Analisis Fungsi Keanggotaan Fuzzy Inference System Sugeno Dalam Pengklasifikasian Anemia
ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA TESIS ERLANIE SUFARNAP 107038028
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas Sumatera Utara
ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika ERLANIE SUFARNAP 107038028
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas Sumatera Utara
PERSETUJUAN
Judul Tesis
Nama Mahasiswa Nomor Induk Mahasiwa Program Studi Fakultas
: ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA
: ERLANIE SUFARNAP : 107038028 : MAGISTER TEKNIK INFORMATIKA : ILMU KOMPUTER DAN TEKNOLOGI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing Pembimbing 2
:
Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT
Diketahui/Disetujui Oleh Program Studi Magister Teknik Informatika Ketua,
Prof. Dr. Muhammad Zarlis Nip. 195707011986011003
Prof. Dr. Muhammad Zarlis
Universitas Sumatera Utara
PERNYATAAN
ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA TESIS
Saya mengakui bahwa tesis ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan masing:masing telah disebutkan sumbernya.
Medan, 23 Januari 2014 ERLANIE SUFARNAP 107038028
Universitas Sumatera Utara
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIK
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di
bawah ini :
Nama Mahasiswa
: ERLANIE SUFARNAP
Nomor Induk Mahasiwa
: 107038028
Program Studi
: Magister Teknik Informatika
Jenis Karya Ilmiah
: Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non:Eksklusif (
) atas tesis saya yang berjudul: ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO
DALAM PENGKLASIFIKASIAN ANEMIA Berserta perangkat yang ada (jika diperlukan). Dengan hak bebas royalty Non:Eksklusive ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya, selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai hak cipta.
Demikianlah pernyataan ini dibuat dengan sebenarnya.
Medan, 23 Januari 2014
ERLANIE SUFARNAP 107038028
Universitas Sumatera Utara
PANITIA PENGUJI TESIS
Telah diuji pada Tanggal : 23 Januari 2014
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis
Anggota
: 1. Prof. Dr. Iryanto,M.Si 2. Prof. Drs. Tulus, Vordipl.Math.,M.Si.,Ph.D 3. Dr. Zakarias Situmorang 4. Dr. Erna Budhiarti Nababan, MIT
Universitas Sumatera Utara
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Erlanie Sufarnap
Tempat dan Tanggal Lahir : Medan 28 Agustus 1976
Alamat Rumah
: Jl. Dr. Sumarsono No.18 Komp.Dosen USU
Medan 20154
Telepon /Fax/HP
: 085830132449
E:mail
: airlanee@yahoo.com
Instansi Tempat Bekerja : STMIK Mikroskil
Alamat Kantor
: Jl. Thamrin no.124 Medan
DATA PENDIDIKAN
1. SD St.Joseph Medan 2. SMP Negeri 1 Medan 3. SMA Negeri 4 Medan 4. Universitas Gunadarma Depok
Manajemen Informatika (S1) 5. Universitas Sumatera Utara
Magister (S2) Teknik Informatika
Tamat Tahun 1988 Tamat Tahun 1991 Tamat Tahun 1994
Tamat Tahun 1999
Tamat Tahun 2014
Universitas Sumatera Utara
ABSTRAK
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy. Metode yang digunakan adalah fuzzy inference system Sugeno dalam pengklasifikasian anemia. Kata kunci : logika fuzzy, fuzzy inference system, sugeno
Universitas Sumatera Utara
ABSTRACT
MEMBERSHIP FUNCTION ANALYSIS ON SUGENO FUZZY INFERENCE SYSTEM FOR ANEMIA CLASSIFICATION
Determination of anemia based on morphological classification will facilitate in diagnosing a patient's illness further because each of these classifications also have many possible types of illness. The fuzzy logic concept is very flexible and has a tolerance of imprecise data, and based on natural language to determine an outcome. Determination of anemia classification still frequent errors causing wrong therapy to patients. Therefore we need a system as a tool in determining whether a patient is entered on the classification of anemia which concept of fuzzy logic. The method used is the Sugeno fuzzy inference system in determining the classification of anemia. Keyword : fuzzy logic, fuzzy inference system, sugeno
Universitas Sumatera Utara
DAFTAR ISI
HALAMAN JUDUL LEMBAR PENGESAHAN PERNYATAAN ORISINALITAS PERSETUJUAN PUBLIKASI PANITIA PENGUJI RIWAYAT HIDUP UCAPAN TERIMA KASIH ABSTRAK ABSTRACT DAFTAR ISI ……………………………………………………… DAFTAR GAMBAR ……………………………………………... DAFTAR TABEL ………………………………………………… . BAB I PENDAHULUAN ……………………………………….
1.1 Latar Belakang ……………………………………. 1.2 Perumusan Masalah ……………………………….. 1.3 Batasan Masalah …………………………………… 1.4 Tujuan Penelitian ...……………………………….... 1.5 Manfaat Penelitian .………………………………… BAB II TINJAUAN PUSTAKA ………………………………….. 2.1 Logika Fuzzy ………………………………………… 2.2 Perhitungan dengan Linguistik……………………….
iv vi vii 1 1 3 3 3 3 4 4 6
Universitas Sumatera Utara
2.3 Himpunan Fuzzy ……………………………………..
7
2.4 Operasional Himpunan Fuzzy ………………………… 8
2.4.1 Operator AND …………………………………….. 9
2.4.2 Operator OR ………………………………………. 9
2.4.3 Operator NOT …………………………………….. 10
2.5 Fungsi Keanggotaan Fuzzy ……………………………… 10
2.6 Basis Aturan Fuzzy …………………………………….. 12
2.7 Struktur Dasar Logika Fuzzy……………………………. 13
2.8 Fuzzy Inference System Takagi Sugeno Kang…………… 16
2.9 Anemia. ………………………………………………….. 18
2.10 Penelitian Terkait…… …………………………………... 23
BAB 3 METODE PENELITIAN ……………………………………… 24
3.1 Data Yang Digunakan…………………………………… 24
3.2. Fuzzy Inference System ………………………………………. 25
3.2.1 Pembentukan Fungsi Keanggotaan Fuzzy Kurva
Trapesium…………………………………………… 28
3.2.2 Pembentukan Fungsi Keanggotaan Fuzzy Kurva
Segitiga………………………………………………. 32
3.2.3 Basis Pengetahuan …………………………………. 36
3.2.4 Deffuzifikasi ……………………………………….. 37
BAB 4 HASIL DAN PEMBAHASAN ……………………………….... 38
4.1 Input Nilai Himpunan Fuzzy ……………………………… 38
4.2 Proses Derajat Keanggotaan Himpunan Fuzzy.....………… 40
Universitas Sumatera Utara
4.3 Hasil Keputusan …………………………………………… 41 4.4 Analisis Hasil……………….……………………………… 43 BAB 5 KESIMPULAN DAN SARAN ………………………………… 45 5.1 Kesimpulan ……………………………………………… 45 5.2 Saran …………………………………………………….. 45 DAFTAR KEPUSTAKAAN DAFTAR PUBLIKASI ILMIAH
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1 Pengukuran dan Persepsi Gambar 2.2 Fungsi Keanggotaan Himpunan Fuzzy Gambar 2.3 Kurva Fungsi Keanggotaan Segitiga Gambar 2.4 Kurva Fungsi Keanggotaan Trapezodial Gambar 2.5 Kurva Fungsi Keanggotaan Gauss Gambar 2.6 Struktur dasar sistem logika fuzzy Gambar 2.7 Metode Deffuzifikasi (a) output membership function,
(b) max:min method, (c) average method Gambar 2.8 Metode Deffuzifikasi (d) root sum square method,
(e) clipped center of gravity Gambar 2.9 Diagram Blok Sistem Inferensi Fuzzy Gambar 3.1 Alur Kerja Fuzzy Inference System Gambar 3.2 Langkah:langkah Metode Sugeno Gambar 3.3 Representasi Kurva Trapesium Gambar 3.4 Flowchart Representasi Kurva Trapesium Gambar 3.5 Kurva Trapesium Himpunan Fuzzy Variabel Hemoglobin Gambar 3.6 Kurva Trapesium Himpunan Fuzzy Variabel Eritrosit Gambar 3.7 Kurva Trapesium Himpunan Fuzzy Variabel MCV Gambar 3.8 Kurva Trapesium Himpunan Fuzzy Variabel MCH Gambar 3.9 Kurva Trapesium Himpunan Fuzzy Variabel MCHC Gambar 3.10 Kurva Segitiga Himpunan Fuzzy Variabel Hemoglobin Gambar 3.11 Kurva Segitiga Himpunan Fuzzy Variabel Eritrosit Gambar 3.12 Kurva Segitiga Himpunan Fuzzy Variavel MCV Gambar 3.13 Kurva Segitiga Himpunan Fuzzy Variabel MCH Gambar 3.14 Kurva Segitiga Himpunan Fuzzy Variabel MCHC Gambar 4.1 Input Himpunan Fuzzy Gambar 4.2 Pemilihan sumber Input Gambar 4.3 Export Data untuk Fuzzyfikasi Gambar 4.4 Fuzzyfikasi Hasil Pemeriksaan Laboratorium Gambar 4.5 Derajat Keanggotaan Himpunan Fuzzy Kurva Trapesium Gambar 4.6 Derajat Keanggotaan Himpunan Fuzzy Kurva Segitiga Gambar 4.7 Hasil Keputusan berdasarkan Predikat Aturan untuk Fungsi
Keanggotaan Kurva Trapesium Gambar 4.8 Hasil Keputusan berdasarkan Predikat Aturan untuk Fungsi
Keanggotaan Kurva Segitiga
7 8 10 11 12 13
15
15 17 24 25 27 28 29 29 30 31 31 32 33 34 34 35 35 36 36 37 40 41
42
42
Universitas Sumatera Utara
DAFTAR TABEL
Tabel 2.1 Tabel 2.2 Tabel 3.1 Tabel 3.2 Tabel 4.1 Tabel 4.2
Tabel Harga Normal Kadar Hemoglobin Darah Penelitian Terkait Variabel dan Himpunan Fuzzy Aturan:aturan Fuzzy Inference System Analisis Hasil Fungsi Keanggotaan Kurva Trapesium Analisis Hasil Fungsi Keanggotaan Kurva Segitiga
Halaman
18 23 28 36 44 44
Universitas Sumatera Utara
ABSTRAK
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy. Metode yang digunakan adalah fuzzy inference system Sugeno dalam pengklasifikasian anemia. Kata kunci : logika fuzzy, fuzzy inference system, sugeno
Universitas Sumatera Utara
ABSTRACT
MEMBERSHIP FUNCTION ANALYSIS ON SUGENO FUZZY INFERENCE SYSTEM FOR ANEMIA CLASSIFICATION
Determination of anemia based on morphological classification will facilitate in diagnosing a patient's illness further because each of these classifications also have many possible types of illness. The fuzzy logic concept is very flexible and has a tolerance of imprecise data, and based on natural language to determine an outcome. Determination of anemia classification still frequent errors causing wrong therapy to patients. Therefore we need a system as a tool in determining whether a patient is entered on the classification of anemia which concept of fuzzy logic. The method used is the Sugeno fuzzy inference system in determining the classification of anemia. Keyword : fuzzy logic, fuzzy inference system, sugeno
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang Anemia adalah penurunan jumlah sel darah merah terukur per sel millimeter pada slide atau oleh volume per 100 ml darah. Seseorang dikatakan anemia jika nilai hemoglobin atau hematokrit lebih dari 2 standar deviasi dibawah normal. Adapun batas bawah ini bervariasi tergantung kepada umur dan jenis kelamin. Penyebab utama anemia adalah kehilangan sel darah merah tanpa penghancuran sel darah merah atau karena berkurangnya produksi sel darah merah dan juga karena terjadinya peningkatan destruksi sel darah merah setelah diproduksi. Hal tersebut dapat mengakibatkan berkurangnya simpanan sel darah merah yang dibutuhkan oleh tubuh sehingga terjadi anemia. Pemeriksaan sederhana untuk anemia yang dapat digunakan antara lain dengan pemeriksaan hemoglobin (Hb), hematokrit (HT), ukuran eritrosit, retikulosit, morfologi eritrosit, feses lengkap dan ferritin. Dari hasil pemeriksaan panel anemia tersebut akan diklasifikasikan berdasarkan morfologi sel darah merah diantaranya anemia hipokrom mikrositer, anemia normokrom normositer atau anemia hiperkrom makrositer.
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy.
