Fakultas Ilmu Komputer
Universitas Brawijaya
1567
Sistem Diagnosis Penyakit Kelinci Menggunakan Metode Fuzzy Tsukamoto
Gustian Ri’pi1, Nurul Hidayat2, Marji3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1gustian.pkl@gmail.com, 2ntayadih@ub.ac.id, 3marji@ub.ac.id
Abstrak
Kelinci merupakan salah satu hewan yang banyak dipelihara oleh masyarakat umum di Indonesia. Seperti hewan peliharaan lainnya, kelinci juga rentan terhadap berbagai penyakit. Hal ini akan menyebabkan kerugian bagi peternak kelinci jika tidak segera ditangani dengan baik. Peternak kelinci pada umumnya masih kesulitan dalam mengindentifikasi jenis penyakit kelinci dan cara pengobatannya sehingga harus berkonsultasi langsung dengan dokter hewan untuk mendapatkan solusi yang tepat. Untuk mengatasi permasalahan tersebut, maka pada penelitian ini dibuat sebuah sistem untuk membantu peternak kelinci dalam mengidentifikasi penyakit pada kelinci dengan cepat dan tepat. Sistem dibuat dalam bentuk aplikasi android agar pengguna dapat melakukan diagnosis penyakit dengan fleksibel kapanpun dan dimanapun. Pada penelitian ini digunakan metode Fuzzy Tsukamoto untuk menghitung rekomendasi penyakit yang terdeteksi. Dalam penerapannya, diawali dengan pembentukan himpunan fuzzy. Kemudian dilakukan pembentukan rule pada mesin inferensi dengan menggunakan fungsi implikasi MIN. Langkah terakhir yakni menghitung nilai z dari setiap rule dengan menggunakan rata-rata berbobot. Nilai z yang paling besar digunakan sebagai rekomendasi penyakit yang terdeteksi. Data yang digunakan sebanyak 16 jenis penyakit kelinci dengan 49 gejala penyakit yang didapatkan dari hasil wawancara dengan salah satu dokter hewan di Kota Malang. Hasil implementasi dan pengujian akurasi pada penelitian ini sebesar 95% dari 20 data uji yang mengindikasikan bahwa sistem telah bekerja dengan baik.
Kata kunci: fuzzy tsukamoto, penyakit kelinci, android Abstract
Rabbit is one of the many pets maintained by the general public in Indonesia. Like others pet, rabbits are also susceptible to various diseases. This will cause harm to rabbit farmers if not treated properly. Most rabbit farmers have difficulty identifying the type of rabbit disease and the way of treatment, so they should consult directly with the veterinarian to get the right solution. To fix this problem, then in this research a system was created to help rabbit farmers in identifying diseases in rabbits quickly and precisely. The system is made in the platform android application so users can diagnose diseases flexibly whenever and wherever. This research using Fuzzy Tsukamoto method to calculate recommendations for diseases detected. In application, begins with the formation of fuzzy sets. Then rule formation in the inference machine using the MIN implication function. The final step is calculating the z value of each rule using a weighted average. The biggest z value is used as a recommendation for a detected disease. The data used were 16 types of rabbit disease with 49 symptoms of the disease obtained from interviews with one of the veterinarians in Malang City. The results of the implementation and testing of accuracy in this research amounted to 95% of the 20 test data indicating that the system was working properly.
Keywords: fuzzy tsukamoto, rabbit disease, android
1. PENDAHULUAN
Kelinci merupakan salah satu hewan yang banyak dipelihara oleh masyarakat umum di Indonesia, baik oleh para pecinta hewan atau para peternak. Seperti hewan peliharaan lainnya, kelinci juga rentan terhadap serangan berbagai macam penyakit. Data menunjukkan bahwa jumlah kelinci yang mati karena terserang
penyakit cukup tinggi, berkisar antara 15% sampai 40% (Sarwono, 2008). Hal ini akan menyebabkan kerugian bagi peternak kelinci jika tidak segera ditangani dengan baik. Peternak kelinci pada umumnya masih kesulitan dalam mengindentifikasi jenis penyakit kelinci dan cara pengobatannya sehingga harus berkonsultasi langsung dengan dokter hewan untuk mendapatkan solusi yang tepat.
diperlukan suatu sistem yang dapat membantu peternak kelinci dalam mengidentifikasi penyakit dan cara pengobatannya secara cepat dan tepat. Dalam mengidentifikasi penyakit, parameter-parameter yang digunakan memiliki sifat ketidakpastian (fuzzy). Dengan parameter yang memiliki ketidakpastian, maka konsep logika fuzzy dapat digunakan dalam memecahkan masalah tersebut dikarenakan logika fuzzy memiliki karakteristik dan keunggulan dalam menangani masalah yang bersifat tidak pasti. Logika fuzzy dipilih karena memungkinkan toleransi terhadap input, proses dan output yang bersifat tidak akurat (imprecision), tidak pasti (uncertainty) dan setengah benar (partial truth). Logika fuzzy memiliki kemampuan penalaran secara bahasa sehingga didalam perancangannya tidak memerlukan persamaan matematika yang rumit. (Kusumadewi, 2003).
Pada permasalahan sebelumnya yaitu sistem diagnosa penyakit tanaman jagung dapat diselesaikan dengan menggunakan metode fuzzy tsukamoto. Metode ini memiliki kelebihan yaitu bersifat intuitif, dapat memberikan tanggapan berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu, serta dapat melakukan penalaran monoton dengan banyak rule (Thamrin, 2012). Penggunaan metode ini terbukti didapatkan hasil akurasi sebesar 95%. Variabel yang digunakan adalah variabel gejala sebanyak 16 gejala dan 5 penyakit. (Pradana, F. G., 2016).
Penelitian selanjutnya yang dilakukan oleh Falatehan (2018) pada permasalahan sistem pakar diagnosis penyakit hati menggunakan metode fuzzy berbasis android. Metode penalaran fuzzy yang digunakan adalah metode logika fuzzy tsukamoto karena memiliki memiliki toleransi pada data dan sangat fleksibel. Masukan berupa nilai gejala dan menghasilkan keluaran berupa keterangan terdeteksi atau tidaknya suatu penyakit hati. Penelitian tersebut menghasilkan pengujian akurasi dari 64 data uji sebesar 96.87% (Falatehan, A. I., 2018).
Pada kasus penelitian lain oleh Noviyanto (2018) menggunakan metode fuzzy tsukamoto untuk mendiagnosis penyakit tanaman kentang. Data yang digunakan berupa data gejala yang berjumlah 37 gejala dan dapat mendiagnosis 10 jenis penyakit pada tanaman kentang. Penelitian ini menghasilkan nilai akurasi sebesar 100% dari 20 data uji (Noviyanto, A. D., 2018).
Dari latar belakang tersebut penulis ingin mengusulkan penelitian yang berjudul “Sistem Diagnosis Penyakit Kelinci Menggunakan Metode Fuzzy Tsukamoto” berbasis android. Dengan adanya penelitian ini diharapkan dapat membantu atau memudahkan peternak kelinci dalam mendiagnosis kelinci yang sakit dan segera mengetahui solusi pengobatannya secara dini.
2. TINJAUAN PUSTAKA 2.1 Logika Fuzzy
Tahun 1962, Prof. Loftu Astor Zadeh memperkenalkan konsep logika fuzzy untuk memperluas logika klasik agar dapat menangani ekspresi yang mengandung kesamar-samaran dan ketidakpastian, misalnya: “sedikit”, “banyak”, “kurus”. Pada konsep logika fuzzy, memungkinkan suatu fakta (pernyataan/ kejadian) mempunyai nilai keanggotaan berada di antara 0 dan 1. Artinya, bisa saja suatu keadaan bernilai true dan false secara bersamaan, namun besar nilainya tergantung bobot keanggotaan yang dimilikinya. Konsep logika fuzzy telah banyak diterapkan diberbagai bidang untuk menyelesaikan permasalahan seperti pada peramalan, identifikasi penyakit, pemodelan sistem pemasaran, pencocokan pola, dll.
Pada model penalaran fuzzy tsukamoto, dapat menyelesaikan permasalahan identifikasi penyakit, dengan cara sebagai berikut (Maryaningsih et al, 2013):
1. Tahap pertama yaitu fuzzyfikasi merupakan sebuah prosesNuntuk mengubah bentuk variabelMnon-fuzzy (variabel numerik) menjadi bentuk variabelIfuzzy (variabel linguistik). Melalui fungsi keanggotaan fuzzy yang telah dibentuk maka dari nilai-nilai masukan tersebut menjadi informasi fuzzy yang akan digunakan pada proses selanjutnya yaitu inferensi. Terdapat berbagai model fungsi keanggotaan diantaranya adalah:
a. Grafik KeanggotaanJKurva Linear
Ada dua grafik keanggotaan linear, yaitu grafik keanggotaaan kurva linear naik seperti yang ditunjukkan Gambar 1, dan grafik keanggotaaan kurva linear turun seperti yang ditunjukkan Gambar 2.
Gambar 1 Grafik keanggotaan kurva linear naik Fungsi keanggotankurva linear naik ditunjukkan pada persamaan 2-1.
(2 – 1).
Gambar 2 Grafik keanggotaan kurva linear turun
Fungsi keanggotan kurva linear turun ditunjukkan pada persamaan 2-2.
𝜇[𝑥] {
(𝑏−𝑥)
(𝑏−𝑎) ; 𝑎 ≤ 𝑥 < 𝑏
0 ; 𝑥 ≥ 𝑏 (2 – 2).
b. Grafik Kenggotaan KurvaJSegitiga
Grafik fungsi keanggotaanNkurva segitiga padaVdasarnya merupakanJgabungan antaraKdua garisM(linear). Grafik ini ditunjukkan pada Gambar 3.
Gambar 3 GrafikJKeanggotaan Kurva Segitiga FungsiJkeanggotaan kurva segitiga ditulis pada persamaan 2-3
(2-3)
c. Grafik Kenggotaan KurvaJTrapesium Grafik keanggotaan kurva trapesium ini pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Grafik ini digambarkan pada Gambar 4.
Gambar 4 Grafik Keanggotaan Kurva Trapesium
FungsiJkeanggotaan kurva trapezium dituliskan pada persamaan 2-4.
(2 - 4). 2. Tahap kedua yaitu inferensi. Proses untuk
mengubah masukan non fuzzy menjadi keluaran fuzzy dengan cara fuzzifikasi tiap rule (IF-THEN rules) yang telah ditetapkan. Menggunakan fungsi implikasi MIN untuk mendapatkan nilai alpha-predikat tiap-tiap rule.
3.
Tahap
ketiga
yaitu
defuzzyfikasi.
Mengubah keluaran fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas atau crisp. Hasil akhir diperoleh dengan menggunakan rumus rata-rata berbobot (weight average) yang dituliskan seperti pada persamaan 2-5.(2 - 5) dimana αn = NilaiJα-predikat, zn = NilaiJvariabel output, dan z = HasilJvariabel
output.
2.2 Penyakit Kelinci
Menurut Hagen (1976) terdapat berbagai jenis penyakit pada kelinci yang dapat disebabkan oleh bakteri, virus, parasit eksternal, dan parasit internal. Berdasarkan hasil wawancara penulis dengan dokter hewan di Kota Malang, maka dalam penelitian ini menggunakan data 16 jenis penyakit seperti yang ditunjukkan pada Tabel 1 berikut ini.
Tabel 1 Jenis penyakit pada kelinci
Kode
Penyakit Nama Penyakit
P1 Kudis (Scabies)
P2 Berak Encer (Enterititis) P3 Berak Darah (Coccidiosis) P4 Pilek (Pasteurella Multocida) P5 Parasit Demodexcosis
P6 Radang Mata (Konjungtivitis) P7 Cacingan (Pinworm)
P8 Sembelit (Konstipasi) P9 Radang Susu (Young Do
Syndrome / Mastitis)
P10 Radang Paru-Paru (Pneumonia) P11 Infeksi Kulit Kepala (Favus) P12 Kembung (Impaction) P13 Pasteurellosis / Snuffles P14 Sore Hocks / Sore Feet
(Popodermatis)
P15 Penyakit Telinga (Ear Mite / Otitis parasitica)
P16 Eksim
3. METODOLOGI
Bagian ini akan menjelaskan tentang metode serta langkah-langkah yang akan digunakan dalam peneltian sistem diagnosis penyakit kelinci menggunakan metode fuzzy tsukamoto. Adapun tahapan metode penelitian yang dilakukan antara lain studi literatur, pengumpulan data, analisis kebutuhan dan perancangan sistem, implementasi sistem serta pengujian dan evaluasi hasil. Tahapan pada metodologi penelitian ditunjukkan pada Gambar 5 sebagai berikut:
Gambar 5 Alur Metodologi Penelitian
4. PERANCANGAN
Bagian ini menjelaskan tentang proses perancangan dalam penyelesaiaan permasalahan sistem diagnosis penyakit kelinci menggunakan metode fuzzy tsukamoto. Langkah pertama pada implementasi ini yakni Pembentukan himpunan fuzzy terdiri dari variabel input dan variabel output. Pada penelitian ini, variabel input adalah gejala-gejala dari penyakit kelinci, sedangkan variabel output berupa hasil diagnosis penyakit kelinci yang terdeteksi. Gejala tersebut memiliki bilangan real yang merupakan bobot nilai gejala yang didapatkan dari pakar. Penelitian ini menggunakan 3 himpunan linguistik fuzzy yaitu sedikit, sedang, dan banyak. Grafik dari fungsi keanggotaan sedikit, sedang, dan banyak ditunjukkan pada Gambar 6.
Gambar 6 Grafik Fungsi Keanggotaan Fungsi keanggotaan dari grafik ini dituliskan dalam bentuk persamaan seperti yang ada pada Tabel 2 berikut ini.
Tabel 2 Fungsi Keanggotaan sedikit 0 ; x ≥45 1 ; 0<x ≤30 (45-x)/(45-30): 30≤x ≤45 sedang 0 ; x ≤30 atau x ≥60 1 ; x=45 (x-30)/(45-30): 30≤x ≤45 (60 -x)/(60-45): 45≤x ≤60 banyak 0 ; x ≤ 45 1 ; x ≥60 (x-45)/(60-45): 45≤x ≤60 Langkah kedua adalah melakukan inferensi terhadap rule yang ada dengan menggunakan fingsi implikasi MIN. Langkah terakhir adalah melakukan defuzzyfikasi atau mengubah nilai himpunan fuzzy menjadi nilai tegas atau crisp. Defuzzyfikasi dilakukan dengan menggunakan weighted average.
Gambar 7 Alur Fuzzy Tsukamoto Proses perancangan dalam penyelesaiaan permasalahan sistem diagnosis penyakit kelinci menggunakan metode fuzzy tsukamoto dapat digambarkan dalam bentuk flowchart seperti yang ditunjukkan oleh Gambar 7.
5. IMLEMENTASI
Bagian
ini
menggambarkan
hasil
implementasi antarmuka
sistem diagnosis penyakit kelinci menggunakan metode fuzzy tsukamoto, yang ditunjukkan oleh Gambar 8
dan Gambar 9 sebagai berikut:
Gambar 8 Antarmuka halaman diagnosis Pada halaman diagnosis, pengguna dapat memasukkan nilai gejala skala 1-100 dengan cara menggeser seek bar dari kiri ke kanan.
Gambar 9 Antarmuka halaman hasil diagnosis Pada halaman hasil diagnosis akan ditampilkan nilai perhitungan dalam bentuk persentase, nama penyakit yang dialami kelinci, serta solusi penyembuhan atau pencegahan dari penyakit yang diderita kelinci tersebut.
6. PENGUJIAN 6.1 Pengujian blackbox
Pengujian blackbox digunakan untuk menguji fungsionalitas sistem apakah sudah
berjalan dengan baik atau tidak sesuai dengan analisis kebutuhan yang telah dibuat.
Tabel 3 Hasil Pengujian Blackbox
Nomor kasus
uji
Nama Kasus Uji Hasil
Vaidasi U01 Sistem dapat
menampilkan kolom dengan cara menggeser nilai gejala dalam melakukan diagnosis berdasarkan masukan pengguna
Valid
U02 Sistem dapat menampilkan hasil diagnosis yang terdiri dari persentase nilai perhitungan, info penyakit, dan solusi mengatasi penyakit
Valid
U03 Sistem dapat
menampilkan informasi tentang aplikasi berupa deskripsi dan logo aplikasi
Valid
U04 Sistem dapat
menampilkan informasi daftar penyakit serta solusinya.
Valid
Berdasarkan hasil dari pengujian blackbox seperti yang ditunjukkan pada Tabel 3, menghasilkan tingkat fungsionalitas sistem mencapai 100% karena semua fungsi yang diuji dapat berjalan dengan baik sesuai dengan harapan.
6.2 Pengujian Akurasi
Pengujian akurasi digunakan untuk mengetahui performa dari sistem dalam memberikan keputusan hasil diagnosis. Skenario pengujian dilakukan dengan cara mencocokkan hasil diagnosis sistem dengan hasil diagnosis pakar dengan menggunakan sebanyak 20 data pengujian. Tabel 4 menunjukkan hasil pengujian akurasi yang telah dilakukan pada penelitian ini dan menghasilkan nilai akurasi sebesar 95%. Berikut adalah rumus untuk menghitung nilai akurasi.
Nilai Akurasi = 19
20 X 100% = 95%
Tabel 4 Hasil Pengujian Akurasi
Data Uji ke- G1 … G49 Hasil Sistem Hasil Pakar 1 0 … 5 P6 √ 2 10 … 55 P11 √ 3 5 … 5 P10 √ 4 35 … 2 P10 √ 5 12 … 95 P16 √ 6 60 … 10 P10 √ 7 31 … 2 P7 √ 8 2 … 7 P14 √ 9 2 … 2 P6 √ 10 0 … 2 P4 √ 11 22 … 2 P15 √ 12 10 … 20 P14 √ 13 1 … 15 P12 √ 14 5 … 2 P4 √ 15 15 … 80 P11 X 16 13 … 12 P6 √ 17 6 … 5 P14 √ 18 4 … 2 P7 √ 19 0 … 5 P9 √ 20 2 … 22 P13 √
7. KESIMPULAN DAN SARAN
Metode fuzzy tsukamoto dapat diterapkan dalam permasalahan sistem diagnosis penyakit kelinci. Dalam penerapannya, diawali dengan pembentukan himpunan fuzzy. Kemudian dilakukan pembentukan rule pada mesin inferensi dengan menggunakan fungsi implikasi MIN. Langkah terakhir yakni menghitung nilai z dari setiap rule dengan menggunakan rata-rata berbobot. Nilai z yang paling besar digunakan sebagai rekomendasi penyakit yang terdeteksi
Berdasarkan
hasil
implementasi
dan
pengujian akurasi didapatkan nilai akurasi
sebesar 95 % dan pengujian blackbox
sebesar 100%,
yang mengindikasikan bahwa sistem telah bekerja dengan baik dari segi fungsionalitas sistem dan performa akurasi sistem.Dalam penelitian ini tidak digunakan
metode optimasi untuk menentukan jumlah
fuzzy set. Untuk itu, diharapkan adanya
metode tertentu untuk melakukan optimasi
terhadap jumlah fuzzy set agar mendapatkan
hasil yang lebih optimal pada penelitian
selanjutnya.
8. DAFTAR PUSTAKA
Budiana, NS., dkk., 2006. Kelinci Hias. Jakarta: Penebar Swadaya.
Falatehan, A. I., 2018. Sistem Pakar Diagnosis Penyakit Hati Menggunakan Metode Fuzzy Tsukamoto Berbasis Android. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 8, Agustus 2018, hlm. 2373-2381
Hagen. 1976. “Domestic Rabbits: Disease and Parasites”. Veterinarian, Western Region. Agricultural Research Service. Departement of Veterinary Pathology. Lowa State University. Ames. Lowa.
Juarini, E., & B. Wibowo. 2005. Ketersediaan Teknologi dalam Menunjang pengembangan Kelinci di Indonesia. Balai Penelitian Ternak, Bogor.
Kartadisastra, H.R., 1994. Beternak Kelinci Unggul. Yogyakarta: Kanisius.
Kusumadewi dan Purnomo, 2010, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Yogyakarta: Graha Ilmu
Kusumadewi, S., 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Kusumaningtyas, P., Kanda Y., 2013. Hewan Kesayangan. Jakarta: Penebar Swadaya. Maryaningsih, Siswanto & Mesterjon, 2013.
Metode Logika Fuzzy Tsukamoto Dalam Sistem Pengambilan Keputusan Penerimaan Beasiswa. Jurnal Media Infotama, 9 (1 Februari 2013), pp. 1-13.
Noviyanto, A. D., 2018. Sistem Diagnosis Penyakit Tanaman Kentang Menggunakan Metode Fuzzy Tsukamoto (Studi kasus pada Balai Pengkajian Teknologi Pertanian Kota Malang). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 11, November 2018, hlm. 5853-5861. Pradana, F. G., 2016. Sistem diagnosa penyakit
pada tanaman jagung dengan menggunakan metode Fuzzy Tsukamoto. Malang: Universitas Brawijaya.
Pujiyanta, A. & Pujiantoro, A., 2012. Sistem Pakar Penentuan Jenis Penyakit Hati dengan Metode Inferensi Fuzzy Tsukamoto. Jurnal Informatika, 6 (1 januari 2012), pp. 1-13.
Ramadiani, dkk., 2017. Simple Additive Weighting to Diagnose Rabbit Disease. Samarinda: Universitas Mulawarman. E3S Web of Conferences 31, 10002 (2018) Sarwono, B., 2008, Kelinci Potong & Hias.
Tangerang: Agro Media
Sheila, Zivana Lasahido., 2015. Sistem Diagnosa Penyakit Pada Tanaman Cabai Merah Menggunakan Metode Fuzzy Tsukamoto. Skripsi. Tidak diterbitkan. Teknik Informatika PTIIK Universitas Brawijaya, Malang.
Thamrin, F., 2012. Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Pembebanan Trafo. Jurnal Sistem Informasi Bisnis 01
(2012), online:
