Optimasi Model Himpunan Keanggotaan Fuzzy Menggunakan Algoritme Evolution Strategies (Pada Data Diagnosis Penyakit Sapi Potong)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 8, Juni 2017, hlm. 668-677

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Optimasi Model Himpunan Keanggotaan Fuzzy Menggunakan Algoritme Evolution Strategies (Pada Data Diagnosis Penyakit Sapi Potong) Dyan Putri Mahardika1, Wayan Firdaus Mahmudy2, Agus Wahyu Widodo3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Semakin meningkatnya jumlah konsumsi harian daging sapi maka diperlukannya pengawasan terhadap ketersediaan daging sapi yang berkualitas baik, yaitu daging sapi yang terbebas dari bibit penyakit. Pada penelitian ini akan dibuat sebuah sistem yang dapat menyelesaikan persoalan bersifat subjektif, tidak jelas dan samar, yaitu diagnosis penyakit pada sapi potong, adanya informasi yang bersifat subjektif mengenai gejala penyakit, maka diagnosis dapat dilakukan menggunakan sistem inferensi fuzzy. Untuk mendapatkan akurasi yang tinggi, maka himpunan keanggotaan fuzzy perlu ditentukan secara tepat. Untuk mendapatkan solusi terbaik atau dalam hal ini merupakan himpunan keanggotaan fuzzy yang tepat dapat dilakukan menggunakan metode Evolution Strategies. Akurasi dari sistem ini didapatkan dengan mencocokan hasil diagnosis sistem dan hasil diagnosis pakar dengan menggunakan 51 data uji menghasilkan tingkat akurasi sebesar 95.49% menggunakan metode fuzzy. Setelah dilakukan optimasi terhadap himpunan keanggotaan fuzzy menggunakan metode ES menghasilkan tingkat akurasi yang lebih baik yaitu 97.45% dengan parameter ES terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Kata Kunci: diagnosis penyakit sapi potong, optimasi, logika fuzzy, evolution strategies

Abstract The increasing number of daily consumption of beef, it is need to monitoring the availability of goodquality beef, which is free from germs. In this research will be created a system that can be solve the subjective, unclear and vague problem, that is cattle disease diagnose, the existence of subjective information about the symptoms of the disease, then the diagnosis can be done using a fuzzy inference system. To obtaining the high accuracy, the set of fuzzy membership needs to be determined precisely. To get the best solution or in this case is the set of fuzzy membership can be done using Evolution Strategies method. The accuracy of the system is obtained by matching the results of the diagnosis and the diagnosis expert system using 51 generates test data accuracy rate of 95.49% using fuzzy. After optimization of the fuzzy set membership using evolution strategies (ES) produces better accuracy rate is 97.45% with the best parameters obtained ES is the population size of 80, offspring size of 10μ, and the amount of generation by 50. Keywords: cattle disease diagnose, optimization, fuzzy logic, evolution strategies

angka jumlah penduduk setiap tahun menyebabkan jumlah konsumsi harian daging sapi juga terus mengalami peningkatan (Ilham, 1998). Untuk dapat memenuhi kebutuhan akan konsumsi daging sapi maka diperlukan pengawasan terhadap ketersediaan daging sapi yang berkualitas baik. Daging sapi yang memiliki kualitas baik haruslah terbebas dari bibit penyakit (Tyas, Soebroto & Furqon, 2015). Dalam menentukan daging sapi yang berkualitas baik, dapat dilihat dari hewan sapi yang memang

1. PENDAHULUAN Kebutuhan pangan merupakan kebutuhan pokok bagi kehidupan manusia. Beberapa bahan pangan yang biasa dikonsumsi dapat berasal dari nabati dan hewani. Salah satu kebutuhan hewani yang sering dikonsumsi oleh manusia biasanya berasal dari produk ternak yang dapat memenuhi asupan gizi bagi manusia yaitu daging sapi (Gustiani, 2009). Dengan semakin tingginya Fakultas Ilmu Komputer Universitas Brawijaya

