Abstrak— Kematian bayi merupakan masalah besar bagi setiap negara termasuk Indonesia, khususnya kasus kematian janin di dalam rahim yang mencapai 31,3% pada sepuluh tahun terakhir. Salah satu penyebab dari keadaan ini dikarenakan kurangnya pemantauan terhadap kondisi kesehatan janin dalam rahim. Hal ini mengindikasikan diperlukannya pemantauan dini kondisi kesehatan janin, yang salah satunya dapat dilakukan melaui pemeriksaan kardiotokografi. Analisis tes kardiotokografi yang dilakukan secara manual oleh dokter spesialis ahli kandungan selain bersifat subyektif juga dapat menimbulkan terjadinya kesalahan interpretasi. Dengan demikian, sebuah sistem pendukung keputusan yang dapat membantu ahli kandungan dalam melakukan klasifikasi kondisi janin melalui hasil pemeriksaan kardiotokografi akan menjadi sangat bermanfaat untuk disediakan.
Dalam tugas akhir ini, sebuah sistem pendukung keputusan untuk melakukan diagnosis kondisi janin berdasarkan hasil pemeriksa¬an kardiotokografi dimodelkan sebagai sebuah pengklasifikasi berbasis fuzzy. Fungsi keanggotaan dan aturan fuzzy dari sistem pengklasifikasi dibangun berdasarkan pada data hasil tes kardiotokografi yang diperoleh dari repositori yang tersimpan di University of California at Irvine (UCI). Dari keseluruhan data hasil tes kardiotokografi yang digunakan, sebagian data dipakai untuk mendefinisikan fungsi keanggotaan dan membangun aturan fuzzy berbasis metode weighted fuzzy rule, sedang sisasnya dipakai untuk menguji kinerja dari sistem.
Sistem pendukung keputusan direalisasikan menjadi sebuah aplikasi yang dibangun dengan menggunakan bahasa pemrograman Java dan didesain untuk dijalankan dalam lingkungan sistem operasi Windows.
Aplikasi yang telah berhasil dibuat dilakukan uji coba yang meliputi pengujian fungsionalitas maupun pengujian kinerja.
Hasil uji coba fungsionalitas menunjukkan bahwa aplikasi telah mampu menjalankan fungsinya sesuai dengan yang diharapkan.
Hasil uji coba kinerja menunjukkan hasil yang memuaskan, dimana secara keseluruhan aplikasi memberikan hasil akurasi klasifikasi sebesar 95,30%. Sedang dari aspek kinerja kebenaran prediksi hasil klasifikasi yang diukur berdasarkan nilai F- measure menunjukkan bahwa nilai prediksi sebesar 97,51%, 84,34%, dan 94,81% berturut-turut diperoleh untuk klasifikasi kondisi janin berstatus normal, mencurigakan (suspect), dan patologi.
Kata Kunci—sistem pendukung keputusan, tes kardiotokografi, diagnosis kondisi janin, weighted fuzzy rules.
I. PENDAHULUAN
K
ardiotokografi merupakan teknik yang digunakan untuk merekam detak jantung janin (fetal heart rate) serta kontraksi rahim (uterine contraction) selama kehamilan, hal ini biasa dilakukan pada trimester ketiga dengan tujuan untuk mengetahui kondisi kesehatan janin[4]. Sehingga setelah didapatkan hasil tes mengenai kesehatan janin, tindakan dapat segera dilakukan sesuai dengan kebutuhan terutama apabila terdapat masalah pada kondisi kesehatan janinWeighted Fuzzy Rule merupakan merupakan pengembangan dari prinsip logika fuzzy dimana terdapat proses pembobotan pada masing-masing aturan fuzzy yang digunakan. Beberapa literatur menyebutkan bahwa beberapa riset yang mengimplementasikan metode ini untuk menganalisis dan memprediksi sebuah data memiliki akurasi cukup baik dengan nilai rata-rata 90%[2]. Pembobotan pada masing-masing aturan diperoleh berdasarkan tingkat kepentingan aturan terhadap data yang digunakan untuk pelatihan atau eksperimen[1]. Aspek yang menarik adalah pada proses pembentukan fungsi keanggotaan fuzzy yang dibuat berdasarkan hasil eksperimen data seperti yang pernah dilakukan oleh Pei Hong dan Ying lee pada penelitiannya.