Universitas Sumatera Utara
Penggunaan sistem dapat diimplementasikan dengan mudah ke dalam bahasa mesin dan dengan menggunakan logika fuzzy. Logika fuzzy merupakan logika yang mempunyai konsep kebenaran sebagian, dimana logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Sedangkan logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam nilai kebenaran 0 atau 1. Secara teori sudah ada cara untuk menghitung komponen dan pembentukan klasifikasi menentukan anemia, namun perhitungan dan penentuan tersebut menggunakan himpunan crisp (tegas). Pada himpunan tegas, suatu nilai mempunyai tingkat keanggotaan satu jika nilai tersebut merupakan anggota dalam himpunan dan nol jika nilai tersebut tidak menjadi anggota himpunan. Hal ini sangat kaku, karena dengan adanya perubahan yang kecil saja terhadap nilai mengakibatkan perbedaan kategori. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut, karena dapat memberikan toleransi terhadap nilai sehingga dengan adanya perubahan sedikit pada nilai tidak akan memberikan perbedaan yang signifikan. Metode yang dapat digunakan dalam pengaplikasian logika fuzzy dalam penentuan klasifikasi anemia adalah metode Sugeno. Pembuatan sistem pakar fuzzy biasanya berdasarkan domain pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan dan penalaran manusia di salah satu bidang saja. Umumnya sistem pakar fuzzy mencoba mencari penyelesaian yang memuaskan yaitu sebuah penyelesaian yang cukup baik agar pekerjaan dapat berjalan walaupun itu bukan penyelesaian optimal.
Beberapa naskah yang telah dipublikasikan di berbagai bidang dengan menggunakan berbagai metode softcomputing diantaranya penelitian Mahdiraji dan Mohamed (2006) meneliti system pakar fuzzy untuk klasifikasi ganguan tegangan arus pendek. Neshat dan Yaghobi (2009) mencoba mendisain dan membandingkan system pakar fuzzy untuk mendiagnosa hepatitis B berdasarkan intensitas dengan fuzzy adaptive neural network. Ephizibah (2011) juga meneliti kompleksitas waktu analisis algoritma genetika untuk diagnosa penyakit. Djam dan Kimbi (2011) merancang sistem pakar fuzzy dalam manajemen penyakit malaria. Begitu juga
Universitas Sumatera Utara
dengan Navjotkaur et.al (2013) Logika Fuzzy berbasis sistem pakar untuk mendiagnosa diabetes.
1.2 Perumusan Masalah Dari uraian di atas dapat dirumuskan permasalahan yang ditimbulkan, yaitu diperlukan sebuah pendekatan untuk menentukan ketepatan suatu klasifikasi penyakit anemia berdasarkan morfologi sel darah merah.
1.3 Batasan Masalah Ruang lingkup penelitian ini dibatasi pada : 1. Output dari rancangan sistem ini nanti berupa anemia hipokorom mikrositer,
anemia normokrom normositer dan anemia hiperkrom makrositer. 2. Sistem inferensi fuzzy yang peneliti rancang ini hanya untuk mendiagnosa dan
menentukan klasifikasi anemia. 3. Dalam pengujian, akan digunakan dua fungsi keanggotaan yaitu fungsi
keanggotaan kurva segitiga dan kurva trapesium dengan inputan data panel anemia dan data standar nilai normal pemeriksaan laboratorium untuk wilayah Asia khususnya Indonesia.
1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan ketepatan pengklasifikasian anemia menggunakan fuzzy Sugeno.
1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah :
: Membantu seorang tenaga kesehatan dalam mendiagnosa dan menentukan klasifikasi anemia yang lebih objektif sehingga dapat menentukan pemeriksaan lanjutan.
: Memahami dan memperdalam pemahaman mengenai fuzzy Sugeno.
Universitas Sumatera Utara
BAB 2 TINJAUAN PUSTAKA
2.1 Logika Fuzzy
Logika fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh. Logika fuzzy
merupakan sebuah logika yang memiliki kekaburan/kesamaran antara benar dan salah
atau antara 0 dan 1 (Zadeh, 1965), berbeda dengan logika digital yang hanya memiliki
dua nilai yaitu 1 (satu) atau 0 (nol). Sebelum munculnya teori logika fuzzy (
), dikenal sebuah istilah logika tegas (
) atau logika klasik yang
memiliki nilai benar dan salah secara tegas. Dalam logika tegas, nilai yang
menunjukkan seberapa besar tingkat keanggotaan suatu elemen (X) dalam suatu
himpunan (A), sering dikenal dengan nama nilai keanggotaan atau derajat
keanggotaan yang dinotasikan dengan A(X). Pada himpunan tegas, hanya ada dua
nilai keanggotaan, yaitu A(X) = 1 untuk X menjadi anggota A dan A(X) = 0 untuk
X bukan anggota dari A. Sedangkan dalam logika fuzzy, nilai keanggotaan berada
antara (0,1).
Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan banyak masalah pengontrolan. Logika fuzzy tidak membutuhkan model matematis yang kompleks untuk mengoperasikannya, yang dibutuhkan adalah pemahaman praktis dan teoritis dari perilaku sistem secara keseluruhan. Untuk menghitung derajat yang tak terbatas jumlahnya antara benar dan salah, maka dikembangkan ide penggolongan himpunan fuzzy.
Logika fuzzy memiliki beberapa karakteristik yaitu himpunan fuzzy dan fungsi keanggotaan. Pada logika tegas, sebuah individu dipastikan sebagai anggota salah satu himpunan saja, sedangkan pada himpunan fuzzy sebuah individu dapat masuk pada
Universitas Sumatera Utara
dua himpunan yang berbeda. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya.
Logika fuzzy digunakan untuk menerjemahkan suatu nilai yang diekspresikan
menggunakan bahasa (
), misalnya besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat.
Ada beberapa alasan mengapa orang menggunakan logika yaitu :
1. Konsep logika mudah dimengerti. Konsep matematis yang mendasari
penalaran sangat sederhana dan mudah dimengerti.
2. Logika sangat flexibel.
3. Logika memiliki toleransi terhadap data–data yang tidak tepat.
4. Logika mampu memodelkan fungsi–fungsi nonlinear yang sangat
kompleks.
5. Logika dapat membangun dan mengaplikasikan pengalaman:
pengalaman.
6. Para pakar secara langsung tanpa harus melalui proses pelatihan.
7. Logika dapat bekerjasama dengan teknik–teknik kendali secara
konvensional.
8. Logika didasarkan pada bahasa alami.
Dibawah ini menunjukkan bahasan yang dapat dikaji pada sistem fuzzy antara lain:
1. Sistem inferensi fuzzy (fuzzy inference system), beberapa metode sering
digunakan antara lain: metode Mamdani, Metode TSK dan metode Tsukamoto
(Cox, 1994, Gelly, 2000, Jang, 1997 dalam Kusumadewi, S. 2010).
2. , metode yang sering digunakan antara lain:
(FCM) dan
. (Gelley, 2000 dalam Kusumadewi,
S., 2010)
3.
, antara lain:
,
, dll. (Kirsch, DA, 2000 dalam Kusumadewi Sri, 2010)
Universitas Sumatera Utara
4. , seperti . (Terano, 1992 dalam
Kusumadewi Sri, 2010) 5. ! (FMCDM). (Zimmermann, 1991 dalam
Kusumadewi, S. 2010).
2.2 Perhitungan dengan lingusitik Perhitungan dengan linguistik merupakan metodologi untuk penalaran, komputasi dan pengambilan keputusan dengan memberikan informasi dalam bahasa alami, misalnya : kecil, besar, jauh, berat, tidak sangat mungkin, harga gas rendah dan menurun. Manusia mempunyai kemampuan yang luar biasa banyaknya. Diantaranya terdapat dua yang paling menonjol. Pertama, kemampuan dalam berbicara, berkomunikasi, pola pikir dan mengambil keputusan rasional dalam suatu lingkungan yang samar dari informasi yang tidak lengkap dan memberikan kebenaran. Dan kedua, kemampuan melakukan berbagai macam pekerjaan secara fisik dan mental tanpa melakukan pengukuran yang banyak. Dalam pengukuran yang besar, perhitungan dengan linguistik merupakan suatu inspirasi yang sangat luar biasa. (Zadeh, 2008)
Tiga Alasan utama dalam perhitungan dengan linguistik adalah:
1. Banyaknya pendapat manusia yang dijelaskan dengan menggunakan bahasa alami.
2. Penggunaan kata:kata lebih tepat digunakan dari pada angka, saat kita tidak tahu berapa pastinya angka tersebut.
3. Biaya yang lebih sedikit. Perhitungan dengan linguistik merupakan ide dasar dalam dalam penentuan variabel linguistik dan aturan "#$ fuzzy yang hampir digunakan di semua aplikasi logika fuzzy, terutama dibidang produk konsumen produk dan sistem industri.
Perhitungan dengan linguistik merupakan suatu tantangan bagi orang yang menggunakan dua konsep yaitu secara teori dan konsep logika fuzzy.
Universitas Sumatera Utara
Perbedaan mendasar antara persepsi dan pengukuran adalah bahwa, secara umum pengukuran merupakan hal pasti/tegas sedangkan persepsi merupakan fuzzy/samar seperti pada gambar 2.2.( Zadeh,1999)
• temperatur 35 C°
• suhunya sangat hangat
• umur Eva 28 tahun
• Eva masih muda
Gambar 2.1. Pengukuran dan Persepsi
Sumber : Zadeh,1999
2.3 Himpunan Fuzzy
Himpunan fuzzy (
) adalah generalisasi dari konsep fungsi karakteristik.
Sebuah himpunan fuzzy adalah sekelompok objek yang didefinisikan berdasarkan
tingkatan derajat keanggotaan yang ditandai oleh fungsi keanggotaan yang dimiliki
setiap objek dengan derajat keanggotaan berkisar antara nol dan satu. (Kantardzic,
1993)
Himpunan fuzzy dapat dinotasikan sebagai berikut:
A= ,
))| ∈
Himpunan fuzzy dituliskan sebagai pasangan berurutan, dengan elemen pertama
menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya
Fungsi keanggotaan yang dimiliki masing:masing elemen dengan derajat keanggotaan
antara 0 dan 1. (Karray and Silva, 2004)
A(x) : X → [ 0,1 ]
Dengan A(x) merupakan fungsi keanggotaan dari himpunan fuzzy A dalam
himpunan semesta X. Besaran yang lain dari himpunan fuzzy A berdasarkan
urutannya adalah :
A = {(x, A(x)); x ∈ X, A(x) ∈[ 0, 1 ]}
Universitas Sumatera Utara
Gambar fungsi keanggotaan dari himpunan fuzzy dapat dilihat pada gambar 2.2.
Gambar 2.2 Fungsi keanggotaan himpunan fuzzy
Sumber : Karray and Silva, 2004
2.4 Operasional Himpunan Fuzzy
Dalam logika fuzzy terdapat 3 operasi, yaitu komplemen / NOT (
), AND
( ), OR ( ).(Klir and Yuan, 1995). Pada dasarnya ada dua model
operator fuzzy, yaitu operator:operator dasar yang dikemukakan oleh Zadeh dan
operator:operator alternatif yang dikembangkan dengan menggunakan konsep
transformasi tertentu.
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan sering dikenal dengan nama file strength atau α:predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu : AND, OR dan NOT. (Kusumadewi, S, 2010)
2.4.1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. α:predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan:himpunan yang bersangkutan (Cox, 1994, dalam Kusumadewi,S. 2010)
Universitas Sumatera Utara
A∩B = min ( A(x), B(y)) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA∩GAJITINGGI = min ( MUDA(27), GAJITINGGI(2.000.000)) = min (0,6; 0,8) = 0,6
2.4.2. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. α:predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan yang bersangkutan (Cox, 1994 dalam Kusumadesi,S. 2010).
A∪B = max ( A(x), B(y)) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA∪GAJITINGGI =max( MUDA(27), GAJITINGGI(2.000.000)) = max (0,6; 0,8) = 0,8
2.4.3. Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan α:predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1 (Cox, 1994 dalam Kusumadewi,S. 2010).
Universitas Sumatera Utara
A’ = 1 : A(X) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA’(27) = 1 : MUDA(27) = 1 – 0,6 = 0,4
2.5. Fungsi Keanggotaan Himpunan Fuzzy
Secara umum fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan
fungsi bentuk segitiga (
), trapesium (
), dan fungsi gauss (
).
Masing:masing bentuk fungsi diatas memiliki kelebihan dan kekurangan dalam
aplikasinya.
a. Bentuk fungsi segitiga (
)
Bentuk himpunan fuzzy fungsi segitiga dapat dilihat seperti pada gambar 2.3.
Gambar 2.3. Kurva Fungsi Segitiga
Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk segitiga:
0; ≤
T(X) =
;
;
≥ ≤≤
≤≤
(2.1)
Universitas Sumatera Utara
b. Bentuk fungsi trapesium (
)
Bentuk himpunan fuzzy fungsi trapesium dapat dilihat seperti pada gambar 2.4.
Gambar 2.4. Kurva Fungsi Trapesium
Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk trapesium:
T(X) =
0; ≤ ;
1; !;
!
≤
≥ ≤
$
≤≤ # ≤ ≤"
(2.2)
c. Bentuk fungsi gauss (
)
Bentuk himpunan fuzzy fungsi gauss dapat dilihat seperti pada gambar 2.5.
Gambar 2.5. Kurva Fungsi Gauss
Sumber : Kantardzic, 1993
Universitas Sumatera Utara
Fungsi keanggotaan bentuk gaus: G(x;k;γ) = % & ' )(
(2.3)
2.6 Basis Aturan Fuzzy Dalam fuzzy pada umumnya perilaku dinamis yang ditandai oleh adanya seperangkat aturan fuzzy yang linguistik. Aturan:aturan ini didasarkan pada pengalaman dan pemahaman manusia. Bentuk umum aturan fuzzy adalah:
(s) (s)
Dimana % linguistik.
dan
dari aturan fuzzy merupakan variabel yang
Secara umum, aturan fuzzy dinyatakan sebagai:
If A is a and B is b then C is c
Dimana A dan B adalah himpunan bagian dari himpunan semesta X1 dan C adalah
himpunan semesta dari X2. Oleh karen itu, antecedent dari kombinasi rule himpunan
bagian berdasarkan aplikasi operator logika (
)
Consequent merupakan bagian dari rule yang biasanya merupakan himpunan fuzzy tunggal, dengan sesuai dengan fungsi keanggotaan. Beberapa himpunan fuzzy dapat menjadi consequent, dengan penggabungan menggunakan operator logika. ( Engelbrecht, 2007).
2.7 Struktur Dasar Logika Fuzzy
Didalam struktur dasar sistem logika fuzzy terdapat empat komponen atau bagian
utama yang sangat penting. Komponen itu adalah
&'
(
dan )
. Struktur dasar logika fuzzy dapat dilihat pada gambar
2.6.
Universitas Sumatera Utara
Gambar 2.6. Struktur dasar sistem logika fuzzy
Sumber: Hossain, 2012
*+ & ' (
&'
mempunyai fungsi penting dalam pengendalian dengan logika
fuzzy karena semua proses fuzzifikasi, inferensi dan defuzzifikasi bekerja
berdasarkan pengetahuan yang ada pada ! '
.& '
dibagi dua yaitu
dan . ) ( berisi definisi:definisi
penting mengenai parameter fuzzy seperti himpunan fuzzy dengan fungsi
keanggotaannya yang telah didefinisikan untuk setiap variabel linguistik yang
ada.
,+
merupakan suatu proses mengubah variabel non fuzzy menjadi
variabel fuzzy. %
dari aturan fuzzy merupakan “ruang input”
sedangkan
merupakan “ruang output”. Ruang input merupakan
kombinasi dari masukan himpunan fuzzy sedangkan ruang output merupakan
kombinasi himpunan output. Proses fuzzifikasi dihasilkan dengan penerapan
fungsi keanggotaan yang berhubungan dengan masing:masing himpunan fuzzy
dalam aturan ruang masukan.
Universitas Sumatera Utara
Sebagai contoh misalnya, Himpunan fuzzy adalah A dan B. (asumsi fungsi
keanggotaan sudah sesuai). X merupakan himpunan semesta dari himpunan
fuzzy. Proses
menerima elemen:elemen a, b ∈ X,
dan menghasilkan derajat keanggotaan QA (a), QA (b), QB (a) dan QB (b).
-+
adalah proses transformasi dari suatu input dalam domain fuzzy ke
suatu output (sinyal kendali) dalam domain fuzzy. Proses transformasi pada
bagian inferensi membutuhkan aturan–aturan fuzzy yang terdapat didalam
basis:basis aturan. Blok
mengunakan teknik penalaran untuk
menyeleksi basis:basis aturan dan rule dari blok ! '
.
.+ )
) merupakan proses mengubah data:data fuzzy menjadi data
numerik atau angka. Metode yang bisa digunakan dalam proses
adalah / 0/
,%
, 11
dan
2 34
(234). (Engelbrecht, 2007)
Masing:masing metode ini dapat dilihat pada gambar 2.7 dan gambar 2.8
dengan ketentuan: Argumen untuk pendapat merupakan variabel linguistik C, dengan
variabel
(LD),
(SI), (NC),
(SI) dan
(LI).
Universitas Sumatera Utara
Asumsi ada 3 aturan C dengan nilai keanggotaan QLI = 0,8, QSI = 0,6 dan QNC = 0,3.
(a)
(b) (c)
Gambar 2.7 Metode Deffuzifikasi (a) output membership function, (b) max:min method, (c) average method
(d) (e)
Gambar 2.8 Metode Deffuzifikasi (d) root sum square method, (e) clipped center of gravity
Sumber: Engelbrecht, 2007
Universitas Sumatera Utara
2.8. Metode Takagi Sugeno Kang
Tahapan logika Fuzzy secara keseluruhan adalah : 1.
merupakan suatu proses mengubah variabel non fuzzy menjadi variabel fuzzy. ,5
adalah proses transformasi dari suatu input dalam domain fuzzy ke suatu output (sinyal kendali) dalam domain fuzzy. Proses transformasi pada bagian inferensi membutuhkan aturan–aturan fuzzy yang terdapat didalam basis:basis aturan. -5 ) . ) merupakan proses mengubah data:data fuzzy menjadi data numerik atau angka.
Sistem inferensi fuzzy menggunakan metode Takagi Sugeno Kang (TSK) , memiliki karakteristik yaitu konsekuen tidak merupakan himpunan fuzzy, namun merupakan suatu persamaan linear dengan variabel:variabel sesuai dengan variabel: variabel inputnya. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985.
Model untuk sistem inferensi fuzzy metode TSK ada 2 model, yaitu model TSK orde:0 dan model TSK orde:1. Rule model TSK orde:0 adalah:
IF (X1 is A1)°(X2 is A2)° ( X3 is A3)° ...... (XN is AN) THEN z = k. Dengan Ai adalah himpunan fuzzy ke:i sebagai anteseden, ° adalah operator fuzzy (seperti AND atau OR), dan k adalah suatu konstanta (tegas) sebagai konsekuen Rule model TSK orde:1 adalah:
IF (x1 is A1)°... °(XN is AN) THEN z = p1∗x1 +...+pN∗xN + q Dengan Ai adalah himpunan fuzzy ke:i sebagai anteseden, ° adalah operator fuzzy (seperti AND atau OR), pi adalah suatu konstanta (tegas) ke:i dan q juga merupakan konstanta dalam konsekuen.
Universitas Sumatera Utara
Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF – THEN, dan penalaran fuzzy secara garis besar, diagram blok proses inferensi fuzzy terlihat pada gambar 2.9 dibawah ini.
Gambar 2.9 Diagram Blok Sistem Inferensi Fuzzy
Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan fuzzy dalam bentuk IF:THEN. Fire strength akan
dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan
agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy
untuk mendapatkan nilai crisp sebagai output sistem.
Secara umum didalam logika ada 5 langkah dalam melakukan penalaran, yaitu :
1. Memasukkan
;
2. Mengaplikasikan operator ;
3. Mengaplikasikan metode implikasi ;
4. Komposisi semua
;
5. Defuzifikasi.
Metode yang sering digunakan dalam sistem inferensi fuzzy (fuzzy inference
system) selain dari Sugeno diantaranya adalah metode Tsukamoto atau Metode
Mamdani.
Universitas Sumatera Utara
2.9. Anemia
Anemia merupakan masalah medis yang paling sering dijumpai di klinik di seluruh
dunia, disamping sebagai masalah kesehatan utama masyarakat, terutama di Negara
berkembang. Kelainan ini merupakan penyebab debilitas kronik (chronic debility)
yang mempunyai dampak besar terhadap kesejahteraan sosial dan ekonomi serta
kesehatan fisik. Oleh karena frekuensinya yang demikian sering anemia terutama
anemia ringan seringkali tidak mendapat perhatian dan dilewati oleh para dokter di
praktek klinik. (Bakta, 2008)
Anemia secara funsional didefinisikan sebagai penurunan jumlah massa
eritrosit (red cell mass) sehingga tidak dapat memenuhi fungsinya untuk membawa
oksigen dalam jumlah yang cukup ke jaringan perifer (penurunan oxygen carrying
capacity). Secara praktis anemia ditunjukkan oleh adanya penurunan hematokrit,
hemoglobin dan jumlah eritrosit dalam darah. Kadar hemoglobin kurang dari batas
minimal dikatakan anemia. Anemia timbul apabila pemecahan/pengeluaran eritrosit
lebih besar daripada pembentukan atau pembentukannya sendiri yang menurun. Oleh
karenanya anemia dapat terjadi berdasarkan patofisiologi melalui mekanisme
perdarahan (pengeluaran eritrosit yang berlebih), pemecahan eritrosit yang berlebihan
(hemolisis) maupun pembentukan eritrosit yang berkurang ataupun terjadi
berdasarkan morfologi sel darah merah (hipokrom mikrositer, normokrom normositer
dan makrositer).
Acuan harga normal kadar hemoglobin dapat dilihat pada Tabel 2.1
Tabel 2.1 Tabel Harga Normal Kadar Hemoglobin Darah
Harga Normal Kadar Hemoglobin
Umbilikus
: 17,0 + 3,0 g/dl
5:10 tahun Dewasa :
: 11,0 + 1,5 g/dl
Pria : 13,6 – 17,5 g/dl
Wanita
: 11,5 – 15,5 g/dl
Universitas Sumatera Utara
Tetapi yang paling lazim dipakai adalah kadar hemoglobin, kemudian hematokrit. Harus diingat bahwa terdapat keadaan:keadaan tertentu dimana ketiga parameter tersebut tidak sejalan dengan massa eritrosit, seperti pada dehidrasi, perdarahan akut dan kehamilan. Permasalahan yang timbul adalah berapa kadar hemoglobin, hematokrit atau hitung eritrosit paling rendah yang dianggap anemia. Kadar hemoglobin dan eritrosit sangat bervariasi tergantung pada usia, jenis kelamin, ketinggian tempat tinggal serta keadaan fisiologis tertentu seperti kehamilan.
Umumnya pemeriksaan anemia di beberapa laboratorium akan melihat berdasarkan Variabel Pemeriksaaan Anemia yang terdiri dari :
1. Hemoglobin 2. Mean Corpuscular Volume (MCV) dengan nilai normal dewasa 80 – 90 U3 3. Mean Corpuscular Hemoglobin (MCH) dengan nilai normal 27 :31 uug 4. Mean Corpuscular Hemoglobin Concentration (MCHC) dengan nilai normal
32 :36 % 5. Trombosit / Platelet dengan nilai 200.000 – 400.000 per microliter darah.
Anemia bukanlah merupakan suatu penyakit tertentu dalam arti disease entity, akan tetapi merupakan sindroma klinis yang ditimbulkan akibat sesuatu proses patologis dalam tubuh yang merupakan underlying disease (penyakit dasar). Oleh karena itu dalam diagnosis anemia tidaklah cukup samapai kepada label anemia tetapi harus dapat ditetapkan penyakit dasarnya yang menyebabkan anemia tersebut. Hal ini penting karena seringkali penyakit dasar tersebut tersembunyi, sehingga apabila hal ini dapat diungkap akan menuntun para klinisi ke arah pernyakit berbahaya yang tersembunyi. Penentuan penyakit dasar juga penting dalam pengelolaan kasus anemia karena tanpa mengetahui penyebab yang mendasari anemia tidak dapat diberikan terapi yang tuntas pada kasus anemia tersebut.
Pendekatan terhadap pasien anemia memerlukan pemahaman tentang pathogenesis dan patofisiologi anemia serta keterampilan dalam memilih, menganalisis dan merangkum hasli anamnesis, pemeriksaaan fisik, pengujian laboratorium dan pemeriksaan penunjang lainnya. Penelitian ini bertujuan untuk
Universitas Sumatera Utara
memberikan kemudahan dan perndekatan praktis dalam diagnosis dan terapi anemia yang sering dihadapi oleh dokter umum ataupun spesialis penyakit dalam.
2.9.1 Etiologi dan Klasifikasi Anemia Anemia hanyalah suatu kumpulan gejala yang disebabkan oleh bermacam penyebab. Pada dasarnya anemia disebabkan oleh karena : 1). Gangguan pembentukan eritrosit oleh sumsum tulang; 2). Kehilangan darah keluar tubuh (perdarahan); 3). Proses penghancuran eritrosit dalam tubuh sebelum waktunya. Lebih rinci tentang etiologi anemia adalah sebagai berikut :
A. Anemia karena gangguan pembentukan eritrosit dalam sumsum tulang 1. Kekurangan bahan esensial pembentuk eritrosit a. Anemia defisiensi besi b. Anemia defisiensi asam folat c. Anemia defisiensi vitamin B12 2. Gangguan penggunaan (utilisasi) besi a. Anemia akibat penyakit kronik b. Anemia sideroblastik 3. Kerusakan sumsum tulang a. Anemia aplastik b. Anemia mieloptisik c. Anemia pada keganasan hematologi d. Anemia disertitropoietik e. Anemia pada sindrom mielodisplastik Anemia akibat kekurangan eritropoietin : anemia pada gagal ginjal kronik
B. Anemia akibat hemoragi 1. Anemia pasca perdarahan akut 2. Anemia pasca perdarahan kronik
C. Anemia hemolitik 1. Anemia hemolitik intrakorpuskular a. Gangguan membrane eritrosit (membranopati)
Universitas Sumatera Utara
b. Gangguan ensim eritrosit (enzimopati) anemia akibat defisiensi G6PD c. Gangguan hemoglobin (hemoglobinopati)
: Thalasemia : Hemoglobinopati structural : HbS, HbE, dll 2. Anemia hemolitik ekstrakopuskuler a. Anemia hemolitik autoimun b. Anemia hemolitik mikroangiopatik c. Lain:lain D. Anemia dengan penyebab tidak diketahui atau dengan pathogenesis yang kompleks. Klasifikasi etiologi dan morfologi bila digabungkan seperti penjabaran berikut akan sangat menolong dalam mengetahui penyebab suatu anemia berdasarkan jenis morfologi anemia. I. Anemia hipokromik mikrositer a. Anemia defisiensi besi b. Thalasemia major c. Anemia akibat penyakit kronik d. Anemia sideroblastik II. Anemia normokromik normositer a. Anemia pasca perdarahan akut b. Anemia aplastik c. Anemia hemolitik d. Anemia akibat penyakit kronik e. Anemia pada gagal ginjal kronik f. Anemia pada sindrom mielodiplastik g. Anemia pada keganasan hematologik III. Anemia makrositer a. Bentuk megaloblastik 1. Anemia defisiensi asam folat 2. Anemia defisiensi B12 termasuk anemia pernisiosa
Universitas Sumatera Utara
b. Bentuk non megaloblastik 1. Anemia pada penyakit hati kronik 2. Anemia pada hipotiroidisme 3. Anemia pada sindrom mielodiplastik.
2.10. Penelitian Terkait Adapun penelitian:penelitian yang sudah dilakukan oleh orang lain yang berkaitan dengan penelitian ini dapat dilihat pada Tabel. 2.2. Berdasarkan Tabel 2.2 tersebut dapat disimpulkan bahwa pembangkitan fungsi keanggotaan dapat diimplementasikan dengan beberapa teknik untuk berbagai variable yang membutuhkan hasil optimisasi. Dalam penelitian ini penulis melakukan pengujian algoritma genetika untuk mendapatkan fungsi keanggotaan yang otomatis.
Universitas Sumatera Utara
Tabel 2.2 Penelitian Terkait
Nama Peneliti Wagholikar, K.B., Sundararajan, V. & Deshpande, A.W.,
Lavanya,K.,,Durai, S.M.A, & Iyenga N.Ch.S.N,
Yusuf, A.K., Konan, A. Yorganci, K. & Sayek, I
Ubeyli, E.D
Judul Modeling Paradigms for Medical Diagnostic Decision Support: A Survey and Future Directions
Fuzzy Rule Based Inference System for Detection and Diagnosis of Lung Cancer
A novel fuzzy:logic
inference system for
predicting trauma:
related
mortality: emphasis
on the impact of
response
to
resuscitation
Adapative Neuro
Fuzzy
Inference
System for Automatic
Detection of Breast
Cancer
Pembahasan
Membangun sistem pendukung
keputusan diagnose medis
dimana sistem ini akan
membantu
mengurangi
kesalahan keputusan diagnose
seorang ahli medis.
Mendisain fuzzy inferences
system untuk mendeteksi dan
mendiagnosa kanker paru
dengan menggunakan input
gejala:gejala penyakit dan
memberikan kepastian hasil
pada output berdasarkan
kalkulasi fungsi keanggotaan
Metode logika fuzzy inference
system ini menggunakan input
berdasarkan opini pakar,
Glasgow Coma Scale (GCS)
dan tekanan darah sistolik pada
saat pasien tiba di Ruang Gawat
Darurat serta respon dari
resusitasi.
Mengevaluasi kinerja ANFIS
untuk mendeteksi penyakit
kanker payudara dengan akurasi
dan klasifikasi yg tepat
Tahun 2012 2011
2010
2009
Universitas Sumatera Utara
BAB 3 METODOLOGI PENELITIAN
3.1. Data yang Digunakan Tujuan dari penelitian ini adalah analisis fuzzy inference system Sugeno dalam keakurasian penentuan klasifikasi penyakit anemia. Berdasarkan konsep dasar logika fuzzy adalah teori himpunan fuzzy, dimana nilai keanggotaan adalah sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau membership function menjadi ciri utama dari penalaran logika fuzzy, jika dibandingkan dengan himpunan tegas bahwa dalam logika fuzzy sesuatu proposisi dapat bernilai sama:sama benar atau sama:sama salah pada waktu yang bersamaan. Fuzzy inference system melakukan penarikan kesimpulan dari kumpulan kaidah fuzzy. Gambar 3.1 menunjukkan alur kerja fuzzy inference system secara umum.
Crisp Values 6+
:/ :/ :)
FIS
!! !
!
6α+
Crisp Values ( Output )
Gambar 3.1 Alur Kerja Fuzzy Inference System
Sistem fuzzy ini adalah sebuah sistem yang mampu menentukan klasifikasi penyakit anemia dengan sistem inferensi fuzzy berdasarkan metode Sugeno. Proses diagnosis dalam sistem ini dilandasi dari nilai hasil laboratorium.
Universitas Sumatera Utara
Masukan atau inputan dari sistem adalah : 1. Data diri pasien 2. Data hasil laboratorium, yang terdiri dari pemeriksaan darah dengan panel: Hemoglobin (HB), Ertirosit (RBC), MCV, MCH, MVHV.
3.2 Fuzzy Inference System Dalam penentuan klasifikasi anemia digunakan metode Sugeno. Proses untuk mendapatkan pengetahuan dilakukan dengan berbagai cara, diantaranya mengetahuinya berdasarkan pengetahuan seorang pakar (dokter spesialis penyakit dalam kekhususan hematologi), buku, jurnal ilmiah, laporan dan sebagainya. Sumber pengetahuan tersebut dikumpulkan dan kemudian direpresentasikan kedalam basis pengetahuan menggunakan kaidah JIKA – MAKA (IF – THEN).
Model yang dipakai dalam implementasi sistem pakar diaognosis penyakit adalah model logika fuzzy dengan sistem inferensi fuzzy metode Sugeno. Gambaran langkah:langkah yang digunakan dMaulalami metode Sugeno dapat dilihat pada Gambar 3.2 Input nilai
Himpunan fuzzy
Menentukan Derajat keanggotaan
Menghitung Predikat Aturan
Defuzzifikasi
Output hasil keputusan
Selesai
Universitas Sumatera Utara
Gambar 3.2 Langkah?langkah Metode Sugeno
Pada langkah:langkah penyelesaian masalah yang digambarkan pada gambar 3.2 yang terdiri dari :
1. Input himpunan fuzzy Dalam penelitian ini menggunakan inputan dari hasil pemeriksaan laboratorium karena hasil pemeriksaan tersebut adalah variabel:variabel yang digunakan dalam penentuan klasifikasi penyakit anemia. Variabel:variabel tersebut yaitu Hemoglobin (HB), Ertirosit (RBC), MCV, MCH, MCHC
2. Menentukan derajat keanggotaan himpunan fuzzy Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat keanggotaannya ( ) dimana derajat keanggotaan ini menjadi nilai dalam himpunan fuzzy.
3. Menghitung predikat aturan (α) Variabel yang sudah dimasukkan dalam himpunan fuzzy akan dibentuk aturan: aturan yang diperoleh dengan mengkombinasikan setiap variabel dengan variabel lainnya serta atribut linguistiknya masing:masing. Aturan:aturan yang telah diperoleh akan dihitung nilai predikat aturannya dengan proses implikasi. Dalam metode ini, proses implikasi dilakukan dengan operasi Min. Predikat aturan diperoleh dengan mengambil nilai minimum dari derajat keanggotaan variabel yang satu dengan variabel yang lain, yang telah dikombinasikan dalam aturan yang telah ditentukan sebelumnya.
4. Defuzzifikasi Pada tahap defuzifikasi ini dilakukan penghitungan rata:rata (Weight Average / WA) dari setiap predikat pada setiap variabel dengan menggunakan persamaan berikut ini :
Universitas Sumatera Utara
*
=
∑/012 α-.∑/0102 3-
5. Hasil keputusan Hasil keputusan dari rangkaian proses dalam menegakkan diagnosa dan penentuan klasifikasi anemia berdasarkan hasil pemeriksaan di laboratorium. Adapun hasil pemeriksaan dan diagnosis dari dokter bisa dilihat dari hasil pemeriksaan laboratorium yang terdapat pada lampiran.
3.2.1 Pembentukan fungsi keanggotaan fuzzy kurva trapesium Sistem yang akan dibuat menggunakan representasi kurva untuk mencari derajat keanggotaan pada tiap variabel fuzzy. Representasi kurva tersebut dapat dibuat flowchart untuk memudahkan aliran proses dalam mencari derajat keanggotaan. Dalam penelitian ini digunakan representasi kurva trapesium dan kurva segitiga.
Gambar 3.3 Representasi Kurva Trapesium Representasi kurva trapesium pada gambar 3.3 menjelaskan jika input awal adalah x atau sebagai nilai keanggotaan, lalu akan diproses menjadi sebuah keputusan bila x ≤ a dan x ≥ d maka derajat keanggotaan (x) = 0, jika a ≤ x ≤ b maka derajat keanggotaan dihitung dengan menggunakan rumus μ x) = b x) , jika b≤ x ≤ c maka
b a)
derajat keanggotaan (x) = 1, jika c≤ x ≤ d derajat keanggotaan dihitung dengan rumus μ x) = d x). Representasi kurva trapesium ini dapat dijelaskan dengan
d c)
flowchart pada gambar 3.4.
Universitas Sumatera Utara
Gambar 3.4 Flowchart Representasi Kurva Trapesium
Sebagai langkah awal dari perancangan sistem inference fuzzy adalah menentukan
himpunan fuzzy dari tiap:tiap variabel fuzzy. Adapun variabel fuzzy yang digunakan
adalah hasil pemeriksaan laboratorium yang nantinya difungsikan sebagai inputan
mesin inferensi fuzzy. Tabel 3.1 di bawah ini memaparkan batasan variabel dan
himpunan fuzzy sebagai inputan di mesin inferensi fuzzy.
Tabel 3.1 Variabel dan himpunan fuzzy
No Variabel Fuzzy
Rendah
Himpunan Fuzzy
Normal
Tinggi
1 Hemoglobin (HB : g%) 2 Eritrosit (RBC:106 / mm3)
4.87
3 MCV (fL)
95
4 MCH (pg)
32
5 MCHC (g%)
35
Universitas Sumatera Utara
1. Variabel Hemoglobin (HB) Variabel Hemoglobin dibagi 3 kategori yaitu rendah (15.5). Dari pembagian kategori ini nantinya dapat diketahui fungsi keanggotaannya pada setiap himpunan fuzzy rendah, normal, dan tinggi. Adapun penjelasannya dapat diuraikan sebagai berikut :
Gambar 3.5 Kurva Trapesium Himpunan Fuzzy variable Hemoglobin
Fungsi keanggotaan untuk variabel Hemoglobin :
;
456789 = : ;;, < − > A
;;. < − ;;. @
@
B CDEFGH >) =
; ;;, < − > A
;;. < − ;;. @ @
B IJKLGM >) =
@ > − ;;. @
;;. < − ;;. @A ;
;N. N − >
;N. N − ;N. @
X ≤ 11.0 11.0 < X ≤ 11.7
X > 11.7 X ≤ 11.0 11.0 < X ≤ 11.7 X > 11.7 X ≤ 11.0 Atau x ≥
15.5 11.0 < X ≤ 11.7 11.7 < X ≤ 15.0 15.0 < X 15.5
Universitas Sumatera Utara
2. Variabel Eritrosit (RBC)
Gambar 3.6 Kurva Trapesium Himpunan Fuzzy variable Eritrosit
Fungsi keanggotaan untuk variabel Eritrosit :
B CDEFGH >) =
; X. Y@ − > A
X. Y@ − X. @ @
X ≤ 4.0 4.0 < X ≤ 4.20
X > 4.20
B IJKLGM >) =
@ > − X. @
X. Y@ − X. @ A ;
X. ]< − >
X. ]< − X. ^@
X ≤ 4.0 atau x ≥ 4.87
4.0 < X ≤ 4.20 4.20 < X ≤ 4.60 4.60 < X < 4.87
B abEccb >) =
@ > − X. ^@ A
X. ]< − X. ^@ ;
X ≤ 4.60 4.60 < X ≤ 4.87
X > 4.87
3. Variabel Mean Corpuscular Volume (MCV)
Gambar 3.7 Kurva Trapesium Himpunan Fuzzy variable MCV
Universitas Sumatera Utara
Fungsi keanggotaan untuk variabel MCV :
B CDEFGH >) =
; ]N − > A
]N − ]@ @
X ≤ 80 80 < X ≤ 85
X > 85
B IJKLGM
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas Sumatera Utara
ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika ERLANIE SUFARNAP 107038028
PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas Sumatera Utara
PERSETUJUAN
Judul Tesis
Nama Mahasiswa Nomor Induk Mahasiwa Program Studi Fakultas
: ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA
: ERLANIE SUFARNAP : 107038028 : MAGISTER TEKNIK INFORMATIKA : ILMU KOMPUTER DAN TEKNOLOGI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing Pembimbing 2
:
Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT
Diketahui/Disetujui Oleh Program Studi Magister Teknik Informatika Ketua,
Prof. Dr. Muhammad Zarlis Nip. 195707011986011003
Prof. Dr. Muhammad Zarlis
Universitas Sumatera Utara
PERNYATAAN
ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO DALAM PENGKLASIFIKASIAN ANEMIA TESIS
Saya mengakui bahwa tesis ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan masing:masing telah disebutkan sumbernya.
Medan, 23 Januari 2014 ERLANIE SUFARNAP 107038028
Universitas Sumatera Utara
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIK
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di
bawah ini :
Nama Mahasiswa
: ERLANIE SUFARNAP
Nomor Induk Mahasiwa
: 107038028
Program Studi
: Magister Teknik Informatika
Jenis Karya Ilmiah
: Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non:Eksklusif (
) atas tesis saya yang berjudul: ANALISIS FUNGSI KEANGGOTAAN FUZZY INFERENCE SYSTEM SUGENO
DALAM PENGKLASIFIKASIAN ANEMIA Berserta perangkat yang ada (jika diperlukan). Dengan hak bebas royalty Non:Eksklusive ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya, selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai hak cipta.
Demikianlah pernyataan ini dibuat dengan sebenarnya.
Medan, 23 Januari 2014
ERLANIE SUFARNAP 107038028
Universitas Sumatera Utara
PANITIA PENGUJI TESIS
Telah diuji pada Tanggal : 23 Januari 2014
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis
Anggota
: 1. Prof. Dr. Iryanto,M.Si 2. Prof. Drs. Tulus, Vordipl.Math.,M.Si.,Ph.D 3. Dr. Zakarias Situmorang 4. Dr. Erna Budhiarti Nababan, MIT
Universitas Sumatera Utara
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Erlanie Sufarnap
Tempat dan Tanggal Lahir : Medan 28 Agustus 1976
Alamat Rumah
: Jl. Dr. Sumarsono No.18 Komp.Dosen USU
Medan 20154
Telepon /Fax/HP
: 085830132449
E:mail
: airlanee@yahoo.com
Instansi Tempat Bekerja : STMIK Mikroskil
Alamat Kantor
: Jl. Thamrin no.124 Medan
DATA PENDIDIKAN
1. SD St.Joseph Medan 2. SMP Negeri 1 Medan 3. SMA Negeri 4 Medan 4. Universitas Gunadarma Depok
Manajemen Informatika (S1) 5. Universitas Sumatera Utara
Magister (S2) Teknik Informatika
Tamat Tahun 1988 Tamat Tahun 1991 Tamat Tahun 1994
Tamat Tahun 1999
Tamat Tahun 2014
Universitas Sumatera Utara
ABSTRAK
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy. Metode yang digunakan adalah fuzzy inference system Sugeno dalam pengklasifikasian anemia. Kata kunci : logika fuzzy, fuzzy inference system, sugeno
Universitas Sumatera Utara
ABSTRACT
MEMBERSHIP FUNCTION ANALYSIS ON SUGENO FUZZY INFERENCE SYSTEM FOR ANEMIA CLASSIFICATION
Determination of anemia based on morphological classification will facilitate in diagnosing a patient's illness further because each of these classifications also have many possible types of illness. The fuzzy logic concept is very flexible and has a tolerance of imprecise data, and based on natural language to determine an outcome. Determination of anemia classification still frequent errors causing wrong therapy to patients. Therefore we need a system as a tool in determining whether a patient is entered on the classification of anemia which concept of fuzzy logic. The method used is the Sugeno fuzzy inference system in determining the classification of anemia. Keyword : fuzzy logic, fuzzy inference system, sugeno
Universitas Sumatera Utara
DAFTAR ISI
HALAMAN JUDUL LEMBAR PENGESAHAN PERNYATAAN ORISINALITAS PERSETUJUAN PUBLIKASI PANITIA PENGUJI RIWAYAT HIDUP UCAPAN TERIMA KASIH ABSTRAK ABSTRACT DAFTAR ISI ……………………………………………………… DAFTAR GAMBAR ……………………………………………... DAFTAR TABEL ………………………………………………… . BAB I PENDAHULUAN ……………………………………….
1.1 Latar Belakang ……………………………………. 1.2 Perumusan Masalah ……………………………….. 1.3 Batasan Masalah …………………………………… 1.4 Tujuan Penelitian ...……………………………….... 1.5 Manfaat Penelitian .………………………………… BAB II TINJAUAN PUSTAKA ………………………………….. 2.1 Logika Fuzzy ………………………………………… 2.2 Perhitungan dengan Linguistik……………………….
iv vi vii 1 1 3 3 3 3 4 4 6
Universitas Sumatera Utara
2.3 Himpunan Fuzzy ……………………………………..
7
2.4 Operasional Himpunan Fuzzy ………………………… 8
2.4.1 Operator AND …………………………………….. 9
2.4.2 Operator OR ………………………………………. 9
2.4.3 Operator NOT …………………………………….. 10
2.5 Fungsi Keanggotaan Fuzzy ……………………………… 10
2.6 Basis Aturan Fuzzy …………………………………….. 12
2.7 Struktur Dasar Logika Fuzzy……………………………. 13
2.8 Fuzzy Inference System Takagi Sugeno Kang…………… 16
2.9 Anemia. ………………………………………………….. 18
2.10 Penelitian Terkait…… …………………………………... 23
BAB 3 METODE PENELITIAN ……………………………………… 24
3.1 Data Yang Digunakan…………………………………… 24
3.2. Fuzzy Inference System ………………………………………. 25
3.2.1 Pembentukan Fungsi Keanggotaan Fuzzy Kurva
Trapesium…………………………………………… 28
3.2.2 Pembentukan Fungsi Keanggotaan Fuzzy Kurva
Segitiga………………………………………………. 32
3.2.3 Basis Pengetahuan …………………………………. 36
3.2.4 Deffuzifikasi ……………………………………….. 37
BAB 4 HASIL DAN PEMBAHASAN ……………………………….... 38
4.1 Input Nilai Himpunan Fuzzy ……………………………… 38
4.2 Proses Derajat Keanggotaan Himpunan Fuzzy.....………… 40
Universitas Sumatera Utara
4.3 Hasil Keputusan …………………………………………… 41 4.4 Analisis Hasil……………….……………………………… 43 BAB 5 KESIMPULAN DAN SARAN ………………………………… 45 5.1 Kesimpulan ……………………………………………… 45 5.2 Saran …………………………………………………….. 45 DAFTAR KEPUSTAKAAN DAFTAR PUBLIKASI ILMIAH
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1 Pengukuran dan Persepsi Gambar 2.2 Fungsi Keanggotaan Himpunan Fuzzy Gambar 2.3 Kurva Fungsi Keanggotaan Segitiga Gambar 2.4 Kurva Fungsi Keanggotaan Trapezodial Gambar 2.5 Kurva Fungsi Keanggotaan Gauss Gambar 2.6 Struktur dasar sistem logika fuzzy Gambar 2.7 Metode Deffuzifikasi (a) output membership function,
(b) max:min method, (c) average method Gambar 2.8 Metode Deffuzifikasi (d) root sum square method,
(e) clipped center of gravity Gambar 2.9 Diagram Blok Sistem Inferensi Fuzzy Gambar 3.1 Alur Kerja Fuzzy Inference System Gambar 3.2 Langkah:langkah Metode Sugeno Gambar 3.3 Representasi Kurva Trapesium Gambar 3.4 Flowchart Representasi Kurva Trapesium Gambar 3.5 Kurva Trapesium Himpunan Fuzzy Variabel Hemoglobin Gambar 3.6 Kurva Trapesium Himpunan Fuzzy Variabel Eritrosit Gambar 3.7 Kurva Trapesium Himpunan Fuzzy Variabel MCV Gambar 3.8 Kurva Trapesium Himpunan Fuzzy Variabel MCH Gambar 3.9 Kurva Trapesium Himpunan Fuzzy Variabel MCHC Gambar 3.10 Kurva Segitiga Himpunan Fuzzy Variabel Hemoglobin Gambar 3.11 Kurva Segitiga Himpunan Fuzzy Variabel Eritrosit Gambar 3.12 Kurva Segitiga Himpunan Fuzzy Variavel MCV Gambar 3.13 Kurva Segitiga Himpunan Fuzzy Variabel MCH Gambar 3.14 Kurva Segitiga Himpunan Fuzzy Variabel MCHC Gambar 4.1 Input Himpunan Fuzzy Gambar 4.2 Pemilihan sumber Input Gambar 4.3 Export Data untuk Fuzzyfikasi Gambar 4.4 Fuzzyfikasi Hasil Pemeriksaan Laboratorium Gambar 4.5 Derajat Keanggotaan Himpunan Fuzzy Kurva Trapesium Gambar 4.6 Derajat Keanggotaan Himpunan Fuzzy Kurva Segitiga Gambar 4.7 Hasil Keputusan berdasarkan Predikat Aturan untuk Fungsi
Keanggotaan Kurva Trapesium Gambar 4.8 Hasil Keputusan berdasarkan Predikat Aturan untuk Fungsi
Keanggotaan Kurva Segitiga
7 8 10 11 12 13
15
15 17 24 25 27 28 29 29 30 31 31 32 33 34 34 35 35 36 36 37 40 41
42
42
Universitas Sumatera Utara
DAFTAR TABEL
Tabel 2.1 Tabel 2.2 Tabel 3.1 Tabel 3.2 Tabel 4.1 Tabel 4.2
Tabel Harga Normal Kadar Hemoglobin Darah Penelitian Terkait Variabel dan Himpunan Fuzzy Aturan:aturan Fuzzy Inference System Analisis Hasil Fungsi Keanggotaan Kurva Trapesium Analisis Hasil Fungsi Keanggotaan Kurva Segitiga
Halaman
18 23 28 36 44 44
Universitas Sumatera Utara
ABSTRAK
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy. Metode yang digunakan adalah fuzzy inference system Sugeno dalam pengklasifikasian anemia. Kata kunci : logika fuzzy, fuzzy inference system, sugeno
Universitas Sumatera Utara
ABSTRACT
MEMBERSHIP FUNCTION ANALYSIS ON SUGENO FUZZY INFERENCE SYSTEM FOR ANEMIA CLASSIFICATION
Determination of anemia based on morphological classification will facilitate in diagnosing a patient's illness further because each of these classifications also have many possible types of illness. The fuzzy logic concept is very flexible and has a tolerance of imprecise data, and based on natural language to determine an outcome. Determination of anemia classification still frequent errors causing wrong therapy to patients. Therefore we need a system as a tool in determining whether a patient is entered on the classification of anemia which concept of fuzzy logic. The method used is the Sugeno fuzzy inference system in determining the classification of anemia. Keyword : fuzzy logic, fuzzy inference system, sugeno
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang Anemia adalah penurunan jumlah sel darah merah terukur per sel millimeter pada slide atau oleh volume per 100 ml darah. Seseorang dikatakan anemia jika nilai hemoglobin atau hematokrit lebih dari 2 standar deviasi dibawah normal. Adapun batas bawah ini bervariasi tergantung kepada umur dan jenis kelamin. Penyebab utama anemia adalah kehilangan sel darah merah tanpa penghancuran sel darah merah atau karena berkurangnya produksi sel darah merah dan juga karena terjadinya peningkatan destruksi sel darah merah setelah diproduksi. Hal tersebut dapat mengakibatkan berkurangnya simpanan sel darah merah yang dibutuhkan oleh tubuh sehingga terjadi anemia. Pemeriksaan sederhana untuk anemia yang dapat digunakan antara lain dengan pemeriksaan hemoglobin (Hb), hematokrit (HT), ukuran eritrosit, retikulosit, morfologi eritrosit, feses lengkap dan ferritin. Dari hasil pemeriksaan panel anemia tersebut akan diklasifikasikan berdasarkan morfologi sel darah merah diantaranya anemia hipokrom mikrositer, anemia normokrom normositer atau anemia hiperkrom makrositer.
Penentuan klasifikasi anemia berdasarkan morfologi akan mempermudah dalam mendiagnosa penyakit seorang pasien lebih lanjut karena masing:masing klasifikasi tersebut juga memiliki banyak kemungkinan jenis penyakitnya. Konsep logika fuzzy sangat fleksibel dan mempunyai toleransi terhadap data yang tidak tepat serta didasari bahasa alami untuk menentukan sebuah hasil. Masih sering terjadi kesalahan dalam penentuan klasifikasi anemia sehingga menyebabkan kesalahan terapi pada pasien. Oleh karena itu diperlukan suatu sistem sebagai alat bantu dalam penentuan apakah seorang pasien masuk pada klasifikasi anemia manakah dengan konsep logika fuzzy.
Universitas Sumatera Utara
Penggunaan sistem dapat diimplementasikan dengan mudah ke dalam bahasa mesin dan dengan menggunakan logika fuzzy. Logika fuzzy merupakan logika yang mempunyai konsep kebenaran sebagian, dimana logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Sedangkan logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam nilai kebenaran 0 atau 1. Secara teori sudah ada cara untuk menghitung komponen dan pembentukan klasifikasi menentukan anemia, namun perhitungan dan penentuan tersebut menggunakan himpunan crisp (tegas). Pada himpunan tegas, suatu nilai mempunyai tingkat keanggotaan satu jika nilai tersebut merupakan anggota dalam himpunan dan nol jika nilai tersebut tidak menjadi anggota himpunan. Hal ini sangat kaku, karena dengan adanya perubahan yang kecil saja terhadap nilai mengakibatkan perbedaan kategori. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut, karena dapat memberikan toleransi terhadap nilai sehingga dengan adanya perubahan sedikit pada nilai tidak akan memberikan perbedaan yang signifikan. Metode yang dapat digunakan dalam pengaplikasian logika fuzzy dalam penentuan klasifikasi anemia adalah metode Sugeno. Pembuatan sistem pakar fuzzy biasanya berdasarkan domain pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan dan penalaran manusia di salah satu bidang saja. Umumnya sistem pakar fuzzy mencoba mencari penyelesaian yang memuaskan yaitu sebuah penyelesaian yang cukup baik agar pekerjaan dapat berjalan walaupun itu bukan penyelesaian optimal.
Beberapa naskah yang telah dipublikasikan di berbagai bidang dengan menggunakan berbagai metode softcomputing diantaranya penelitian Mahdiraji dan Mohamed (2006) meneliti system pakar fuzzy untuk klasifikasi ganguan tegangan arus pendek. Neshat dan Yaghobi (2009) mencoba mendisain dan membandingkan system pakar fuzzy untuk mendiagnosa hepatitis B berdasarkan intensitas dengan fuzzy adaptive neural network. Ephizibah (2011) juga meneliti kompleksitas waktu analisis algoritma genetika untuk diagnosa penyakit. Djam dan Kimbi (2011) merancang sistem pakar fuzzy dalam manajemen penyakit malaria. Begitu juga
Universitas Sumatera Utara
dengan Navjotkaur et.al (2013) Logika Fuzzy berbasis sistem pakar untuk mendiagnosa diabetes.
1.2 Perumusan Masalah Dari uraian di atas dapat dirumuskan permasalahan yang ditimbulkan, yaitu diperlukan sebuah pendekatan untuk menentukan ketepatan suatu klasifikasi penyakit anemia berdasarkan morfologi sel darah merah.
1.3 Batasan Masalah Ruang lingkup penelitian ini dibatasi pada : 1. Output dari rancangan sistem ini nanti berupa anemia hipokorom mikrositer,
anemia normokrom normositer dan anemia hiperkrom makrositer. 2. Sistem inferensi fuzzy yang peneliti rancang ini hanya untuk mendiagnosa dan
menentukan klasifikasi anemia. 3. Dalam pengujian, akan digunakan dua fungsi keanggotaan yaitu fungsi
keanggotaan kurva segitiga dan kurva trapesium dengan inputan data panel anemia dan data standar nilai normal pemeriksaan laboratorium untuk wilayah Asia khususnya Indonesia.
1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan ketepatan pengklasifikasian anemia menggunakan fuzzy Sugeno.
1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah :
: Membantu seorang tenaga kesehatan dalam mendiagnosa dan menentukan klasifikasi anemia yang lebih objektif sehingga dapat menentukan pemeriksaan lanjutan.
: Memahami dan memperdalam pemahaman mengenai fuzzy Sugeno.
Universitas Sumatera Utara
BAB 2 TINJAUAN PUSTAKA
2.1 Logika Fuzzy
Logika fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh. Logika fuzzy
merupakan sebuah logika yang memiliki kekaburan/kesamaran antara benar dan salah
atau antara 0 dan 1 (Zadeh, 1965), berbeda dengan logika digital yang hanya memiliki
dua nilai yaitu 1 (satu) atau 0 (nol). Sebelum munculnya teori logika fuzzy (
), dikenal sebuah istilah logika tegas (
) atau logika klasik yang
memiliki nilai benar dan salah secara tegas. Dalam logika tegas, nilai yang
menunjukkan seberapa besar tingkat keanggotaan suatu elemen (X) dalam suatu
himpunan (A), sering dikenal dengan nama nilai keanggotaan atau derajat
keanggotaan yang dinotasikan dengan A(X). Pada himpunan tegas, hanya ada dua
nilai keanggotaan, yaitu A(X) = 1 untuk X menjadi anggota A dan A(X) = 0 untuk
X bukan anggota dari A. Sedangkan dalam logika fuzzy, nilai keanggotaan berada
antara (0,1).
Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan banyak masalah pengontrolan. Logika fuzzy tidak membutuhkan model matematis yang kompleks untuk mengoperasikannya, yang dibutuhkan adalah pemahaman praktis dan teoritis dari perilaku sistem secara keseluruhan. Untuk menghitung derajat yang tak terbatas jumlahnya antara benar dan salah, maka dikembangkan ide penggolongan himpunan fuzzy.
Logika fuzzy memiliki beberapa karakteristik yaitu himpunan fuzzy dan fungsi keanggotaan. Pada logika tegas, sebuah individu dipastikan sebagai anggota salah satu himpunan saja, sedangkan pada himpunan fuzzy sebuah individu dapat masuk pada
Universitas Sumatera Utara
dua himpunan yang berbeda. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya.
Logika fuzzy digunakan untuk menerjemahkan suatu nilai yang diekspresikan
menggunakan bahasa (
), misalnya besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat.
Ada beberapa alasan mengapa orang menggunakan logika yaitu :
1. Konsep logika mudah dimengerti. Konsep matematis yang mendasari
penalaran sangat sederhana dan mudah dimengerti.
2. Logika sangat flexibel.
3. Logika memiliki toleransi terhadap data–data yang tidak tepat.
4. Logika mampu memodelkan fungsi–fungsi nonlinear yang sangat
kompleks.
5. Logika dapat membangun dan mengaplikasikan pengalaman:
pengalaman.
6. Para pakar secara langsung tanpa harus melalui proses pelatihan.
7. Logika dapat bekerjasama dengan teknik–teknik kendali secara
konvensional.
8. Logika didasarkan pada bahasa alami.
Dibawah ini menunjukkan bahasan yang dapat dikaji pada sistem fuzzy antara lain:
1. Sistem inferensi fuzzy (fuzzy inference system), beberapa metode sering
digunakan antara lain: metode Mamdani, Metode TSK dan metode Tsukamoto
(Cox, 1994, Gelly, 2000, Jang, 1997 dalam Kusumadewi, S. 2010).
2. , metode yang sering digunakan antara lain:
(FCM) dan
. (Gelley, 2000 dalam Kusumadewi,
S., 2010)
3.
, antara lain:
,
, dll. (Kirsch, DA, 2000 dalam Kusumadewi Sri, 2010)
Universitas Sumatera Utara
4. , seperti . (Terano, 1992 dalam
Kusumadewi Sri, 2010) 5. ! (FMCDM). (Zimmermann, 1991 dalam
Kusumadewi, S. 2010).
2.2 Perhitungan dengan lingusitik Perhitungan dengan linguistik merupakan metodologi untuk penalaran, komputasi dan pengambilan keputusan dengan memberikan informasi dalam bahasa alami, misalnya : kecil, besar, jauh, berat, tidak sangat mungkin, harga gas rendah dan menurun. Manusia mempunyai kemampuan yang luar biasa banyaknya. Diantaranya terdapat dua yang paling menonjol. Pertama, kemampuan dalam berbicara, berkomunikasi, pola pikir dan mengambil keputusan rasional dalam suatu lingkungan yang samar dari informasi yang tidak lengkap dan memberikan kebenaran. Dan kedua, kemampuan melakukan berbagai macam pekerjaan secara fisik dan mental tanpa melakukan pengukuran yang banyak. Dalam pengukuran yang besar, perhitungan dengan linguistik merupakan suatu inspirasi yang sangat luar biasa. (Zadeh, 2008)
Tiga Alasan utama dalam perhitungan dengan linguistik adalah:
1. Banyaknya pendapat manusia yang dijelaskan dengan menggunakan bahasa alami.
2. Penggunaan kata:kata lebih tepat digunakan dari pada angka, saat kita tidak tahu berapa pastinya angka tersebut.
3. Biaya yang lebih sedikit. Perhitungan dengan linguistik merupakan ide dasar dalam dalam penentuan variabel linguistik dan aturan "#$ fuzzy yang hampir digunakan di semua aplikasi logika fuzzy, terutama dibidang produk konsumen produk dan sistem industri.
Perhitungan dengan linguistik merupakan suatu tantangan bagi orang yang menggunakan dua konsep yaitu secara teori dan konsep logika fuzzy.
Universitas Sumatera Utara
Perbedaan mendasar antara persepsi dan pengukuran adalah bahwa, secara umum pengukuran merupakan hal pasti/tegas sedangkan persepsi merupakan fuzzy/samar seperti pada gambar 2.2.( Zadeh,1999)
• temperatur 35 C°
• suhunya sangat hangat
• umur Eva 28 tahun
• Eva masih muda
Gambar 2.1. Pengukuran dan Persepsi
Sumber : Zadeh,1999
2.3 Himpunan Fuzzy
Himpunan fuzzy (
) adalah generalisasi dari konsep fungsi karakteristik.
Sebuah himpunan fuzzy adalah sekelompok objek yang didefinisikan berdasarkan
tingkatan derajat keanggotaan yang ditandai oleh fungsi keanggotaan yang dimiliki
setiap objek dengan derajat keanggotaan berkisar antara nol dan satu. (Kantardzic,
1993)
Himpunan fuzzy dapat dinotasikan sebagai berikut:
A= ,
))| ∈
Himpunan fuzzy dituliskan sebagai pasangan berurutan, dengan elemen pertama
menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya
Fungsi keanggotaan yang dimiliki masing:masing elemen dengan derajat keanggotaan
antara 0 dan 1. (Karray and Silva, 2004)
A(x) : X → [ 0,1 ]
Dengan A(x) merupakan fungsi keanggotaan dari himpunan fuzzy A dalam
himpunan semesta X. Besaran yang lain dari himpunan fuzzy A berdasarkan
urutannya adalah :
A = {(x, A(x)); x ∈ X, A(x) ∈[ 0, 1 ]}
Universitas Sumatera Utara
Gambar fungsi keanggotaan dari himpunan fuzzy dapat dilihat pada gambar 2.2.
Gambar 2.2 Fungsi keanggotaan himpunan fuzzy
Sumber : Karray and Silva, 2004
2.4 Operasional Himpunan Fuzzy
Dalam logika fuzzy terdapat 3 operasi, yaitu komplemen / NOT (
), AND
( ), OR ( ).(Klir and Yuan, 1995). Pada dasarnya ada dua model
operator fuzzy, yaitu operator:operator dasar yang dikemukakan oleh Zadeh dan
operator:operator alternatif yang dikembangkan dengan menggunakan konsep
transformasi tertentu.
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefenisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan sering dikenal dengan nama file strength atau α:predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu : AND, OR dan NOT. (Kusumadewi, S, 2010)
2.4.1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. α:predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan:himpunan yang bersangkutan (Cox, 1994, dalam Kusumadewi,S. 2010)
Universitas Sumatera Utara
A∩B = min ( A(x), B(y)) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA∩GAJITINGGI = min ( MUDA(27), GAJITINGGI(2.000.000)) = min (0,6; 0,8) = 0,6
2.4.2. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. α:predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan yang bersangkutan (Cox, 1994 dalam Kusumadesi,S. 2010).
A∪B = max ( A(x), B(y)) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA∪GAJITINGGI =max( MUDA(27), GAJITINGGI(2.000.000)) = max (0,6; 0,8) = 0,8
2.4.3. Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan α:predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1 (Cox, 1994 dalam Kusumadewi,S. 2010).
Universitas Sumatera Utara
A’ = 1 : A(X) Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0,6 ( MUDA(27) = 0,6) dan nilai keanggotaan Rp. 2.000.000,: pada himpunan penghasilan TINGGI adalah 0,8 ( GAJITINGGI(2.000.000) = 0,8). Maka α:predikat untuk usia MUDA dan berpenghasilan TINGGI adalah:
MUDA’(27) = 1 : MUDA(27) = 1 – 0,6 = 0,4
2.5. Fungsi Keanggotaan Himpunan Fuzzy
Secara umum fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan
fungsi bentuk segitiga (
), trapesium (
), dan fungsi gauss (
).
Masing:masing bentuk fungsi diatas memiliki kelebihan dan kekurangan dalam
aplikasinya.
a. Bentuk fungsi segitiga (
)
Bentuk himpunan fuzzy fungsi segitiga dapat dilihat seperti pada gambar 2.3.
Gambar 2.3. Kurva Fungsi Segitiga
Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk segitiga:
0; ≤
T(X) =
;
;
≥ ≤≤
≤≤
(2.1)
Universitas Sumatera Utara
b. Bentuk fungsi trapesium (
)
Bentuk himpunan fuzzy fungsi trapesium dapat dilihat seperti pada gambar 2.4.
Gambar 2.4. Kurva Fungsi Trapesium
Sumber : Kantardzic, 1993
Fungsi keanggotaan bentuk trapesium:
T(X) =
0; ≤ ;
1; !;
!
≤
≥ ≤
$
≤≤ # ≤ ≤"
(2.2)
c. Bentuk fungsi gauss (
)
Bentuk himpunan fuzzy fungsi gauss dapat dilihat seperti pada gambar 2.5.
Gambar 2.5. Kurva Fungsi Gauss
Sumber : Kantardzic, 1993
Universitas Sumatera Utara
Fungsi keanggotaan bentuk gaus: G(x;k;γ) = % & ' )(
(2.3)
2.6 Basis Aturan Fuzzy Dalam fuzzy pada umumnya perilaku dinamis yang ditandai oleh adanya seperangkat aturan fuzzy yang linguistik. Aturan:aturan ini didasarkan pada pengalaman dan pemahaman manusia. Bentuk umum aturan fuzzy adalah:
(s) (s)
Dimana % linguistik.
dan
dari aturan fuzzy merupakan variabel yang
Secara umum, aturan fuzzy dinyatakan sebagai:
If A is a and B is b then C is c
Dimana A dan B adalah himpunan bagian dari himpunan semesta X1 dan C adalah
himpunan semesta dari X2. Oleh karen itu, antecedent dari kombinasi rule himpunan
bagian berdasarkan aplikasi operator logika (
)
Consequent merupakan bagian dari rule yang biasanya merupakan himpunan fuzzy tunggal, dengan sesuai dengan fungsi keanggotaan. Beberapa himpunan fuzzy dapat menjadi consequent, dengan penggabungan menggunakan operator logika. ( Engelbrecht, 2007).
2.7 Struktur Dasar Logika Fuzzy
Didalam struktur dasar sistem logika fuzzy terdapat empat komponen atau bagian
utama yang sangat penting. Komponen itu adalah
&'
(
dan )
. Struktur dasar logika fuzzy dapat dilihat pada gambar
2.6.
Universitas Sumatera Utara
Gambar 2.6. Struktur dasar sistem logika fuzzy
Sumber: Hossain, 2012
*+ & ' (
&'
mempunyai fungsi penting dalam pengendalian dengan logika
fuzzy karena semua proses fuzzifikasi, inferensi dan defuzzifikasi bekerja
berdasarkan pengetahuan yang ada pada ! '
.& '
dibagi dua yaitu
dan . ) ( berisi definisi:definisi
penting mengenai parameter fuzzy seperti himpunan fuzzy dengan fungsi
keanggotaannya yang telah didefinisikan untuk setiap variabel linguistik yang
ada.
,+
merupakan suatu proses mengubah variabel non fuzzy menjadi
variabel fuzzy. %
dari aturan fuzzy merupakan “ruang input”
sedangkan
merupakan “ruang output”. Ruang input merupakan
kombinasi dari masukan himpunan fuzzy sedangkan ruang output merupakan
kombinasi himpunan output. Proses fuzzifikasi dihasilkan dengan penerapan
fungsi keanggotaan yang berhubungan dengan masing:masing himpunan fuzzy
dalam aturan ruang masukan.
Universitas Sumatera Utara
Sebagai contoh misalnya, Himpunan fuzzy adalah A dan B. (asumsi fungsi
keanggotaan sudah sesuai). X merupakan himpunan semesta dari himpunan
fuzzy. Proses
menerima elemen:elemen a, b ∈ X,
dan menghasilkan derajat keanggotaan QA (a), QA (b), QB (a) dan QB (b).
-+
adalah proses transformasi dari suatu input dalam domain fuzzy ke
suatu output (sinyal kendali) dalam domain fuzzy. Proses transformasi pada
bagian inferensi membutuhkan aturan–aturan fuzzy yang terdapat didalam
basis:basis aturan. Blok
mengunakan teknik penalaran untuk
menyeleksi basis:basis aturan dan rule dari blok ! '
.
.+ )
) merupakan proses mengubah data:data fuzzy menjadi data
numerik atau angka. Metode yang bisa digunakan dalam proses
adalah / 0/
,%
, 11
dan
2 34
(234). (Engelbrecht, 2007)
Masing:masing metode ini dapat dilihat pada gambar 2.7 dan gambar 2.8
dengan ketentuan: Argumen untuk pendapat merupakan variabel linguistik C, dengan
variabel
(LD),
(SI), (NC),
(SI) dan
(LI).
Universitas Sumatera Utara
Asumsi ada 3 aturan C dengan nilai keanggotaan QLI = 0,8, QSI = 0,6 dan QNC = 0,3.
(a)
(b) (c)
Gambar 2.7 Metode Deffuzifikasi (a) output membership function, (b) max:min method, (c) average method
(d) (e)
Gambar 2.8 Metode Deffuzifikasi (d) root sum square method, (e) clipped center of gravity
Sumber: Engelbrecht, 2007
Universitas Sumatera Utara
2.8. Metode Takagi Sugeno Kang
Tahapan logika Fuzzy secara keseluruhan adalah : 1.
merupakan suatu proses mengubah variabel non fuzzy menjadi variabel fuzzy. ,5
adalah proses transformasi dari suatu input dalam domain fuzzy ke suatu output (sinyal kendali) dalam domain fuzzy. Proses transformasi pada bagian inferensi membutuhkan aturan–aturan fuzzy yang terdapat didalam basis:basis aturan. -5 ) . ) merupakan proses mengubah data:data fuzzy menjadi data numerik atau angka.
Sistem inferensi fuzzy menggunakan metode Takagi Sugeno Kang (TSK) , memiliki karakteristik yaitu konsekuen tidak merupakan himpunan fuzzy, namun merupakan suatu persamaan linear dengan variabel:variabel sesuai dengan variabel: variabel inputnya. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985.
Model untuk sistem inferensi fuzzy metode TSK ada 2 model, yaitu model TSK orde:0 dan model TSK orde:1. Rule model TSK orde:0 adalah:
IF (X1 is A1)°(X2 is A2)° ( X3 is A3)° ...... (XN is AN) THEN z = k. Dengan Ai adalah himpunan fuzzy ke:i sebagai anteseden, ° adalah operator fuzzy (seperti AND atau OR), dan k adalah suatu konstanta (tegas) sebagai konsekuen Rule model TSK orde:1 adalah:
IF (x1 is A1)°... °(XN is AN) THEN z = p1∗x1 +...+pN∗xN + q Dengan Ai adalah himpunan fuzzy ke:i sebagai anteseden, ° adalah operator fuzzy (seperti AND atau OR), pi adalah suatu konstanta (tegas) ke:i dan q juga merupakan konstanta dalam konsekuen.
Universitas Sumatera Utara
Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF – THEN, dan penalaran fuzzy secara garis besar, diagram blok proses inferensi fuzzy terlihat pada gambar 2.9 dibawah ini.
Gambar 2.9 Diagram Blok Sistem Inferensi Fuzzy
Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan fuzzy dalam bentuk IF:THEN. Fire strength akan
dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan
agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy
untuk mendapatkan nilai crisp sebagai output sistem.
Secara umum didalam logika ada 5 langkah dalam melakukan penalaran, yaitu :
1. Memasukkan
;
2. Mengaplikasikan operator ;
3. Mengaplikasikan metode implikasi ;
4. Komposisi semua
;
5. Defuzifikasi.
Metode yang sering digunakan dalam sistem inferensi fuzzy (fuzzy inference
system) selain dari Sugeno diantaranya adalah metode Tsukamoto atau Metode
Mamdani.
Universitas Sumatera Utara
2.9. Anemia
Anemia merupakan masalah medis yang paling sering dijumpai di klinik di seluruh
dunia, disamping sebagai masalah kesehatan utama masyarakat, terutama di Negara
berkembang. Kelainan ini merupakan penyebab debilitas kronik (chronic debility)
yang mempunyai dampak besar terhadap kesejahteraan sosial dan ekonomi serta
kesehatan fisik. Oleh karena frekuensinya yang demikian sering anemia terutama
anemia ringan seringkali tidak mendapat perhatian dan dilewati oleh para dokter di
praktek klinik. (Bakta, 2008)
Anemia secara funsional didefinisikan sebagai penurunan jumlah massa
eritrosit (red cell mass) sehingga tidak dapat memenuhi fungsinya untuk membawa
oksigen dalam jumlah yang cukup ke jaringan perifer (penurunan oxygen carrying
capacity). Secara praktis anemia ditunjukkan oleh adanya penurunan hematokrit,
hemoglobin dan jumlah eritrosit dalam darah. Kadar hemoglobin kurang dari batas
minimal dikatakan anemia. Anemia timbul apabila pemecahan/pengeluaran eritrosit
lebih besar daripada pembentukan atau pembentukannya sendiri yang menurun. Oleh
karenanya anemia dapat terjadi berdasarkan patofisiologi melalui mekanisme
perdarahan (pengeluaran eritrosit yang berlebih), pemecahan eritrosit yang berlebihan
(hemolisis) maupun pembentukan eritrosit yang berkurang ataupun terjadi
berdasarkan morfologi sel darah merah (hipokrom mikrositer, normokrom normositer
dan makrositer).
Acuan harga normal kadar hemoglobin dapat dilihat pada Tabel 2.1
Tabel 2.1 Tabel Harga Normal Kadar Hemoglobin Darah
Harga Normal Kadar Hemoglobin
Umbilikus
: 17,0 + 3,0 g/dl
5:10 tahun Dewasa :
: 11,0 + 1,5 g/dl
Pria : 13,6 – 17,5 g/dl
Wanita
: 11,5 – 15,5 g/dl
Universitas Sumatera Utara
Tetapi yang paling lazim dipakai adalah kadar hemoglobin, kemudian hematokrit. Harus diingat bahwa terdapat keadaan:keadaan tertentu dimana ketiga parameter tersebut tidak sejalan dengan massa eritrosit, seperti pada dehidrasi, perdarahan akut dan kehamilan. Permasalahan yang timbul adalah berapa kadar hemoglobin, hematokrit atau hitung eritrosit paling rendah yang dianggap anemia. Kadar hemoglobin dan eritrosit sangat bervariasi tergantung pada usia, jenis kelamin, ketinggian tempat tinggal serta keadaan fisiologis tertentu seperti kehamilan.
Umumnya pemeriksaan anemia di beberapa laboratorium akan melihat berdasarkan Variabel Pemeriksaaan Anemia yang terdiri dari :
1. Hemoglobin 2. Mean Corpuscular Volume (MCV) dengan nilai normal dewasa 80 – 90 U3 3. Mean Corpuscular Hemoglobin (MCH) dengan nilai normal 27 :31 uug 4. Mean Corpuscular Hemoglobin Concentration (MCHC) dengan nilai normal
32 :36 % 5. Trombosit / Platelet dengan nilai 200.000 – 400.000 per microliter darah.
Anemia bukanlah merupakan suatu penyakit tertentu dalam arti disease entity, akan tetapi merupakan sindroma klinis yang ditimbulkan akibat sesuatu proses patologis dalam tubuh yang merupakan underlying disease (penyakit dasar). Oleh karena itu dalam diagnosis anemia tidaklah cukup samapai kepada label anemia tetapi harus dapat ditetapkan penyakit dasarnya yang menyebabkan anemia tersebut. Hal ini penting karena seringkali penyakit dasar tersebut tersembunyi, sehingga apabila hal ini dapat diungkap akan menuntun para klinisi ke arah pernyakit berbahaya yang tersembunyi. Penentuan penyakit dasar juga penting dalam pengelolaan kasus anemia karena tanpa mengetahui penyebab yang mendasari anemia tidak dapat diberikan terapi yang tuntas pada kasus anemia tersebut.
Pendekatan terhadap pasien anemia memerlukan pemahaman tentang pathogenesis dan patofisiologi anemia serta keterampilan dalam memilih, menganalisis dan merangkum hasli anamnesis, pemeriksaaan fisik, pengujian laboratorium dan pemeriksaan penunjang lainnya. Penelitian ini bertujuan untuk
Universitas Sumatera Utara
memberikan kemudahan dan perndekatan praktis dalam diagnosis dan terapi anemia yang sering dihadapi oleh dokter umum ataupun spesialis penyakit dalam.
2.9.1 Etiologi dan Klasifikasi Anemia Anemia hanyalah suatu kumpulan gejala yang disebabkan oleh bermacam penyebab. Pada dasarnya anemia disebabkan oleh karena : 1). Gangguan pembentukan eritrosit oleh sumsum tulang; 2). Kehilangan darah keluar tubuh (perdarahan); 3). Proses penghancuran eritrosit dalam tubuh sebelum waktunya. Lebih rinci tentang etiologi anemia adalah sebagai berikut :
A. Anemia karena gangguan pembentukan eritrosit dalam sumsum tulang 1. Kekurangan bahan esensial pembentuk eritrosit a. Anemia defisiensi besi b. Anemia defisiensi asam folat c. Anemia defisiensi vitamin B12 2. Gangguan penggunaan (utilisasi) besi a. Anemia akibat penyakit kronik b. Anemia sideroblastik 3. Kerusakan sumsum tulang a. Anemia aplastik b. Anemia mieloptisik c. Anemia pada keganasan hematologi d. Anemia disertitropoietik e. Anemia pada sindrom mielodisplastik Anemia akibat kekurangan eritropoietin : anemia pada gagal ginjal kronik
B. Anemia akibat hemoragi 1. Anemia pasca perdarahan akut 2. Anemia pasca perdarahan kronik
C. Anemia hemolitik 1. Anemia hemolitik intrakorpuskular a. Gangguan membrane eritrosit (membranopati)
Universitas Sumatera Utara
b. Gangguan ensim eritrosit (enzimopati) anemia akibat defisiensi G6PD c. Gangguan hemoglobin (hemoglobinopati)
: Thalasemia : Hemoglobinopati structural : HbS, HbE, dll 2. Anemia hemolitik ekstrakopuskuler a. Anemia hemolitik autoimun b. Anemia hemolitik mikroangiopatik c. Lain:lain D. Anemia dengan penyebab tidak diketahui atau dengan pathogenesis yang kompleks. Klasifikasi etiologi dan morfologi bila digabungkan seperti penjabaran berikut akan sangat menolong dalam mengetahui penyebab suatu anemia berdasarkan jenis morfologi anemia. I. Anemia hipokromik mikrositer a. Anemia defisiensi besi b. Thalasemia major c. Anemia akibat penyakit kronik d. Anemia sideroblastik II. Anemia normokromik normositer a. Anemia pasca perdarahan akut b. Anemia aplastik c. Anemia hemolitik d. Anemia akibat penyakit kronik e. Anemia pada gagal ginjal kronik f. Anemia pada sindrom mielodiplastik g. Anemia pada keganasan hematologik III. Anemia makrositer a. Bentuk megaloblastik 1. Anemia defisiensi asam folat 2. Anemia defisiensi B12 termasuk anemia pernisiosa
Universitas Sumatera Utara
b. Bentuk non megaloblastik 1. Anemia pada penyakit hati kronik 2. Anemia pada hipotiroidisme 3. Anemia pada sindrom mielodiplastik.
2.10. Penelitian Terkait Adapun penelitian:penelitian yang sudah dilakukan oleh orang lain yang berkaitan dengan penelitian ini dapat dilihat pada Tabel. 2.2. Berdasarkan Tabel 2.2 tersebut dapat disimpulkan bahwa pembangkitan fungsi keanggotaan dapat diimplementasikan dengan beberapa teknik untuk berbagai variable yang membutuhkan hasil optimisasi. Dalam penelitian ini penulis melakukan pengujian algoritma genetika untuk mendapatkan fungsi keanggotaan yang otomatis.
Universitas Sumatera Utara
Tabel 2.2 Penelitian Terkait
Nama Peneliti Wagholikar, K.B., Sundararajan, V. & Deshpande, A.W.,
Lavanya,K.,,Durai, S.M.A, & Iyenga N.Ch.S.N,
Yusuf, A.K., Konan, A. Yorganci, K. & Sayek, I
Ubeyli, E.D
Judul Modeling Paradigms for Medical Diagnostic Decision Support: A Survey and Future Directions
Fuzzy Rule Based Inference System for Detection and Diagnosis of Lung Cancer
A novel fuzzy:logic
inference system for
predicting trauma:
related
mortality: emphasis
on the impact of
response
to
resuscitation
Adapative Neuro
Fuzzy
Inference
System for Automatic
Detection of Breast
Cancer
Pembahasan
Membangun sistem pendukung
keputusan diagnose medis
dimana sistem ini akan
membantu
mengurangi
kesalahan keputusan diagnose
seorang ahli medis.
Mendisain fuzzy inferences
system untuk mendeteksi dan
mendiagnosa kanker paru
dengan menggunakan input
gejala:gejala penyakit dan
memberikan kepastian hasil
pada output berdasarkan
kalkulasi fungsi keanggotaan
Metode logika fuzzy inference
system ini menggunakan input
berdasarkan opini pakar,
Glasgow Coma Scale (GCS)
dan tekanan darah sistolik pada
saat pasien tiba di Ruang Gawat
Darurat serta respon dari
resusitasi.
Mengevaluasi kinerja ANFIS
untuk mendeteksi penyakit
kanker payudara dengan akurasi
dan klasifikasi yg tepat
Tahun 2012 2011
2010
2009
Universitas Sumatera Utara
BAB 3 METODOLOGI PENELITIAN
3.1. Data yang Digunakan Tujuan dari penelitian ini adalah analisis fuzzy inference system Sugeno dalam keakurasian penentuan klasifikasi penyakit anemia. Berdasarkan konsep dasar logika fuzzy adalah teori himpunan fuzzy, dimana nilai keanggotaan adalah sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau membership function menjadi ciri utama dari penalaran logika fuzzy, jika dibandingkan dengan himpunan tegas bahwa dalam logika fuzzy sesuatu proposisi dapat bernilai sama:sama benar atau sama:sama salah pada waktu yang bersamaan. Fuzzy inference system melakukan penarikan kesimpulan dari kumpulan kaidah fuzzy. Gambar 3.1 menunjukkan alur kerja fuzzy inference system secara umum.
Crisp Values 6+
:/ :/ :)
FIS
!! !
!
6α+
Crisp Values ( Output )
Gambar 3.1 Alur Kerja Fuzzy Inference System
Sistem fuzzy ini adalah sebuah sistem yang mampu menentukan klasifikasi penyakit anemia dengan sistem inferensi fuzzy berdasarkan metode Sugeno. Proses diagnosis dalam sistem ini dilandasi dari nilai hasil laboratorium.
Universitas Sumatera Utara
Masukan atau inputan dari sistem adalah : 1. Data diri pasien 2. Data hasil laboratorium, yang terdiri dari pemeriksaan darah dengan panel: Hemoglobin (HB), Ertirosit (RBC), MCV, MCH, MVHV.
3.2 Fuzzy Inference System Dalam penentuan klasifikasi anemia digunakan metode Sugeno. Proses untuk mendapatkan pengetahuan dilakukan dengan berbagai cara, diantaranya mengetahuinya berdasarkan pengetahuan seorang pakar (dokter spesialis penyakit dalam kekhususan hematologi), buku, jurnal ilmiah, laporan dan sebagainya. Sumber pengetahuan tersebut dikumpulkan dan kemudian direpresentasikan kedalam basis pengetahuan menggunakan kaidah JIKA – MAKA (IF – THEN).
Model yang dipakai dalam implementasi sistem pakar diaognosis penyakit adalah model logika fuzzy dengan sistem inferensi fuzzy metode Sugeno. Gambaran langkah:langkah yang digunakan dMaulalami metode Sugeno dapat dilihat pada Gambar 3.2 Input nilai
Himpunan fuzzy
Menentukan Derajat keanggotaan
Menghitung Predikat Aturan
Defuzzifikasi
Output hasil keputusan
Selesai
Universitas Sumatera Utara
Gambar 3.2 Langkah?langkah Metode Sugeno
Pada langkah:langkah penyelesaian masalah yang digambarkan pada gambar 3.2 yang terdiri dari :
1. Input himpunan fuzzy Dalam penelitian ini menggunakan inputan dari hasil pemeriksaan laboratorium karena hasil pemeriksaan tersebut adalah variabel:variabel yang digunakan dalam penentuan klasifikasi penyakit anemia. Variabel:variabel tersebut yaitu Hemoglobin (HB), Ertirosit (RBC), MCV, MCH, MCHC
2. Menentukan derajat keanggotaan himpunan fuzzy Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat keanggotaannya ( ) dimana derajat keanggotaan ini menjadi nilai dalam himpunan fuzzy.
3. Menghitung predikat aturan (α) Variabel yang sudah dimasukkan dalam himpunan fuzzy akan dibentuk aturan: aturan yang diperoleh dengan mengkombinasikan setiap variabel dengan variabel lainnya serta atribut linguistiknya masing:masing. Aturan:aturan yang telah diperoleh akan dihitung nilai predikat aturannya dengan proses implikasi. Dalam metode ini, proses implikasi dilakukan dengan operasi Min. Predikat aturan diperoleh dengan mengambil nilai minimum dari derajat keanggotaan variabel yang satu dengan variabel yang lain, yang telah dikombinasikan dalam aturan yang telah ditentukan sebelumnya.
4. Defuzzifikasi Pada tahap defuzifikasi ini dilakukan penghitungan rata:rata (Weight Average / WA) dari setiap predikat pada setiap variabel dengan menggunakan persamaan berikut ini :
Universitas Sumatera Utara
*
=
∑/012 α-.∑/0102 3-
5. Hasil keputusan Hasil keputusan dari rangkaian proses dalam menegakkan diagnosa dan penentuan klasifikasi anemia berdasarkan hasil pemeriksaan di laboratorium. Adapun hasil pemeriksaan dan diagnosis dari dokter bisa dilihat dari hasil pemeriksaan laboratorium yang terdapat pada lampiran.
3.2.1 Pembentukan fungsi keanggotaan fuzzy kurva trapesium Sistem yang akan dibuat menggunakan representasi kurva untuk mencari derajat keanggotaan pada tiap variabel fuzzy. Representasi kurva tersebut dapat dibuat flowchart untuk memudahkan aliran proses dalam mencari derajat keanggotaan. Dalam penelitian ini digunakan representasi kurva trapesium dan kurva segitiga.
Gambar 3.3 Representasi Kurva Trapesium Representasi kurva trapesium pada gambar 3.3 menjelaskan jika input awal adalah x atau sebagai nilai keanggotaan, lalu akan diproses menjadi sebuah keputusan bila x ≤ a dan x ≥ d maka derajat keanggotaan (x) = 0, jika a ≤ x ≤ b maka derajat keanggotaan dihitung dengan menggunakan rumus μ x) = b x) , jika b≤ x ≤ c maka
b a)
derajat keanggotaan (x) = 1, jika c≤ x ≤ d derajat keanggotaan dihitung dengan rumus μ x) = d x). Representasi kurva trapesium ini dapat dijelaskan dengan
d c)
flowchart pada gambar 3.4.
Universitas Sumatera Utara
Gambar 3.4 Flowchart Representasi Kurva Trapesium
Sebagai langkah awal dari perancangan sistem inference fuzzy adalah menentukan
himpunan fuzzy dari tiap:tiap variabel fuzzy. Adapun variabel fuzzy yang digunakan
adalah hasil pemeriksaan laboratorium yang nantinya difungsikan sebagai inputan
mesin inferensi fuzzy. Tabel 3.1 di bawah ini memaparkan batasan variabel dan
himpunan fuzzy sebagai inputan di mesin inferensi fuzzy.
Tabel 3.1 Variabel dan himpunan fuzzy
No Variabel Fuzzy
Rendah
Himpunan Fuzzy
Normal
Tinggi
1 Hemoglobin (HB : g%) 2 Eritrosit (RBC:106 / mm3)
4.87
3 MCV (fL)
95
4 MCH (pg)
32
5 MCHC (g%)
35
Universitas Sumatera Utara
1. Variabel Hemoglobin (HB) Variabel Hemoglobin dibagi 3 kategori yaitu rendah (15.5). Dari pembagian kategori ini nantinya dapat diketahui fungsi keanggotaannya pada setiap himpunan fuzzy rendah, normal, dan tinggi. Adapun penjelasannya dapat diuraikan sebagai berikut :
Gambar 3.5 Kurva Trapesium Himpunan Fuzzy variable Hemoglobin
Fungsi keanggotaan untuk variabel Hemoglobin :
;
456789 = : ;;, < − > A
;;. < − ;;. @
@
B CDEFGH >) =
; ;;, < − > A
;;. < − ;;. @ @
B IJKLGM >) =
@ > − ;;. @
;;. < − ;;. @A ;
;N. N − >
;N. N − ;N. @
X ≤ 11.0 11.0 < X ≤ 11.7
X > 11.7 X ≤ 11.0 11.0 < X ≤ 11.7 X > 11.7 X ≤ 11.0 Atau x ≥
15.5 11.0 < X ≤ 11.7 11.7 < X ≤ 15.0 15.0 < X 15.5
Universitas Sumatera Utara
2. Variabel Eritrosit (RBC)
Gambar 3.6 Kurva Trapesium Himpunan Fuzzy variable Eritrosit
Fungsi keanggotaan untuk variabel Eritrosit :
B CDEFGH >) =
; X. Y@ − > A
X. Y@ − X. @ @
X ≤ 4.0 4.0 < X ≤ 4.20
X > 4.20
B IJKLGM >) =
@ > − X. @
X. Y@ − X. @ A ;
X. ]< − >
X. ]< − X. ^@
X ≤ 4.0 atau x ≥ 4.87
4.0 < X ≤ 4.20 4.20 < X ≤ 4.60 4.60 < X < 4.87
B abEccb >) =
@ > − X. ^@ A
X. ]< − X. ^@ ;
X ≤ 4.60 4.60 < X ≤ 4.87
X > 4.87
3. Variabel Mean Corpuscular Volume (MCV)
Gambar 3.7 Kurva Trapesium Himpunan Fuzzy variable MCV
Universitas Sumatera Utara
Fungsi keanggotaan untuk variabel MCV :
B CDEFGH >) =
; ]N − > A
]N − ]@ @
X ≤ 80 80 < X ≤ 85
X > 85
B IJKLGM