukan

1 Jenis Batuk

2 Jenis Pekerjaan

3 Lama Merokok

4 Jumlah Konsumsi Rokok per Hari

• Keluaran (keputusan) perangkat lunak: Risiko/Tidak

• Sistem kecerdasan buatan untuk pengambilan keputusan: Adaptive Neuro

Fuzzy Inference System

• Terdapat saran/rekomendasi kepada pasien berdasarkan hasil keputusan

deteksi dini

HASIL UJI COBA PURWARUPA PERANGKAT LUNAK

SISTEM DETEKSI DINI PENYAKIT PARU BERBASIS

ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Sistem Pneumonia

Pengujian ke-

Keputusan Dokter

Keputusan Perangkat Lunak

Berhasil?

1 Risiko Risiko Ya

2 Tidak Tidak Ya

3 Risiko Risiko Ya

4 Risiko Risiko Ya

5 Risiko Risiko Ya

6 Risiko Risiko Ya

7 Risiko Risiko Ya

8 Risiko Risiko Ya

9 Risiko Risiko Ya

10 Risiko Risiko Ya

11 Tidak Tidak Ya

12 Risiko Risiko Ya

13 Tidak Risiko Tidak

14 Tidak Tidak Ya

15 Tidak Tidak Ya

16 Tidak Tidak Ya

17 Risiko Risiko Ya

18 Tidak Tidak Ya

19 Risiko Risiko Ya

20 Risiko Risiko Ya

21 Tidak Tidak Ya

22 Risiko Risiko Ya

23 Risiko Risiko Ya

24 Tidak Tidak Ya

25 Risiko Risiko Ya

Tingkat keberhasilan = 96%

Sistem TB Paru

Pengujian ke-

Keputusan Dokter

Keputusan Perangkat Lunak

Berhasil?

1 Tidak Risiko Tidak

2 Risiko Risiko Ya

3 Tidak Tidak Ya

4 Risiko Risiko Ya

5 Risiko Risiko Ya

Pengujian ke-

Keputusan Dokter

Keputusan Perangkat Lunak

Berhasil?

6 Risiko Risiko Ya

7 Tidak Tidak Ya

8 Tidak Tidak Ya

9 Tidak Tidak Ya

10 Tidak Risiko Tidak

11 Risiko Risiko Ya

12 Tidak Tidak Ya

13 Tidak Risiko Tidak

14 Tidak Tidak Ya

15 Tidak Tidak Ya

16 Risiko Risiko Ya

17 Tidak Tidak Ya

18 Tidak Tidak Ya

19 Tidak Tidak Ya

20 Tidak Tidak Ya

21 Tidak Risiko Tidak

22 Tidak Tidak Ya

23 Tidak Risiko Tidak

24 Risiko Risiko Ya

25 Tidak Tidak Ya

Tingkat keberhasilan = 80%

Sistem Kanker Paru

Pengujian ke-

Keputusan Dokter

Keputusan Perangkat Lunak

Berhasil?

1 Risiko Risiko Ya

2 Tidak Tidak Ya

3 Tidak Tidak Ya

4 Tidak Tidak Ya

5 Tidak Tidak Ya

6 Risiko Risiko Ya

7 Tidak Tidak Ya

8 Tidak Tidak Ya

9 Risiko Risiko Ya

10 Risiko Risiko Ya

11 Risiko Risiko Ya

12 Tidak Tidak Ya

13 Tidak Tidak Ya

14 Tidak Tidak Ya

15 Risiko Risiko Ya

16 Tidak Tidak Ya

17 Risiko Risiko Ya

Pengujian ke-

Keputusan Dokter

Keputusan Perangkat Lunak

Berhasil?

