PEMBANGKITAN ATURAN FUZZY MENGGUNAKAN FUZZY C-MEANS (FCM) CLUSTERING UNTUK DIAGNOSA RISIKO PENYAKIT JANTUNG KORONER (PJK)
|
|
- Farida Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMBANGKITAN ATURAN FUZZY MENGGUNAKAN FUZZY C-MEANS (FCM) CLUSTERING UNTUK DIAGNOSA RISIKO PENYAKIT JANTUNG KORONER (PJK) Resti Ludviani 1, Candra Dewi, Dian Eka Ratnawati Program Studi Ilmu Komputer, Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya Malang Jalan Mayjen Haryono 169, Malang 65145, Indonesia 1 : restiludvi@gmail.com ABSTRAK Aturan fuzzy biasanya didefinisikan oleh pakar sehingga memerlukan waktu, pengalaman, dan keahlian pakar. Pembangkitan aturan fuzzy secara otomatis oleh sistem dapat digunakan untuk mengatasi permasalahan ini. Aturan fuzzy dapat diekstraksi dari data dengan menggunakan beberapa teknik, salah satunya adalah Fuzzy C-Means (FCM) clustering. FCM memiliki kelebihan yaitu pusat kelompok dan hasil pengelompokkan tidak mudah berubah dengan adanya data baru yang bernilai ekstrim. Pada penelitian ini, dilakukan pembangkitan aturan fuzzy pada sistem diagnosa penyakit jantung koroner (PJK) untuk mengetahui implementasi FCM clustering dalam pembangkitan aturan fuzzy dan akurasi dari hasil sistem tersebut. Penelitian dilakukan dengan beberapa skenario uji coba, dengan jumlah data latih yang berbeda. Setiap uji coba, dilakukan percobaan sebanyak 5 kali. Hasil uji coba kemudian dianalisis dimana aturan fuzzy dan akurasi sistem dari setiap skenario uji coba dibandingkan sehingga aturan fuzzy yang terbaik dapat diketahui. Hasil penelitian menunjukkan bahwa akurasi maksimum yang dihasilkan sistem diagnosa risiko PJK melalui pembangkitan aturan fuzzy menggunakan FCM adalah 50%, yaitu pada jumlah aturan 2 dengan nilai batasan varian sebesar 0,0338 pada jumlah data latih 70. Kata kunci: aturan fuzzy, sistem fuzzy, penyakit jantung koroner (PJK), clustering, FCM 1. PENDAHULUAN 1.1 Latar Belakang Sebelum ditemukan konsep kecerdasan buatan, suatu permasalahan tidak dapat diprediksi tanpa campur tangan seorang pakar secara langsung sehingga memakan waktu yang lama dalam proses pengambilan keputusan. Seiring dengan perkembangan kecerdasan buatan, suatu permasalahan dapat diprediksi walaupun pakar tidak terlibat secara langsung. Salah satu metode kecerdasan buatan yang sering digunakan untuk menggantikan pakar adalah sistem fuzzy, hal ini karena logika fuzzy terbukti dapat dipakai untuk memodelkan proses berpikir manusia yang penuh ketidakpastian (Priyono, dkk., 2007). Logika fuzzy merupakan logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) yang digunakan untuk melakukan penalaran (Kusumadewi, 2010). Pada umumnya, aturan fuzzy didefinisikan oleh pakar, dimana proses ini memerlukan waktu, pengalaman, dan keahlian pakar (Arapoglou, dkk., 2010). Namun, terkadang pakar dapat mengalami kesulitan mendefinisikan aturan pada kasus tertentu. Teknik pembentukan aturan secara otomatis oleh sistem dapat digunakan untuk mengatasi permasalahan tersebut. Aturan fuzzy dapat diekstraksi dari data dengan menggunakan teknik clustering seperti Fuzzy C-Means (FCM). Sistem fuzzy dapat digunakan untuk menangani permasalahan yang rumit seperti diagnosa risiko Penyakit Jantung Koroner (PJK). PJK merupakan kelainan yang disebabkan oleh penyempitan pembuluh arteri yang mengalirkan darah ke otot jantung (Soeharto, 2010). Karena PJK termasuk penyakit yang berbahaya, sistem diagnosa untuk memeriksa risiko PJK akan sangat bermanfaat. Faktor risiko PJK berupa data numerik sehingga dapat digunakan untuk membangkitkan aturan diagnosa risiko PJK. 1.2 Rumusan Masalah Permasalahan yang ada pada skripsi ini dapat dirumuskan sebagai berikut: 1. Bagaimana membangkitkan aturan fuzzy dari data faktor risiko penyakit jantung koroner pasien dengan algoritma fuzzy C-means (FCM)? 2. Bagaimana akurasi aturan fuzzy yang terbentuk jika diimplementasikan pada 1