668

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

sehat atau tidak terjangkit penyakit. Untuk mencegah sejak dini adanya penyakit yang menyerang sapi dapat dilakukan dengan melihat gejala-gejala yang mungkin timbul akibat penyakit yang menyerang sapi sehingga dapat dilakukan diagnosis penyakit sejak dini. Gejalagejala yang muncul akan dijadikan sebagai informasi dalam melakukan diagnosis terhadap sapi potong, namun setiap informasi yang diberikan bersifat subjektif atau dalam arti lain dapat berbeda-beda pada masing-masing orang yang memberikan informasi. Adanya ketidakjelasan terhadap suatu informasi gejala yang diberikan menyebabkan diagnosis penyakit akan susah dilakukan. Logika fuzzy merupakan suatu metode yang dapat digunakan untuk memecahan sebuah persoalan yang bersifat subjektif, tidak jelas dan samar. Sehingga proses diagnosis yang bersifat subjektif dapat menggunakan metode fuzzy. Dengan perkembangan teknologi saat ini dapat memudahkan peternak sapi dalam mendiagnosis penyakit yang diderita oleh sapi, salah satunya sistem pakar yang telah dikembangkan oleh Nisak, Soebroto, dan Furqon (2015) dengan menggunakan metode FIS Tsukamoto. Pada penelitian tersebut melakukan diagnosis penyakit pada sapi potong dengan metode FIS Tsukamoto menggunakan 20 parameter dan 11 jenis penyakit yang di deteksi dengan menghasilkan tingkat akurasi sebesar 92,3%, 55,38%, dan 96,15%. Logika fuzzy juga sudah banyak digunakan dalam beberapa permasalahan diagnosis penyakit, seperti penelitian yang telah dilakukan oleh Parewe dan Mahmudy (2016) menggunakan logika fuzzy untuk mendiagnosis penyakit gigi dengan nilai akurasi yang cukup tinggi yaitu 85%, namun nilai akurasi tersebut masih dapat ditingkatkan lagi dengan melakukan optimasi terhadap fungsi keanggotaan dan rule nya (Parewe, 2016). Dalam peyelesaian masalah optimasi biasanya digunakan metode metaheuristik yang menerapkan perhitungan kecerdasan buatan. Terdapat beberapa algoritme yang biasa digunakan dalam permasalahan optimasi adalah algoritme evolusi, seperti algoritme Particle Swarm Optimazation(PSO), Algoritme Genetika(AG), dan algoritme Evolution Strategies(ES). Salah satu algoritme yaitu ES merupakan algoritme yang menggunakan vektor bilangan pecahan dalam menyajikan solusi. Algoritme ini lebih menekankan pada operator mutasi. Dalam mengontrol nilai parameter yang Fakultas Ilmu Komputer, Universitas Brawijaya

669

selalu berubah ES menggunakan mekanisme self-adaptation (Mahmudy, 2013). Penelitian sebelumnya oleh Azizah, Cholissodin dan Mahmudy (2015) menggunakan Algoritma Genetika untuk menentukan fungsi keanggotaan pada fuzzy Tsukamoto dalam permasalahan menentukan harga jual rumah, penggunaan Algoritma Genetika pada penelitian tersebut dapat mengurangi adanya nilai eror, nilai eror yang dihasilkan dengan mengoptimasi batasan dari fuzzy Tsukamoto sebesar 0.1369. Penelitian lainnya oleh Zulfa dan Mahmudy (2016) yang menggunakan algoritme Evolution Strategies untuk mengoptimasi batasan dari metode Fuzzy Mamdani dalam menentukan kualitas air sungai dapat meningkatkan akurasi menjadi 98% dari sebelumnya yaitu 93,33% tanpa melakukan optimasi menggunakan algoritme Evolution Strategies. Pada penelitian ini dilakukan optimasi terhadap himpunan keanggotaan fuzzy pada setiap parameter gejala penyakit pada data diagnosis penyakit sapi potong menggunakan metode Evolution Strategies sehingga dapat menghasilkan tingkat akurasi yang lebih baik. 2. PENYAKIT PADA SAPI POTONG

Tidak

sedikit

yang

melakukan

pemotongan sapi dengan kriteria sapi ternak non produktif untuk bisa mencukupi permintaan pasar akan daging sapi yang bisa menurunkan populasi sapi (Yuliati et. al., 2014). Namun selepas dari itu semua, kesehatan dari sapi potong merupakan hal penting dari keberhasilan usaha peternakan. Terdapat sebuah perumpamaan, mencegah lebih baik daripada mengobati. Artinya, akan muncul tindakan untuk mencegah datangnya penyakit sapi potong dengan melakukan sanitasi, vaksinasi dan pelaksanaan. Cukup banyak penyakit yang menyerang sapi potong seperti Mastitis, Anthrax, Brucellosis, Septicemia Epizootica, Cacingan dan lainnya (Zulfikar,2014). Pada umumnya penyakit yang menyerang hewan adalah penyebab hewan menjadi tidak produktif lagi. Ciri-ciri dari hewan yang sehat adalah bebas dari penyakit yang menular dan tidak menular, tidak mengandung bahan yang bisa merugikan konsumen, dan mampu berproduksi secara maksimal (Zulfikar, 2014). Sebuah peternakan biasanya berada di daerah terpencil, dengan kondisi sulit untuk mendiagnosis penyakit. Umumnya, sulit untuk mendiagnosis penyakit dengan cepat dan akurat.