18 Tidak Tidak Ya

19 Tidak Tidak Ya

20 Risiko Risiko Ya

21 Tidak Tidak Ya

22 Tidak Tidak Ya

23 Tidak Tidak Ya

24 Tidak Tidak Ya

25 Risiko Risiko Ya

Tingkat keberhasilan = 100%

DOKUMENTASI UJI COBA PURWARUPA PERANGKAT LUNAK

SISTEM DETEKSI DINI PENYAKIT PARU BERBASIS ADAPTIVE

NEURO FUZZY INFERENCE SYSTEM

Deteksi Dini Pneumonia:

Deteksi Dini TB Paru:

Deteksi Dini Kanker Paru:

Dokumentasi Penggunaan oleh Dokter dan Perawat Poliklinik PPNS

Dokumen pendukung luaran Tambahan #1

Luaran dijanjikan: Publikasi Ilmiah Jurnal Internasional

Target: accepted/published

Dicapai: Submited

Dokumen wajib diunggah:

1. Bukti submit

2. Naskah artikel

Dokumen sudah diunggah:

1. Naskah artikel

2. Bukti submit

Dokumen belum diunggah:

-

Nama jurnal: Kinetik: Game Technology, Information System, Computer Network,

Computing, Electronics, and Control

Peran penulis: first author | EISSN: 2503-2267

Nama Lembaga Pengindek: DOAJ, SINTA 2, Scholar Metrics, Google Scholar

URL jurnal: http://kinetik.umm.ac.id/index.php/kinetik

Judul artikel: An application of ANFIS for lung diseases early detection system

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Journal homepage: http://kinetik.umm.ac.id ISSN: 2503-2267 Vol. x, No. y, August 2019, Pp. 197-206

An application of ANFIS for lung diseases early detection system

Mochamad Yusuf Santoso*1, Am Maisarah Disrinama1, Haidar Natsir Amrullah1

1, Occupational Health and Safety Engineering, Shipbuilding Institute of Polytechnic Surabaya, Indonesia

Article Info Abstract Keywords: ANFIS, early detection, lung cancer, pneumonia, tuberculosis Article history: Cite:

* Corresponding author. Mochamad Yusuf Santoso E-mail address: yusuf.santoso@ppns.ac.id

Indonesian Basic Health Research in 2018 showed the prevalence of pneumonia, pulmonary tuberculosis (TB) and lung cancer in Indonesia 4.0% 0.4% and 0.18%, respectively. However, the number of lung specialists is small. Thus, the handling of lung disease will be too late. According to the Indonesian Lung Specialist Association webpage, the number of doctors joined in the association up to 2008 were 452. This amount is very less when compared with existing lung disease cases. The use of ANFIS for early detection of lung disease is growing. However, the system designed is still used for one type of disease. This paper will design a desktop application based on ANFIS expert system to detect lung disease early, i.e. for pneumonia, pulmonary TB and lung cancer. Subtractive clustering is used for clustering process. The results of the training showed that the models were able to give better performance compared to the model built using conventional clustering methods. The test results show that those three models have comparable performance compared to their counterpart. Software validation shows that the it gives high success rate, either using training or testing data. This application is not intended to replace the role of a doctor, but to help diagnose the patient's condition earlier.

1. Introduction

Basic Health Research in 2018 showed the prevalence of pneumonia, pulmonary tuberculosis (TB) and lung cancer in Indonesia is 4.0%, 0.4% and 0.18%, respectively [1]. Serious attention is needed because lung disease in Indonesia is quite high. This is coupled with a lack of public awareness of lung health. In addition, air pollution is increasing due to smoke from active smokers, factory industrial fumes, motor vehicle fumes and various other pollution [2]. To date, pulmonary disorders detections are generally carried out by examination of physical symptoms by doctors [3]. However, with a minimal number of lung specialists, the handling of lung disease will be too late. According to the Indonesian Lung Specialist Association (PDPI) webpage, the number of doctors joined in the PDPI up to 2008 was 452 doctors [4]. This amount is very less when compared with existing lung disease cases.

The expert system existence is currently needed. It helps the community in the absence of an expert [5]. The expert system in health is not intended to replace the role of a doctor, but to help diagnose the patient's condition earlier [6]. Expert system as a tool to diagnose diseases with out of breath symptoms and also provide treatment solutions can be carried out through consultation by answering each a yes or no question [7]. Simulations of early detection of pulmonary disease based on patient symptoms by the Bayesian method [8] and X-ray image analysis based on image processing were successfully carried out [3]. Combination of image processing and artificial neural network can be utilized for breast cancer early detection [9].