2 sistem fuzzy untuk diagnosa risiko penyakit jantung koroner? 1.3 Batasan Masalah Masalah yang dibahas pada skripsi ini dibatasi pada: 1. Pembentukan aturan fuzzy didasarkan pada faktor risiko PJK, yaitu umur, kadar LDL, kadar HDL, kolestrol total, trigliserida, dan tekanan darah sistolik. 2. Tidak menangani data yang memiliki missing value pada data latih maupun data uji, sehingga input setiap data harus lengkap. 3. Aturan (rules) hasil pembangkitan digunakan untuk inferensi fuzzy TSK. 4. Diagnosa risiko PJK pada penelitian ini ditentukan berdasarkan kelas risiko PJK pada penelitian yang dilakukan Wahyuni (2011). 1.4 Tujuan Penelitian Skripsi ini dibuat dengan tujuan untuk: 1. Membangkitkan aturan fuzzy dari data faktor risiko penyakit jantung koroner pasien dengan algoritma fuzzy C-means 2. Menghitung akurasi aturan fuzzy yang terbentuk jika diimplementasikan pada sistem fuzzy untuk diagnosa risiko penyakit jantung koroner. 1.5 Manfaat Penelitian Manfaat yang dapat diambil dari skripsi ini yaitu menghasilkan aplikasi yang dapat membangkitkan aturan pada sistem fuzzy untuk diagnosa risiko PJK, sehingga dapat membantu dalam mendeteksi risiko penyakit jantung koroner (PJK) secara dini. 2. TINJAUAN PUSTAKA 2.1 Penyakit Jantung Koroner Penyakit Jantung Koroner (PJK) adalah suatu kelainan disebabkan oleh penyempitan atau penghambatan pembuluh arteri yang mengalirkan darah ke otot jantung. Bilamana penyempitan ini menjadi parah maka dapat terjadi serangan jantung. Adapun penyempitan pembuluh arteri ke otak dapat menimbulkan stroke. Kondisi tubuh yang semakin tua dan memburuk oleh bermacam-macam faktor risiko, seperti tekanan darah tinggi, merokok, kadar kolesterol darah yang abnormal, dapat menyebabkan PJK (Imam, 2010). Adapun faktor risiko PJK yang dapat digunakan sebagai parameter untuk diagnosa, yaitu (Wahyuni, 2011): 1. Umur 2. Kadar LDL 3. Kadar HDL 4. Kadar kolesterol total 5. Kadar trigliserida 6. Tekanan darah sistolik Sedangkan diagnosa risiko PJK terbagi dalam beberapa kelas dan rentang nilai sebagai berikut: Tabel 2.1 Rentang nilai kelas risiko PJK No Rentang nilai risiko Kelas risiko PJK (y) 1 Kurang dari 10 (y 10) Sangat rendah 2 10 < y 20 Rendah 3 20 < y 30 Sedang 4 30 < y 40 Tinggi 5 Lebih dar 40 (y > 40) Sangat tinggi 2.2 Logika Fuzzy Definisi logika fuzzy Logika fuzzy merupakan logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness), yang digunakan untuk membantu pengambilan keputusan dalam suatu permasalahan. Logika fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh. Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa/linguistik (Kusumadewi, 2010) Fungsi keanggotaan Gauss Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan ( derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Untuk merepresentasikan bilangan fuzzy, dapat digunakan kurva lonceng Gauss. Nilai kurva Gauss untuk suatu nilai domain x ditunjukkan pada gambar (2.1), dengan fungsi keanggotaan Gauss seperti pada persamaan (2.1) (Kusumadewi, 2010). (2.1) Gambar 2.1 Kurva Gauss (Kusumadewi, 2010) Sistem inferensi fuzzy TSK Secara umum bentuk model fuzzy TSK orde-satu adalah: 2