Tapi peternakan bisa mendiagnosis penyakit hewan dengan cepat dan akurat dengan bantuan sebuah sistem(Long, 2014). Daftar penyakit dan gejalanya yang bisa menyerang sapi potong berdasarkan penelitian yang telah dilakukan oleh Nisak (2015) dapat dilihat pada Tabel 1 berikut ini. Tabel 1. Daftar Penyakit Sapi Potong Beserta Gejalanya N o

Penyakit

1

Abses

2

Askariasis

3

BEF

4

Bloat

5

Endometriti s

6

Entritis

7

Mastitis

8

Omphaliti s

9

Pneumoni a

10

Retensio

11

Scabies

Gejala Bengkak Tinggi Demam Sedang dan Tinggi Bulu Kusam Bulu Berdiri Kurus Sedang dan Tinggi Nafsu Makan Berkurang Sedang dan Tinggi Diare Sedang dan Tinggi Diare Berdarah Sedang dan Tinggi Demam Tinggi Nafsu Makan Berkurang Sedang Keluar Ingus Sedang Pincang Nafsu Makan Berkurang Sedang dan Tinggi Diare Sedang Kembung Sesak Nafas Sedang dan Tinggi Demam Sedang Nafsu Makan Berkurang Sedang Keluar Lendir Vulva Demam Sedang Kurus Sedang dan Tinggi Nafsu Makan Berkurang Sedang Diare Tinggi Diare Berdarah Sedang dan Tinggi Demam Tinggi Nafsu Makan Berkurang Sedang Mamae Keras Demam Sedang dan Tinggi Nafsu Makan Berkurang Sedang Bengkak Sedang dan Tinggi Muncul Belatung Demam Tinggi Nafsu Makan Berkurang Sedang dan Tinggi Keluar Ingus Tinggi Sesak Nafas Tinggi Demam Sedang Nafsu Makan Berkurang Sedang Plasenta Tertinggal Bau Busuk Bulu Rontok Nafsu Makan Berkurang Sedang dan Tinggi Gatal-gatal Kulit Kasar

3. LOGIKA FUZZY Konsep dasar dari logika fuzzy adalah konsep ketidakpastian. Menurut pencetus logika fuzzy dasar dari sebuah himpunan fuzzy adalah himpunan crisp atau himpunan untuk Fakultas Ilmu Komputer, Universitas Brawijaya

670

menggolongkan anggota dari himpunannya memiliki nilai 0 atau 1, nilai 1 berarti nilai tersebut termasuk dalam anggota himpunan dan nilai 0 berarti tidak termasuk dalam anggota himpunan (Djunaidi, 2005). Namun pada himpunan fuzzy nilai keanggotaanya berada antara nilai 0 dan 1 (Fechera et al., 2012). 3.1. Sistem Inferensi Fuzzy Pada proses inferensi fuzzy terdapat tiga tahapan utama yang harus dilakukan, yaitu (parewe, 2016): 1. Fuzzyfikasi Proses fuzzyfikasi adalah mengubah data yang memiliki nilai tegas menjadi variable linguistik dengan menggunakan fungsi keanggotaan sehingga dapat dihasilkan derajat keanggotaan yang memiliki nilai linguistik dari masing-masing variable linguistik. Nilai dari derajat keanggotaan inilah yang akan digunakan sebagai input pada proses inferensi sistem sesuai dengan aturan-aturan yang ada. 2. Inferensi Proses inferensi dilakukan dengan memenuhi atura-aturan pada rule base yang sudah ditetapkan. Pada metode ini fungsi implikasi menggunakan operator AND atau fungsi min dan fungsi ini akan memotong output himpunan fuzzy. 3. Defuzzyfikasi Proses defuzzyfikasi adalah mengubah nilai fuzzy menjadi nilai crisp dengan menggunakan fungsi keanggotaan (Wicaksono, 2016). Pada metode ini output dari proses defuzzyfikasi didapatkan dari nilai terbesar dari nilai 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 dari beberapa aturan yang memenuhi, dan dapat dilihat pada persamaan (1). 𝑧 = 𝑚𝑎𝑥 (𝛼1 ∩ 𝛼2,… ∩ 𝛼𝑛 )

(1)

