Optimasi Fungsi Keanggotaan Fuzzy Tsukamoto menggunakan Algoritma Genetika untuk Diagnosis Autisme pada Anak
Vol. 1, No. 11, November 2017, hlm. 1395-1405 http://j-ptiik.ub.ac.id
Optimasi Fungsi Keanggotaan Fuzzy Tsukamoto menggunakan Algoritma
Genetika untuk Diagnosis Autisme pada Anak
1 2 3 Indra Eka Mandriana , Candra Dewi , M.Tanzil Furqon 1 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 2 3 Email: indraeka.mandriana31@gmail.com, dewi_candra@ub.ac.id, m.tanzil.furqon@gmail.com
Abstrak
Autisme merupakan suatu gangguan perkembangan sosial dimana anak mengalami gangguan dalam bidang-bidang tertentu. Contohnya komunikasi, interaksi sosial, dan perilaku emosi yang gejalanya sulit untuk dikenali oleh orang awam. Menurut peneliti maupun organisasi yang bidang keilmuannya menyangkut autisme memperkirakan jumlah anak yang mengidap autisme setiap tahunnya terus bertambah diseluruh dunia, tidak terkecuali Indonesia. Pada penelitian ini mengimplementasikan optimaasi algoritma genetika pada metode fuzzy Tsukamoto untuk mendiagnosis autisme pada anak, dengan mengoptimasi batasan-batasan pada semua variabel fuzzy yang dimiliki. Representasi kromosom yang digunakan pada penelitian ini adalah real code yang mana setiap kromosom menginisialisasi batasan-batasan pada semua variabel fuzzy. Metode crossover yang digunakan yaitu extended
intermediate crossover . Metode mutasi yang digunakan yaitu random mutation. Sedangkan metode
seleksi yang digunakan yaitu elitism selection. Berdasarkan hasil pengujian yang telah dilakukan, didapatkan parameter yang paling optimal pada metode CARS yaitu pada populasi 50, generasi 200, serta kombinasi Cr = 0.8 dan Mr = 0.1 dengan fitness sebesar 1, sedangkan pada metode CHAT populasi 10, generasi 100, serta kombinasi Cr = 0.9 dan Mr = 0.1 dengan fitness sebesar 1.
Kata Kunci: Algoritma Genetika, FIS Tsukamoto, Autisme, Optimasi
Abstract
Autism is a developmental disorder that cause children to experience social disruption in certain areas,
such as communications, social interaction, emotional and behavioral symptoms that is difficult to be
identified. According to research in autism, the number of children who suffered from autism is
estimated to grow every year around the world, including in Indonesia. This research implement Fuzzy
Tsukamoto method to optimized genetic algorithm in order to diagnose autism in children, by optimizing
the constraints on all fuzzy variables.Chromosome representation that is used in this research is real
code genetic algorithm which every chromosome will initialize the limitations on all fuzzy variables.
Method that is used to the process of crossover is extended intermediate crossover and random mutation
for mutation process while selection method used elitism selection. Based on the results, the system
obtained the most optimal parameters on a method of CARS in a population of 50, 200 generations, as
well as the combination of Cr = 0.8 and Mr = 0.1 with the fitness of 1, while on the CHAT population
method 10, 100 generations, as well as the combination of Cr = 0.9 and Mr = 0.1 with fitness by 1.Keywords: Genetic Algortihm, FIS Tsukamoto, Autism, Optimization
penderita autistic ini terkesan menganggap 1. mereka sendirilah yang menjadi pusat dari
PENDAHULUAN
dunianya sendiri. Autis merupakan suatu kondisi Gangguan autistic atau yang sering dikenal dimana anak menunjukkan gangguan yang
Autisme merupakan gangguan yang dialami ditandai oleh terganggunya kognisi sosial, pada masa kanak-kanak yang dikatakan salah keterampilan sosial, dan interaksi sosial, serta satu gangguan terparah. Bisa dikatakan pengulangan perilaku eksentrik tertentu gangguan autisme merupakan gangguan kronis
(Ormrod, 2008). Ciri autisme yang paling yang dialami oleh anak dan dialami terus tampak adalah kesendirian yang berbeda dari menerus selama hidupnya. Cara berpikir anak sebagian besar anak. Ciri lain dari autisme
Fakultas Ilmu Komputer Universitas Brawijaya
1395 mencakup dari permasalahan dalam bidang komunikasi, bahasa, dan tingkah laku ritualistic (stereotip). Data UNESCO menunjukkan tahun 2011 diseluruh dunia terdapat 35 juta anak yang menderita gangguan autisme. Pada tahun 2010 di Indonesia terdapat sedikitnya 2,4 juta orang yang mengalami gangguan autisme dan diperkirakan setiap tahunnya akan bertambah sebanyak 500 orang, data ini diberikan oleh Badan Pusat Statistik (BPS) (Putri, 2015). Saat ini marak anak-anak penderita gangguan autisme memiliki gejala yang berbeda-beda sehingga para orang tua lebih kesusahaan untuk mengidentifikasi apakah si anak mengidap gangguan autisme atau tidak.
Selain pengetahuan orang tua yang kurang mengenai gangguan autisme, keberadaan seorang pakar psikologi anak saat ini jarang kita temui apalagi di daerah daerah terpencil, ini mendukung tujuan untuk membuat satu sistem yang memiliki kemampuan mendiagnosis gangguan autisme layaknya kemampuan diagnosis seorang pakar psikologis anak. Yang ada saat ini adalah sebuah sistem informasi yang hanya memberikan informasi tentang penanganan anak yang mengalami gangguan autisme tanpa adanya kemampuan untuk mendiagnosis dengan keakurasian tinggi layaknya seorang pakar psikologi anak.