3 IF(x 1 is A 1 )o o(x N is A N ) THEN z = p 1 *x 1 + +p N *x N +q dengan A i adalah himpunan fuzzy ke-i sebagai antiseden, dan k adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode TSK maka defuzzifikasi dilakukan dengan mencari nilai rata-rata. Misal diasumsikan terdapat dua aturan fuzzy sebagai berikut: R1: if u is A1 and v is B1 then w= f1(u, v) = p1u +q1v +r1 R2: if u is A2 and v is B2 then w= f2(u, v) = p2u +q2v +r2 dimana p1, p2, q1, dan q2 adalah konstanta. Nilai inferensi dari aturan pertama adalah f 1 (u 0, v 0 ) dimana u 0 dan v 0 adalah input tunggal, dan α 1 adalah derajat keanggotaan pada aturan pertama. Nilai inferensi dari aturan kedua adalah f 2 (u, v) dengan α 2 adalah derajat keanggotaan pada aturan kedua. Derajat keanggotaan yang sesuai didapatkan dari Defuzzifikasi hasil inferensi TSK dapat dilakukan dengan metode weighted average yang ditunjukkan oleh persamaan (2.2) (Lee, 2005): (2.2) Fuzzy C-Means (FCM) Fuzzy C-Means (FCM) merupakan salah satu algoritma fuzzy clustering. Fuzzy C-Means (FCM) adalah suatu teknik peng-cluster-an data yang keberadaan setiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Konsep dasar FCM yaitu menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk setiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan setiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada pada minimisasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut. Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut (Kusumadewi, 2010): 1. Input data yang akan di-cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). X ij = data sampel ke-i (i = 1, 2, 3,, n), atribut ke-j (j = 1, 2, 3,, m). 2. Menentukan: Jumlah cluster = c; Pangkat = w; Maksimum iterasi = MaxIter; Eror terkecil yang diharapkan = ξ; Fungsi obyektif awal = P 0 = 0; Iterasi awal = t = 1; 3. Membangkitkan bilangan random µ ik. i = 1, 2,, n; k = 1, 2,, c; sebagai elemenelemen matriks partisi awal U. Kemudian, menghitung jumlah setiap kolom dengan persamaan (2.3), (2.3) dengan j= 1, 2,, n. Setelah itu, menghitung derajat keanggotaan awal dengan persamaan (2.4). (2.4) 4. Menghitung pusat cluster ke-k (V kj ) berdasarkan persamaan (2.5), dengan k=1,2,,c; dan j=1, 2,, m. (2.5) 5. Menghitung fungsi obyektif pada iterasi ket (P t ) sesuai persamaan (2.6). 2 (2.6) 6. Menghitung perubahan matriks partisi berdasarkan persamaan (2.7). (2.7) dengan i = 1, 2,, n; dan k = 1, 2,, c. 7. Memeriksa kondisi berhenti: Jika: ( Pt Pt-1 < ξ) atau (t > MaxIter) maka berhenti; Jika tidak: t = t+1, ulangi langkah ke Ekstraksi aturan fuzzy dari cluster Derajat keanggotaan dapat dicari dengan menggunakan fungsi Gauss karena terdapat n buah titik data (X ij ) dan pusat cluster (V kj ). Berdasarkan hal itu, bentuk umum fungsi Gauss pada persamaan (2.1) dapat ditulis menjadi persamaan (2.8) (Kusumadewi, 2010). (2.8) Keterangan: x ij = data i atribut ke-j v kj = pusat cluster ke-k atribut ke-j = standar deviasi dari cluster ke-k atribut ke-j σ kj 3
4 Sedangkan standar deviasi (σ) diperoleh dari persamaan (2.9) (Walpole, 1995). (2.9) Keterangan: σ = standar deviasi x = data = mean (rata-rata) n = jumlah data Mulai proses berikut, derajat keanggotaan hanya melibatkan variabel-variabel input saja. Nilai j=1, 2,, m digunakan untuk menyatakan variabel input saja (m = jumlah variabel input). Nilai output dicari melalui langkah-langkah sebagai berikut (Kusumadewi, 2010): Derajat keanggotaan setiap data i dalam cluster k dikalikan dengan setiap atribut j dari data i, yang dapat dimisalkan dengan d k ij dan dihitung berdasarkan persamaan (2.10). (2.10) Proses normalisasi dilakukan dengan cara membagi d k ij dan d k i(m+1) dengan jumlah derajat keanggotaan setiap titik data i pada cluster k menggunakan persamaan (2.11) untuk d k ij dan persamaan (2.12) untuk d k i(m+1). (2.11) (2.12) Langkah selanjutnya adalah membentuk matriks U yang berukuran n x (c*(m+1)) Sehingga untuk n titik data akan diperoleh matriks U sebagai berikut: u 11 u 12 u 1m u 1(m+1) u 1(c*(m+1)) U= u 21 u 22 