3.2. Siklus Sistem Inferensi Fuzzy Untuk menyelesaikan permasalahan diagnosis penyakit pada sapi potong menggunakan metode sistem inferensi fuzzy yang harus dilakukan yaitu membentuk sebuah himpunan keanggotaan fuzzy. Dengan adanya domain batasan-batasan setiap gejala yang diperoleh dari pakar, pertama melakukan proses fuzzyfikasi untuk mendapatkan nilai derajat keanggotaan setiap gejala, selanjutnya melakukan proses iferensi dengan fungsi implikasi(aturan) sesuai dengan rule yang tersedia dengan menggunakan fungsi min atau mencari nilai terkecil(𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡). Hasil


keluaran proses inferensi berupa nilai diskrit atau terdapat lebih dari satu macam objek yang sudah jelas hasil diagnosis penyakitnya, sehingga setiap nilai 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 masingmasing rule dalam satu data uji di pilih nilai yang paling besar untuk menentukan penyakit pada data uji tersebut dari proses inferensi yang dilakukan. Pembentukan himpunan fuzzy dilakukan untuk setiap gejala penyakit. Pada penelitian sebelumnya yang dilakukan oleh Nisak, Soebroto & Furqon (2015), didapatkan nilai domain dan nilai skor untuk masing-masing gejala yang dibuat oleh knowledge engineer atas persetujuan dari pakar atau dokter hewan, nilai skor yang diberikan oleh pakar berdasarkan atas semesta pembicara yang telah dibuat, dan nilai skor tersebut yang akan dijadikan sebagai nilai inputan dari rule yang terpenuhi. Nilai domain dan nilai skor dapat dilihat pada Tabel 2. Tabel 2. Nilai Skor dan Domain Gejala No

Gejala

1

Bengkak

2

Demam

3

Diare

4

Diare berdarah

5

Keluar ingus

6

Kurus

7

Nafsu makan berkurang

8

Sesak nafas

9 10 11 12 13

Berbau Busuk Bulu berdiri Bulu kusam Bulu Rontok Gatal-gatal Keluar lender vulva Kembung Kulit kasar Mamae keras Muncul belatung Pincang Plasenta tertinggal

14 15 16 17 18 19 20

Tingkat Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Ya Ya Ya Ya Ya

Nilai Skor 0 60 95 0 53 79 0 63 83 0 12 29 0 55 79 0 21 77 0 41 73 0 69 99 90 90 90 90 90

Domain 0-50 25-75 50-100 0-60 50-70 60-80 0-65 60-80 65-85 0-15 1 0 - 20 15-30 0-60 40-75 60-80 0-30 1 0-50 30-80 0-45 30-60 45-75 0-80 40-90 80-100 0-100 0-100 0-100 0-100 0-100

Ya

90

0-100

Ya Ya Ya Ya Ya Ya

90 90 90 90 90 90

0-100 0-100 0-100 0-100 0-100 0-100

Fakultas Ilmu Komputer, Universitas Brawijaya

671

Contoh gejala yang muncul : Diare Tinggi Demam Sedang Nafsu Makan Berkurang Sedang Kurus Sedang Dari gejala yang ada dilakukan pencarian rule yang memiliki gejala-gejala yang sama. Kemudian melakukan tahapan pada logika fuzzy sebagai berikut ini. 1. Himpunan Fuzzy (Fuzzyfikasi) Berdasarkan penelitian yang dilakukan oleh Nisak, Soebroto & Furqon (2015) didapatkan 112 rule, dari 112 rule tersebut terdapat 2 rule dengan gejala-gejala yang memenuhi dengan gejala-gejala pada kasus 1 yaitu rule 78,79, dan 81. Gejala dari ketiga rule yang memenuhi kasus 1 digunakan sebagai variabel input, dan penyakit pada kedua rule tersebut sebagai variabel output. Sedangkan nilai skor yang dijadikan sebagi variabel inputan yang diberikan berdasarkan Tabel 2 yang dijabarkan didapatkan hasil fuzzyfikasi yang dapat dilihat pada Tabel 3. Tabel 3. Hasil Fuzzyfikasi Rule

78

79

81

Gejala

Fuzzyfikasi

Kurus Sedang Nafsu makan berkurang Sedang Diare berdarah Tinggi Demam Sedang Diare Tinggi Kurus Sedang Nafsu makan berkurang Sedang Diare berdarah Sedang Demam Sedang Diare Tinggi Kurus Sedang Nafsu makan berkurang Sedang Diare Tinggi Demam Sedang

0.55 0.73 0.14 0.3 0.2 0.55 0.73 0.4 0.3 0.2 0.55 0.73 0.2 0.3

2. Inferensi Fungsi implikasi yang digunakan pada penelitian kali ini adalah fungsi min (minimum), dengan mencari nilai minimum dari hasil fuzzyfikasi setiap antesendennya. Proses perhitungan implikasi menggunakan persamaan (2), ditunjukkan sebagai berikut: 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 = 𝑀𝐼𝑁(𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 )

(2)

Contoh perhitungan fungsi implikasi pada rule ke 78 dengan menggunakan persamaan (2) seperti dibawah ini.


𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡78 = 𝑀𝐼𝑁(𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [𝑥6 ] ∩ 𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [𝑥7 ] ∩ 𝜇 𝑇𝑖𝑛𝑔𝑔𝑖 [𝑥4 ] ∩ 𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [𝑥2 ] ∩ 𝜇 𝑇𝑖𝑛𝑔𝑔𝑖 [𝑥3 ] )

672 Tabel 5. Hasil Defuzzyfikasi

Rule

= 𝑀𝐼𝑁(𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [0,55] ∩ 𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [0,73] ∩ 𝜇 𝑇𝑖𝑛𝑔𝑔𝑖 [0,14] ∩ 𝜇𝑆𝑒𝑑𝑎𝑛𝑔 [0,3] ∩ 𝜇 𝑇𝑖𝑛𝑔𝑔𝑖 [0,2] = MIN(0.55 , 0.73 , 0.14 , 0.3 , 0.2)

Diagnosis Pakar

78

enteritis

79

enteritis

81

enteritis

Fuzzyfikasi

= 0.14

Berikut ini merupakan hasil dari proses implikasi yang dapat dilihat pada Tabel 4. Tabel 4. Hasil Implikasi RULE

78

79

81

GEJALA

Fuzzyfikasi

Kurus Sedang Nafsu makan berkurang Sedang Diare berdarah Tinggi Demam Sedang Diare Tinggi Kurus Sedang Nafsu makan berkurang Sedang Diare berdarah Sedang Demam Sedang Diare Tinggi Kurus Sedang Nafsu makan berkurang Sedang Diare Tinggi Demam Sedang

0.55

Implikasi (MIN)

0.73 0.14

0.14

0.55 0.73 0.14 0.3 0.2 0.55 0.73 0.4 0.3 0.2 0.55 0.73 0.2 0.3

Implikasi (MIN)

Defuzzyfikasi (MAX)

0.14

0.2

0.2

0.2

Sehingga untuk contoh gejala yang ada menghasilkan diagnosis penyakit enteritis. Untuk hasil perbandingan diagnosis pakar dan diagnosis perhitungan menggunakan fuzzy terdapat pada Tabel 6.

0.3 0.2 0.55

4. ALGORITME EVOLUTION STRATEGIES

0.73

Evolution strategis (ES) merupakan sebuah metode heuristic yang menggunakan vektor bilangan pecahan untuk mendapatkan solusi optimal. Pada metode ini lebih menekankan pada pengendalian mutasi bukan pada proses rekombinasi. Notasi yang digunakan pada metode ini adalah 𝜇 (𝑚𝑖𝑢) sebagai ukuran populasi dan 𝜆 (lamda) sebagi jumlah sulusi yang dihasilkan. Ada 4 jenis proses pada metode ini, yaitu :

0.4

0.2

0.3 0.2 0.55 0.73

0.2

0.2 0.3

3. Defuzzyfikasi Proses defuzzyfikasi yang dilakukan yaitu melakukan proses penentuan keputusan penyakit dengan menarik kesimpulan berdasarkan hasil inferensi aturan yang telah dilakukan merupakan nilai diskrit sehingga dilakukan dengan menentukan nilai terbesar dari derajat keanggotaannya menggunakan persamaan (1) seperti dibawah ini. 𝑍 = 𝑀𝐴𝑋 (𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡1 ∩ 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡2 ∩ 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡3 , . . . 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡𝑛 )

Contoh perhitungan defuzzyfikasi dengan menggunakan persamaan (1) seperti pada Tabel 5 dibawah ini.

1.

𝐸𝑆(𝜇, 𝜆)

Proses yang dilakukan adalah proses reproduksi tanpa rekombinasi dan proses seleksinya hanya melibatkan offspring. 2.

𝜇

𝐸𝑆( 𝑟 , 𝜆)

Proses yang dilakukan adalah proses reproduksi yang menggunakan rekombinasi dan proses seleksi hanya melibatnya offspring. 3.

𝐸𝑆(𝜇 + 𝜆)

Proses yang dilakukan adalah proses reproduksi tanpa rekombinasi dan proses seleksi melibatkan offspring dan induk. 4.

𝜇

𝐸𝑆 ( 𝑟 + 𝜆)

Proses yang dilakukan adalah proses reproduksi menggunakan rekombinasi dan proses seleksi melibatkan offspring dan induk.