Bidang Kedokteran merupakan salah satu bidang yang dapat diterapkan dengan baik oleh teori himpunan fuzzy. Permasalah dalam diagnosis muncul karena informasi yang tidak tepat atau tidak jelas sehingga hasil diagnosis kurang tepat (Samuel A. E. & Balamurugan M., 2012). Logika fuzzy memiliki kemampuan untuk menyimpulkan masalah yang kompleks murni dari data yang ada (Wahyuni I., et al., 2016) . Metode fuzzy sudah digunakan sebelumnya pada diagnosis autisme pada anak menggunakan metode fuzzy Tsukamoto oleh Putri (2015). Pengujian dilakukan menggunakan 30 data uji, dan didapatkan akurasi sebesar 93.33% untuk CHAT dan 80% untuk CARS (Putri, 2015). Nilai dari batas himpunan keanggotaan ditentukan dari hasil wawancara bersama pakar, namun nilai tersebut masih merupakan hasil perkiraan yang bukan merupakan batas nilai himpunan keanggotaan terakurat walaupun bisa dikatakan sudah mendekati akurat. Mengingat hal tersebut penulis mengusulkan untuk mengkombinasikan dengan metode lain agar didapat solusi yang memiliki akurasi yang lebih baik.
Terdapat beberapa algoritma untuk optimasi yang bisa digunakan untuk pengoptimasian derajat keanggotaan fuzzy, salah satunya adalah algoritma genetika. Pada algoritma genetika menyediakan strategi penyesuaian secara komparatif dan otomatis terhadap derajat keanggotaan fuzzy. Metode ini juga cocok untuk penyelesaian masalah yang memiliki banyak objek, masalah dengan banyak variabel juga dapat diselesaikan dengan algoritma genetika
(Azizah, et al., 2015) . Algoritma genetika juga
terbukti mampu menyelesaikan persoalan yang kompleks seperti sistem rekomendasi wisata kuliner (Widodo & Mahmudy, 2010), TSP dengan Time Windows (Suprayogi & F., 2015), diagnosis penyakit Erythemato Squamous (Parthiban & Subramanian, 2009), dan Prediksi linai tukar Rupiah terhadap Dolar (Pramesti, 2016).
Berdasarkan penelitian di atas maka pada penelitian ini penulis menambahkan optimasi pada derajat keanggotaan dari metode fuzzy Tsukamoto untuk ditambahkan dalam pengembangan sistem diagnosis gangguan autisme pada anak. Oleh sebab itu, penulis membangun satu sistem untuk diagnosis gangguan autisme pada anak yang diharapkan memiliki akurasi yang lebih baik dari penelitian sebelumnya, penelitian ini berjudul “Optimasi
Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Autisme Pada Anak
”. Sistem diagnosis ini menggunakan data gejala yang sama pada penelitian sebelumnya yaitu
Childhood Autisme Rating Scale (CARS) dan Checklist for Autism in Toddlers (CHAT).
2. AUTISME
Autisme adalah sebuah gangguan kurangnya kemampuan individu dalam komunikasi dan berhubungan dengan orang lain secara emosional (Halgin & Whitbourne, 2010). Autisme biasa disebut dengan gangguan
spectrum (spectrum disorder) karena tingkat seseorang terpengaruh sangat bervariasi.
Gangguan autisme bekerja dengan mempengaruhi otak saat mengkomunikasi dan mengintepretasikan informasi. Menurut penelitian gangguan autisme lebih banyak dialami oleh laki-laki (Nevid, 2005). Disebutkan bahwa retradasi mental juga dialami oleh 75% anak penderita autisme (Putri, 2015). Retradasi mental adalah keterlambatan perkembangan fungsi sosial dan kognitif dalam rentang yang luas (Nevid, 2005).
2.1 Karakteristik Autisme
2010) .
Diperkirakan kesulitan otak dalam memproses informasi yang menyebabkan terjadinya perilaku karakteristik autisme (khususnya saat bagian otak yang terganggu adalah bagian yang memiliki fungsi untuk memahami bahasa dan emosi).
2. Perkembangan Otak Perkembangan otak anak penderita gangguan autisme berlangsung secara berbeda dari anak- anak pada umumnya. Pada usia dini perkembangan otak pada anak penderita gangguan autisme cenderung tumbuh lebih cepat, terutama saat anak berumur dibawah tiga tahun. Bayi penderita autisme memilik otak yang selnya lebih banyak dari yang dibutuhkan otak, sehingga terjadi koneksi antar sel pun menjadi tidak efisien.
gen yang diidentifkasi terdapat pada orang dengan ASD. Gen ini merupakan gen yang terdapat pada semua manusia yang sangat penting bagi otak untuk berkomunikasi.
Fragile X . Neurexine 1 adalah salah satu contoh
Faktor genetika. Autisme tidak disebabkan oleh satu gen saja melainkan gabungan dari beberapa gen. Kombinasi gen yang berbeda memungkinkan untuk menyebabkan bermacam- macam jenis kelainan Autism Spectrum Disorder (ASD), seperti gangguan Asperger dan gangguan autisme. Kondisi genetik lainnya juga dapat terjadi dengan ASD, seperti sindrom
1. Faktor Genetik Peran utama dalam gangguan autisme yaitu
Gejala-gejala yang digunakan oleh klinis ahli perkembangan untuk melakukan diagnosis terbagi mejadi tiga kategori: a.