Paper ini melaporkan hasil analisis dari keluaran aplikasi berbasis weighted fuzzy rule yang dibuat. Proses analisis dilakukan dengan menghitung nilai akurasi, precision dan recall beradasarkan hasil uji coba aplikasi menggunakan data pengujian.
II. METODE
Berikut pada gambar 1 merupakan diagram alir yang menunjuk- kan metode pengerjaan tugas akhir.
A. Data
Pada tahap ini dilakukan proses pengambilan data yang akan digunakan dalam pengerjaan tugas akhir ini. Data yang digunakan adalah data hasil tes kardiotokografi yang akan diambil dari repositori milik University of California in Irvine.
Selain itu pada tahap ini juga dilakukan proses pengambilan data yaitu berupa informasi terkait proses analisis hasil tes kardiotokografi. Informasi tersebut adalah variabel penting yang perlu diperhatikan dalam proses analisis hasil tes kardiotokografi. Informasi ini diperoleh dari hasil proses
SISTEM PENDUKUNG KEPUTUSAN UNTUK DIAGNOSIS KONDISI JANIN MENGGUNAKAN
METODE WEIGHTED FUZZY RULE
Agung Suryo P N; Prof. Ir Arif Djunaidy,M.Sc, Ph.D; Retno Aulia Vinarti,S.Kom, M.Kom Jurusan Sistem Informasi, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: agung09@mhs.is.its.ac.id , adjunaidy@gmail.com, vaulia@gmail.com
Gambar 1. Diagram alir pengerjaan tugas akhir
wawancara dengan seorang dokter yang ahli di bidang obstetrik dan ginekologi.
B. Desain Model
Pada tahap ini dilakukan proses desain model fuzzy berdasarkan data pelatihan dengan pembobotan pada setiap aturan, model ini merupakan dasar untuk pembuatan aplikasi sistem pendukung keputusan diagnosis kondisi janin. Terdapat beberapa proses yang dilakukan pada tahap ini.
i. Pemilihan atribut
Pemilihan variabel yang digunakan untuk desain model fuzzy didasarkan pada justifikasi pakar ahli obstetrik dan ginekologi mengenai variabel yang perlu diperhatikan pada analisis hasil tes kardiotokografi ii. Penentuan Kelas untuk hasil keluaran
Penentuan kelas hasil keluaran disesuaikan dengan data yang ada, berupa tiga jenis statemen yaitu normal, mencurigakan / suspect dan patologi (N, S, P)
iii. Penentuan Fungsi Keanggotaan dan Aturan Fuzzy Penentuan fungsi keanggotaan dan aturan fuzzy yang digunakan diperoleh berdasarkan data yang ada, proses ini mengacu pada paper miliki Tzung Pei Hong dan Chai Ying Lee mengenai pembentukan fungsi keanggotaan dan aturan fuzzy melalui pemrosesan data.
Penjelasan lebih detail mengenai proses ini akan dijelaskan pada bagian desain.
iv. Pembobotan Aturan Fuzzy
Pembobotan pada setiap aturan fuzzy juga ditentukan berdasarkan data, bobot ini ditentukan pada tingkat kepentingan setiap aturan fuzzy yang ada terhadap data. Proses ini mengacu pada paper milik P.K. Anooj mengenai penerapan metode weighted fuzzy rule untuk identifikasi kemungkinan serangan jantung.
C. Pembuatan Aplikasi
Pada tahap ini model berupa fungsi keanggotaan dan aturan fuzzy berbobot yang diperoleh dari tahap sebelumnya akan diterapkan menjadi aplikasi berbasis java dengan menggunakan Netbean versi 7.0. Aplikasi berbasis java dipilih karena java sudah banyak digunakan di banyak platform sehingga nantinya aplikasi ini lebih meudah untuk dapat
dikembangkan untuk berbagai paltform lain sesuai kebutuhan.
Untuk mendukung penerapan fungsi logika fuzzy aplikasi ini menggunakan jfuzzylogic library yang diperkenalkan oleh Pablo Cingolani. Library ini akan menangani seluruh desain dan implementasi khusus untuk bagian Fuzzy Controll Language[6].
D. Analisis Hasil
Pada tahap ini aplikasi yang dibuat berdasarkan model diuji menggunakan data uji coba agar dapat diketahui seberapa tinggi tingkat akurasinya. Pengukuran yang digunakan adalah precision dan recall untuk menegetahui tingkat akurasinya.
III. DESAIN
Pada bagian dijelaskan mengenai bagaimana pembuatan desain logika fuzzy yang akan digunakan sebagai dasar untuk membangun aplikasi sistem pendukung keputusan.
