ALGORITMA GENETIKA UNTUK OPTIMALISASI RULE BASE FUZZY PADA PENYAKIT GINJAL

Transkripsi

1 ALGORITMA GENETIKA UNTUK OPTIMALISASI RULE BASE FUZZY PADA PENYAKIT GINJAL M. Aldi P. Putra 1, Andi Farmadi *2, Dwi Kartini Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Muhammad.aldi.perdana.putra@gmail.com Abstract When creating an FRBs it usually uses trial and error. Because it is made in trial and error is often in the making becomes inefficient because many rules are often repeated or the same rule is made more than one. To avoid this we need an optimization in a fuzzy rule base. One of the algorithms for optimization is the genetic algorithm. This algorithm is a search algorithm that uses principles inspired by natural population genetics to develop solutions. GAs are theoretically and empirically proven to provide powerful searches in complex spaces, thus offering a valid approach to problems that require efficient and effective search. The purpose of this research is the application of Genetic method to optimize rule base. The results of genetic optimization of the rule that initially 20,000 can be optimized into 2000 rule. Keywords: Expert System, Genetic Algorithm, Fuzzy Tsukamoto Abstrak Ketika membuat suatu FRBs biasanya menggunakan cara trial and error. Karena dibuat secara trial and error seringkali dalam pembuatannya menjadi tidak effisien karena banyak rule yang sering terulang atau rule yang sama dibuat lebih dari satu. Untuk menghindari ini maka diperlukan suatu optimasi dalam suatu fuzzy rule base. Salah satu algoritma untuk optimasi adalah alagoritma genetika. Algoritma ini adalah algoritma pencarian yang menggunakan prinsip-prinsip terinspirasi oleh genetika populasi alami untuk mengembangkan solusi. GAs secara teoritis dan empiris terbukti memberikan pencarian yang kuat di ruang kompleks, sehingga menawarkan pendekatan yang valid untuk masalah yang membutuhkan pencarian yang efisien dan efektif. Tujuan dalam penelitian ini adalah penerapan metode Genetika untuk mengoptimasi rule base. Hasil dari optimasi genetika aturan yang awalnya dapat dioptimasi menjadi 2000 rule. Kata Kunci : Sistem Pakar, Algoritma Genetika, Fuzzy Tsukamoto 204

2 1. PENDAHULUAN Penyakit Ginjal Kronik (PGK) kini telah menjadi masalah kesehatan serius di dunia. Menurut (WHO, 2002) dan Burden of Disease, penyakit ginjal dan saluran kemih telah menyebabkan kematian sebesar orang setiap tahunnya. Hal ini menunjukkan bahwa penyakit ini menduduki peringkat ke-12 tertinggi angka kematian[1]. Fuzzy adalah sebuah kontrol berbasis aturan yang mana itu sangat dekat dengan pikiran manusia dan bahasa yang digunakan oleh manusia daripada aturan logika yang terdahulu, dan bisa menyelesaikan banyak masalah kompleks. Sehingga menjadikan fuzzy metode yang yang efektif dalam menyelesaikan masalah pada sistem inference dan sistem kontrol[2]. Bagaimanapun, karena fuzzy berdasarkan dengan pengetahuan dan pengalaman dari seorang pakar, terjadi beberapa kekurangan. Pada proses perancangan, ketika fuzzy telah ditentukan kemudian aturan fuzzy menjadi tetap, dan itu tidak menjamin aturan menjadi optimal[2]. Terlebih dengan aturan fuzzy yang banyak sehingga mengakibatkan berkurang waktu proses dalam menentukan keputusan. Untuk menyelesaikan masalah ini maka dibutuhkan suatu cara untuk menjadikan aturan fuzzy menjadi optimal. Dalam hal ini peneliti menggunakan algoritma genetika untuk melakukan optimasi yang terbukti mampu mengurangi rule secara signifikan. 2. METODE PENELITIAN 2.1 Algoritma Genetika Algoritma genetika dimulai dengan populasi awal dari individu yang dihasilkan secara acak. Setiap individu dalam populasi merupakan solusi potensial untuk masalah yang sedang dihadapi. Individu berkembang melalui iterasi yang berurutan, yang disebut generasi. Selama setiap generasi, setiap individu dalam populasi dievaluasi menggunakan beberapa ukuran fitness. Maka populasi generasi berikutnya diciptakan melalui operator genetik. Prosedur terus sampai kondisi penghentian dicapai[3]. a. Inisiasi Populasi Langkah pertama untuk menyelesaikan masalah pada algoritma genetika adalah inisiasi. Inisiasi disimbolkan dalam angka biner 0 atu 1. Pada langkah ini terbentuk gen yang merupakan deret kolom pada algoritma genetika, sedang kromosom adalah deret baris[4]. Inisiasi Populasi menghasilkan sekumpulan individu secara acak. Inisiasi populasi sesuai dengan seluruh ruang dalam solusi, yang mana artinya inisiasi populasi hanya akan menghasilkan individu sesuai dengan ruang solusi, tidak akan menghasilkan ruang yang melenceng dari solusi[5]. b. Operator Crossover Operator Crossover adalah inti dari algoritma genetika, langkah yang sangat penting untuk menghasilkan individu yang baik. Karena dengan adanya crossover maka solusi menjadi konvergen[4]. Jika individu baru tidak mencukupi dalam target solusi secara baik, maka individu tersebut akan ditinggalkan[5]. 205

3 c. Operator Mutasi Operator mutase mengikuti kejadian alam. Dimana ada kejadian tidak sengaja yang mengubah struktur gen. Mutasi berupa pengubahan nilai menjadi nilai sebaliknya[4]. Dalam algoritma genetika mutasi direpresentasikan dalam bilangan biner 1 dan 0[5]. d. Fungsi Fitness Fungsi fitness berdasarkan pada target solusi dari masalah yang ingin di selesaikan[5]. 2.2 Fungsi Keanggotaan Logika Fuzzy Dalam mendapatkan nilai keanggotaan dengan menggunakan pendekatan fungsi keanggotaan ada beberapa grafik dalam logika fuzzy[6], diantaranya: a. Fungsi Keanggotaan Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). Sehingga terbentuk titik a,b,c (1) b. Representasi Kurva Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, salah satu sisi dari variabel tersebut tidak mengalami perubahan. bahu kiri bergerak dari benar ke salah sedang bahu kana bergerak sebaliknya..(2) 206

4 3. HASIL DAN PEMBAHASAN 3.1. Data yang Digunakan Adapun data pengetahuan yang didapatkan langsung dari pakar adalah sebagai berikut. Kode P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 Tabel 1. Data Penyakit Ginjal Nama Penyakit Gagal Ginjal Akut Gagal Ginjal Kronik Nefritis Akut Infeksi Saluran Kemih Batu Ginjal Kista Ginjal Tuberkolosis Ginjal Glomerulonefritis Batu Kandung Kemih Kanker Ginjal Dari semua penyakit yang didapatkan dari pakar, maka pakar melakukan penentuan gejala awal. Gejala yang diperoleh adalah sebagai berikut. Kode G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 Tabel 2. Data Gejala Penyakit Ginjal Nama Gejala Mual dan Muntah Kelelahan Demam Nyeri Pada Dada Nyeri Punggung Kehilangan Nafsu Makan Nyeri atau Perih Saat Buang Air Kecil Warna Urine Keruh, Pekat, dan Gelap Menggigil Sesak Napas Pembengkakan Pada Bagan Tubuh Nyeri pada perut bagian bawah Bau urine menyengat Gelisah Linglung atau kebingungan Sakit perut Kulit Gatal Kram otot Tegang otot Menurunnya ketajaman mental Gangguan tidur 207

5 Kode G22 G23 G24 G25 G26 G27 G28 G29 G30 Tabel 2. Lanjutan Data Gejala Penyakit Ginjal Nama Gejala Kelopak mata sembab Seperti ada tekanan pada panggul Perasaan bahwa urine tidak sepenuhnya keluar Nyeri pinggang Sulit beristirahat Urine berbuih Kesulitan buang air kecil Penis terasa tidak nyaman atau sakit Batuk mengeluarkan darah Setelah mendapatkan data penyakit dan data gejala dari pakar, langkah selanjutnya yang diambil oleh peneliti adalah meminta pakar untuk menentukan gejala dalam setiap penyakit yang kemudian akan menjadi basis aturan dasar dalam diagnosa penyakit ginjal. Berikut adalah data gejala dalam setiap penyakit yang didapatkan. Gejala Tabel 3. Tabel relasi gejala terhadap penyakit ginjal Penyakit P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 208

6 Gejala G25 G26 Tabel 3. Lanjutan Tabel relasi gejala terhadap penyakit ginjal Penyakit P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 G27 G28 G29 G30 G31 Nilai 10 merepresentasikan parah, 11 merepresentasikan sedang, 01 merepresentasikan ringan. Target solusi adalah pengetahuan pakar yang akan digunakan pada algoritma genetika dalam proses seleksi. Target solusi menjadi landasan dalam proses penghitungan nilai fitness dan evaluasi dalam setiap generasi. Tabel 4. Tabel Target Solusi Kode Target Solusi P1 0,1,1,1,1,0,1,1,0,0,1,1,1,0 P2 0,1,1,1,1,1,1,0,1,0,0,1,0,1 P3 1,1,1,0,0,1,1,1,0,0,1,0,0,1 P4 1,1,0,1,0,1,0,1,1,0,0,1,0,1 P5 1,0,0,1,1,1,0,1,0,0,0,1,0,1 P6 1,0,0,1,1,1,0,1,0,0,0,1,0,1 P7 1,1,0,1,0,1,0,1,1,0,0,1,0,1 P8 1,1,1,0,0,1,1,1,0,0,1,0,0,1 P9 0,1,1,1,1,1,1,0,1,0,0,1,0,1 P10 0,1,1,0,1,0,1,1,0,0,1,1,1, Pembentukan Rule Menggunakan Algoritma Genetika Pada tahap inisiaisi kromosom, kromosom direpresentasikan ke dalam bentuk array. Masing-masing gen memiliki nilai yang ditentukan secara acak. Tabel 5. Inisialisasi Kromosom Populasi Awal Gen Ke i Individu 1 Individu 2 Individu 3 Individu 4 G1 G2 G1 G2 G1 G2 G1 G

7 Setelah melakukan inisiasi kromosom maka melakukan crossover. a. Langkah Pertama Menentukan parent secara acak dari individu yang ada. Individu 1 menjadi parent 1 dan individu 3 menjadi parent 2. Tabel 6. Penentuan parent 1 dan parent 2 pada crossover Gen Ke i Individu 1 Individu 3 G1 G2 G1 G b. Langkah 2 Menentukan titik potong secara acak. Gen ke 4 menjadi titik potong. Tabel 7. Penentuan titik potong pada crossover Gen Ke i Individu 1 Individu 3 G1 G2 G1 G c. Langkah 3 Melakukan pengecekan Fix atau tidak. Jika Fix maka tidak dilakukan proses crossover Tabel 8. Pengecekan sebelum melakukan Crossover pada parent 1 Gen Ke i Individu 3 Target Solusi Status Gen G1 G2 G1 G Belum Fix Fix Belum Fix Belum Fix 210

8 Tabel 9. Pengecekan sebelum melakukan Crossover pada parent 3 Gen Ke i Individu 3 Target Solusi Status Gen G1 G2 G1 G Belum Fix Belum Fix Belum Fix Belum Fix Tabel 10. Status Crossover pada gen terpilih Gen Ke-i Status Crossover 5 Cross 6 Tidak 7 Cross 8 Cross d. Langkah 4 Melakukan proses tukar silang. Tukar silang inilah yang menjadi kekuatan dari algoritma genetika sehingga dapat menghasilkan individu baru yang bagus Tabel 11. Child 1 dan Child 2 hasil crossover Gen Ke i Child 1 Child 3 G1 G2 G1 G Setelah melakukan crossover maka melakukan mutasi. a. Langkah 1 Menentukan parent secara acak yang dari individu yang ada. Parent inilah yang akan dilakukan proses mutasi. Tabel 12. Penentuan Parent pada mutasi Gen Ke i Parent G1 G

9 Tabel 12. Lanjutan Penentuan Parent pada mutasi Gen Ke i Parent G1 G b. Langkah 2 Menentukan titik tukar 1 dan titik tukar 2 secara acak. Titik tukar ini akan dicek apakah akan mengalami mutase atau tidak Tabel 13. Penentuan titik tukar 1 dan titik tukar 2 pada mutasi Gen Ke i Parent G1 G c. Langkah 3 Melakukan pengecekan fix. Ketika belum fix maka akan dilakukan proses mutasi dan jika fix maka tidak Tabel 14. Pengecekan sebelum melakukan mutase pada parent Gen Ke i Parent Target Solusi Status Gen G1 G2 G1 G Belum Fix Belum Fix Tabel 15. Status mutasi pada gen terpilih Gen Ke i Status Mutasi 5 Mutasi 7 Mutasi 212

10 d. Langkah 4 Melakukan Proses Mutasi. Proses mutase hanya dilakukan pada gen yang berada pada titik tukar 5 dan 7. Tabel 16. Hasil Mutasi Gen Ke i Child 1 G1 G Seleksi menggabungkan current population dengan offspring, yang artinya seluruh individu induk / parent akan dikumpulkan bersama seluruh anak / child hasil proses reproduksi. Tabel 17. Hasil Perhitungan Seleksi Individu Nilai Fitness Rank Child Individu Individu Individu Child Setelah selesai melakukan satu siklus dalam algoritma genetika yang terdiri dari inisiasi kromosom, crossover, mutasi dan perhitungan seleksi maka satu generasi telah terbentuk. Proses ini akan terus dilakukan hingga mencapai nilai fitness yang diinginkan. Setelah mencapai fitness yang diinginkan maka proses selesai. Dalam Implementasi algoritma genetika ini sukses melakukan optimasi, dari aturan yang awalnya dioptimasi hingga meraih aturan Implementasi Metode Fuzzy Tsukamoto Fuzzy Tsukamoto digunakan untuk melakukan diagnosa final dalam diagnosa penyakit ginjal. Langkah pertama dalam implementasi metode Fuzzy Tsukamoto adalah proses fuzzyfikasi. Proses fuzzyfikasi adalah mengubah nilai masukan dari user kedalam bentuk derajat untuk setiap masing-masing gejala. Gambar 1. Grafik reprensentasi untuk G1, G2 dan G24 213

11 1; x 3 (b x)/(b a); 1 < x < 5 H1 μ H1 { 0; x 5 (3) H2 μ H2 { 0; x 3 (x a)/(b a); 3 < x 5 (b x)/(b a); 5 < x < 10 0; x 10 0; x 31 (x a)/(b a); 31 < x < 49 H3 μ H3 { 1; x 49 (4) (5) Gambar 2. Grafik reprensentasi untuk G3 1; x 30 (b x)/(b a); 1 < x < 35 H1 μ H1 { 0; x 35...(6) H2 μ H2 { 0; x 30 (x a)/(b a); 30 < x 35 (b x)/(b a); 35 < x < 40 0; x 40 0; x 35 (x a)/(b a); 35 < x < 40 H3 μ H3 { 1; x 40 (7) \ (8) Gambar 3. Grafik reprensentasi untuk G4, G5, G7, G13,G17, G22, G26, G27, dan G30 214

12 1; x 5 (b x)/(b a); 1 < x < 10 H1 μ H1 { 0; x 10...(9) H2 μ H2 { 0; x 5 (x a)/(b a); 5 < x 10 (b x)/(b a); 10 < x < 15 0; x 15 0; x 10 (x a)/(b a); 10 < x < 15 H3 μ H3 { 1; x 15...(10)...(11) Gambar 4. Grafik reprensentasi untuk G6, G8, G9, G10, G11,G14, G15, G16, G23, G28, dan G29 1; x 5 (b x)/(b a); 1 < x < 10 H1 μ H1 { 0; x 10...(12) H2 μ H2 { 0; x 5 (x a)/(b a); 5 < x 10 (b x)/(b a); 10 < x < 15 0; x 15 0; x 10 (x a)/(b a); 10 < x < 15 H3 μ H3 { 1; x 15...(13)...(14) 215

13 Data pasien yang digunakan dalam penelitian ini dapat dilihat pada Tabel 18. Tabel 18. Data Pasien No Gejala Nilai 1 G1 7 2 G G G G G G16 20 Setelah selesai dalam tahap fuzzyfikasi, maka langkah selanjutnya adalah langkah inference. Dalam langkah inference ini memiliki dua basis aturan. Pada langkah ini aturan yang digunakan adalah aturan yang telah dioptimasi menggunakan algoritma genetika. Sehingga aturan yang digunakan adalah aturan yang telah dioptimasi. Tabel 19. Aturan untuk diagnosa penyakit ginjal [R10] If G1 Sedang and G2 Parah and G4 Parah and G5 Parah and G10 Parah and G16 Parah and G17 Parah Then P1 Parah [R11] If G1 Parah and G2 Parah and G4 Parah and G5 Parah and G10 Parah and G16 Parah and G17 Parah Then P1 Parah Hasil fuzzyfikasi G1 = 7 Ringan = 0 Sedang = (7 5)/(10 5) = (2)/(5) = 0.4 Parah = (10 7)/(10 5) = (3)/(5) =0.6 G2 = 10 Ringan = 0 Sedang = 0 Parah = 1 G4 = 15 Ringan = 0 Sedang = 0 Parah = 1 G5 = 25 Ringan = 0 Sedang = 0 Parah = 1 G10 =10 216

14 Ringan = 0 Sedang = 0 Parah = 1 G15 =10 Ringan = 0 Sedang = 0 Parah = 1 G16 = 20 Ringan = 0 Sedang = 0 Parah = 1 Selanjutnya melakukan pencarian terhadap nilai z untuk setiap rule yang dimiliki. [R10] α-predikat 1 = z 10 1 = z = (9*0.6) Ζ = Ζ10 = 4.6 [R11] α-predikat 2 = z 10 1 = z = (9*0.4) Ζ = Ζ10 = 6.4 Tahap defuzzyfikasi adalah berikut ini: Z = ( ) + ( ) ( ) = = = 5.34 Dari perhitungan diatas, maka dapat ditarik kesimpulan bahwa pasien menderita Gagal Ginjal Akut dengan tingkat keparahan parah. 217

15 4. SIMPULAN Dari hasil penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut: a. Algoritma Genetika dapat digunakan untuk melakukan optimasi aturan Fuzzy b. Aturan Fuzzy yang awalnya aturan dapat dioptimasi hingga menjadi 2000 aturan c. Hasil Akurasi yang didapat dari diagnosa penyakit ginjal ini mencapai 70%[7]. DAFTAR PUSTAKA [1] WHO Hypertension Report. WHO Technical Report Series. Geneva. [2] LI Shuai, SUN Wei, Optimization of Fuzzy Control Rules based on Differential Evolution Algorithm, , [3] Sakawa, Masatoshi, Genetic algorithms and fuzzy multiobjective optimization, 2002, Kluwer Academic Publishers Group Norwell, Massachusetts USA [4] Muliadi, Pemodelan Algoritma Genetika Pada Sistem Penjadwalan Perkuliahan Prodi Ilmu Komputer Universitas Lambungmangkurat, olume 01, No.01, pp 67-79, [5] Lei Zhang,Kaoshe Zhang,Gang Zhang, Power Distribution System Reconfiguration based on Genetic Algorithm, , [6] P. Informatika, B. Darma, M. Program, S. Teknik, and M. Tsukamoto, IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC, vol. 5, no. 2, pp , [7] M. Aldi. Perdana Putra, Optimasi Fuzzy Rule Base Menggunakan Algoritma Genetika Pada Diagnosa Penyakit Ginjal, 218