Pelemahan Interaksi Sosial Penderita gangguan autisme menunjukkan kemampuan interaksi yang lemah dengan bermacam cara. Untuk mengontrol interaksi yang mereka lakukan penderita autisme ini lebih menghindari kontak mata, postur, membuat ekspresi wajah, dan menggunakan isyarat yang aneh itu membuktikan bahwa perilaku nonverbal penderita gangguan autisme melambangkan jarak emosional.
2.2 Penyebab Autisme
Kebanyak penderita gangguan autisme akan merasa terganggu apabila terjadi perubahan dalam rutinitas dan kebiasaan yang begitu kaku yang mereka patuhi. Seringkali tingkah laku penderita gangguan autisme juga terlihat tidak biasa dan melakukan gerakan stereotip secara berulang ulang yang tidak memiliki tujuan, misalnya memutar benda, berputar-putar, berayun-ayun ke depan dan belakang, menepukkan tangan secara berulang-ulang tanpa tujuan, bahkan mereka melakukan hal yang membahayakan diri mereka sendiri seperti membenturkan kepala secara berulang-ulang. Tingkah laku yang regresif juga sudah biasa terjadi, seperti mengamuk (temper-tantrum), mengotori pakaian mereka sendiri dengan buang air kecil atau besar, dan ekspresi kekanak- kanakan saat mereka marah. Seiring bertambahnya usia karakteristik autisme yang tidak biasa akan semakin tampak dan gangguan tersebut akan terus dialami selama mereka hidup dengan menunjukkan tingkat keparahan dan gejala yang bervariasi.
Kelainan Perilaku, Minat, dan Aktifitas Salah satu ciri dari penderita gangguan autisme yaitu bertingkah laku yang bisa dikatakan tidak biasa. Penderita ganguan autisme dapat mengabaikan aktifitas apapun karena kesibukan mereka pada satu atau lebih keminatannya yang mereka suka. Dan dengan khusus dapat tertarik dengan objek-objek yang tidak biasa seperti kancing baju dan kipas angin.
c.
Gaya percakapan penderita autisme pun terdengar tidak biasa karena nada, intonasi, kecepatan, dan ritmenya berbeda dari biasanya.
Pelemahan Komunikasi Dalam hal komunikasi penderita gangguan autisme menunjukkan cara yang tidak biasa dalam beberapa hal, baik secara nonverbal ataupun verbal. Dalam komunikasi perasaan, penderita autisme tidak dapat berperan sesuai usianya. Sebagian besar penderita autisme dengan gangguan tersebut mengalami penundaan serius dalam hal kemampuan berbicara, atau bahkan ada pula yang tidak mampu untuk berbicara. Sebagian kecil yang mampu untuk berbicara biasanya susah untuk memulai atau mempertahankan percapakannya.
b.
Pola orang tua dalam mengasuh anak bukan merupakan penyebab dari autisme namun pola orang tua dalam mengasuh anak yang menderita gangguan autisme sangat mempengaruhi masa depan anak. Beberapa peneliti memiliki dugaan bahwa ada beberapa penyebab-penyebab gangguan autisme pada anak yaitu faktor genetik dan pengembangan otak (Dissanayake, et al.,
INFERENSI FUZZY TSUKAMOTO
3. SISTEM
Penelitian ini menggunakan algoritma genetika untuk mengoptimasi nilai keanggota
4. Individu merupakan kumpulan gen, yang mana kumpulan gen tersebut membentuk sebuah kromosom dengan identitas yang sama.
5. Populasi merupakan sekumpulan individu yang nantinya akan diproses bersama dalam satu siklus evolusi.
6. Generasi merupakan satu-satuan siklus dalam proses evolusi
7. Nilai fitness merupakan parameter penentu seberapa baik hasil dari suatu individu setelah melalui proses evolusi, atau dapat dikatakan sebagai sebuah solusi yang didapat dari masalah yang ada. Algoritma genetika dapat memecahkan masalah dengan sejumlah rangkaian tahapan sebelum mendapatkan solusi yang optimum. Solusi dari suatu masalah terlebih dahulu dipetakan (encoding) dalam bentuk string kromosom. Kemudian fungsi fitness digunakan untuk menilai seberapa baik sebuah kromosom untuk dimasukkan ke dalam algoritma genetika. Setelah melalui serangkaian proses yang terjadi di dalam algoritma genetika, kromosom terbaik akan tepilih menjadi sebuah solusi sebagaimana yang terjadi pada seleksi alami dari generasi ke generasi. Kromosom terbaik ini kemudian diuraikan (decoding) menjadi sebuah solusi yang diharapkan mendekati optimum (Mahmudy, 2013).
5. METODE
Fuzzy Tsukamoto memiliki rule yang akan
fuzzy Tsukamoto untuk diagnosis autisme pada anak.
2. Allele merupakan nilai yang menggambarkan suatu gen, yang dapat memiliki nilai berupa integer, biner, float, maupun karakter.
menentukan perhitungan output nantinya. Rule pada Tsukamoto berbentuk sebab akibat atau biasa diketahui dengan IF-THEN. Rule yang ada di representasikan menggunakan himpunan
fuzzy , kemudian agar hasil bersifat tegas (Crips Solution ) maka perlu di lakukan defuzzifikasi
yang disebut “Metode rata-rata terpusat” atau “Metode defuzzifikasi rata-rata terpusat (Center
Average Deffuzzyfier ) ” (Abdurrahman, 2011).
