Optimasi Model Himpunan Keanggotaan Fuzzy Menggunakan Algoritme Evolution Strategies (Pada Data Diagnosis Penyakit Sapi Potong)
Vol. 1, No. 8, Juni 2017, hlm. 668-677 http://j-ptiik.ub.ac.id
Optimasi Model Himpunan Keanggotaan Fuzzy Menggunakan Algoritme
Evolution Strategies (Pada Data Diagnosis Penyakit Sapi Potong)
1 2 3 Dyan Putri Mahardika , Wayan Firdaus Mahmudy , Agus Wahyu WidodoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Abstrak
Semakin meningkatnya jumlah konsumsi harian daging sapi maka diperlukannya pengawasan terhadap ketersediaan daging sapi yang berkualitas baik, yaitu daging sapi yang terbebas dari bibit penyakit. Pada penelitian ini akan dibuat sebuah sistem yang dapat menyelesaikan persoalan bersifat subjektif, tidak jelas dan samar, yaitu diagnosis penyakit pada sapi potong, adanya informasi yang bersifat subjektif mengenai gejala penyakit, maka diagnosis dapat dilakukan menggunakan sistem inferensi fuzzy. Untuk mendapatkan akurasi yang tinggi, maka himpunan keanggotaan fuzzy perlu ditentukan secara tepat. Untuk mendapatkan solusi terbaik atau dalam hal ini merupakan himpunan keanggotaan fuzzy yang tepat dapat dilakukan menggunakan metode Evolution Strategies. Akurasi dari sistem ini didapatkan dengan mencocokan hasil diagnosis sistem dan hasil diagnosis pakar dengan menggunakan 51 data uji menghasilkan tingkat akurasi sebesar 95.49% menggunakan metode fuzzy. Setelah dilakukan optimasi terhadap himpunan keanggotaan fuzzy menggunakan metode ES menghasilkan tingkat akurasi yang lebih baik yaitu 97.45% dengan parameter ES terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50.
Kata Kunci
: diagnosis penyakit sapi potong, optimasi, logika fuzzy, evolution strategies
Abstract
The increasing number of daily consumption of beef, it is need to monitoring the availability of good-
quality beef, which is free from germs. In this research will be created a system that can be solve the
subjective, unclear and vague problem, that is cattle disease diagnose, the existence of subjective
information about the symptoms of the disease, then the diagnosis can be done using a fuzzy inference
system. To obtaining the high accuracy, the set of fuzzy membership needs to be determined precisely.
To get the best solution or in this case is the set of fuzzy membership can be done using Evolution
Strategies method. The accuracy of the system is obtained by matching the results of the diagnosis and
the diagnosis expert system using 51 generates test data accuracy rate of 95.49% using fuzzy. After
optimization of the fuzzy set membership using evolution strategies (ES) produces better accuracy rate
is 97.45% with the best parameters obtained ES is the population siz e of 80, offspring size of 10μ, and. the amount of generation by 50 Keywords : cattle disease diagnose, optimization, fuzzy logic, evolution strategies
angka jumlah penduduk setiap tahun 1. menyebabkan jumlah konsumsi harian daging
PENDAHULUAN
sapi juga terus mengalami peningkatan (Ilham, Kebutuhan pangan merupakan kebutuhan
1998). Untuk dapat memenuhi kebutuhan akan pokok bagi kehidupan manusia. Beberapa bahan konsumsi daging sapi maka diperlukan pangan yang biasa dikonsumsi dapat berasal dari pengawasan terhadap ketersediaan daging sapi nabati dan hewani. Salah satu kebutuhan hewani yang berkualitas baik. Daging sapi yang yang sering dikonsumsi oleh manusia biasanya memiliki kualitas baik haruslah terbebas dari berasal dari produk ternak yang dapat memenuhi bibit penyakit (Tyas, Soebroto & Furqon, 2015). asupan gizi bagi manusia yaitu daging sapi
Dalam menentukan daging sapi yang berkualitas (Gustiani, 2009). Dengan semakin tingginya baik, dapat dilihat dari hewan sapi yang memang
Fakultas Ilmu Komputer Universitas Brawijaya
668 sehat atau tidak terjangkit penyakit. Untuk mencegah sejak dini adanya penyakit yang menyerang sapi dapat dilakukan dengan melihat gejala-gejala yang mungkin timbul akibat penyakit yang menyerang sapi sehingga dapat dilakukan diagnosis penyakit sejak dini. Gejala- gejala yang muncul akan dijadikan sebagai informasi dalam melakukan diagnosis terhadap sapi potong, namun setiap informasi yang diberikan bersifat subjektif atau dalam arti lain dapat berbeda-beda pada masing-masing orang yang memberikan informasi. Adanya ketidakjelasan terhadap suatu informasi gejala yang diberikan menyebabkan diagnosis penyakit akan susah dilakukan.