u 2m u 2(m+1) u 2(c*(m+1)) U n1 u n2 u nm u n(m+1) u n(c*(m+1)) Selanjutnya, dilakukan perhitungan kuadrat terkecil (least square) untuk membentuk matriks K dengan persamaan (2.13) (Fariska, 2008). (2.13) Keterangan: k = koefisien output Y = nilai target output U = matriks U Untuk mempermudah komputasi, matriks K yang berukuran c x (m+1), disusun menjadi satu vektor berisi koefisien output yang nantinya digunakan dalam perhitungan inferensi TSK. 2.3 Analisis Cluster Varian digunakan untuk mengukur nilai penyebaran dari data-data hasil clustering. Varian pada clustering ada dua macam, yaitu variance within cluster dan variance between cluster. Kepadatan suatu cluster bisa ditentukan dengan variance within cluster (Vw) dan variance between cluster (Vb) (Man, dkk., 2009). Varian pada setiap tahap pembentukan cluster bisa dihitung dengan persamaan (2.14). (2.14) dimana, Vc 2 = varian pada cluster c c =1..k, dimana k= jumlah cluster n c = jumlah data pada cluster c y i = data ke-i pada suatu cluster = rata-rata dari data pada suatu cluster Berdasarkan nilai varian cluster yang diperoleh, maka nilai variance within cluster (Vw) dapat dihitung dengan persamaan (2.15). (2.15) dimana, N = jumlah semua data n i = jumlah data cluster i = varian pada cluster i V i dan nilai variance between cluster (Vb) dapat dihitung dengan persamaan (2.16). (2.16) dimana, = rata-rata data pada cluster ke-i sedangkan = rata-rata dari y i. Salah satu metode yang digunakan untuk menentukan cluster yang ideal adalah batasan varian, yaitu dengan menghitung variance within cluster (Vw) dan variance between cluster (Vb). Cluster yang ideal mempunyai Vw minimum yang merepresentasikan internal homogenity dan Vb maksimum yang menyatakan external homogenity. Batasan varian dinyatakan dalam persamaan (2.17). (2.17) Berdasarkan persamaan (2.17), semakin kecil nilai batasan varian maka semakin baik pengklasteran yang dilakukan. 2.4 Akurasi Sistem Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya (true value atau reference value). Akurasi dapat diperoleh dari persentase kebenaran, yaitu perbandingan antara jumlah diagnosa yang tepat dengan jumlah data 4
5 keseluruhan (Nugraha, 2006). Akurasi dinyatakan dalam persamaan (2.18). 3. METODOLOGI DAN PERANCANGAN 3.1 Data Penelitian Data yang digunakan diambil dari data penelitian diagnosa Penyakit Jantung Koroner (PJK) yang dilakukan oleh Wahyuni (2011), yang diperoleh dari data rekam medik pasien RSU Saiful Anwar, RSI Unisma Malang, dan laboratorium cek fisik kesehatan. Data yang digunakan sebanyak 100 data pasien yang dinyatakan positif terkena penyakit jantung koroner. 3.2 Perancangan Sistem Sistem memiliki 2 proses utama, yaitu proses pembangkitkan aturan fuzzy dan proses diagnosa risiko PJK dengan sistem fuzzy. Pembangkitan aturan merepresentasikan proses pelatihan sedangkan diagnosa PJK merepresentasikan proses pengujian. Perancangan proses pelatihan dan pengujian ditunjukkan oleh gambar 3.1 dan 3.2. Mulai Data untuk pelatihan berupa dataset PJK yang terdiri atas faktor risiko PJK (umur, kadar (2.18) LDL, kadar kolesterol total, kadar HDL, (2.18) kadar trigliserida, tekanan darah sistolik) dan nilai risiko PJK. Proses clustering data PJK dilakukan untuk mengelompokan data dan menemukan pusat cluster setiap kelompok. Kemudian, proses analisis varian dilakukan untuk mendapatkan nilai batasan varian (V) untuk setiap jumlah cluster yang diperhitungkan. Rangkaian proses ini dilakukan secara iteratif hingga kondisi berhenti, dimana iterasi mencapai jumlah data dikurangi satu (n- 1). Kemudian, dilakukan percobaan clustering dengan jumlah cluster terpilih/ideal (c_pil) sebanyak 5 kali. Hasil clustering