Tahapan pada metode Tsukamoto adalah : 1. Fuzzifikasi
3. Kromosom dapat diartikan sebagai kumpulan beberapa gen yang kemudian memiliki arti tertentu.
Tahapan-tahapan cara kerja pada logika
fuzzy adalah (Sutoyo, T., et al., 2011): 1.
1
Fuzzifikasi Fuzzifikasi adalah proses mengubah input yang bersifat tegas menjadi variabel linguistik menggunakan variabel keanggotaan.
2. Pembentukkan basis pengetahuan fuzzy Basis pengetahuan fuzzy berisi rule yang berbentuk IF-THEN.
3. Mesin Inferensi Mesin inferensi adalah proses mengubah input fuzzy menjadi output fuzzy dengan mengikuti rules yang sudah ada.
4. Defuzzifikasi Defuzzifikasi adalah proses inti mengubah output fuzzy dari mesin inferensi menjadi nilai tegas dengan menggunakan fungsi keanggotaan fuzzy . Beberapa cara melakukan defuzzifikasi : a.
Metode Rata-rata (Average) =
Σ
(3.1) b. Metode Titik Tengah
Berikut beberapa istilah yang sering digunakan dalam AG (Sutoyo, T., et al., 2011):
∗
=
∫ ( ) ∫ ( )
(3.2)
4. ALGORITMA GENETIKA
Algoritma genetika (AG) merupakan salah satu algoritma yang digunakan dalam melakukan pencarian. AG berbasis pada mekasnisme genetika dan seleksi alam. Algoritma ini mampu menyelesaikan permasalahan optimasi yang kompleks, yang umumnya sulit diselesaikan oleh metode konvensional (Desiani & Arhami, 2006).
1. Gen (genotype) adalah variabel dasar dalam membentuk suatu kromosom. Gen dapat memiliki nilai berupa integer, biner, float, maupun karakter.
Langkah pertama proses fuzzy Tsukamoto yaitu fuzzifikasi, fuzzifikasi adalah proses untuk menghitung derajat keanggotaan pada masing- masing kriteria.
2. Pembentukan Knowladge Base Fuzzy (Rule) Basis pengetahuan fuzzy berisi rule yang berbentuk IF-THEN.
3. Mesin Inferensi Fungsi implikasi yang digunakan adalah
MIN, ini digunakan untuk mendapatkan nilai α- pred ikat pada setiap rule(α1,α2, …..,αn). Nilai α-
Gambar 2. Diagram Alir Optimasi FIS Tsukamoto
predikat ini digunakan untuk menghitung nilai hasil inferensi secara tegas di masing masing Antara sub proses CHAT dan CARS rule (z1, z2, ….., zn). memiliki algoritma yang sama, perbedaannya 4. Defuzzifikasi terdapat dibagian panjang kromosom ,dan
Menggunakan metode rata-rata (Average).
rule /aturan fuzzy yang digunakan. Pada CHAT
panjang kromosomnya adalah 6 sedangkan pada
Σ
1 ∗
(5.1)
= CARS 18, ini dikarenakan variabel fuzzy yang digunakan pada kedua metode ini juga berbeda.
Dikarenakan varibel fuzzy yang berbeda maka Proses Defuzzifikasi
rule yang digunakan juga berbeda, pada metode
Hasil akhir (z) didapat dengan menggunakan : CARS memiliki 81 rule sedangkan CHAT hanya
- 1
1
2
2 memiliki 4 rule.
(5.2)
=
- 1
2 Langkah
- – langkah FIS Tsukamoto pada penelitian ini dapat dilihat pada Gambar 1.
Gambar 3. Diagram Alir Algoritma Genetika CARS
Gambar 1. Diagram Alir Fuzzy Tsukamoto
Diagram alir dari penelitian ini dapat dilihat pada Gambar 2. Penjelasan sub prosesnya dapat dilihat pada Gambar 3 untuk metode CARS dan pada Gambar 4 untuk metode CHAT. memenuhi jumlah offspring yang diinginkan maka proses crossover selesai. Sedangkan jika belum memenuhi jumlah offspring yang diinginkan maka proses crossover tetap dilanjutkan sampai jumlah offspring sesuai dengan yang diinginkan. Parent yang terpilih dilambangkan sebagai P1 dan P2, dan hasil offspring dilambangkan sebagai C1 dan C2. Perhitungan offspring dilakukan dengan cara
offspring . Jika jumlah offspring (child) sudah
Inisialisasi adalah proses pembangkitan bilangan random yang sebelumnya telah dipilih sebagai solusi baru yang berupa string kromosom yang disebut populasi. Popsize merupakan jumlah populasi yang sebelumnya telah ditentukan yang mana biasanya popsize menggambarkan nilai dari kumpulan individu/kromosom. Representasi kromosom pada penelitian ini dapat dilihat pada Gambar 5.
dilakukan dengan memilih dua individu parent secara acak untuk menghasilkan child atau
crossover. Reproduksi menggunakan crossover
Metode crossover yang digunakan pada penelitian adalah extended intermediate
Offspring = Cr x popSize (5.1) C 1 = P 1
Sebelum mendapatkan nilai rasio offspring kita perlu menentukan tingkat crossover (crossover Rate/Cr). Rasio offspring dihasilkan dari proses crossover sehingga dapat dituliskan rumus seperti berikut.
5.4 Crossover
Gambar 5. Representasi Kromosom Real-code
5.3 Inisialiasi
Kromosom yang dibentuk merupakan titik interval masing masing kelas pada setiap himpunan fuzzy. Panjang kromosom yang akan dibentuk adalah 18 kromosom untuk metode CARS, dan 6 kromosom untuk metode CHAT. Contoh kromosom CARS dapat dilihat di Gambar 2.
- α (P 1 – P 2 ) (5.3) α = Random [-0.25, 1.25]
- α (P 2 – P 1 ) (5.2) C 2 = P 2
- – 7) = 7 + 0.15 = 7.15 C2 = 10 + 0.05 (7
- – 10) = 10 +(- 0.15) = 9.85
- – 1) = 10 + 0.17 = 10.17
- – 1. Uji coba ini atau tidaknya hasil keluaran sistem, Karena menggunakan jumlah popsize 50, dan banyak dapat dilihat pada banyak generasi 50 sampai generasi yang digunakan sebanyak 200 generasi 150 belum mengberikan hasil yang paling untuk metode CARS. Dan menggunakan jumlah optimal. Pada banyak generasi 200 dan 250
Pada tahap inisialisasi, representasi kromosom permasalahan diagnosis autisme pada anak ini merupakan bilangan real maka representasi kromosom menggunakan representasi real-code (pengkodean real).
Kromosom dapat kita katakan sebagai sebuah vektor dari himpunan bilangan real dengan ukuran yang sama dengan jumlah jenis bagian, yang biasanya representasi ini digunakan sebagai pemecah masalah optimasi dengan domain kontinyu (Mahmudy, et al., 2013). Keberhasilan dari implementasi algoritma genetika ditentukan oleh representasi kromosom yang tepat. Setiap individu disusun oleh urutan gen berupa alphabet. Alphabet tersebut bisa saja terdiri dari sebuah biner (0/1), floating point, bilangan integer, maupun symbol-simbol, matriks, dan lain-lain (Mahmudy, 2013).
5.2 Representasi Kromosom
Penentuan kombinasi nilai pada parameter yang digunakan dalam AG bergantung pada permasalahan yang ingin diselesaikan. Belum ditemukan metode yang tepat yang mampu menentukan nilai dari parameter yang akan digunakan di GA. Menurut penelitian Mahmudy, Marian, and Luong (2014), diperlukan serangkian pengujian agar mendapatkan kombinasi nilai parameter yang paling sesuai.
5.1 Penentuan Parameter
Algoritma genetika (AG) merupakan salah satu algoritma yang digunakan dalam melakukan pencarian. AG berbasis pada mekasnisme genetika dan seleksi alam. Algoritma ini mampu menyelesaikan permasalahan optimasi yang kompleks, yang umumnya sulit diselesaikan oleh metode konvensional (Desiani & Arhami, 2006).
Gambar 4. Diagram Alir Algoritma Genetika CHAT
Gambar 9. Child 2 Hasil Crossover
offspring dilakukan dengan cara membangkitkan
Misalkan terpilih gen nomer 3 dan a adalah [-0.1, 0.1] maka :
C3 = 10+ 0.01 (18
C3
Gambar 11. Child Hasil Mutasi
5.6 Evaluasi
Evaluasi merupakan tahapan dimana kromosom akan diperiksa nilai fitness-nya. Dari nilai tersebut kita dapat menentukan apakah kromosom tersebut layak atau tidak menjadi calon solusi. Penentuan nilai fitness dapat dilakukan dengan melihat nilai f(x), dalam tahap ini fitness = f(x).
C2
Gambar 10. Individu Terpilih Mutasi
Gambar 8. Child 1 Hasil Crossover
Perhitungan tersebut dilakukan untuk setiap gen yang ada dalam individu. Sehingga memberikan hasil seperti pada Gambar 8 dan Gambar 9. C1
C1 = 7 + 0.05 (10
Misalkan gen nomer 3 dan a adalah [-0.25, 1.25] maka :
Gambar 7. Individu Terpilih 2
P2
Gambar 6. Individu Terpilih 1
membangkitkan persamaan (5.2) dan (5.3) sebagai berikut. Parent terpilih dapat dilihat pada Gambar 6 dan Gambar 7. P1
persamaan (5.5). Parent terpilih dapat dilihat pada Gambar 10, dan child dapat dilihat pada Gambar 11. P1
5.5 Mutasi
dengan cara memilih satu individu atau parent secara acak dan memilih gen yang akan di mutasi secara acak. Jika jumlah offspring (child) sudah memenuhi jumlah offspring yang diinginkan maka proses mutasi selesai. Sedangkan jika belum memenuhi jumlah offspring yang diinginkan maka proses mutasi tetap dilanjutkan sampai jumlah offspring sesuai dengan yang diinginkan. Parent yang terpilih dilambangkan sebagai P1 , dan hasil offspring dilambangkan sebagai C dan angka yang melanjutkan dari jumlah offspring pada crossover. Perhitungan
Metode mutasi yang digunakan adalah
= Random [-0.1, 0.1] (5.6)
′ = + ( − ) (5.5) r
Offspring = Mr x popSize (5.4)
Tingkat mutasi (mutation Rate/pm) harus ditentukan yang kemudian akan menghasilkan nilai yang menyatakan rasio offspring yang akan dihasilkan pada proses mutasi sehingga dihasilkan rumus sebagai berikut.
= ℎ
(5.7)
5.7 Seleksi
Tahapan ini dilakukan untuk memilih individu-individu dari populasi yang dapat bertahan hidup untuk menjadi induk dari generasi selanjutnya, agar generasi selanjutnya lebih baik daripada generasi sebelumnya. Semakin besar suatu nilai fitness dari suatu individu maka semakin besar peluangnya untuk menjadi sebuah solusi. Terdapat beberapa cara dalam menentukan apakah sebuah individu layak menjadi solusi, di antaranya yaitu metode roulette wheel , binary tournament, elitism.
Metode seleksi yang digunakan pada penelitian ini adalah metode elitism selection. Metode elitism selection digunakan dengan cara penggabungan antara parent dengan offspring
random mutation. Proses mutasi dilakukan yang dihasilkan kemudian mengurutkan nilai
fitness- nya dan mengambil parent baru sesuai dengan jumlah populasi yang telah ditentukan.
6.1 Hasil dan Analisis Uji Coba Ukuran Populasi (Popsize)
1 0,2 0,4 0,6 0,8
tn e ss
Populasi Pengujian Populasi (Popsize) CARS
1
1
1
1
1
1
1
1 1,2
60
10
20
30
40
50
60
70
80 Fi tn e ss
Populasi Pengujian Populasi (Popsize) CHAT
70
50
6. HASIL DAN PEMBAHASAN
0,996296 296 0,997037 037
Uji coba ini dilakukan untuk mengetahui ukuran populasi yang dapat menghasilkan titik keanggotaan yang paling optimal pada FIS Tsukamoto untuk diagnosis autisme pada anak. Uji coba ini dilakukan sebanyak 10 kali dengan menggunakan Cr (crossover rate) = 0.3 dan Mr (mutation rate) = 0.2 dengan jumlah generasi sebanyak 100. Jumlah populasi yang akan diuji merupakan nilai kelipatan 10, mulai dari 10 sampai dengan 80. Hasil pengujian dapat dilihat pada Gambar 12 untuk metode CARS dan Gambar 13 untuk metode CHAT.
2. Uji coba banyaknya generasi yang optimal.
Uji coba jumlah populasi yang optimal.
Gambar 13 Grafik Hasil Pengujian Banyak Populasi CHAT
Sedangkan pada CHAT, dari Gambar 13 terlihat bahwa banyaknya populasi tidak berpengaruh terhadap nilai fitness yang dihasilkan. Dari tingkat permasalahan yang lebih sederhana dibandingkan dengan CARS ini mengakibatkan popsize yang paling sedikit sudah dapat menghasilkan nilai fitness yang paling optimal. Yang dimaksud lebih sederhana adalah variabel fuzzy dan rule yang dimiliki oleh metode CHAT jauh lebih sedikit dibandingkan metode CARS. Untuk metode CHAT diputuskan banyak populasi yang paling optimal adalah 10.
40
Untuk melakukan evaluasi program pada penelitian kali ini dilakukan beberapa uji coba agar program yang dibuat mampu menghasilkan solusi yang optimal. Beberapa uji coba tersebut adalah : 1.
0,999259 259 0,999259 259
3. Uji coba kombinasi nilai crossover rate (Cr) dan mutation rate (Mr) yang terbaik.
1 0,999259 259
1
1 0,994 0,995 0,996 0,997 0,998 0,999
1 1,001
10
20
30
4. Uji coba perbandingan FIS Tsukamoto dengan optimasi FIS Tsukamoto.
80 Fi
Gambar 12. Grafik Hasil Pengujian Banyak Populasi CARS
Dari Gambar 12 dapat di amati bahwa perbedaan banyaknya populasi CARS pada setiap percobaan berpengaruh terhadap rata-rata fitness yang diperoleh dalam penerapan algoritma genetika pada penelitian ini. Dari hasil percobaan tersebut menunjukkan fitness terkecil dihasilkan oleh populasi yang paling sedikit yaitu 10. Hal ini disebabkan jumlah populasi tersebut belum dapat mencapai daerah pencarian yang optimal pada algoritma genetika. Selanjutnya pada populasi 20 hingga populasi 50 memiliki peningkatan yang signifikan, hingga mencapai fitness 1, lalu pada banyak populasi 60 mengalami penurunan dan kembali naik pada banyak populasi 70 dan 80. Oleh Karena itu pada metode CARS dapat disimpulkan banyak populasi yang paling optimal pada proses optimasi FIS Tsukamoto untuk diagnosis autisme pada anak adalah 50. Populasi yang paling optimal akan digunakan pada pengujian selanjutnya.
Uji coba ini dilakukan untuk mengetahui banyak generasi yang dapat menghasilkan titik keanggotaan pada himpunan fuzzy yang paling optimal pada FIS Tsukamoto untuk diagnosis autisme pada anak. Uji coba ini dilakukan
6.2 Hasil dan Analisis Uji Coba Banyak Generasi sebanyak 10 kali dengan menggunakan Cr = 0.3
Pengujian Generasi CHAT
dan Mr = 0.2 dengan jumlah popsize 50 untuk CARS dan 10 untuk CHAT. Banyaknya generasi 1,005
1
1
1
1
1
1
yang akan diuji merupakan nilai kelipatan 50,
1
mulai dari 50 sampai dengan 400. Hasil dari
ss
pengujian banyak generasi CARS dapat dilihat e
0,995 tn
0,996666
pada Gambar 14 dan CHAT dapat dilihat pada
Fi 667 0,99
Gambar 15.