Berikut ini merupakan diagram alir dari proses algoritme Evolution Strategies yang ditunjukkan pada Gambar 1. Mulai

Input data, jumlah generasi , ukuran populasi (µ), Offspring (λ)

Inisialisasi Populasi awal For int i=1 to jumlah generasi

673

rekombinasi dan dalam proses seleksinya melibatkan induk dan offspring. Hasil dari proses reproduksi akan digunakan untuk menghitung nilai fitness setiap individu yang selanjutnya akan diseleksi dan dipilih individu yang memiliki nilai fitness terbaik. 5. IMPLEMENTASI Implementasi antarmuka pada sistem optimasi himpunan keanggotaan fuzzy menggunakan algoritme Evolution Strategies adalah berbasis desktop, dengan 4 buah halaman yang tersedia antara lain halaman beranda, halaman aturan, halaman proses, dan halaman hasil. 5.1. Halaman Beranda

Mutasi

Perhitungan Fitness (Sistem inferrensi fuzzy)

Seleksi

Pada halaman beranda menampilkan 51 data uji yang digunakan pada sistem, dan pada halaman ini menampilkan form input dari parameter algoritme Evolution strategies yaitu ukuran populasi, ukuran offspring, dan banyaknya generasi. Hasil implementasi antarmuka halaman beranda ditunjukkan pada Gambar 2.

i++

Kromosom Terbaik

Selesai

Gambar 1. Diagram Alir Algoritme Evolution Strategies

Pada gambar diagram alir diatas tahapan yang dilakukan dalam algoritme evolution strategies secara umum adalah generate populasi awal, reproduksi, perhitungan nilai fitness, dan seleksi. Dalam permasalahan yang dihadapi, setelah melakukan inputan berupa gejala-gejala yang dialami oleh sapi dan parameter ES, maka sistem akan melakukan generate populasi awal yang merupakan nilai acak dari batasan-batasan setiap gejala. Setelah populasi awal terbentuk dilakukan perhitungan sistem inferensi fuzzy menggunakan nilai batasan-batasan tersebut dan melakukan perulangan untuk proses reproduksi yang akan menghasilkan offspring. Proses reproduksi yang digunakan pada permasalahan kali ini adalah ES(𝜇 + 𝜆), yaitu proses reproduksi yang dilakukan tanpa menggunakan proses Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 2. Implementasi Halaman Beranda

5.2. Halaman Aturan Pada halaman aturan menampilkan data aturan atau rule base yang digunakan pada sistem inferensi fuzzy. Hasil implementasi antarmuka halaman aturan ditunjukkan pada Gambar 3.

Gambar 3. Implementasi Halaman Aturan


5.3. Halaman Proses Pada halaman proses menampilkan individu pada populasi awal dan individu pada generasi terakhir setelah proses optimasi dilakukan. Hasil implementasi antarmuka halaman proses ditunjukkan pada Gambar 4.

674

terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Dari percobaan yang telah dilakukan berhasil mendapatkan himpunan keanggotan fuzzy yang tepat sehingga dapat memberikan diagnosis yang lebih akurat dengan nilai akurasi sebesar 97.45%. Hasil nilai batasan dari himpunan keanggotaan fuzzy terdapat pada Tabel 6 dan hasil perbandingan diagnosis terdapat pada Tabel 7. 7. KESIMPULAN

Gambar 4. Implementasi Halaman Proses

5.4. Halaman Hasil Pada halaman hasil menampilkan hasil batasan dari himpunan keanggotaan fuzzy yang baru setelah dilakukan proses optimasi, selain itu juga menampilkan nilai akurasi sistem sebelum dan sesudah dilakukan optimasi. Hasil implementasi antarmuka halaman hasil ditunjukkan pada Gambar 5.

Gambar 5. Implementasi Halaman Hasil

6. PENGUJIAN Pengujian yang dilakukan pada algoritme Evolution Strategies ada 3 macam yaitu pengujian ukuran populasi (miu) dan offspring (lambda) yang bertujuan untuk mengetahui pengaruh jumlah ukuran populasi dan lamda yang diberikan untuk inputan, yang ketiga pengujian banyaknya generasi dengan menggunakan ukuran populasi dan lambda terbaik dari pengujian sebelumnya yang bertujuan untuk mengetahui pengaruh banyaknya generasi yang digunakan sebagai inputan. Berdasarkan pengujian yang telah dilakukan, parameter Evolution Strategies Fakultas Ilmu Komputer, Universitas Brawijaya

Penggunaan algoritme Evolution Strategies berhasil digunakan dalam menentukan nilai batasan dari himpunan keanggotaan fuzzy yang dapat memberikan nilai diagnosis yang lebih akurat, hal tersebut dapat ditunjukkan dengan hasil diagnosis yang lebih mendekati dengan diagnosis dari pakar setelah melakukan optimasi terhadap himpunan keanggotaan pada fuzzy. Dari pengujian yang telah dilakukan sesuai dengan skenario yang telah dibuat sebelumnya, berhasil mendapatkan parameter Evolution Strategies yang tepat dalam memberikan sebuah representasi solusi. Adapun parameter terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Pada percobaan yang telah dilakukan, nilai fitness terbaik yang pernah didapatkan sebesar 97.45%. Kelayakan/akurasi dari optimasi sistem inferensi fuzzy menghasilkan peningkatan sebesar 1.96%. Pada sistem inferensi fuzzy menghasilkan nilai akurasi sebesar 95.49%, sedangkan setelah dilakukan optimasi menggunakan Evolution Strategies menghasilkan nilai akurasi sebesar 97.45%. Dalam penelitian mengenai optimasi model himpunan keanggotaan fuzzy yang telah dilakukan, proses yang digunakan adalah 𝐸𝑆(𝜇 + 𝜆) , untuk kedepannya dapat dilakukan pengembangan lagi dengan menggunakan 3 proses lainnya dari algoritme Evolution Strategies, sehingga dapat dijadikan pembanding dengan proses yang telah digunakan pada penelitian ini. Selain itu metode seleksi yang digunakan juga dapat menggunakan metode lainnya selain elitism selection, misalnya roulette wheel dan binary tournament.


DAFTAR PUSTAKA AZIZAH, E, N., CHOLISSODIN, I., MAHMUDY, W. F. 2015. Optimasi fungsi keanggotaan fuzzy tsukamoto menggunakan algoritma genetika untuk penentuan harga jual rumah. Journal of Environmental Engineering & Sustainable Technology. vol. 2, no. 2, pp. 79-82. DJUNAIDI, M., SETIAWAN, A. 2005. Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy – Mamdani. Jurusan Teknik Industri. Universitas Muhammadiyah Surakarta. GUSTIANI, E. 2009. Pengendalian Cemaran Mikroba Pada Bahan Pangan Asal Ternak (Daging dan Susu) Mulai Dari Peternak Sampai DIhidangkan. Balai Pengkajian Teknologi Pertanian. Jawa Barat. KBBI (Kamus Besar Bahasa Indonesia) ,2017 [Online] Available at : http://kbbi.web.id/sapi. [Accessed 1 Januari 2017] KUSUMADEWI, S. & PURNOMO, H. 2013. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu: Yogyakarta. MAHMUDY, W. F. 2013. Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Malang. MILLAH, H., MAHMUDY, W. F. 2015. Implementasi Algoritma Evolution Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong, DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.5, no.11. NISAK, A., SOEBROTO, A. A. & FURQON, M. T. 2015. Sistem Pakar Diagnosis Penyakit Pada Sapi Potong Dengan Metode Fuzzy Inference System Tsukamoto (Studi Kasus Pos Keswan Kecamatan Nganjuk). DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.6, no.5. PAREWE, A. M. A. K., MAHMUDY, W.F. 2016. Dental Diseases Identification Using Fuzzy Inference System. Journal of Enfironmental Engineering & Sustainable Technology. Vol. 03 No. 01, July 2016, Pages 33-41. Fakultas Ilmu Komputer, Universitas Brawijaya

675

S, SIVAGOWRY., M, DURAIRAJ. 2015. An Intelligent System based on Fuzzy Inference System to prophesy the brutality of Cardio Vascular Diseases. ACSIJ Advances in Computer Science: an International Journal, Vol. 4, Issue 6, No. 18, November 2015. SUHARTO, M. 2004. Dukungan Teknologi Pakan Dalam Usaha Sapi Potong Berbasis Sumberday Lokal. Lokakarya Nasional Sapi Potong 2004. Surakarta. TYAS, R. D. O., SOEBROTO, A.A. & FURQON, M. T. 2015. Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Fuzzy KNearest Neighbour. Journal of Enviromental Engineering and Sustainable Technology, 2, 58-66. WAN. L., BAO, W. 2014. Animal Disease Diagnoses Expert System Basedon SVM. Department of Computer Science and Engineering, The North University for Ethnics, Yinchuan Ningxia, P. R. China 750021. WICAKSONO, B., NHITA, F., MURDIANSYAH, D.T. 2016. Optimization of Fuzzy Inference System’s Parameter Using Evolutionary Programming Algorithm for Teacher Certification In Indonesia. Fourth International Conference on Information and Comunication Technologies (IColCT). YULIATI, I., FANANI, Z., HARTONO, B. 2014. Analisis Proffitabilitas Usaha Penggemukan Sapi Potong (Studi Kasus Di Kelompok Tani Ternak Gunungrejo Makmur II Desa Gunungrejo Kecamatan Kedungpring Kabupaten Lamongan). ZULFA, I, MAHMUDY, WF. 2016. Optimasi Model Fuzzy Mamdani Dalam Penentuan Kualitas Air Sungai Dengan Menggunakan Algoritma Evolution Strategies. DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.7, no.25. ZULFIKAR. 2012. Gambaran Penyakit Infeksius Pada Ternak Sapi dan Cara Pencegahan. Jurnal Lentera Vol.12 No.4 Desember 2012.