Logika fuzzy merupakan suatu metode yang dapat digunakan untuk memecahan sebuah persoalan yang bersifat subjektif, tidak jelas dan samar. Sehingga proses diagnosis yang bersifat subjektif dapat menggunakan metode fuzzy. Dengan perkembangan teknologi saat ini dapat memudahkan peternak sapi dalam mendiagnosis penyakit yang diderita oleh sapi, salah satunya sistem pakar yang telah dikembangkan oleh Nisak, Soebroto, dan Furqon (2015) dengan menggunakan metode FIS Tsukamoto. Pada penelitian tersebut melakukan diagnosis penyakit pada sapi potong dengan metode FIS
Tsukamoto menggunakan 20 parameter dan 11
jenis penyakit yang di deteksi dengan menghasilkan tingkat akurasi sebesar 92,3%, 55,38%, dan 96,15%.
Logika fuzzy juga sudah banyak digunakan dalam beberapa permasalahan diagnosis penyakit, seperti penelitian yang telah dilakukan oleh Parewe dan Mahmudy (2016) menggunakan logika fuzzy untuk mendiagnosis penyakit gigi dengan nilai akurasi yang cukup tinggi yaitu 85%, namun nilai akurasi tersebut masih dapat ditingkatkan lagi dengan melakukan optimasi terhadap fungsi keanggotaan dan rule nya (Parewe, 2016).
Dalam peyelesaian masalah optimasi biasanya digunakan metode metaheuristik yang menerapkan perhitungan kecerdasan buatan. Terdapat beberapa algoritme yang biasa digunakan dalam permasalahan optimasi adalah algoritme evolusi, seperti algoritme Particle
Swarm Optimazation (PSO), Algoritme
Genetika(AG), dan algoritme Evolution
Strategies (ES). Salah satu algoritme yaitu ES merupakan algoritme yang menggunakan vektor bilangan pecahan dalam menyajikan solusi.
Algoritme ini lebih menekankan pada operator mutasi. Dalam mengontrol nilai parameter yang selalu berubah ES menggunakan mekanisme self-adaptation (Mahmudy, 2013). Penelitian sebelumnya oleh Azizah, Cholissodin dan
Mahmudy (2015) menggunakan Algoritma
Genetika untuk menentukan fungsi keanggotaan pada fuzzy Tsukamoto dalam permasalahan menentukan harga jual rumah, penggunaan Algoritma Genetika pada penelitian tersebut dapat mengurangi adanya nilai eror, nilai eror yang dihasilkan dengan mengoptimasi batasan dari fuzzy Tsukamoto sebesar 0.1369. Penelitian lainnya oleh Zulfa dan Mahmudy (2016) yang menggunakan algoritme Evolution Strategies untuk mengoptimasi batasan dari metode Fuzzy Mamdani dalam menentukan kualitas air sungai dapat meningkatkan akurasi menjadi 98% dari sebelumnya yaitu 93,33% tanpa melakukan optimasi menggunakan algoritme Evolution Strategies.
Pada penelitian ini dilakukan optimasi terhadap himpunan keanggotaan fuzzy pada setiap parameter gejala penyakit pada data diagnosis penyakit sapi potong menggunakan metode Evolution Strategies sehingga dapat menghasilkan tingkat akurasi yang lebih baik.