0,99 0,985 Pengujian Generasi CARS
50 100 150 200 250 300 350 400 1,001 Generasi
1
1
1 0,999259
1 259
Gambar 15. Grafik Hasil Pengujian Banyak ss
0,999 e
0,999259 Generasi CHAT tn
0,998 259 0,998518 Fi
0,998518 519 0,997777
0,997 519 778
6.3 Hasil dan Analisis Uji Coba Crossover 0,996
Rate (Cr) dan Mutation Rate (Mr) 50 100 150 200 250 300 350 400
Uji coba ini dilakukan untuk mengetahui
Generasi
kombinasi crossover rate dan mutatin rate yang dapat menghasilkan titik keanggotaan pada
Gambar 14. Grafik Hasil Pengujian Banyak
himpunan fuzzy yang paling optimal pada FIS
Generasi CARS Tsukamoto untuk diagnosis autisme pada anak.
Uji coba ini dilakukan sebanyak 10 kali dengan Dari Gambar 14 dapat diamati bahwa pada kenaikan kombinasi probabiltasnya sebanyak metode CARS banyak berpengaruh pada optimal
0.1 dalam rentang 0
popsize 10 dan banyak generasi 100 untuk sudah didapatkan rata-rata fitness yang terbaik.
metode CHAT. Hasil dari pengujian kombinasi Pada banyak generasi 300 dan 350 kembali cr dan mr dapat dilihat pada Gambar 16 untuk mengalami penurunan rata-rata fitness yang metode CARS dan Gambar 17 untuk metode dihasilkan. Dan pada banyak generasi 400 CHAT. kembali memberikan rata-rata fitness yang paling optimal. Dari percobaan banyak generasi
Pengujian Kombinasi Cr dan Mr
dapat disimpulkan bahwa pada metode CARS
CARS
1
terpilih banyak generasi 200 untuk
1 1 0,999259 0,999259
1 menghasilkan nilai fitness yang optimal.
259 259 0,9995
Sedangkan pada CHAT dapat dilihat pada
0,999 0,999259
Gambar 15 terjadi kenaikan rata-rata nilai fitness 0,999259
0,9985 259 259
pada banyak generasi 50 ke 100, lalu pada 0,999259
0,999259 0,998
259
jumlah generasi berikutnya memberikan hasil
259 0,9975
0,997777
yang optimal dan stabil. Pada banyak generasi
0,997 778
300 mengalami penurunan rata-rata nilai fitness
0,997037 0,9965
yang dihasilkan, dan kembali naik lagi pada
037 0,996
banyak generasi 350 sampai seterusnya. Dapat
0,9955
disimpulkan banyak generasi yang paling
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Mr
optimal pada metode CHAT adalah 100.
Cr 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Gambar 16. Grafik Hasil Pengujian Kombinasi Cr dan Mr CARS Dari Gambar 16 dapat diamati bahwa kombinasi antara Cr dan Mr juga berpengaruh terhadap nilai fitness pada setiap percobaan. Kombinasi yang optimal pada perngujian kali ini adalah cr = 0.8 mr = 0.2.
Dari Gambar 17 dapat diamati bahwa kombinasi antara Cr dan Mr tidak berpengaruh terhadap nilai fitness pada setiap percobaan. Ditentukan kombinasi yang optimal pada perngujian kali ini adalah cr = 0.9 mr = 0.1.
1
1
1
1
Gambar 17. Grafik Hasil Pengujian Kombinasi Cr dan Mr CHAT
1
1
1
1
1 0,2 0,4 0,6 0,8
1
mutation , dan seleksi yang digunakan adalah elitism selection .
mutasi yang digunakan adalah random
crossover yang digunaan adalah extended intermediate crossover , sedangkan metode
1. Algoritma genetika dapat diterapkan dengan baik pada permasalahan optimasi FIS Tsukamoto untuk diagnosis autisme pada anak, representasi kromosom yang digunakan adalah real code, metode
Kesimpulan yang didapatkan melalui hasil uji coba yang telah dilakukan mengenai optimasi FIS Tsukamoto menggunakan Algoritma Genetika untuk diagnosis autisme pada anak adalah sebagai berikut :
7. KESIMPULAN
Dari hasil perbandingan pada metode CHAT dapat disimpulkan proses optimasi menggunakan algortima genetika pada FIS Tsukamoto di metode CHAT memberikan hasil yang baik. Dari 30 data yang di uji optimasi pada FIS Tsukamoto memberikan hasil yang baik yaitu 30 data benar dan tidak ada kesalah, yang berarti sistem memiliki akurasi 100% pada data tersebut. Sedangkan pada FIS Tsukamoto tanpa optimasi, dari 30 data yang diuji metode ini memberikan hasil 28 data benar dan 2 data salah, yang berarti sistem memiliki akurasi 93.33% pada data tersebut.
1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
Mr Cr Pengujian Kombinasi Cr dan Mr CHAT
1
6.4 Pengujian Perbandingan Hasil FIS Tsukamoto dengan Optimasi FIS Tsukamoto
Tsukamoto (Logika Fuzzy) Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang
0.1. DAFTAR PUSTAKA Abdurrahman, G. (2011). Penerapan Metode
popsize sejumlah 50, banyak generasi 200,
optimal pada metode CARS adalah banyak
3. Parameter terbaik yang memberikan hasil
akurasi yang optimal. Pada metode CARS dan CHAT menghasilkan nilai akurasi 100%, hal ini dapat dilihat dari nilai fitness yang bernilai 1 dan hasil perbandingan dengan data pakar yang telah dilakukan.
fuzzy Tsukamoto sudah mencapai nilai
2. Nilai akurasi yang dihasilkan dari penerapan optimasi menggunakan algoritma genetika pada batasan himpunan (nilai keanggotaan)
Dari hasil perbandingan pada metode CARS dapat disimpulkan proses optimasi menggunakan algortima genetika pada FIS Tsukamoto di metode CARS memberikan hasil yang baik. Dari 20 data yang di uji optimasi pada FIS Tsukamoto memberikan hasil yang baik yaitu 20 data benar dan tidak ada kesalah, yang berarti sistem memiliki akurasi 100% pada data tersebut. Sedangkan pada FIS Tsukamoto tanpa optimasi, dari 20 data yang diuji metode ini memberikan hasil 14 data benar dan 6 data salah, yang berarti sistem memiliki akurasi 70% pada data tersebut.
Pengujian perbandingan dilakukan dengan menggunakan hasil dari optimasi batasan keanggotaan pada fuzzy Tsukamoto yang telah dilakukan sebelumnya dan batasan keanggotaan awal sebelum dilakukan optimasi pada fuzzy Tsukamoto. Pada metode CARS menggunakan 20 data yang telah di diagnosis sebelumnya oleh pakar dan metode CHAT menggunakan 30 data yang telah di diagnosis sebelumnya oleh pakar.
dan kombinasi Cr=0.8 Mr =0.2. Lalu pada metode CHAT parameter yang paling optimal adalah popsize sebanyak 10, banyak generasi 100, dan kombinasi Cr = 0.9 Mr =
Berdasarkan Data Persediaan dan Jumlah Permintaan. Yogyakarta:
Suprayogi, D. A., & F., M. W. (2015). Penerapan Algoritma Genetika Traveling Salesman Problem with Time Window : Studi Kasus Rute Antar Jemptu Laudry. J.
International Conference on Intellegent Agent & Multi-Agent Systems, IAMA , 1-
6. Pramesti, R. A. (2016). Optimasi Fuzzy
Inference System Mamdani Untuk Prediksi Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan Algoritma Genetika. Malang.
Putri, D. N. (2015). Sistem Pakar Diagnosa
Autisme Pada Anak Menggunakan Metode Fuzzy Tsukamoto. Malang.
Samuel A. E., & Balamurugan M. (2012). Fuzzy Max-Min Composition Technique In Medical Diagnosis.
Applied Mathematical Science, 6 , 1741-1746.
Bauana Inform , 6.
Parthiban, L., & Subramanian, R. (2009). An Intellegent Agent For Detection Of Erythermato Squamous Diseases Using
Sutoyo, T., Mulyanto, E., & Suhartanto, V.
(2011). Kecerdasan Buatan. Yogyakarta: C.V. Andi Offset (Penerbit Andi).
Wahyuni I., Mahmudy W., & Iriany A. (2016).
Rainfall Prediction In Tengger Region Indonesia Using Tsukamoto Fuzzy Inference System. Yogyakarta,
Indonesia: International Conference on Information Technologi, Information System and Electrical Engeneering (ICITISEE) .
Widodo, A. W., & Mahmudy, W. (2010).
Penerapan Algoritma Genetika Pada Sistem Rekomendasi Wisata Kuliner.
Co-Active Neuro Fuzzy Inference System And Genetic Algorithm.
Jakarta: Erlangga. Ormrod, J. E. (2008). Psikologi Pendidikan Jilid I. Jakarta: Erlangga.
Jurusan Pendidikan Matematika. FMIPA Universitas Negeri Yogyakarta.
La trobe University: The Olga Tennision Autism Research Center.
Azizah, E. N., Cholissodin, I., & Mahmudy, W.
(2015). Optimasi Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Penentan Harga Jual Rumah. Jurna of
Enviromental Engineering and Sustanable Technology, 2 , 79-82.
Desiani, A., & Arhami, M. (2006). Konsep
Kecerdasan Buatan. Yogyakarta: Penerbit Andi.
Dissanayake, Cheryl, & Cherie Green. (2010).
"Cause of ASD".
Halgin, R. P., & Whitbourne, S. K. (2010).
181-190. Nevid, J. S. (2005). Psikologi Abnormal Jilid 1.
Psikologi Abnormal. Jakarta: Salemba Humanika.
Mahmudy, W. F. (2013). Algoritma Eolusi.
Malang: Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Mahmudy, W. F., Marian, R. M., & Luong, L.
H. S. . (2014). Hyvrid Genetic Algorithms for Part Type Selection and Machine Loading Problems with Alternative Production Plans in Flexible Manufacturing System. ECTI
Transactions on Computer and Information Technology (ECTI
‐CIT), 80-93. Mahmudy, W. F., Marian, R. M., & Luong, L.
H. S. (2013). Modeling and Optimization of Part Type Selection and Loading Problem in Flexible Manufacturing System Using Real Coded Genetic Algorithms.
International Journal of Electrical, Electronic Science and Engineering ,
Genet. GA 3 , 5.