676

LAMPIRAN Tabel 6. Hasil Perbandingan Diagnosis Data Kasus

Diagnosis Pakar

Hasil Sistem Inferensi Fuzzy

Hasil Sistem Inferensi Fuzzy + ES

1 2

BEF BEF

3

BEF

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Bloat Bloat Bloat Enteritris Enteritris Enteritris BEF Enteritris Endometritis Endometritis Ascariasis Ascariasis Ascariasis Ascariasis Scabies Scabies Retensio Secundinarium Retensio Secundinarium Pneunomia Pneunomia Abses Mastitis Omphalitis Abses Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis BEF Bloat Bloat Bloat Bloat Bloat Enteritris Enteritris Omphalitis Omphalitis Retensio Secundinarium Scabies Scabies Scabies

BEF BEF BEF, Mastitis, Omphalitis, Pneunomia, Retensio Secundinarium Bloat Bloat Bloat Enteritris Enteritris Enteritris BEF Enteritris Endometritis Endometritis Ascariasis Ascariasis Ascariasis Ascariasis Scabies Scabies

BEF BEF BEF, Mastitis, Omphalitis, Pneunomia, Retensio Secundinarium Bloat Bloat Bloat Enteritris Enteritris Enteritris BEF Enteritris Endometritis Endometritis Ascariasis Ascariasis Ascariasis Ascariasis Scabies Scabies

Retensio Secundinarium




Pneunomia, Bloat Pneunomia Abses, Omphalitis Mastitis Omphalitis Abses, Omphalitis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis BEF Bloat Bloat Bloat Bloat Bloat Enteritris Enteritris Omphalitis Omphalitis

Pneunomia Pneunomia Abses Mastitis Omphalitis Abses, Omphalitis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis Ascariasis BEF Bloat Bloat Bloat Bloat Bloat Enteritris Enteritris Omphalitis Omphalitis



Scabies Scabies Scabies

Scabies Scabies Scabies

20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51



677

Tabel 7. Hasil Batasan Himpunan Keanggotaan Setelah Optimasi Inisialisasi Gejala

Gejala

1

Bengkak

2

Demam

3

Diare

4

Diare berdarah

5

Keluar ingus

6

Kurus

7

Nafsu makan berkurang

8

Sesak nafas

9 10 11 12 13 14 15 16 17 18 19 20

Berbau Busuk Bulu berdiri Bulu kusam Bulu Rontok Gatal-gatal Keluar lendir vulva Kembung Kulit kasar Mamae keras Muncul belatung Pincang Plasenta tertinggal


Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Normal Sedang Tinggi Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya

Batas Bawah

Batas Tengah

Batas Atas

0 60.83 63.7 0 14.38 59.06 0 6.22 12.08 0 9.13 19.52 0 6.14 27.53 0 14.14 36.36 0 2.36 25.06 0 60.83 63.7 0 0 0 0 0 0 0 0 0 0 0 0

30.415 62.265 81.475 7.19 36.72 62.905 3.11 9.15 29.45 4.565 14.325 23.18 3.07 16.835 53.115 7.07 25.25 57.145 1.18 13.71 36.135 30.415 62.265 81.475 39.155 25.85 18.81 2.73 20.07 35.56 36.395 47.8 24.875 39.425 47.865 35.015

60.83 63.7 99.25 14.38 59.06 66.75 6.22 12.08 46.82 9.13 19.52 26.84 6.14 27.53 78.7 14.14 36.36 77.93 2.36 25.06 47.21 60.83 63.7 99.25 78.31 51.7 37.62 5.46 40.14 71.12 72.79 95.6 49.75 78.85 95.73 70.03

Optimasi Model Himpunan Keanggotaan Fuzzy Menggunakan Algoritme Evolution Strategies (Pada Data Diagnosis Penyakit Sapi Potong)

Recommend Documents