2. PENYAKIT PADA SAPI POTONG Tidak sedikit yang melakukan
pemotongan sapi dengan kriteria sapi ternak non produktif untuk bisa mencukupi permintaan pasar akan daging sapi yang bisa menurunkan populasi sapi (Yuliati et. al., 2014). Namun selepas dari itu semua, kesehatan dari sapi potong merupakan hal penting dari keberhasilan usaha peternakan. Terdapat sebuah perumpamaan, mencegah lebih baik daripada mengobati. Artinya, akan muncul tindakan untuk mencegah datangnya penyakit sapi potong dengan melakukan sanitasi, vaksinasi dan pelaksanaan. Cukup banyak penyakit yang menyerang sapi potong seperti Mastitis, Anthrax, Brucellosis, Septicemia Epizootica, Cacingan dan lainnya (Zulfikar,2014). Pada umumnya penyakit yang menyerang hewan adalah penyebab hewan menjadi tidak produktif lagi. Ciri-ciri dari hewan yang sehat adalah bebas dari penyakit yang menular dan tidak menular, tidak mengandung bahan yang bisa merugikan konsumen, dan mampu berproduksi secara maksimal (Zulfikar, 2014).
Sebuah peternakan biasanya berada di daerah terpencil, dengan kondisi sulit untuk mendiagnosis penyakit. Umumnya, sulit untuk mendiagnosis penyakit dengan cepat dan akurat. Tapi peternakan bisa mendiagnosis penyakit menggolongkan anggota dari himpunannya hewan dengan cepat dan akurat dengan bantuan memiliki nilai 0 atau 1, nilai 1 berarti nilai sebuah sistem(Long, 2014). Daftar penyakit dan tersebut termasuk dalam anggota himpunan dan gejalanya yang bisa menyerang sapi potong nilai 0 berarti tidak termasuk dalam anggota berdasarkan penelitian yang telah dilakukan oleh himpunan (Djunaidi, 2005). Namun pada Nisak (2015) dapat dilihat pada Tabel 1 berikut himpunan fuzzy nilai keanggotaanya berada ini. antara nilai 0 dan 1 (Fechera et al., 2012).
3.1. Sistem Inferensi Fuzzy Tabel 1. Daftar Penyakit Sapi Potong Beserta
Gejalanya
Pada proses inferensi fuzzy terdapat tiga
N
tahapan utama yang harus dilakukan, yaitu
Penyakit Gejala o
(parewe, 2016):
Bengkak Tinggi
1 Abses Demam Sedang dan Tinggi
1. Fuzzyfikasi
Bulu Kusam
Proses fuzzyfikasi adalah mengubah data
Bulu Berdiri Kurus Sedang dan Tinggi
yang memiliki nilai tegas menjadi variable
2 Askariasis Nafsu Makan Berkurang Sedang dan
linguistik dengan menggunakan fungsi
Tinggi
keanggotaan sehingga dapat dihasilkan derajat
Diare Sedang dan Tinggi Diare Berdarah Sedang dan Tinggi
keanggotaan yang memiliki nilai linguistik dari
Demam Tinggi
masing-masing variable linguistik. Nilai dari
Nafsu Makan Berkurang Sedang
3 BEF
derajat keanggotaan inilah yang akan digunakan
Keluar Ingus Sedang Pincang sebagai input pada proses inferensi sistem sesuai Nafsu Makan Berkurang Sedang dan dengan aturan-aturan yang ada.
Tinggi Diare Sedang
2.
4 Bloat Inferensi Kembung
Proses inferensi dilakukan dengan
Sesak Nafas Sedang dan Tinggi
memenuhi atura-aturan pada rule base yang
Demam Sedang Endometriti
5 Nafsu Makan Berkurang Sedang
sudah ditetapkan. Pada metode ini fungsi
s Keluar Lendir Vulva
implikasi menggunakan operator AND atau
Demam Sedang
fungsi min dan fungsi ini akan memotong output
Kurus Sedang dan Tinggi
6 Entritis Nafsu Makan Berkurang Sedang himpunan fuzzy.
Diare Tinggi 3.