dipilih berdasarkan nilai batasan varian minimum dari ke-5 percobaan tersebut. Kemudian, proses yang dijalankan adalah ekstraksi aturan fuzzy. Proses ini berguna untuk membangkitkan aturan sebagai dasar penentuan diagnosa risiko PJK dalam sistem fuzzy. Aturan fuzzy yang dihasilkan proses pelatihan berupa data pusat cluster, standar deviasi, serta koefisien output dari jumlah cluster terpilih. Mulai Input data PJK & parameter clustering Input data pengujian (Xj) dan aturan fuzzy (αkj dan Vkj) Apakah c>=2 AND c<n? Fuzzifikasi ya Clustering data PJK Perhitungan nilai Z Analisis varian tidak Defuzzifikasi Pilih jumlah cluster varian terkecil (c_pil) Output Diagnosa risiko PJK For a=1 to 5 Clustering data PJK pada c_pil Pilih hasil cluster dengan varian terkecil a Ekstraksi aturan fuzzy Output aturan fuzzy Selesai Gambar 3.1 Alur proses pelatihan Selesai Gambar 3.2 Alur proses pengujian Proses fuzzifikasi berguna untuk mengubah nilai tegas data (crisp) menjadi nilai fuzzy (derajat keanggotaan rentang 0 hingga 1). Proses perhitungan nilai Z berguna untuk mengetahui nilai output tiap aturan berdasarkan derajat keanggotaan terhadap aturan tersebut. Proses defuzzifikasi berguna untuk menghitung nilai tegas (crisp) dari risiko PJK. Perhitungan nilai Z dan defuzzifikasi dilakukan melalui inferensi TSK dengan weighted average. 5
6 4. IMPLEMENTASI DAN PEMBAHASAN 4.1 Implementasi Program Implementasi program terdiri atas 2 bagian utama, yaitu: 1. Pelatihan Proses pelatihan dilakukan untuk membangkitan aturan fuzzy. Program untuk pembangkitan aturan fuzzy ditunjukkan gambar 4.1. Gambar 4.1 Program pembangkitan aturan fuzzy 2. Pengujian Proses pengujian dilakukan untuk melakukan diagnosa risiko PJK berdasarkan aturan fuzzy yang terbentuk pada proses pelatihan. Program untuk melakukan diagnosa risiko PJK ditunjukkan gambar 4.2. Gambar 4.2 Program diagnose risiko PJK 4.2 Skenario Uji Coba Skenario terdiri dari 5 kali uji coba dengan jumlah data latih yang berbeda: 1. Uji coba 1, menggunakan 30 data latih. 2. Uji coba 2, menggunakan 40 data latih. 3. Uji coba 3, menggunakan 50 data latih. 4. Uji coba 4, menggunakan 60 data latih. 5. Uji coba 5, menggunakan 70 data latih. Pada proses pelatihan, iterasi maksimum yang digunakan adalah 100 sedangkan kesalahan minimum yang ditetapkan adalah 0,0001. Uji coba dilakukan terhadap beberapa jumlah aturan yang berbeda, yaitu pada jumlah cluster ideal dan beberapa jumlah cluster lainnya sebagai pembanding. Proses pengujian pada setiap uji coba menggunakan 30 data uji. Proses ini akan menghasilkan nilai dan kelas tingkat risiko PJK. Hasil proses tersebut kemudian dibandingkan dengan hasil diagnosa acuan yang ada sehingga dapat diketahui nilai akurasi sistem dalam melakukan diagnosa tingkat risiko PJK.Pelatihan dan pengujian pada setiap jumlah aturan dilakukan sebanyak 5 kali percobaan. Akurasi pengujian setiap jumlah aturan diperoleh dari rata-rata akurasi pengujian yang dilakukan sebanyak 5 kali percobaan. 4.3 Analisis Hasil Uji Coba Pada beberapa uji coba, akurasi tertinggi tidak terjadi pada jumlah aturan ideal. Jumlah aturan ideal ditentukan berdasarkan nilai batasan varian minimum. Perbandingan akurasi sistem maksimum dari semua hasil uji coba ditunjukkan tabel (4.1). Tabel 4.1 Perbandingan akurasi jumlah cluster ideal Uji coba A Akurasi A B Akurasi B 1 3 7% 2 33% % 3 37% % 2 37% % 2 47% % 2 50% Keterangan: A : jumlah aturan ideal menurut sistem B : jumlah aturan dengan akurasi tertinggi Berdasarkan tabel (4.1), dapat dilihat bahwa ada uji coba 1, akurasi hasil pengujian tertinggi terjadi pada jumlah aturan 2 (33%), yang mana lebih tinggi dari akurasi jumlah cluster ideal 3 (7%). Pada uji coba 3, akurasi hasil pengujian tertinggi terjadi pada jumlah aturan 2 (37%), yang mana lebih tinggi dari akurasi jumlah cluster ideal 3 (29%). Pada uji coba 4, akurasi hasil pengujian tertinggi terjadi pada jumlah aturan 2 (47%), yang mana lebih 6
7 Akurasi 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% tinggi dari akurasi jumlah cluster ideal 3 (20%). Pada uji coba 5, akurasi hasil pengujian tertinggi terjadi pada jumlah aturan 2 (50%), yang mana lebih tinggi dari akurasi jumlah cluster ideal 3 (38%). Hanya uji coba 2 yang memberikan hasil yang positif, dimana jumlah aturan ideal menghasilkan akurasi tertinggi diantara jumlah aturan lain yang diujicobakan. Hal ini membuktikan bahwa penentuan jumlah aturan ideal dengan metode analisis varian belum optimal. Setelah melakukan uji coba 1, 2, 3, 4, dan 5, maka akurasi pada setiap uji coba dapat dibandingkan. Grafik perbandingan akurasi sistem pada semua uji coba ditunjukkan oleh gambar (4.3). Akurasi sistem diagnosis risiko PJK Jumlah aturan uji coba 1 uji coba 2 uji coba 3 uji coba 4 uji coba 5 Gambar 4.3 Grafik akurasi pada semua uji coba Grafik pada gambar (4.3) menunjukkan bahwa uji coba 5 memberikan hasil akurasi tertinggi dibandingkan dengan yang lain. Ini berarti, selama uji coba jumlah data latih 70 menghasilkan akurasi paling tinggi. Selama uji coba, terdapat kecenderungan bahwa semakin banyak data latih kemampuan sistem mengenali pola data semakin baik. Namun demikian, terdapat hasil dimana aturan dari jumlah data tertentu dapat menghasilkan akurasi yang menyamai/melebihi aturan dari jumlah data yang lebih banyak. Hal ini terjadi pada uji coba 2 (40 data latih) dan uji coba 3 (50 data latih), dimana rata-rata akurasi tertinggi uji coba 2 dan uji coba 3 adalah 37%, serta akurasi pada jumlah ideal 3 uji coba 2 adalah 37% sedangkan pada uji coba 3 adalah 29%. Dalam kasus ini, akurasi pada uji coba 2 lebih tinggi daripada uji coba 3. Hal ini dapat terjadi karena tidak dilakukan preprocessing data terhadap dataset PJK. Data diambil secara acak sehingga memungkinkan rentang data dari suatu atribut (faktor risiko PJK) yang dilatih sangat besar pada uji coba 3 tetapi kecil pada uji coba 2. Pembangkitan aturan fuzzy dengan metode FCM yang dilakukan sistem memiliki kelemahan yaitu aturan yang dihasilkan tidak stabil. Berdasarkan hasil uji coba, dapat dilihat bahwa pada beberapa percobaan dengan jumlah aturan yang sama dapat menghasilkan akurasi yang berbeda. Hal ini dapat terjadi karena pada proses pembentukan aturan dengan FCM terjadi pembangkitan nilai derajat keanggotaan matriks awal dilakukan secara random. Randomisasi ini berpengaruh pada nilai koefisien output yang dihasilkan. Koefisien output yang didapatkan melalui proses perhitungan least square sensitif terhadap randomisasi pada proses clustering yang dilakukan oleh FCM. Hal ini menyebabkan sulitnya menentukan aturan terbaik. 5. KESIMPULAN Pembangkitan aturan fuzzy untuk diagnosa PJK diimplementasikan menggunakan metode clustering FCM dengan faktor risiko PJK berupa umur; kadar LDL; kadar HDL; kadar kolesterol total; kadar trigliserida; dan tekanan darah sistolik, serta dengan kelas target output berupa tingkat risiko PJK sangat rendah; rendah; sedang; tinggi; dan sangat tinggi. Aturan fuzzy diekstraksi dari 3 elemen yaitu pusat cluster, standar deviasi dan koefisien output. Akurasi tertinggi yang dapat dihasilkan sistem diagnosa risiko PJK melalui pembangkitan aturan fuzzy menggunakan FCM adalah 50%, yaitu ketika menggunakan jumlah aturan 2 dengan nilai batasan varian 0,0338 pada jumlah data latih 70. Pembangkitan aturan fuzzy dengan metode clustering FCM pada sistem diagnosa PJK lemah karena aturan hasil pembangkitan tidak stabil sehingga menyebabkan sulitnya menentukan aturan yang terbaik. Akurasi sistem pada penelitian ini kurang baik karena pembanding akurasi sistem adalah hasil inferensi sistem yang lain. 6. DAFTAR PUSTAKA Arapoglou, Roi, Kostas Kolomvatsos and Stathes Hadjiefthymiades Buyer Agent Decision Process Based on Automatic Fuzzy Rules Generation Methods. pubs/wcci_f427.pdf. Tanggal akses: 13 Maret Fariska, M. Andy Peramalan Multi Atribut Dengan Menggunakan Fuzzy Clustering. /1/972.pdf. Tanggal akses 19 Mei
8 Kusumadewi, Sri, Hari Purnomo Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Jakarta: Graha Ilmu. Lee, Kwang H First Course on Theory and Applications. New York: Springer- Verlag Berlin Heidelberg. Man L, Chew Lim T, Jian S, Yue L Supervised and Traditional Term Weighting Methods for Automatic Text Categorization. Pattern Analysis and Machine Intelligence, IEEE Transactions on. Nugraha, Dany, dkk Diagnosis Gangguan Sistem Urinari Pada Anjing dan Kucing Menggunakan VFI 5. Institut Pertanian Bogor. Priyono, Agus, dkk Generation of Fuzzy Rules With Substractive Clustering. JTDIS43D%5B10%5Dnew.pdf. Tanggal akses: 13 Maret Soeharto, Imam Penyakit Jantung Koroner (PJK): Sebab, Mekanisme, dan Gejala. koroner-pjk-sebab-mekanisme-dan-gejala html. Tanggal akses: 24 Maret Wahyuni, Kristin Diagnosis Penyakit Jantung Koroner (PJK) Berdasarkan Faktor Risiko Menggunakan Metode FES. Skripsi. Universitas Brawijaya Malang. Walpole, Ronald E Pengantar Statistika Edisi ke-3. Jakarta: Gramedia Pustaka Utama. 8
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Model Perhitungan Estimasi Keuntungan Penjualan Susu Kemasan dengan Menggunakan Gabungan Metode Fuzzy C-Means dan Sugeno Orde-Satu Sales Profit Estimation Model of
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I)
ISSN : 2338-18 SISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I) Waluyo (waluyo08@gmail.com) Didik Nugroho (didikhoho@gmail.com) Kustanto
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciPENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
Lebih terperinciBAB I PENDAHULUAN. dada, sesak nafas, berdebar-debar (Notoatmodjo, 2007:303).
BAB I PENDAHULUAN A. Latar Belakang Diperkirakan 17,5 juta orang meninggal akibat penyakit kardiovaskular pada tahun 2012, yang mewakili 31% dari semua kematian di dunia. Dari kematian ini, diperkirakan
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
Lebih terperinciKata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa
SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciProses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani
JURNAL SAINTIFIK VOL.3 NO. 2, JULI 2017 Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani Darmawati Jurusan Matematika FMIPA Universitas Sulawesi Barat; e-mail: dharmawangs89@gmail.com
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciSeminar Tugas Akhir. Perancangan Sistem Pakar Fuzzy Untuk Pengenalan Dini Potensi Terserang Stroke Berbasis Web
Seminar Tugas Akhir Perancangan Sistem Pakar Fuzzy Untuk Pengenalan Dini Potensi Terserang Stroke Berbasis Web Oleh: Harmuda Pandiangan 1209 100 089 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciHimpunan Tegas (Crisp)
Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System
Lebih terperincike dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciBAB I PENDAHULUAN. Pengidap penyakit jantung di Indonesia terus meningkat, menurut dr M.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Pengidap penyakit jantung di Indonesia terus meningkat, menurut dr M. Arif Nugroho, Sp.JP, FIHA penyakit jantung koroner (PJK) merupakan pembunuh nomor satu di Indonesia.