A. Pemilihan atribut
Pemilihan atribut dilakukan berdasarkan hasil dari proses diskusi dengan seorang dokter ahli kandungan (obstetrik dan ginekologi). Berdasarkan hasil dari proses wawancara, menurut Dokter seorang dokter ahli kandungan mengenai hal yang penting untuk diperhatikan dalam menganalisis hasil tes kardiotokografi mengarah kepada pemilhan beberapa variabel sebagai atribut yang penting, diantaranya LB, AC, UC, DP, dan ALTV.
B. Menentukan kelas
Proses penentuan kelas untuk atribut keluaran dilakukan berdasarkan data. Pada data didapatkan tiga kelas yang masing-masing merepresentasikan jenis kondisi kesehatan janin tersebut. Yang pertama adalah janin dalam keadaan baik/normal yang termasuk dalam kelas N, kedua adalah janin dalam keadaan baik namun masih terindikasi adanya kemungkinan janin tersebut tidak normal sehingga termasuk ke dalam kelas S yaitu janin dalam keadaan mencurigakan dan terakhir adalah kondisi janin dalam keadaan tidak normal yang termasuk ke dalam kelas P.
C. Membuat Fungsi Keanggotaan
Pada pembentukan fungsi keanggotaan berdasarkan data ini terdapat tiga proses yang perlu dilakukan, yaitu membuat fungsi keanggotaan awal , kemudian membuat tabel keputusan dengan melakukan pemetaan fungsi keanggotaan awal terhadap kelas, membuat kembali fungsi keanggotaan berdasarkan tabel keputusan melalui penyederhanaan fungsi keanggotaan awal dengan cara menggabungkan fungsi keanggotaan awal yang memiliki kesamaan karakteristik[2].
a) Fungsi keanggotaan awal
Fungsi keanggotaan awal bersifat sementara karena merupakan bentuk inisiasi awal untuk selanjutnya digunakan untuk membuat tabel keputusan serta fungsi keanggotaan yang benar-benar digunakan dalam sistem fuzzy.
Fungsi keanggotaan awal dibuat berdasarkan titik persebaran data, pada paper acuan, fungsi keanggotaan awal dibuat berdasarkan selisih terkecil dari kumpulan data. Berikut
merupakan hasil pembentukan fungsi keanggotaan awal untuk masing-masing atribut yang ditunjukkan oleh gambar 2, 3 ,4, 5 dan 6.
Gambar 2. Fungsi keanggotaan awal variabel frekuensi dasar detak jantung janin
Gambar 3. Fungsi keanggotaan awal variabel kontraksi rahim
Gambar 4. Fungsi keanggotaan awal variabel akselerasi
Gambar 5. Fungsi keanggotaan awal variabel deselerasi
Gambar 6. Fungsi keanggotaan awal variabel variabilitas detak jantung janin
b) Tabel keputusan
Proses pembuatan tabel keputusan dibuat untuk mengetahui kecenderungan fungsi keanggotaan awal pada masing- masing variabel masukan terhadap kelas. Proses dilakukan
satu per satu terhadap setiap fungsi keanggotaan awal pada setiap variable masukan. Pada proses ini, berdasarkan data yang ada, setiap fungsi keanggotaan dicek satu per satu kecenderungannya dan dipetakan terhadap kelas yang ada.
Hal ini memungkingkan adanya penggabungan fungsi keanggotaan awal yang memiliki kecenderungan sama terhadap salah satu kelas. Hasil pemetaan fungsi keanggotaan awal berupa tabel keputusan ditunjukkan oleh gambar 7, 8, 9, 10 dan 11.
Gambar 7. Tabel keputusan variabel frekuensi dasar detak jantung janin.
Gambar 8. Tabel keputusan variabel kontraksi rahim
Gambar 9. Tabel keputusan variabel akselerasi
Gambar 10. Tabel keputusan variabel deselerasi
Gambar 11. Tabel keputusan variabel variabilitas detak jantung janin
c) Fungsi keanggotaan
Setelah tabel keputusan selesai dibentuk maka langkah selanjutnya yang dilakukan adalah membangun kembali fungsi keanggotaan. Pembuatan fungsi keanggotaan ini didasarkan pada tabel keputusan yang telah dibuat sebelumnya, sehingga nantinya fungsi keanggotaan baru ini yang akan digunakan pada sistem fuzzy.
Proses pembentukan kembali fungsi keanggotaan yang didasarkan pada tabel keputusan yang dibuat pada tahap sebelumnya dengan menggunakan fungsi segitiga, dan trapesium.
Gambar 12. Fungsi keanggotaan variabel frekuensi dasar detak jantung janin
Tabel 1. Detail fungsi keanggotaan variabel dasar detak jantung janin Variabel Rentang
nilai
Label
LB 110-159 LB1
Gambar 12 menunjukkan fungsi keanggotaan variabel kontraksi rahim yang dibuat berdasarkan tabel keputusan yang dibuat pada tahap sebelumnya, pada variabel ini data tersebar merata sehingga tidak dapat terklasifikasi sehingga dibuat menjadi satu fungsi keanggotaan dengan nilai derajat sebesar 1 untuk setiap rentang nilai yang ada. Tabel fungsi keanggotaan dapat dilihat pada tabel 1.
Gambar 13. Fungsi keanggotaan variabel kontraksi rahim
Tabel 2. Detail fungsi keanggotaan variabel kontraksi rahim Variabel Rentang nilai Label UC
0-0,015 UC1
0-0,011 UC2
0-0,006
UC3Gambar 13 menunjukkan fungsi keanggotaan variabel kontraksi rahim yang dibuat berdasarkan tabel keputusan yang dibuat pada tahap sebelumnya, variabel kontraksi rahim dibagi menjadi tiga fungsi keanggotaan fuzzy, yang terdiri dari “UC1” , “UC2”, dan “UC3”. Tabel fungsi keanggotaan dapat dilihat pada tabel 2.
Gambar 14. Fungsi keanggotaan variabel akselerasi
Tabel 3. Detail fungsi keanggotaan variabel akselerasi Variabel Rentang nilai Label AC
0-0,019 AC1
0-0,006 AC2
0-0,006 AC3
Gambar 14 menunjukkan fungsi keanggotaan variabel akselerasi yang dibuat berdasarkan tabel keputusan yang dibuat pada tahap sebelumnya, variabel akselerasi dibagi menjadi tiga fungsi keanggotaan fuzzy, yang terdiri dari
“AC1” , “AC2”, dan “AC3”. Tabel fungsi keanggotaan dapat dilihat pada tabel 3
Gambar 15. Fungsi keanggotaan variabel deselerasi .
Tabel 4. Detail fungsi keanggotaan variabel deselerasi Variabel Rentang nilai Label PD
0-0,003 PD1
0-0,003 PD2
0-0,005
PD3Gambar 15 menunjukkan fungsi keanggotaan variabel deselerasi yang dibuat berdasarkan tabel keputusan yang dibuat pada tahap sebelumnya, variabel deselerasi dibagi menjadi tiga fungsi keanggotaan fuzzy, yang terdiri dari
“PD1” , “PD2”, dan “PD3”. Tabel fungsi keanggotaan dapat dilihat pada tabel 4.
Gambar 16. Fungsi keanggotaan variabel variabilitas detak jantung janin
Tabel 5. Detail fungsi keanggotaan variabel variabilitas detak jantung janin Variabel Rentang nilai Label
ALTV
0-12 ALTV1
0-68 ALTV2
54-96
ALTV3Gambar 16 menunjukkan fungsi keanggotaan variabel variabilitas detak jantung yang dibuat berdasarkan tabel keputusan yang dibuat pada tahap sebelumnya, variabel variabilitas detak jantung dibagi menjadi tiga fungsi keanggotaan fuzzy, yang terdiri dari “ALTV1” ,
“ALTV2”, dan “ALTV3”. Tabel fungsi keanggotaan dapat dilihat pada tabel 5.
d) Aturan Fuzzy
Pada tahap ini terdapat dua proses yang dilakukan yaitu penentuan aturan fuzzy dan memberikat pembobotan pada setiap aturan fuzzy yang telah ditentukan
i. Penentuan aturan fuzzy
Pada tahap ini dilakukan penentuan aturan fuzzy yang digunakan pada sistem. Proses penentuan aturan fuzzy sama seperti pembentukan fungsi keanggotaan yang dibuat pada tahap sebelumnya yaitu dibuat berdasarkan data pelatihan. Proses ini mengacu pada hasil pembentukan fungsi keanggotaan yang telah dibuat sebelumnya, karena aturan fuzzy ini menggabungkan seluruh kemungkinan kombinasi dari fungsi keanggotaan tersebut.
ii. Pembobotan Aturan Fuzzy
Pada tahap ini dilakukan proses pembobotan pada masing-masing aturan fuzzy yang telah diperoleh dari tahap sebelumnya. Hal tersebut dilakukan dengan menghitung tingkat kepentingan sebuah pada sebuah kumpulan data atau menghitung jumlah data yang sesuai dengan aturan tersebut dan dibandingkan dengan total jumlah data yang ada. Berikut merupakan persamaan yang digunakan untuk menghitung bobot pada aturan fuzzy.
dimana m merupakan jumlah data yang sesuai dengan aturan R1 serta N merupakan jumlah keseluruhan data.
Sehingga dari sini akan diperoleh aturan-aturan yang masing-masing memiliki bobot.
IV. HASILDANPEMBAHASAN A. Aplikasi
Pada bagian ini dijelaskan mengenani hasil dari pembuatan aplikasi serta penggunaannya. Aplikasi berbasis java ini dibuat dengan menggunakan Java desktop Aplication dengan Java Graphical User Interfaces (GUI) untuk fitur antarmuka, serta Jfuzzylogic sebagai library untuk menghandle engine logika fuzzy yang merupakan dasar dari aplikasi ini..
Sesuai dengan fungsinya, aplikasi ini memiliki 2 utama yaitu Menu Analisis, dan Menu Validasi.
Gambar 17. Tampilan menu analisis
Gambar 18. Tampilan menu validasi
B. Hasil keluaran aplikasi
Tabel 6 menunjukkan hasil dari keluaran aplikasi melalui proses uji coba dengan menggunakan data pengujian. Tabel tersebut menjelaskan secara detail bagaimana hasil keluaran dari aplikasi yang dibuat yaitu dengan membandingkan secara langsung hasil keluaran aplikasi dengan dengan data aktual.
Selanjutnya pada tabel 7, 8 dan 9 menunjukkan hasil keluaran dari aplikasi secara lebih mendetail yaitu membandingkan antara hasil keluaran aplikasi dengan data aktual untuk setiap kelas yang ada (normal, suspect, patologi).
Tabel-tabel tersebut biasa disebut dengan confusion matrix, yaitu matriks yang digunakan untuk menghitung nilai True Positive, False Positive, True Negative serta False Negative.
Untuk selanjutnya dengan nilai-nilai tersebut digunakan untuk menganalisis hasil keluaran dengan cara mengetahui nilai akurasi, precision, dan recall dari proses uji coba aplikasi.
Tabel 6. Hasil keluaran aplikasi
Normal Suspect Patology Total
Normal 569 9 0 578
Suspect 97 20 1 118
Patology 0 6 64 70
Tabel 7. Confusion matrix kelas patologi
YA TIDAK
YA 64 6
TIDAK 1 666
Tabel 8. Confusion matrix kelas suspect
YA TIDAK
YA 97 21
TIDAK 15 633
Prediksi Aktual
Aktual Prediksi
Aktual Prediksi
Tabel 9. Confusion matrix kelas normal
YA TIDAK
YA 569 9
TIDAK 20 161
C. Analisis hasil keluaran
Tabel 10 menunjukkan hasil analisis keluaran dari aplikasi, yaitu tingkat error dari aplikasi ketika melakukan proses analisis hasil tes kardiotokografi. Nilai error ini diketahui dengan cara membandingkan jumlah error/ kesalahan analisis aplikasi dengan jumlah data. Hal ini dilakukan masing-masing terhadap setiap kelas yang ada. Pada tabel menunjukkan bahwa untuk kelas normal memiliki tingkat kesalahan cukup kecil dengan nilai error 1,56%, kemudian untuk kelas suspect terlihat relatif tinggi dengan tingkat kesalahan mencapai 17,8%
serta untuk kelas patologi yang memiliki tingkat kesalahan relatif kecil dengan 8,57%.
Tabel 10. Prosentase tingkat kesalahan aplikasi
Kelas Error
Normal 1,56%
Suspect 17,8%
Patologi 8,57%
Analisis selanjutnya dilakukan dengan menganalisis akurasi serta tingkat kepercayaan dari hasil keluaran aplikasi untuk masing-masing kelas yang ditunjukkan pada tabel 11. Hasil analisis menunjukkan bahwa akurasi secara keseluruhan dari aplikasi cukup baik dengan nilai sebesar 95,30%. Untuk tingkat kepercayaan ditunjukkan dengan nilai F yang didapatkan dari penyetaraan antara nilai precision dan recall.
Dan pada tabel menunjukkan bahwa 97,51% prediksi/ analisis bahwa janin dalam keadaan normal adalah benar, selanjutnya hanya 84,34% prediksi bahwa janin dalam keadaan normal adalah benar, serta 94,81% benar mengenai prediksi bahwa janin dalam keadaan patologi
Tabel 11. Analisis hasil keluaran aplikasi Perhitungan Hasil Keluaran
Aplikasi Akurasi Keseluruhan 95,30%
F Normal 97,51%
Precision Normal 96,60%
Recall Normal 98,44%
F Suspect 84,34%
Precision Suspect 86,61%
Recall Suspect 82,20%
F Patologi 94,81%
Precision Patologi 98,46%
Recall Patologi 91,43%
V. KESIMPULAN
Berdasarkan hasil pengerjaan tugas akhir mengenai sistem pendukung keputusan untuk melakukan diagnosis kondisi janin menggunakan data tes kardiotokografi, dapat ditarik beberapa kesimpulan sebagai berikut:
a. Dalam tugas akhir ini telah berhasil dibuat sebuah sistem pendukung keputusan berbasis logika fuzzy untuk dignosis kondisi janin, dimana fungsi keanggotaan dan aturan fuzzy dari sistem dibangun berdasarkan data hasil tes kardiotokografi yang diperoleh dari repositori yang terseimpan di UCI. Dari total 2.126 data tes, sebanyak 1.360 (sekitar 64%) data pertama digunakan untuk membangun model pengklasifikasi diagnosis kondisi janin (berupa pendefinisian fungsi keanggotaan dan aturan fuzzy), sedang sisa data sebanyak 766 (sekitar 36%) digunakan untuk keperluan pengujian kinerja dari sistem.
Dengan menggunakan metode weighted fuzzy rule, sebanyak 179 aturan fuzzy dihasilkan dari semua kemungkinan data yang digunakan untuk mendefinikan fungsi kenaggotaan dari sistem.
b. Hasil pengujian kinerja dari aplikasi pengkalsifikasi diagnosis kondisi janin menunjukkan keinerja yang memuaskan, dimana secara keseluruhan diperoleh akurasi sebesar 95,30%. Selain itu, dari tingkat kebenaran prediksi klasifikasi, yang diukur berdasrkan nilai F-measure (gabungan antara nilai presisi dan recall), nilai prediksi sebesar 97,51% 84,34% dan 94,81% berturut-turut diperoleh untuk pengujian klasifikasi kondisi berstatus janin normal, mencurigakan (suspect), dan patologi.
Sedang tingkat kesalahan prediksi klasifikasi utuk kondisi janin berstatus normal dan patologi relatif cukup kecil dengan nilai kesalahan masing-masing sebesar 1,56% dan 8,57%. Namun demikian, tingkat kesalahan prediksi untuk klasifikasi kondisi janin berstatus mencurigakan (suspect) masih relatif cukup tinggi, yaitu sebesar 17,8%.
DAFTARPUSTAKA
[1] P.K. Anooj, "Clinical decision support system: Risk Level Prediction of Heart Disease Using Weighted Fuzzy Rules,"
Journal of King Saud University – Computer and Information Sciences, pp. 27-40, 2012.
[2] Tzung Pei Hong and Chai Ying Lee, "Induction of Fuzzy Rules and Membership Functions from Traning Example,"
Fuzzy Sets and System, pp. 33-47, 1996.
[3] Yung-Chou Chen, Li-Hui Wang, and Shyi-Ming Chen,
"Generating Weighted Fuzzy Rules from Training Data for Dealing with the Iris Data Classification Problem,"
International Journal of Applied Science and Engineering, pp. 41-52, 2006.
[4] Januadi Endjun, Bambang Karsono, and Sanny Santana,
"Pemeriksaan Kardiotokografi dalam Kehamilan," in Kursus Dasar USG dan KTG PIT, Batam, 2005, pp. 1-23.
[5] Michael Steinbach, Vipin Kumar Pan-Ning Tan, Introduction Data Mining. Boston: Pearson Adison Wesley, 2006.
[6] Pablo Cingolani and Jesus Alcala Fdez, "jFuzzyLogic: A Robust and Flexible Fuzzy-Logic," IEEE-World Congress on Computational Intelligence, pp. 1090-1097, 2012.
Aktual Prediksi