Expert systems in health have been growing lately, one of which is the Adaptive Neuro Fuzzy Inference System (ANFIS) [10]. High detection accuracy for breast cancer early detection was obtained using ANFIS [11]. It gives better performance for lung cancer classification compared with Fuzzy Inference System (FIS) [12]. The use of ANFIS for early detection of lung disease is growing. However, the system designed is still used for one type of disease [13], [14]. This paper will design an application based on ANFIS to detect lung disease early, i.e. for pneumonia, pulmonary TB and lung cancer. The ANFIS expert system will be transformed to user friendly desktop application. Hopefully, after it has been successfully designed and tested, this system can later be turned on to health service sites in areas where the number of lung specialists is small or even none. With this system, it is expected that more and more patients will be detected earlier about the illness, so that the treatment will be made easier.

The rest of the paper is structured as follows. Section 2 describes proposed system design, including methods for testing and validating the proposed system. Section 3 gives the results and explanations of test and validation while Section 4 concludes the paper.

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

2. Research Method 2.1. Lung Disease Symptoms

Lung disease can be classified as infectious and non-communicable. Infectious pulmonary diseases include pneumonia and pulmonary TB and lung cancer as non-communicable [1]. Pneumonia and pulmonary TB have some of the same symptoms. However, there are some more specific symptoms that make handling differently for each disease [15]. The main symptom for lung cancer is cough, but it can be detected by patient behavior [16]. Pneumonia, TB and lung cancer symptoms that are used as input for the ANFIS model to be designed are shown in Table 1.

Table 1. Lung disease symptoms

Lung Disease Symptoms

Pneumonia Cough Fever Headache Malaise Shivering

Pulmonary TB Cough Fever Malaise Diaphoresis Shivering

Lung Cancer Cough Type of work Smoking duration Number of cigarettes

2.2. Adaptive Neuro Fuzzy Inference System

Adaptive Neuro Fuzzy Inference System (ANFIS) is a fuzzy inference system (FIS) which illustrated in neural network architecture. It uses the first order Takagi-Sugeno-Kang (TSK) model, for computation simplicity and convenience [17]. The architecture consists of 5 layers, as shown in Figure 1. Each layer represents mathematical equations. The square node is an adaptive node. It means that parameter’s value can change during training process. The circle node is non adaptive node. ANFIS input is represented by x and y, while the output is represented by f.

Figure 1. ANFIS structure [17]

Mathematical equation for Layer 1 depends on type of membership function (MF). Equation 1 and 2 show the

function if gaussian MF is selected for the input. The function of Layer 2 is to multiply every input signal which comes from the previous layer output, as shown is Equation 3. Node number in this layer shows the created rule number.

Every node in Layer 3 is non adaptive node that show normalized firing strength of the node, given in Equation 4. In Layer 4, represented by Equation 5, there are normalized firing strength from Layer 3 and parameter p, q, r, called consequent parameter. Layer 5 has a single node for summing all outputs form Layer 4 with function of Equation 6. The output is a decision from the designed system.

𝑂1,𝑖 = 𝜇𝐴𝑖(𝑥) = 𝑒−(𝑥−𝑐)2

2𝜎2 𝑓𝑜𝑟 𝑖 = 1,2 1

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

𝑂1,𝑖 = 𝜇𝐵𝑖(𝑦) = 𝑒−(𝑦−𝑐)2

2𝜎2 𝑓𝑜𝑟 𝑖 = 1,2 2

𝑂2,𝑖 = 𝑤𝑖 = µ𝐴𝑖(𝑥). µ𝐵𝑖(𝑥), 𝑖 = 1,2 3

𝑂3,𝑖 = 𝑤𝑖̅̅ ̅ =𝑤𝑖

𝑤1+𝑤2, 𝑓𝑜𝑟 𝑖 = 1,2 4

𝑂4,𝑖 = 𝑤𝑖̅̅ ̅ 𝑓𝑖 = 𝑤𝑖̅̅ ̅( 𝑝𝑖𝑥 + 𝑞𝑖𝑦 + 𝑟𝑖) 5

𝑂5,𝑖 = ∑ 𝑤𝑖̅̅ ̅𝑓𝑖 =∑ 𝑤𝑖𝑓𝑖𝑖

𝑤𝑖𝑖 6

This paper designs three ANFIS structures for pneumonia, pulmonary TB and lung cancer early detection

system. Pneumonia system has seven inputs, i.e. cough, cough length, fever, fever length, headache, malaise, and shivering. For pulmonary TB, the inputs are cough, cough length, fever, fever length, malaise, diaphoresis, and shivering. ANFIS system for lung cancer has four inputs, i.e. cough duration, type of work, smoking duration and the number of consumed cigarettes. The outputs for those systems either risk or not. The amount of data used to design pneumonia and pulmonary TB early detection systems is 76 patient data. Fifty-one data is used for the training process, while 25 for testing. For lung cancer, there are 75 patient data: 50 for the training and the rest are for testing process.

2.3. Subtractive Clustering Subtractive clustering method was proposed in [18]. The method makes each data points are considered as

the candidates for cluster center. In subtractive clustering, a data point with the highest potential, which is a function of the distance measure, is considered as a cluster center. The potential of each data point is estimated by the Equation 7.

𝑃𝑖 = ∑ 𝑒−𝛼‖𝑥𝑖−𝑥𝑗‖2

𝑛𝑗=1 7

Where 𝛼 =𝛾

𝑟𝑎2

Pi is the potential of i’th data point, n is the total number of data points, xi and xj are data vectors in data space

including both input and output dimensions, γ is a positive constant and is selected as 4, and ra is a positive constant defining the neighborhood range of the cluster or simply the radius of hypersphere cluster in data space. Subtractive clustering has four parameters, namely, accept ratio �̅�, reject ratio ε, cluster radius ra and quash factor η (or rb). These parameters have influence on the number of rules and error performance measures. Large values of �̅� and ε will result in small number of rules. Conversely, small values of �̅� and ε will increase the number of rules. A large value of ra generally results in fewer clusters that lead to a coarse model. A small value of ra can produce excessive number of rules that may result in an over-defined system. For each designed ANFIS system, the parameters values are 0.5 for accept ratio, 0.15 for reject ratio and 1.25 for quash factor. Variation were made for cluster radius between 0 and 1 with increment 0.1. The selected model is model with the smallest Root Mean Square Error (RMSE). 3. Results and Discussion

The training data is used to design ANFIS with cluster radius variations in the clustering process. The model chosen for the pneumonia early detection system is a model with a cluster radius value of 0.3, because it has the smallest RMSE value. For the early detection system for pulmonary TB, the model chosen is the ANFIS model with ra value of 0.1. Lung cancer ANFIS model has best RMSE with cluster radius value of 0.4. Table 2 shows the results of the RMSE calculation for each model. Each is then compared with a model built using the conventional two MF clustering method. Models built with subtractive clustering provide better performance. This result is because it generates the number of membership functions naturally according to system requirements [18].

Table 2. RMSE value for training data

Clustering Methods Pneumonia Pulmonary TB Lung Cancer

Subtractive 0.140 0.099 1.42E-15

2 MF 0.792 0.642 0.721

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

The testing data is used to test the selected model. The RMSE results for the lung disease early detection

system are shown in Table 3. The early detection system for pneumonia and lung cancer using subtractive give better performance compared to models built using conventional clustering methods. For early pulmonary TB detection systems, both models have comparable performance.

Table 3. RMSE value for testing data

Clustering Methods Pneumonia Pulmonary TB Lung Cancer

Subtractive 0.730 0.659 0.348

2 MF 0.800 0.529 0.600

Figure 2 and Figure 3 represent the success of the training and testing process for the pneumonia and

pulmonary TB system, respectively. The blue circular dot (o) is the true value and the red star dot (*) is the predicted output of the ANFIS model. In the training process, both models provide good results. Most of the model's output values are close to their true values. Regarding Figure 4 for lung cancer ANFIS model, it has promising training validation result.

In the testing process, some outputs of the both systems have not been able to verge the true value. This is likely because there is an input data whose value is outside the range of the input data training. This unsatisfactory result is also shown by the quite large difference in the value of RMSE training and testing. System performance can be improved by increasing the amount of training data.

Figure 2. Representation of training and testing process for pneumonia ANFIS model

The selected ANFIS models are converted into a lung disease early detection software. Figure 5 depicts the software user interface. The success rates for each disease detection are given in Table 4. The software has satisfactory results. Using training data, the software has performance up to 94% succeed. Higher success rates are obtained as testing data are entered to the software. Overall, early detection for lung cancer has the best performance.

0 10 20 30 40 50 60-0.5

0

0.5

1

1.5Training Pneumonia (ra = 0,3)

i-th data

outp

ut

0 5 10 15 20 25-1

0

1

2

3Testing Pneumonia (ra = 0,3)

i-th data

outp

ut

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

Figure 3. Representation of training and testing process for pulmonary TB ANFIS model

Figure 4. Representation of training and testing process for lung cancer ANFIS model

0 10 20 30 40 50 60-0.5

0

0.5

1

1.5Training Pulmonary TB (ra = 0,1)

i-th data

outp

ut

0 5 10 15 20 25-1

0

1

2Testing Pulmonary TB (ra = 0,1)

i-th data

outp

ut

0 5 10 15 20 25 30 35 40 45 50-0.5

0

0.5

1

1.5Training Lung Cancer (ra = 0,4)

i-th data

outp

ut

0 5 10 15 20 25-0.5

0

0.5

1

1.5Testing Lung Cancer (ra = 0,4)

i-th data

outp

ut

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

Figure 5. Lung disease early detection software user interface

Table 4. Validation results for lung disease early detection software

Lung Disease Success Rate (%)

Training Data Testing Data

Pneumonia 86.27 96.00

Pulmonary TB 72.54 80.00

Lung Cancer 94.00 100.00

4. Conclusion

The ANFIS models for early detection of lung disease was designed by subtractive clustering method. The training process results showed that those three models were able to give better performance compared to the model built using conventional clustering methods. The results of testing process show that those three models have comparable performance compared to their counterpart. The desktop application validation shows that the it gives satisfactory results with up to 94.00% succeed for training data and up to 100% for testing data.

Notation

𝜇 : membership function value.

𝑐 : gaussian function mean

𝜎 : gaussian function deviation 𝑤 : weighting value

�̅� : averaged weighting value Acknowledgement

The authors would like to thank Department of Research and Higher Education of Indonesia for funding to this research in the year of 2019. References [1] Badan Penelitian dan Pengembangan Kesehatan Kementrian Kesehatan RI, “Hasil Utama Riset Kesehatan Dasar,” 2018. [2] M. Yunus and S. Setyowibowo, “Aplikasi sistem pendukung keputusan diagnosa penyakit paru- paru dengan metode forward chaining,” J.

Teknol. Inf. Teor. Konsep, dan Implementasi, vol. 2, no. 2, pp. 95–114, 2011. [3] R. Rahmadewi and R. Kurnia, “Klasifikasi penyakit paru berdasarkan citra rontgen dengan metoda segmentasi sobel,” J. Nas. Tek.

Elektro, vol. 5, no. 1, pp. 7–12, 2016. [4] Perhimpunan Dokter Paru Indonesia (PDPI), “JUMLAH ANGGOTA PDPI DI SELURUH INDONESIA,” 2008. [Online]. Available:

http://www.klikpdpi.com/index.php?mod=content&sel=18. [Accessed: 20-Aug-2018].

Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control

[5] Asnawati, R. P. Bendriyanti, and H. Aspriono, “SISTEM PAKAR MENDETEKSI PENYAKIT ASMA PADA PUSKESMAS LINGKAR TIMUR

BENGKULU,” J. Media Infotama, vol. 9, no. 2, pp. 162–205, 2013. [6] A. Saputra, “PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI PENYAKIT PARU-PARU MENGGUNAKAN METODE CERTAINTY

FACTOR,” IT J., vol. 4, no. 2, pp. 109–120, 2017. [7] F. Wanita, “Sistem pakar deteksi dini penyakit dengan gejala sesak nafas menggunakan metode forward chaining,” in Prosiding Seminar

Nasional Ilmu Komputer dan Teknologi Informasi, 2017, vol. 2, no. 2, pp. 74–79. [8] R. Kurnia, R. Rahmadewi, and F. Aini, “DETEKSI DINI PENYAKIT PARU DENGAN METODA BAYESIAN Abstrak,” in National

Conference of Applied Sciences, Engineering, Business and Information Technology, 2016, pp. 15–16. [9] M. M. Mehdy, P. Y. Ng, E. F. Shair, N. I. Saleh, and C. Gomes, “Artificial Neural Networks in Image Processing for Early Detection of

Breast Cancer,” Comput. Math. Methods Med., vol. 2017, 2017. [10] R. K. Purwar and V. Srivastava, “Recent Advancements in Detection of Cancer Using Various Soft Computing Techniques for MR

Images,” Prog. Adv. Comput. Intell. Eng., pp. 99–108, 2018. [11] P. Zarbakhsh, A. Abdoljalil, and D. Hasan, “Early detection of breast cancer using optimized ANFIS and features selection,” in 9th

International Conference on Computational Intelligence and Communication Networks, 2017, pp. 39–42. [12] K. Jinsa and G. K., “Lung cancer classification using fuzzy logic for CT images,” Int. J. Med. Eng. Informatics, vol. 7, no. 3, pp. 233–249,

2015. [13] S. Reema and R. Kochher, “Tuberculosis Recognition & - it ’ s Analysis using Adaptive Neuro Fuzzy Inference System-ANFIS,” in

International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS-2017) Tuberculosis, 2017, pp. 1415–1419.

[14] S. K. Meenakshi and R. C.S., “An Efficient ANFIS based Approach for Screening of Chronic Obstructive Pulmonary Disease (COPD) from Chest CT Scans with Adaptive Median Filtering.pdf,” Asian J. Sci. Res., vol. 7, no. 1, pp. 18–32, 2014.

[15] V. Pregled, S. Smilji, B. Radovi, A. Ili, and G. Trajkovi, “Differences and similarities between the symptoms and clinical signs in patients with pulmonary tuberculosis and pneumonia,” Vojnosanit. Pregl., vol. 76, no. 2, pp. 192–201, 2019.

[16] C. E. Mosher, M. A. Ott, N. Hanna, S. I. Jalal, and V. L. Champion, “Coping with Physical and Psychological Symptoms: A Qualitative Study of Advanced Lung Cancer Patients and their Family Caregivers,” Support Care Cancer, vol. 23, no. 7, pp. 2053–2060, 2016.

[17] J. S. Jang, “ANFIS : Adaptive Network-Based Fuzzy Inference System,” IEEE Trans. Syst. Man. Cybern., vol. 23, no. 3, pp. 1–21, 1993. [18] S. Chiu, “Method and software for extracting fuzzy classification rules by subtractive clustering,” in Proceedings of North American Fuzzy

Information Processing, 1996, pp. 461–465.

Mochamad Yusuf Santoso <yusuf.santoso@ppns.ac.id>

[KINETIK] Submission Acknowledgement1 message

Agus Eko Minarno <kinetik@umm.ac.id> Sat, Nov 16, 2019 at 3:17 AMTo: Mochamad Yusuf Santoso <yusuf.santoso@ppns.ac.id>

The following message is being delivered on behalf of KINETIK.________________________________________________________________________Mochamad Yusuf Santoso:

Thank you for submitting the manuscript, "An application of ANFIS for lungdiseases early detection system" to Kinetik: Game Technology, InformationSystem, Computer Network, Computing, Electronics, and Control. With theonline journal management system that we are using, you will be able totrack its progress through the editorial process by logging in to thejournal web site:

Manuscript URL:http://kinetik.umm.ac.id/index.php/kinetik/author/submission/996Username: mysantoso

If you have any questions, please contact me. Thank you for considering thisjournal as a venue for your work.

Agus Eko MinarnoKinetik: Game Technology, Information System, Computer Network, Computing,Electronics, and Control________________________________________________________________________KINETIKhttp://kinetik.umm.ac.id/index.php/kinetik