Lebih terperinciPenggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi
Jurnal Gradien Vol.3 No.2 Juli 2007 : 247-251 Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Syamsul
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab II ini dibahas teori-teori pendukung yang digunakan untuk pembahasan selanjutnya yaitu tentang Persamaan Nonlinier, Metode Newton, Aturan Trapesium, Rata-rata Aritmatik dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) 2337-3520 (230-928X Print) Perancangan Sistem Pakar Fuzzy Untuk Pengenalan Dini Potensi Terserang Stroke Berbasis Web Harmuda Pandiangan, M Isa Irawan dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinciPENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO
PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO Asrianda 1 asrianda@unimal.ac.id Abstrak Bertambahnya permintaan mahasiswa atas kebutuhan makan seharihari, berkembangnya usaha warung
Lebih terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY oleh: 1 I Putu Dody Lesmana, 2 Arfian Siswo Bintoro 1,2 Jurusan Teknologi Informasi, Politeknik
Lebih terperinciMENDETEKSI KEBERADAAN NYAMUK AEDES AEGIPTY MENGGUNAKAN METODE FUZZY. Ikhlas Ali Syahbana
MENDETEKSI KEBERADAAN NYAMUK AEDES AEGIPTY MENGGUNAKAN METODE FUZZY Ikhlas Ali Syahbana Jurusan Sistem Informasi STMIK Pringsewu Lampung Jl. Wismarini.09 Pringsewu Lampung Website : www.stmikpringsewu.ac.id
Lebih terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
Lebih terperinciModel Potensi Penyebaran Penyakit Demam Berdarah Dengue di Kabupaten Jember Menggunakan Metode Fuzzy
Model Potensi Penyebaran Penyakit Demam Berdarah Dengue di Kabupaten Jember Menggunakan Metode Fuzzy Dia Bitari Mei Yuana Jurusan Teknologi Informasi Politeknik Negeri Jember, Jl. Mastrip PO Box 164, Jember,
Lebih terperinciSIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI
SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI Nofriadi * 1), Havid Syafwan 2) 1) Program Studi Sistem Informasi, STMIK Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran, Sumatera
Lebih terperinciSistem Pakar Klasifikasi Permasalahan Berdasar AUM Menggunakan FCM-FIS Tsukamoto
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 320-329 http://j-ptiik.ub.ac.id Sistem Pakar Klasifikasi Permasalahan Berdasar AUM Menggunakan
Lebih terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem
Lebih terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. 2.1 Ekonomi dan Produk Domestik Regional Bruto. Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan
BAB II TINJAUAN PUSTAKA 2. Ekonomi dan Produk Domestik Regional Bruto Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan nomos. Oikos berarti rumah tangga, nomos berarti aturan. Sehingga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH
IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Reino Adi Septiawan Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang Email : a11.2009.04948@gmail.com
Lebih terperinciFUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR
Seminar Nasional Informatika 23 (semnasif 23) ISSN: 979-2328 UPN Veteran Yogyakarta, 8 Mei 23 FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Sundari Retno Andani ) ) AMIK Tunas Bangsa
Lebih terperinciEnigma Journal of Infotmatic (ENJOI 2016) ISSN :
b 1 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciAPLIKASI SISTEM PAKAR UNTUK MENENTUKAN OBAT PERAWATAN KULIT WAJAH BERBASIS ANDROID
APLIKASI SISTEM PAKAR UNTUK MENENTUKAN OBAT PERAWATAN KULIT WAJAH BERBASIS ANDROID Muhammad Imaduddin 1 Arie Surya Chandra 2 Denny Chancra 3 Teknik Informatika Universitas Bina Nusantara Jl. K. H. Syahdan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinci