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