Defuzzyfikasi
Diare Berdarah Sedang dan Tinggi Demam Tinggi
Proses defuzzyfikasi adalah mengubah nilai
7 Mastitis Nafsu Makan Berkurang Sedang fuzzy menjadi nilai crisp dengan menggunakan
Mamae Keras Demam Sedang dan Tinggi fungsi keanggotaan (Wicaksono, 2016). Pada Omphaliti Nafsu Makan Berkurang Sedang
metode ini output dari proses defuzzyfikasi
8 s Bengkak Sedang dan Tinggi
didapatkan dari nilai terbesar dari nilai −
Muncul Belatung Demam Tinggi
dari beberapa aturan yang memenuhi,
Nafsu Makan Berkurang Sedang dan dan dapat dilihat pada persamaan (1). Pneumoni
9 Tinggi a Keluar Ingus Tinggi
(1) = ( ∩ ∩ )
1 2,… Sesak Nafas Tinggi Demam Sedang
3.2. Siklus Sistem Inferensi Fuzzy Nafsu Makan Berkurang Sedang
10 Retensio Plasenta Tertinggal
Untuk menyelesaikan permasalahan
Bau Busuk
diagnosis penyakit pada sapi potong
Bulu Rontok
menggunakan metode sistem inferensi fuzzy
Nafsu Makan Berkurang Sedang dan
11 Scabies Tinggi
yang harus dilakukan yaitu membentuk sebuah
Gatal-gatal
himpunan keanggotaan fuzzy. Dengan adanya
Kulit Kasar
domain batasan-batasan setiap gejala yang diperoleh dari pakar, pertama melakukan proses fuzzyfikasi untuk mendapatkan nilai derajat 3.
LOGIKA FUZZY
keanggotaan setiap gejala, selanjutnya Konsep dasar dari logika fuzzy adalah melakukan proses iferensi dengan fungsi konsep ketidakpastian. Menurut pencetus logika implikasi(aturan) sesuai dengan rule yang fuzzy dasar dari sebuah himpunan fuzzy adalah tersedia dengan menggunakan fungsi min atau himpunan crisp atau himpunan untuk mencari nilai terkecil(
− ). Hasil
- Diare Tinggi - Demam Sedang - Nafsu Makan Berkurang Sedang - Kurus Sedang Dari gejala yang ada dilakukan pencarian rule yang memiliki gejala-gejala yang sama. Kemudian melakukan tahapan pada logika fuzzy sebagai berikut ini.
0.73 Diare berdarah Sedang
1. Himpunan Fuzzy (Fuzzyfikasi) Berdasarkan penelitian yang dilakukan oleh
Nisak, Soebroto & Furqon (2015) didapatkan 112 rule, dari 112 rule tersebut terdapat 2 rule dengan gejala-gejala yang memenuhi dengan gejala-gejala pada kasus 1 yaitu rule 78,79, dan
81. Gejala dari ketiga rule yang memenuhi kasus 1 digunakan sebagai variabel input, dan penyakit pada kedua rule tersebut sebagai variabel output. Sedangkan nilai skor yang dijadikan sebagi variabel inputan yang diberikan berdasarkan Tabel 2 yang dijabarkan didapatkan hasil fuzzyfikasi yang dapat dilihat pada Tabel 3.
Tabel 3. Hasil Fuzzyfikasi Rule Gejala Fuzzyfikasi
78 Kurus Sedang
0.55 Nafsu makan berkurang Sedang
0.73 Diare berdarah Tinggi
0.14 Demam Sedang
0.3 Diare Tinggi
0.2
79 Kurus Sedang
0.55 Nafsu makan berkurang Sedang
0.4 Demam Sedang
20 Plasenta tertinggal Ya 90 0-100
0.3 Diare Tinggi
0.2
81 Kurus Sedang
0.55 Nafsu makan berkurang Sedang
0.73 Diare Tinggi
0.2 Demam Sedang
0.3 2.
Inferensi Fungsi implikasi yang digunakan pada penelitian kali ini adalah fungsi min (minimum), dengan mencari nilai minimum dari hasil fuzzyfikasi setiap antesendennya. Proses perhitungan implikasi menggunakan persamaan (2), ditunjukkan sebagai berikut:
− = (
1 ,
2 ,
3 , … ) (2)
Contoh perhitungan fungsi implikasi pada
Contoh gejala yang muncul :
19 Pincang Ya 90 0-100
keluaran proses inferensi berupa nilai diskrit atau terdapat lebih dari satu macam objek yang sudah jelas hasil diagnosis penyakitnya, sehingga setiap nilai
6 Kurus Normal 0-30 Sedang 21 1 0-50 Tinggi
− masing- masing rule dalam satu data uji di pilih nilai yang paling besar untuk menentukan penyakit pada data uji tersebut dari proses inferensi yang dilakukan.
Pembentukan himpunan fuzzy dilakukan untuk setiap gejala penyakit. Pada penelitian sebelumnya yang dilakukan oleh Nisak, Soebroto & Furqon (2015), didapatkan nilai domain dan nilai skor untuk masing-masing gejala yang dibuat oleh knowledge engineer atas persetujuan dari pakar atau dokter hewan, nilai skor yang diberikan oleh pakar berdasarkan atas semesta pembicara yang telah dibuat, dan nilai skor tersebut yang akan dijadikan sebagai nilai inputan dari rule yang terpenuhi. Nilai domain dan nilai skor dapat dilihat pada Tabel 2.
Tabel 2. Nilai Skor dan Domain Gejala No Gejala Tingkat Nilai Skor Domain
1 Bengkak Normal 0-50 Sedang 60 25-75 Tinggi
95 50-100
2 Demam Normal 0-60 Sedang 53 50-70 Tinggi
79 60-80
3 Diare Normal 0-65 Sedang 63 60-80 Tinggi
83 65-85
4 Diare berdarah Normal 0-15 Sedang
12 1 0 - 20 Tinggi 29 15-30
5 Keluar ingus Normal 0-60 Sedang 55 40-75 Tinggi
79 60-80
77 30-80
18 Muncul belatung Ya 90 0-100
7 Nafsu makan berkurang Normal 0-45 Sedang
41 30-60 Tinggi 73 45-75
8 Sesak nafas Normal 0-80 Sedang 69 40-90 Tinggi
99 80-100
9 Berbau Busuk Ya 90 0-100
10 Bulu berdiri Ya 90 0-100
11 Bulu kusam Ya 90 0-100
12 Bulu Rontok Ya 90 0-100
13 Gatal-gatal Ya 90 0-100
14 Keluar lender vulva Ya 90 0-100
15 Kembung Ya 90 0-100
16 Kulit kasar Ya 90 0-100
17 Mamae keras Ya 90 0-100
rule ke 78 dengan menggunakan persamaan (2) seperti dibawah ini.
Tabel 5. Hasil Defuzzyfikasi − = ( ]
78 [
6 Diagnosis Implikasi Defuzzyfikasi ∩ [ ] ∩ [ ]
7
4 Rule Fuzzyfikasi Pakar (MIN) (MAX) ∩ [ ] ∩ [ ] )
2
3 0.73 0.55 = ( [0,55] ∩ [0,73] 78 0.14 0.14 enteritis
∩ [0,14] ∩ [0,3] 0.2 0.3 ∩ [0,2] 0.73 0.55 = MIN(0.55 , 0.73 , 0.14 , 0.3 , 0.2) 79 0.4 0.2 0.2 enteritis 0.3
= 0.14 0.55 0.2 Berikut ini merupakan hasil dari proses 81 0.73 0.2 enteritis implikasi yang dapat dilihat pada Tabel 4. 0.2 0.3 Tabel 4. Hasil Implikasi
Sehingga untuk contoh gejala yang ada
Implikasi RULE GEJALA Fuzzyfikasi menghasilkan diagnosis penyakit enteritis.
(MIN) Kurus Sedang
0.55 Untuk hasil perbandingan diagnosis pakar dan Nafsu makan
diagnosis perhitungan menggunakan fuzzy
0.73 berkurang Sedang
terdapat pada Tabel 6.
78 Diare berdarah
0.14
0.14 Tinggi Demam Sedang 0.3 4.
ALGORITME EVOLUTION Diare Tinggi
0.2 STRATEGIES Kurus Sedang
0.55 Nafsu makan
0.73 Evolution strategis (ES) merupakan sebuah berkurang Sedang
metode heuristic yang menggunakan vektor
79 Diare berdarah
0.2
0.4 Sedang
bilangan pecahan untuk mendapatkan solusi
Demam Sedang
0.3
optimal. Pada metode ini lebih menekankan pada
Diare Tinggi
0.2
pengendalian mutasi bukan pada proses
Kurus Sedang
0.55 Nafsu makan
rekombinasi. Notasi yang digunakan pada
0.73 81 berkurang Sedang
0.2
metode ini adalah ( ) sebagai ukuran
Diare Tinggi
0.2
populasi dan
Demam Sedang 0.3 (lamda) sebagi jumlah sulusi
yang dihasilkan. Ada 4 jenis proses pada metode ini, yaitu :
3. Defuzzyfikasi Proses defuzzyfikasi yang dilakukan yaitu 1.
( , ) melakukan proses penentuan keputusan penyakit Proses yang dilakukan adalah proses dengan menarik kesimpulan berdasarkan hasil reproduksi tanpa rekombinasi dan proses inferensi aturan yang telah dilakukan merupakan seleksinya hanya melibatkan offspring. nilai diskrit sehingga dilakukan dengan menentukan nilai terbesar dari derajat
2.
( , ) keanggotaannya menggunakan persamaan (1) Proses yang dilakukan adalah proses seperti dibawah ini. reproduksi yang menggunakan rekombinasi dan
= ( − 1 ∩ − 2 ∩ proses seleksi hanya melibatnya offspring.
− , . . . − )
3 3.
( + ) Contoh perhitungan defuzzyfikasi dengan
Proses yang dilakukan adalah proses menggunakan persamaan (1) seperti pada Tabel reproduksi tanpa rekombinasi dan proses seleksi 5 dibawah ini. melibatkan offspring dan induk.
4.
( + ) Proses yang dilakukan adalah proses reproduksi menggunakan rekombinasi dan proses seleksi melibatkan offspring dan induk. Perhitungan Fitness (Sistem inferrensi fuzzy) Kromosom Terbaik
Seleksi Mutasi Selesai For int i=1 to jumlah generasi
Implementasi antarmuka pada sistem optimasi himpunan keanggotaan fuzzy menggunakan algoritme Evolution Strategies adalah berbasis desktop, dengan 4 buah halaman yang tersedia antara lain halaman beranda, halaman aturan, halaman proses, dan halaman hasil.
Inisialisasi Populasi awal i++
Gambar 3. Implementasi Halaman Aturan Mulai Input data, jumlah generasi , ukuran populasi (µ), Offspring (λ)
Pada halaman aturan menampilkan data aturan atau rule base yang digunakan pada sistem inferensi fuzzy. Hasil implementasi antarmuka halaman aturan ditunjukkan pada Gambar 3.
5.2. Halaman Aturan
Gambar 2. Implementasi Halaman Beranda
Pada halaman beranda menampilkan 51 data uji yang digunakan pada sistem, dan pada halaman ini menampilkan form input dari parameter algoritme Evolution strategies yaitu ukuran populasi, ukuran offspring , dan banyaknya generasi. Hasil implementasi antarmuka halaman beranda ditunjukkan pada Gambar 2.
5.1. Halaman Beranda
5. IMPLEMENTASI
Berikut ini merupakan diagram alir dari proses algoritme Evolution Strategies yang ditunjukkan pada Gambar 1.
acak dari batasan-batasan setiap gejala. Setelah populasi awal terbentuk dilakukan perhitungan sistem inferensi fuzzy menggunakan nilai batasan-batasan tersebut dan melakukan perulangan untuk proses reproduksi yang akan menghasilkan offspring. Proses reproduksi yang digunakan pada permasalahan kali ini adalah ES(
generate populasi awal yang merupakan nilai
dihadapi, setelah melakukan inputan berupa gejala-gejala yang dialami oleh sapi dan parameter ES, maka sistem akan melakukan
fitness , dan seleksi. Dalam permasalahan yang
populasi awal, reproduksi, perhitungan nilai
strategies secara umum adalah generate
Pada gambar diagram alir diatas tahapan yang dilakukan dalam algoritme evolution
Gambar 1. Diagram Alir Algoritme Evolution Strategies
- ), yaitu proses reproduksi yang dilakukan tanpa menggunakan proses rekombinasi dan dalam proses seleksinya melibatkan induk dan offspring. Hasil dari proses reproduksi akan digunakan untuk menghitung nilai fitness setiap individu yang selanjutnya akan diseleksi dan dipilih individu yang memiliki nilai fitness terbaik.
5.3. Halaman Proses
Penggunaan algoritme Evolution Strategies berhasil digunakan dalam menentukan nilai batasan dari himpunan keanggotaan fuzzy yang dapat memberikan nilai diagnosis yang lebih akurat, hal tersebut dapat ditunjukkan dengan hasil diagnosis yang lebih mendekati dengan diagnosis dari pakar setelah melakukan optimasi terhadap himpunan keanggotaan pada fuzzy.
Gambar 4. Implementasi Halaman Proses
5.4. Halaman Hasil
Pada halaman hasil menampilkan hasil batasan dari himpunan keanggotaan fuzzy yang baru setelah dilakukan proses optimasi, selain itu juga menampilkan nilai akurasi sistem sebelum dan sesudah dilakukan optimasi. Hasil implementasi antarmuka halaman hasil ditunjukkan pada Gambar 5.
Gambar 5. Implementasi Halaman Hasil
Dalam penelitian mengenai optimasi model himpunan keanggotaan fuzzy yang telah dilakukan, proses yang digunakan adalah ( + ) , untuk kedepannya dapat dilakukan pengembangan lagi dengan menggunakan 3 proses lainnya dari algoritme Evolution
Kelayakan/akurasi dari optimasi sistem inferensi fuzzy menghasilkan peningkatan sebesar 1.96%. Pada sistem inferensi fuzzy menghasilkan nilai akurasi sebesar 95.49%, sedangkan setelah dilakukan optimasi menggunakan Evolution Strategies menghasilkan nilai akurasi sebesar 97.45%.
representasi solusi. Adapun parameter terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Pada percobaan yang telah dilakukan, nilai fitness terbaik yang pernah didapatkan sebesar 97.45%.
Strategies yang tepat dalam memberikan sebuah
Dari pengujian yang telah dilakukan sesuai dengan skenario yang telah dibuat sebelumnya, berhasil mendapatkan parameter Evolution
Pada halaman proses menampilkan individu pada populasi awal dan individu pada generasi terakhir setelah proses optimasi dilakukan. Hasil implementasi antarmuka halaman proses ditunjukkan pada Gambar 4.
7. KESIMPULAN
6. PENGUJIAN
pengaruh jumlah ukuran populasi dan lamda yang diberikan untuk inputan, yang ketiga pengujian banyaknya generasi dengan menggunakan ukuran populasi dan lambda terbaik dari pengujian sebelumnya yang bertujuan untuk mengetahui pengaruh banyaknya generasi yang digunakan sebagai input an.
(lambda) yang bertujuan untuk mengetahui
pengujian ukuran populasi (miu) dan offspring
Evolution Strategies ada 3 macam yaitu
Pengujian yang dilakukan pada algoritme
Strategies , sehingga dapat dijadikan
pembanding dengan proses yang telah digunakan pada penelitian ini. Selain itu metode seleksi yang digunakan juga dapat menggunakan metode lainnya selain elitism selection, misalnya
roulette wheel dan binary tournament.
Berdasarkan pengujian yang telah dilakukan, parameter Evolution Strategies terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Dari percobaan yang telah dilakukan berhasil mendapatkan himpunan keanggotan fuzzy yang tepat sehingga dapat memberikan diagnosis yang lebih akurat dengan nilai akurasi sebesar 97.45%. Hasil nilai batasan dari himpunan keanggotaan fuzzy terdapat pada Tabel 6 dan hasil perbandingan diagnosis terdapat pada Tabel 7.
S, SIVAGOWRY., M, DURAIRAJ. 2015. An Intelligent System based on Fuzzy Inference System to prophesy the brutality of Cardio Vascular Diseases.
DAFTAR PUSTAKA
ZULFIKAR. 2012. Gambaran Penyakit Infeksius Pada Ternak Sapi dan Cara Pencegahan. Jurnal Lentera Vol.12 No.4 Desember 2012.
Strategies . DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.7, no.25.
ZULFA, I, MAHMUDY, WF. 2016. Optimasi Model Fuzzy Mamdani Dalam Penentuan Kualitas Air Sungai Dengan Menggunakan Algoritma Evolution
II Desa Gunungrejo Kecamatan Kedungpring Kabupaten Lamongan).
2014. Analisis Proffitabilitas Usaha Penggemukan Sapi Potong (Studi Kasus Di Kelompok Tani Ternak Gunungrejo Makmur
F., MURDIANSYAH, D.T. 2016. Optimization of Fuzzy Inference System’s Parameter Using Evolutionary Programming Algorithm for Teacher Certification In Indonesia. Fourth International Conference on Information and Comunication Technologies (IColCT). YULIATI, I., FANANI, Z., HARTONO, B.
B., NHITA,
WICAKSONO,
WAN. L., BAO, W. 2014. Animal Disease Diagnoses Expert System Basedon SVM. Department of Computer Science and Engineering, The North University for Ethnics, Yinchuan Ningxia, P. R. China 750021.
TYAS, R. D. O., SOEBROTO, A.A. & FURQON, M. T. 2015. Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Fuzzy K- Nearest Neighbour. Journal of Enviromental Engineering and Sustainable Technology, 2, 58-66.
SUHARTO, M. 2004. Dukungan Teknologi Pakan Dalam Usaha Sapi Potong Berbasis Sumberday Lokal. Lokakarya Nasional Sapi Potong 2004. Surakarta.
ACSIJ Advances in Computer Science: an International Journal, Vol. 4, Issue 6, No. 18, November 2015.
AZIZAH,
E, N., CHOLISSODIN, I., MAHMUDY, W. F. 2015. Optimasi fungsi keanggotaan fuzzy tsukamoto menggunakan algoritma genetika untuk penentuan harga jual rumah. Journal of
2016. Dental Diseases Identification Using Fuzzy Inference System. Journal
PAREWE, A. M. A. K., MAHMUDY, W.F.
Universitas Brawijaya. Vol.6, no.5.
NISAK, A., SOEBROTO, A. A. & FURQON, M. T. 2015. Sistem Pakar Diagnosis Penyakit Pada Sapi Potong Dengan Metode Fuzzy Inference System Tsukamoto (Studi Kasus Pos Keswan Kecamatan Nganjuk). DORO: Repository Jurnal Mahasiswa PTIIK.
Universitas Brawijaya. Vol.5, no.11.
Implementasi Algoritma Evolution Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong, DORO: Repository Jurnal Mahasiswa PTIIK.
Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Malang. MILLAH, H., MAHMUDY, W. F. 2015.
Januari 2017] KUSUMADEWI, S. & PURNOMO, H. 2013. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu: Yogyakarta. MAHMUDY, W. F. 2013. Algoritma Evolusi.
KBBI (Kamus Besar Bahasa Indonesia) ,2017 [Online] Available at : [Accessed 1
GUSTIANI, E. 2009. Pengendalian Cemaran Mikroba Pada Bahan Pangan Asal Ternak (Daging dan Susu) Mulai Dari Peternak Sampai DIhidangkan. Balai Pengkajian Teknologi Pertanian. Jawa Barat.
Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy – Mamdani. Jurusan Teknik Industri. Universitas Muhammadiyah Surakarta.
pp. 79-82. DJUNAIDI, M., SETIAWAN, A. 2005.
Environmental Engineering & Sustainable Technology. vol. 2, no. 2,
of Enfironmental Engineering & Sustainable Technology. Vol. 03 No. 01, July 2016, Pages 33-41.