CAESAR ATAU NORMAL
TESIS
ROSMA SIREGAR 187038019
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2020
ANALISIS PENGEMBANGAN FUZZY LOGIC TSUKAMOTO UNTUK MEMPREDIKSI JENIS PERSALINAN
CAESAR ATAU NORMAL
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
ROSMA SIREGAR 187038019
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
Telah diuji pada Tanggal : 26 Juni 2020
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Dr. Zakarias Situmorang
: 2. Dr. Sutarman, M. Sc
: 3. Dr. Syahril Efendi, S. Si, M.IT
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap berikut gelar : Rosma Siregar , S.Kom Tempat dan Tanggal Lahir : Batang Pane, 7 Mei 1996
Alamat Rumah : Lumban Julu Hutatoruan IV Tarutung
Telp/HP : 0852 7404 8777
Email : [email protected]
DATA PENDIDIKAN
SD : SD NEGERI 3 TARUTUNG TAMAT: 2008
SMP : SMP NEGERI 3 TARUTUNG TAMAT: 2011
SMA : SMK SWASTA KARYA TARUTUNG TAMAT: 2014
S1 : TEKNIK INFORMATIKA UPI “YPTK” PADANG TAMAT: 2018
S2 : TEKNIK INFORMATIKA USU TAMAT: 2020
UCAPAN TERIMA KASIH
Alhamdulillahirobbil’alamin, puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, yang telah melimpahkan segala karunia, rahmat dan hidayah-Nya karena dengan seizin-Nyalah penulis, dapat menyelesaikan penyusunan tesis ini dengan judul
“ANALISIS PENGEMBANGAN FUZZY LOGIC TSUKAMOTO UNTUK MEMPREDIKSI JENIS PERSALINAN ATAU NORMAL” dapat diselesaikan dengan baik.
Tesis ini merupakan syarat untuk menyelesaikan studi pada jenjang magister (S2) yang dalam penyusunannya tidak terlepas dari dukungan berbagai pihak, baik secara moril maupun materil. Pada kesempatan ini, saya menyampaikan rasa terima kasih yang sebesar-besarnya kepada :
1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum., selaku Rektor Universitas Sumatera Utara Medan;
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara Medan.
3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Ketua Program Studi S2 Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara Medan.
4. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, sebagai Dosen Pembimbing I yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini;
5. Bapak Dr. Zakarias Situmorang, sebagai Dosen Pembimbing II yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini;
6. Bapak Dr. Sutarman, M.Sc, Dosen Pembanding/Penguji I yang telah memberikan saran dan masukan untuk perbaikan dan penyelesaian tesis ini;
7. Bapak Dr. Syahril Efendi, S.Si, M.IT, selaku Dosen Pembanding/Penguji II yang telah memberikan saran dan masukan untuk perbaikan dan penyelesaian tesis ini;
8. Orangtua laki-laki penulis Mangatas Siregar, orang tua perempuan penulis Rita J.H.L. Tobing, kakak laki-laki penulis Hasudungan Siregar dan kakak perempuan
ABSTRAK
Fuzzy logic adalah sebuah metode yang umum dipakai untuk membangun suatu sistem yang penalarannya meyerupai instuisi atau penalaran manusia. Fuzzy logic tsukamoto dan certainty factor merupakan dua metode yang mempunyai kesamaan yaitu mengandung ketidak pastian. Proses persalinan ibu yang sangat dikenal saat ini adalah proses normal dan proses operasi (caesar) dimana pemilihan proses persalinan bersifat meragukan. Pilihan proses persalinan yang tidak tepat akan membahayakan keselamatan ibu dan bayinya. Penelitian ini dilakukan untuk mengetahui jenis persalinan caesar atau normal dengan pengembangan fuzzy logic tsukamoto dengan certainty factor untuk mencegah adanya masalah keraguan pemilihan jenis persalinan. Penelitian ini menggunakan input usia, tekanan darah, ukuran panggul, berat janin, letak sungsang, riwayat caesar. Output penelitian adalah jenis persalinan nomal atau caesar. Pengujian dilakukan terhadap 30 orang yang sudah melakukan persalinan. Hasil yang didapatkan adalah jenis persalinan yang diuji coba menggunakan 30 data tersebut memiliki hasil kesamaan 100 % dengan pengembangan fuzzy tsukamoto.
Kata kunci : Fuzzy tsukamoto, certainty factor.
TSUKAMOTO’S FUZZY LOGIC DEVELOPMENT ANALYSIS TO PREDICT CAESEREAN OR NORMAL DELIVERY
ABSTRACT
Fuzzy logic is a method commonly used to build a system whose reasoning is to develop or to reason human beings. Fuzzy logic Tsukamoto and certainty factor are two methods that have similarities that contain a lack of uncertainty. The current process of maternal childbirth is the normal process and operation process (Caesar), where the selection of childbirth processes is doubtful. Improper choice of childbirth will endanger the safety of mothers and their babies. This research was conducted to determine the type of birth of Caesar or normal with the development of fuzzy logic Tsukamoto with certainty factor to prevent the problem of the choice of childbirth. This research uses age input, blood pressure, pelvic size, fetus weight, breech, cesarean history. The research Output is a type of normal or Caesarean childbirth. The test was conducted on 30 people who have done labor. The result is the type of childbirth that tested using 30 data has a similarity result of 100% with the development of Fuzzy Tsukamoto.
Keywords: Fuzzy Tsukamoto, certainty factor.
DAFTAR ISI
Hal.
PERSETUJUAN ... ii
PERYATAAN ORISINILITAS ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK ... iv
KEPENTINGAN AKADEMIS ... iv
PANITIA PENGUJI ... v
RIWAYAT HIDUP ... vi
UCAPAN TERIMA KASIH ... vii
ABSTRAK ... ix
ABSTRACT ... x
DAFTAR ISI ... xi
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xv
DAFTAR LAMPIRAN ... xvi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 2
1.4 Batasan Masalah ... 3
1.5 Manfaat Penelitian ... 3
1.6 Penelitian Terkait ... 3
BAB 2 TINJAUAN PUSTAKA ... 5
2.1 Fuzzy Logic ... 5
2.1.1 Pengertian Fuzzy Logic ... 5
2.1.2 Kelebihan Fuzzy Logic ... 5
2.1.3 Dasar-dasar Fuzzy Logic ... 6
2.1.4 Fungsi Keanggotaan Fuzzy Logic ... 6
2.2Metode Tsukamoto ... 12
2.3Certainty Factor (CF) ... 13
2.3.1 Menentukan CF Pararel ... 13
2.3.2 Menentukan CF Sekuensial... 13
2.4Persalinan ... 13
2.4.1 Pengertian Persalinan ... 13
2.4.2 Jenis Persalinan ... 14
2.4.3 Indikasi Persalinan Caesar ... 14
BAB 3 METODOLOGI PENELITIAN ... 16
3.1Kerangka Penelitian ... 16
3.2 Tahapan Penelitian ... 17
3.2.1 Studi Literatur ... 17
3.2.2 Wawancara (Interview) ... 17
3.2.3 Pengumpulan Data ... 17
3.3 Analisis ... 17
3.3.1 Analisis dengan Fuzzy Tsukamoto ... 17
3.3.2 Analisis dengan Certainty Factor ... 19
3.4 Hasil Penggabungan ... 19
BAB 4 HASIL DAN PEMBAHASAN ... 20
4.1 Hasil ... 20
4.1.1 Pembentukan Himpunan Fuzzy ... 20
4.1.2 Variabel Fuzzy Tsukamoto ... 21
4.1.3 Proses Perhitungan Jenis Persalinan dengan Fuzzy Tsukamoto ... 24
4.1.4 Perhitungan Pengembangan Fuzzy Tsukamoto Menggunakan
Certainty Factor ... 39
4.2 Pengujian ... 41
4.2.1 Tampilan Input Aplikasi ... 41
4.2.2 Tampilan output aplikasi ... 41
4.3 Pembahasan ... 43
4.3.1 Metode Tsukamoto Sebelum Pengembangan ... 44
4.3.2 Metode Tsukamoto Setelah Pengembangan ... 45
BAB 5 KESIMPULAN DAN SARAN ... 48
5.1 Kesimpulan ... 48
5.2 Saran ... 48
DAFTAR PUSTAKA ... 49
Lampiran ... 51
DAFTAR TABEL
Hal.
Tabel 1.1 Penelitian Terkait ... 3
Tabel 3.1 Rule ... 18
Tabel 4.1 Variabel Fuzzy ... 20
Tabel 4.2 Semesta Pembicaraan ... 20
Tabel 4.3 Derajat Kepercayaan ... 40
Tabel 4.4 Hasil Pengujian ... 42
Tabel 4.5 Hasil Tsukamoto Sebelum Pengembangan ... 44
Tabel 4.6 Hasil Tsukamoto Setelah Pengembangan ... 45
DAFTAR GAMBAR
Hal.
Gambar 2.1 Kurva Linear naik ... 7
Gambar 2.2 Kurva Linear TURUN ... 7
Gambar 2.3 Kurva Segitiga ... 8
Gambar 2.4 Kurva Trapesium ... 8
Gambar 2.5 Kurva Bentuk Bahu ... 9
Gambar 2. 6 Kurva-S Pertumbuhan ... 10
Gambar 2.7 Kurva-S Pertumbuhan ... 10
Gambar 2.8 Gambaran Kurva PI ... 11
Gambar 2.9 Kurva BETA ... 11
Gambar 2.10 Kurva GAUSS ... 12
Gambar 3.1 Kerangka Kerja Penelitian ... 16
Gambar 4.1 Variabel Usia ... 21
Gambar 4.2 Variabel Tekanan Darah ... 22
Gambar 4.3 Variabel Ukuran Panggul ... 22
Gambar 4.4 Variabel Berat Janin ... 23
Gambar 4.5 Variabel Jenis Persalinan ... 24
Gambar 4.6 Tampilan input jenis persalinan ... 41
Gambar 4.7 Tampilan output jenis persalinan ... 42
DAFTAR LAMPIRAN
Hal.
Lampiran 1 ... 51 Lampiran 1 ... 52
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Komputerisasi merupakan salah satu teknologi yang dibutuhkan oleh masyarakat pada era globalisasi untuk mempermudah aktivitas/pekerjaannya. Perkembangan iptek terjadi secara signifikan yang memiliki pengaruh terhadap sektor kesehatan, pendidikan, perintahan, politik, bahkan perdagangan.
Teori fuzzy dapat mempresentasikan dan menangani masalah ketidak pastian yang dalam hal ini bisa berarti keraguan, ketidaktepatan, kekurang lengkapan informasi, dan kebenaran yang bersifat sebagian (Suyanto, 2011). Proses persalinan ibu yang sangat dikenal saat ini adalah proses normal dan proses operasi (caesar) dimana pemilihan proses persalinan bersifat meragukan. Pilihan proses persalinan yang tidak tepat akan membahayakan keselamatan ibu dan bayinya. Sehingga, diperlukan suatu usaha dalam menentukan proses persalinan dengan mempertimbangkan factor power, pessage dan passenger. Sesar dilakukan karna adanya kelainan pessage (Jalan lahir), yang mengakibatkan proses persalinan tidak dapat dilakukan lewat jalan lahir yaitu vagina.
Seiring berkembangnya ilmu pengetahuan, power dan passenger (janin) juga mengakibatkan proses persalinan dengan sesar. Passenger merupakan kelainan karena berat bayi yang besar, posisi melintang, sungsang dan denyut jantung bayi yang rendah (Rayung et al, 2014).
Teknologi yang berkembang memberikan peluang yang lebih baik untuk menyelamatkan ibu dengan kondisi di atas salah satunya adalah fuzzy logic tsukamoto.
Untuk masalah yang bersifat meragukan, fuzzy logic menunjukan perfomansi yang bagus
untuk berbagai pemecahan masalah, salah satunya dengan mengunakan metode Tsukamoto, yaitu metode yang cocok digunakan untuk mentukan jenis persalinan dari pada metode fuzzy lainnya karena banyaknya rule yang ada pada peneltian ini.
Metode certainty factor merupakan suatu metode upaya yang dilakukan dalam menangani hal ketidakpastian untuk menentukan suatu keputusan. CF merupakan metode sama dengan tsukamoto, karena kedua metode tersebut mengandung ketidakpastian yang membedakannya adalah certainty factor rulenya memiliki nilai keyakinan dari seorang pakar sedangkan metode fuzzy tsukamoto tidak memiliki nilai keyakinan dari pakar tetapi memiliki beberapa rule yang mencari nilai terbesar dengan OR dan nilai terkecil dengan AND untuk mencari perhitungannya (Muljilahwati, 2014).
Penelitian ini dilakukan untuk mengetahui jenis persalinan sesar atau normal dengan pengembangan fuzzy logic tsukamoto dengan certainty factor untuk mencegah adanya masalah keraguan pemilihan jenis persalinan. Dalam penyelesaian fuzzy logic tsukamoto biasanya dengan cara fuzzifikasi, pembentukan rule, mesin infensi dan defuzzifikasi. Pengembangan fuzzy logic tsukamoto yang akan dilakukan adalah dengan menambahkan hasil defuzzifikasi dengan hasil dari certainty factor untuk mendapatkan hasil akhir jenis persalinan. Dimana variabel yang bersifat linguistik diselesaikan menggunakan fuzzy tsukamoto dan variabel bersifat mutlak diselesaikan dengan certainty factor. Alasan dilakukan pengembangan pada metode fuzzy logic tsukamoto agar data yang bersifat linguistik dan mutlak dapat diselesaikan dengan pengembangan fuzzy tsukamoto dan data yang akan diolah mendapatkan hasil yang lebih akurat.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, masalah yang diselesaikan adalah komputasi data yang memiliki nilai variabel yang bersifat linguistik dan variabel bersifat mutlak dengan mengembangkan metode fuzzy logic tsukamoto dalam memprediksi jenis persalinan.
1.3 Tujuan Penelitian
Adapun tujuan pada penelitian yang dilakukan penulis adalah untuk mengembangkan fuzzy logic tsukamoto untuk memprediksi jenis persalinan berdasarkan indikasi ibu dan anak dikembangkan dengan certainty factor.
1.4 Batasan Masalah
Untuk menjadikan penelitian ini lebih terfokus terhadap suatu tujuan maka batasan masalah penelitian ini berupa:
1. Pada penelitian ini akan membahas metode fuzzy tsukamoto dan certainty factor dalam menganalisis jenis persalinan.
2. Salah satu contoh implementasi metode fuzzy logic tsukamoto dan certainty factor untuk memprediksi jenis persalinan normal atau caesar berdasarkan pada indikasi ibu dan anak.
3. Penentuan jenis persalinan hanya bersifat prediksi.
1.5 Manfaat Penelitian
Dengan adanya penelitian ini diharapkan dapat diperoleh manfaat sebagai berikut:
1. Diharapkan dapat menambah wawasan dalam ilmu teknologi informasi.
2. Memberi kontribusi pada bidang ilmu komputer tentang fuzzy logic tsukamoto dan certainty factor.
3. Menambah referensi tentang fuzzy inferensi tsukamoto dan certainty factor.
4. Sebagai pengetahuan perkembangan teknologi informasi yang mampu dimanfaatkan dalam sektor persalinan.
1.6 Penelitian Terkait
Tabel 1.1 Penelitian Terkait
No Judul Penulis Hasil
1. Analisis Fungsi
Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang.
Nurul Khairina Metode fuzzy Tsukamoto
dipublikasikan dengan hasil yaitu derajat kesehatan seseorang amat dipengaruhi oleh usia dan suhu tubuh.
Tabel 1.1 Penelitian Terkait (Lanjutan) 2. Sistem Penunjang
Keputusan Untuk Menentukan Status Gizi Balita Menggunakan
Metode Fuzzy
Tsukamoto.
Dewi Ayu Nur Wulandari, Arfhan Prasetyo
Peneliti ini telah melakukan uji dengan hasil yaitu tingkat keberhasilan aturan fuzzy tsukamoto yang telah terbentuk dalam penentuan status gizi balita adalah 82,35%.
3. Analisis Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit THT
Khairina Eka Setyaputri, Abdul Fadlil, Sunardi
Metode CF mampu di aplikasikan pada sistem
pakar untuk
mendiagnosa penyakit THT sesuai gejala-
gejala yang
dimasukkan. Sistem pakar penyakit THT dapat digunakan dengan baik karena telah terbukti dengan uji pakar bahwa diagnosa dari sistem pakar penyakit THT memiliki hasil yang sama.
4. Sistem Pakar Diagnosa Penyakit Ibu Hamil Menggunakan Metode Certainty Factor (CF)
Aryu Hanifah Aji, M. Tanzil Furqon, Agus Wahyu Widodo
Sistem pakar dapat dijadikan alternatif bagi ibu hamil dalam mengenali tanda bahaya melalui gejala-gejala yang dirasakan, selain dapat memberikan informasi mengenai penyakit.
BAB 2
TINJAUAN PUSTAKA
2.1 Fuzzy Logic
Berikut adalah beberapa hal yang perlu diketahui tentang fuzzy logic dan metode fuzzy tsukamoto:
2.1.1 Pengertian Fuzzy Logic
Teori terkait Logika fuzzy pertama kali dikemukakan Prof. Lotfi Astor Zadeh di tahun 1962. Metode logika fuzzya merupakan metoda penyelesaian masalah yang tepat diaplikasikan dengan cara yang simple, jaringan komputer, sistem kontrol, multi-chanel atau workstation berdasarkan akuisisi data. Metode tersebut dapat digunakan di perangkat keras, perangkat lunak dan bahkan gabungan dari metode tersebut. Pada logika fuzzy kemungkinan ukuran keanggotaannya berada pada “0 dan 1“. Maksudnya adalah, bisa saja kondisi memiliki kedua nilainya yaitu “Ya dan Tidak”, namun jumlah angkanya berdasarkan pada jenis keanggotaannya. Fuzzy logic bisa dipakai dalam banyak aspek, misalkan untuk mendiagnosa suatu penyakit (pada aspek medis), operation research (pada aspek perdagangan), cek mutu air, dan memprediksikan adanya musibah seperti gempa dll (Sutojo, dkk, 2011).
2.1.2 Kelebihan Fuzzy Logic
Keunggulan Fuzzy logic diantaranya mampu memeriksa sistem yang rumit, tidak linier, dan sistem yang rumit disajikan secara terstruktur. Adapun alasan memakai fuzzy logic yaitu:
1. Fuzzy logic sangat fleksibel
2. Fuzzy logic mampu mentoleransi data yang tidak akurat
3. Fuzzy logic bisa membuat model fungsi-fungsi non linear yang amat rumit 4. Fuzzy logic mampu menyusun dan menerapkan profesionalisme pakar yang
tidak disertai pelatihan.
5. Fuzzy logic mampu berkoordinasi dengan teknik-teknik kendali secara konvensional
6. Fuzzy logic menggunakan bahasa alami.
2.1.3 Dasar-dasar Fuzzy Logic
Untuk mempelajari logika fuzzy, terlebihdahulu mengetahui terkait konsep himpunan fuzzy. Himpunan fuzzy mempunyai 2 atribut, yaitu (Sutojo, dkk, 2011):
1. Linguistik, adalah penyebutan untuk grup yang menggambarkan kondisi dengan bahasa alami, contohnya untuk keadaan temperatur DINGIN, SEJUK, PANAS.
Untuk variabel umur contohnya yaitu MUDA, PAROBAYA, TUA.
2. Numerik, merupakan angka yang menggambarkan parameter variable, contohnya 12, 38, 45, dll.
Menurut Sutojo, dkk (2011) ada hal lain yang wajib diketahui saat mempelajari logika fuzzy diantaranya adalah:
1. Variabel fuzzy, adalah suatu kelompok yang terbagi menjadi 2 yaitu input dan output
2. Himpunan fuzzy, kelompok yang menggambarkan kondisi tertentu pada variabel fuzzy.
3. Semesta pembicaraan, adalah nilai yang ditolerir untuk digunakan pada variabel fuzzy.
4. Domain himpunan fuzzy, nilai yang digunakan untuk semesta pembicaraan dan dapat digunakan pada himpunan fuzzy.
2.1.4 Fungsi Keanggotaan Fuzzy Logic
Menurut Ghofar Taufiq (2016) fungsi keanggotaan merupakan grafik yang menggambarkan derajat keanggotaan pada variabel input yang berada di interval antara
“0 dan 1”. Derajat keanggotaan pada variabel diberi kode µ(x). Aturan dalam memakai nilai keanggotaan untuk faktor bobot dalam menentukan dampak ketika menginferensi dalam penarikan kesimpilan. Fungsi keanggotaan diantaranya adalah:
1. Grafik Keanggotaan Kurva Linear
Terdapat grafik keanggotaan linear sebanayak 2 buah. Pertama, grafik kenaggotaan kurva linear naik, yaitu peningkatan himpunan fuzzy dimulai saat angka domain yang mempunyai derajat keangggotaan “nol [0]” berubah ke sisi kanan menuju ke angka domain yang lebih tinggi.
Gambar 2.1 Kurva Linear naik (Sumber : Ghofar Taufiq. 2016) Keangotaan:
[x] =
Grafik yang kedua yaitu grafik keanggotaan kurva linear turun, ketika himpunan fuzzy dimulai dari angka domain dengan derajat keanggotaan paling tinggi pada sisi kiri, dan bergerak menurun ke angka domain yang memiliki derajat keanggotaan lebih kecil.
Gambar 2.2 Kurva Linear TURUN (Sumber : Ghofar Taufiq. 2016)
a Domain b
1
Derajat keanggotaan
µ(x)
0
Fungsi keanggotaan:
[x] =
2. Grafik Keanggotaan Kurva Segitiga
Yang kedua adalah grafik kurva segitiga yaitu gabungan 2 garis yang linear.
Gambar 2.3 Kurva Segitiga (Sumber : Ghofar Taufiq. 2016) Fungsi keanggotaan :
[x] =
3. Grafik Kemanggotaan Kurva Trapesium
Pada grafik ini memiliki bentuk segitiga dengan bebrapa titik yang nilai keanggotaaan 1.
Gambar 2.4 Kurva Trapesium (Sumber : Sutojo, dkk. 2011)
Fungsi keanggotaan:
[x] =
4. Grafik Keanggotaan Kurva Bentuk Bahu
Grafik dengan nilai keanggotaanya konstan (1) adalah grafik bahu untuk mengakhiri variabel daerah fuzzy.
Fungsi keanggotaan : µ[x]=
Gambar 2.5 Kurva Bentuk Bahu (Sumber : Sutojo dkk. 2011)
5. Grafik Keanggotaan Kurva- S (Sigmoid)
Terdapat 2 jenis kurva-S diantaranya adalah Kurva-S PERTUMBUHAN dan kurva-S PENTUSUTAN.
a. Kurva-S PERTUMBUHAN, merupakan kurva yang begerak dari kiri ke kanan dengan nilai keanggotaan 0 menuju 1, jika x ≥c. Dengan R1
merupakan margin kiri dan R2 merupakan margin paling kanan.
Fungsi keanggotaan Kurava-S PERTUMBUHAN:
µ(x;a,b,c)=
b. Kurva-PENYUSUTAN, merupakan kurva yang begerak mulai dari kiri ke kanan dengan nilai keanggotaan 1 menuju 0. Fungsi S memiliki 1 apabila x ≤ a dan memiliki nilai 1 jika x ≥ c. Sedangkan R1 merupakan margin variabel paling kiri dan R2 merupakan margin variabel paling kanan.
Fungsi keanggotaan Kurava-S PENYUSUTAN:
µ(x;a,b,c)=
Gambar 2. 6 Kurva-S Pertumbuhan (Sumber: Sutojo, dkk. 2011)
Gambar 2.7 Kurva-S Pertumbuhan (Sumber : Sutojo, dkk. 2011)
6. Grafik Kurva Model Lonceng (Bell Curve)
Kurva ini terdiri dari 3, yaitu kurva PI, kurva beta, dan kurva Gauss. Kurva tersebut diklasifikasikan berdasarkan bentuk gradiennya (Sutojo, dkk. 2011):
a. Kurva PI
Pada kurva PI derajat keanggotaan 1 terdapat di pusat domain (c) dan memiliki lebar kurva (b).
Gambar 2.8 Gambaran Kurva PI (Sumber : Sutojo, dkk. 2011)
Fungsi keanggotaan:
Π(x, b,c)=
b. Kurva BETA
Dalam kurva BETA, derajat keanggotaan 1 berada di pusat domain (c), memiliki 1/2 lebar kurva (b), dan titik infleksi terdapat di (c-b) dan (c+b).
Gambar 2.9 Kurva BETA (Sumber : Sutojo, dkk. 2011)
Fungsi keanggotaan:
Kurva BETA memiliki karakter yang tidak sama dengan kurva PI, yaitu fungsi Keanggotaannya akan mendekati nol hanya jika nilai (b) sangat besar.
c. Kurva GAUSS
Kurva GAUSS memiliki derajat derajat keanggotaan 1 di titik pusat kurva (L).
Gambar 2.10 Kurva GAUSS (Sumber : Cendi Praseptyo, dkk. 2014) Fungsi keanggotaan:
G (x,β,y) = e-k (y-x)2
2.2 Metode Tsukamoto
Pada kesimpulannya, metode tsukamoto terdiri dari tahapan (Sutojo, dkk, 2011):
1. Fuzzifikasi
Membuat dasar pemahaman Fuzzy melalui hasil fuzzifikasi (Rule dengan Bentuk IF.Then)
2. Mesin Inferensi
Mesin inferensi memanfaatkan nilai min, sehingga ditemukan untuk nilai a- predikat pada setiap rule. Kemudian a-predikat digunakan untuk menghitung nilai z.
3. Defuzzifikasi
Defuzzifikasi merupakan langkah terakhir pada tahap pencarian tsukamoto dengan mencari nilai rata-rata.
2.3 Certainty Factor (CF)
Seperti seorang dokter hamper selalu menganalisi informasi dengan pernyataan
“mungkin“, “kemungkinan besar“, “hampir pasti”. Diharapkan metode Certainty Factor ini dapat mengambarkan derajat keyakinan seorang pakar/ahli terhadap masalah yang sedang dihadapi (Aryu Hanifah Aji, et al, 2018).
2.3.1 Menentukan CF Pararel
CF pararel didapatkan dari premis-premis pada sebuah aturan. Rumus untuk setiap operator dapat dilihat pada persamaan berikut:
CF (x dan y) = min (CF(x), CF(y)) CF(x atau y) = max (CF(x), CF(y)) CF (tidak x) = ~CF(x)
2.3.2 Menentukan CF Sekuensial
Rumus cf sekuensial adalah sebagai berikut:
CF (H,e) = CF (E,e)*CF(H,E) Keterangan :
CF (E,e) : Certainty Factor evidence E yang dipengaruhi dari evidence e
CF (H,e) : Certainty Factor hipotesis dengan mengaasumsikan evidence diketahui dengan pasti, yaitu ketika CF (E,e) = 1.
CF (H,E) : Certainty Factor yang dipengaruhi oleh Evidence e CF(y): CF Pakar
2.4 Persalinan
Berikut akan dijelaskan beberapa hal tentang persalinan mulai dari pengertian, jenis persalinan dan indkasi persalinan caesar:
2.4.1 Pengertian Persalinan
Pelahiran bayi atau persalinan adalah proses pengeluaran yang dimulai dengan adanya kontraksi teratur sampai pengeluaran plasenta (F. Gary Cunningham, et al, 2013).
2.4.2 Jenis Persalinan 1. Caesar
Menurut Erfiani Mail,dkk pada jurnal ilmiah kesehatan politeknik kesehatan majapahit Persalinan dengan caesar merupakan cara melahirkan bayi dengan dilakukannya bedah pada perut ibu dan rahimnya.
2. Normal
Merupakan proses pengeluaran bayi yang terjadi secara alami karena adanya kontraksi rahim yang di mulai dengan adanya pembukaan pada serviks.
2.4.3 Indikasi Persalinan Caesar
Indikasi untuk melahirkan caesar antara lain meliputi:
1. Indikasi Ibu
a. Usia kehamilan < 20 tahun dan > 35 tahun mengakibatkan gangguan saat bersalin karena kondisi psikologis yang belum saat usia < 20 tahun, dan keadaan fisik lebih menurun di usia >35 tahun.
b. Tulang Panggul adalah adanya disporposi antara panggul ibu dengan ukuran kepala janin yang mengakibatkan ibu tidak dapat melahirkan secara alami karena ukuran janin yang besar.
c. Persalinan Sebelumnya dengan caesar
d. Faktor Hambatan Jalan Lahir. Kelainan pada jalan lahir menyebabkan terhambatnya proses pembukaan pada serviks seperti kekakuan pada serviks dan adanya tumor.
2. Indikasi Janin
a. Bayi Besar, bayi berukuran lebih dari 4000 gr.
b. Letak Sungsang menyebabkan letak janin tidak sesuai dengan arah jalan lahir.
c. Plasenta previa adalah perlekatan ari-ari yang berada di bagian bawah rahim sehingga dapat menutupi jalan lahir, baik sebagian ataupun keseluruhan. Plasenta previa juga dapat berisiko menimbulkan pendarahan berulang saat hamil terutama mendekati waktu persalinan.
d. Kelainan Tali Pusat
• Prolapsus adalah keadaan dimana keluarnya sebagian atau seluruh tali pusat. Kondisi tersebut menggambarkan keluarnya tali pusat pada jalan lahir.
• Lilitan tali pusat di tubuh bayi belum tentu membahayakan. Apabila tali pusat longgar maka suplai oksigen dan nutrisi ibu ke janin melalui plasenta tetap aman.
BAB 3
METODOLOGI PENELITIAN 3.1 Kerangka Penelitian
Adapun kerangka penelitian dalam metodologi penelitian ini dibuat agar langkah-langkah yang diambil penulis dalam perancangan ini tidak melenceng dari pokok pembahasan dan lebih mudah dipahami, maka urutan langkah-langkah akan dibuat secara sistematis sehingga dapat dijadikan pedoman yang jelas dan mudah untuk meyelesaikan permasalahan yang ada. Urutan langkah-langkah yang akan dibuat pada penelitian ini dapat dilihat sebagai berikut:
Gambar 3.1 Kerangka Kerja Penelitian
Certainty Factor
Hasil Penggabungan Defuzzifikasi dan Certainty
Factor
Penelitian Pendahuluan
Data Bersalin
Fuzzifikasi
Pembentukan Rule
Mesin Inferensi
Defuzzifikasi
3.2 Tahapan Penelitian
Tahapan penelitian ini menjelaskan langkah-langkah dalam melakukan pencatatan data serta mengumpulkan beberapa laporan yang diperlukan untuk dapat dijadikan pedoman dalam pembuatan penelitian ini, yaitu:
3.2.1 Studi Literatur
Pada studi literatur ini mempelajari bagaimana penyelesaian fuzzy logic tsukamoto, certainty factor dan memperlajari teori persalinan dari jurnal-jurnal yang sudah ada.
3.2.2 Wawancara (Interview)
Dalam hal ini penulis melakukan wawancara langsung kepada salah satu bidan yang memiliki pengetahuan dan keahlian dalam hal persalinan normal.
3.2.3 Pengumpulan Data
Pengumpulan data dilakukan dengan melihat catatan bidan terkait data ibu hamil yang melahirkan normal dan data ibu hamil yang melahirkan dengan caesar.
3.3 Analisis
Berikut tahapan dalam pengerjaan proses analisis untuk kedua metode yang akan diselesaikan:
3.3.1 Analisis dengan Fuzzy Tsukamoto
Adapun tahapan analisis meggunakan fuzzy tsukamoto adalah sebagai berikut:
a. Fuzzifikasi
Data masukan diubah ke dalam bentuk variabel fuzzy menggunakan fungsi keanggotaaan. Data variabel yang difuzzifikasikan adalah usia ibu, tekanan darah ibu, ukuran panggul ibu dan berat janin.
b. Pembentukan Rule
Data masukan diproses dengan aturan-aturan (rule) yang telah ditentukan.
Adapun rule yang digunakan pada penelitian ini sebanyak 36 rule, yaitu:
Tabel 3.1 Rule Rule Usia Tekanan
Darah
Ukuran
Panggul Berat Bayi Jenis Persalinan 1 Terlalu Muda Rendah Kecil Ringan Caesar 2 Terlalu Muda Rendah Kecil Berat Caesar 3 Terlalu Muda Rendah Besar Ringan Caesar 4 Terlalu Muda Rendah Besar Berat Caesar 5 Terlalu Muda Normal Kecil Ringan Normal 6 Terlalu Muda Normal Kecil Berat Caesar 7 Terlalu Muda Normal Besar Ringan Normal 8 Terlalu Muda Normal Besar Berat Normal 9 Terlalu Muda Tinggi Kecil Ringan Caesar 10 Terlalu Muda Tinggi Kecil Berat Caesar 11 Terlalu Muda Tinggi Besar Ringan Caesar 12 Terlalu Muda Tinggi Besar Berat Caesar
13 Muda Rendah Kecil Ringan Caesar
14 Muda Rendah Kecil Berat Caesar
15 Muda Rendah Besar Ringan Caesar
16 Muda Rendah Besar Berat Caesar
17 Muda Normal Kecil Ringan Normal
18 Muda Normal Kecil Berat Caesar
19 Muda Normal Besar Ringan Normal
20 Muda Normal Besar Berat Normal
21 Muda Tinggi Kecil Ringan Caesar
22 Muda Tinggi Kecil Berat Caesar
23 Muda Tinggi Besar Ringan Caesar
24 Muda Tinggi Besar Berat Caesar
25 Terlalu Tua Rendah Kecil Ringan Caesar 26 Terlalu Tua Rendah Kecil Berat Caesar 27 Terlalu Tua Rendah Besar Ringan Caesar 28 Terlalu Tua Rendah Besar Berat Caesar 29 Terlalu Tua Normal Kecil Ringan Normal 30 Terlalu Tua Normal Kecil Berat Caesar 31 Terlalu Tua Normal Besar Ringan Normal
32 Terlalu Tua Normal Besar Berat Normal
33 Terlalu Tua Tinggi Kecil Ringan Caesar 34 Terlalu Tua Tinggi Kecil Berat Caesar 35 Terlalu Tua Tinggi Besar Ringan Caesar 36 Terlalu Tua Tinggi Besar Berat Caesar
c. Mesin inferensi
Data keluaran dari semua aturan akan digabungkan menjadi himpunan fuzzy baru.
d. Defuzzifikasi
Data keluaran dari himpunan fuzzy akan dikonversikan kembali ke dalam bentuk bilangan dengan menggunakan fungsi keanggotaan yang telah digunakan sebelumnya.
3.3.2 Analisis dengan Certainty Factor
Data yang dihitung dengan menggunakan certainty factor adalah data yang tidak bersifat linguistik yaitu letak sungsang bayi dan apakah ada riwayat operasi caesar ibu sebelumnya.
3.4 Hasil Penggabungan
Analisis dilakukan untuk mendaptkan suatu fakta berdasarkan metode penelitian yang dilakukan. Data-data yang diperoleh kemudian dianalisis menggunakan fuzzy tsukamoto dan certainty factor.
Analisis pada penelitian ini dilakukan dengan dua metode yaitu menggunakan metode fuzzy tsukamoto dan certainty factor. Hasil perhitungan nilai fuzzy tsukamoto dan hasil akhir certainty factor akan di jumlahkan untuk mendapatkan hasil akhir.
BAB 4
HASIL DAN PEMBAHASAN
4.1 Hasil
Berikut akan dijelaskan bagaimana cara pengolahan data hingga mendapatkan hasil pengembangan dengan metode fuzzy tsukamoto dan certainty factor:
4.1.1 Pembentukan Himpunan Fuzzy
Untuk perhitungan fuzzy logic metode tsukamoto membutuhkan beberapa variabel yang menjadi input dan output dari metode perhitungan. Adapun variabel input dan output yang digunakan untuk menganalisis jenis persalinan dalam penelitian ini adalah sebagai berikut:
Tabel 4.1 Variabel Fuzzy
Fungsi Variabel Keterangan
Input
Usia Merupakan Varibel yang didapat dari usia ibu.
Tekanan darah Merupakan variabel yang didapat dari tekanan darah ibu.
Ukuran panggul Merupakan variabel yang
didapat dari ukuran panggul ibu.
Berat janin Merupakan variabel yang didapat dari berat janin.
Output Jenis persalinan Merupakan variabel yang menjadi output.
Adapun pendefenisian nilai semesta pembicaraan dari himpunan fuzzy yang telah dibentuk akan dideklarasikan sebagai berikut:
Tabel 4.2 Semesta Pembicaraan
Fungsi variabel Variabel Semesta Pembicaraan Input
Usia 16-36
Tekanan Darah 105-145
Ukuran panggul 80-90
Tabel 4.2 Semesta Pembicaraan (Lanjutan)
Berat Janin 2500-4000
Output Jenis Persalinan Normal 1-50
Jenis Persalinan Caesar 51-100 4.1.2 Variabel Fuzzy Tsukamoto
Variabel input yang digunakan dalam penelitian ini adalah usia, tekanan darah, ukuran panggul, berat janin dan variabel output yaitu jenis persalinan. Adapun grafiknya adalah sebagai berikut:
a. Usia terdiri dari 3 himpunan fuzzy yaitu terlalu muda, muda, terlalu tua. Fungsi keanggotaannya adalah sebagai berikut:
Gambar 4.1 Variabel Usia Fungsi keanggotaan:
µTerlalu muda[x]=
µ Muda[x]=
µTerlalu tua[x]=
b. Tekanan darah mempunyai 3 himpunan yaitu rendah, normal, tinggi. Fungsi keanggotaannya adalah sebagai berikut:
Gambar 4.2 Variabel Tekanan Darah Fungsi keanggotaan:
µRendah[x]=
µ Normal[x]=
µTinggi[x]=
c. Ukuran panggul mempunyai 2 himpunan yaitu kecil dan besar. Adapun fungsi keanggotaannya adalah sebagai berikut:
Gambar 4.3 Variabel Ukuran Panggul Fungsi keanggotaan:
µKecil[x]=
µBesar[x]=
d. Berat janin mempunyai 2 himpunan yaitu ringan dan berat. Adapun fungsi keanggotaannya adalah sebagai berikut:
Gambar 4.4 Variabel Berat Janin Fungsi keanggotaan:
µRingan[x]=
µBerat[x]=
e. Variabel outpun jenis persalinan terdiri dari 2 himpunan yaitu normal dan Caesar.
Adapun fungsi keanggotaannya adalah sebagai berikut:
Gambar 4.5 Variabel Jenis Persalinan Fungsi Keanggotaan:
µNormal[x]=
µCaesar[x]=
4.1.3 Proses Perhitungan Jenis Persalinan dengan Fuzzy Tsukamoto
Untuk mengetahui jenis persalinan dengan fuzzy logic tsukamoto, dimisalkan seorang ibu hamil memiliki usai 25 tahun, tekanan darah 120 mmHg, ukuran panggul 85 cm, berat janin 3100 gr tidak mengalami letak sungsang dan belum pernah melakukan operasi sesar.
4.1.3.1 Fuzzifikasi a. Umur
µTerlalu muda [25] = (26-25) / ( = 1/10 = 0.1 µ Muda [25] =
=8/9 =0.9 µTerlalu tua[x] = 0
b. Tekanan Darah
µRendah [120] = (125-120) / ( = 5/20 = 0.25 =0.3
µNormal [120] = (120-110) / ( = 10/15 = 0.67 =0.7 µTinggi [120] =0
c. Ukuran Panggul
µKecil [85] = (90-85) / (90-80)
=5/10
=0,5
µBesar [85] = (85-80) / (90-80)
=5/10
=0,5 d. Berat Janin
µRingan [3100] = (4000-3100) / (4000-2500)
=900/1500
=0,6
µBerat [3100] = (3100-2500) / (4000-2500)
=600/1500
=0,4 4.3.1.2 Rule
Pada tahap kedua penyelesaiian fuzzy tsukamoto adalah pembuatan rule yang akan digunakan. Adapun rule yang digunakan pada penelitian ini adalah sebagai berikut:
[R1] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R2] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R3] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R4] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R5] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R6] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R7] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R8] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
[R9] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R10] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R11] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R12] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R13] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R14] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R15] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R16] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R17] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R18] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R19] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R20] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
[R21] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R22] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R23] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R24] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R25] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R26] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R27] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R28] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R29] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R30] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R31] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
[R32] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
[R33] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R34] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
[R35] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
[R36] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin Berat THEN Jenis Persalinan CAESAR
4.3.1.3. Mesin Inferensi (Fungsi MIN)
Pada tahap ini akan mencari nilai α – predikat dan zi dari rule yang sudah ada. Adapun proses pencariannya adalah sebagai berikut:
[R1] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat1 = µTerlaluMuda∩ Rendah ∩ Kecil ∩ Ringan
=min(µTerlaluMuda[25],µNormal[120],µKecil[85],µRingan[3100]
= min (0,1; 0,3; 0,5; 0,6)
= 0,1 (z1 -1) / (100-1) = 0.1 z1 =9.9+ 1 z1 = 10.9
[R2] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat2 = µTerlaluMuda∩ Rendah ∩ Kecil ∩ Ringan
=min(µMuda[25],µNormal[120],µKecil[85],Ringan[3100]
= min (0,1; 0,3; 0,5; 0,4)
= 0,1 (z2 -1) / (100-1) = 0.1 Z2 =9.9+ 1 Z2 = 10.9
[R3] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat3 = µTerlalu Muda∩ Rendah ∩ Besar ∩ Ringan
=min(µTerlaluMuda[25],µNormal[120],µBesar[85],µRingan[3100]
= min (0,1; 0,3; 0,5; 0,6)
= 0,1 (z3-1) / (100-1) = 0.1 Z3 =9.9+ 1 Z3 = 10.9
[R4] IF usia TERLALU MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat4 = µTerlalu Muda∩ Rendah ∩ Besar ∩ Berat
=min (µTerlaluMuda [25],µNormal[120],µBesar[85],µBerat[3100]
= min (0,1; 0,3; 0,5; 0,4)
= 0,1 (z4-1) / (100-1) = 0.1 Z4 =9.9+ 1 Z4 = 10.9
[R5] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat5 = µTerlalu Muda∩ Normal ∩ Kecil ∩ Ringan
=min(µTerlaluMuda
[25],µNormal[120],µKecil[85],µRingan[3100]
= min (0,1; 0,7; 0,5; 0,6)
= 0,1 (100-z5) / (100-1) = 0.1
z5 = 100-9.9 z5 = 90.1
[R6] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat6 = µTerlalu Muda∩ Normal ∩ Kecil ∩ Berat
=min (µTerlaluMuda [25],µNormal[120],µKecil[85],µBerat[3100]
= min (0,1; 0,7; 0,5; 0,4)
= 0,1 (z6-1) / (100-1) = 0.1 Z6 =9.9+ 1 Z6 = 10.9
[R7] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat7 = µTerlalu Muda∩ Normal ∩ Besar ∩ Ringan
=min(µTerlaluMuda[25],µNormal[120],µBesar[85],µRingan[3100]
= min (0,1; 0,7; 0,5; 0,6)
= 0,1 (100-z7) / (100-1) = 0.1 z7 = 100-9.9 z7 = 90.1
[R8] IF usia TERLALU MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
a-predikat8 = µTerlalu Muda∩ Normal ∩ Besar ∩ Berat
=min (µTerlaluMuda [25],µNormal[120],µBesar[85],µBerat[3100]
= min (0,1; 0,7; 0,5; 0,4)
= 0,1 (100-z8) / (100-1) = 0.1 z8 = 100-9.9 Z8 = 90.1
[R9] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat9 = µTerlalu Muda∩ Tinggi ∩ Kecil ∩ Ringan
=min(µTerlaluMuda[25],µTinggi[120],µKecil[85],µRingan[3100]
= min (0,1; 0 ; 0,5; 0,6)
= 0 (z9 -1) / (100-1) = 0 z9 =1+ 0 Z9 = 1
[R10] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat10 = µTerlalu Muda∩ Tinggi ∩ Kecil ∩ Berat
=min(µTerlaluMuda[25],µTinggi[120],µKecil[85],µBerat[3100]
= min (0,1; 0 ; 0,5; 0,4)
= 0 (z10 -1) / (100-1) = 0 Z10 =1+ 0 Z10 = 1
[R11] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat11 = µTerlalu Muda∩ Tinggi ∩ Besar ∩ Ringan
=min(µTerlaluMuda[25],µTinggi[120],µBesar[85],µRingan[3100]
= min (0,1; 0 ; 0,5; 0,6)
= 0 (z11 -1) / (100-1) = 0 Z11 =1+ 0 Z11 = 1
[R12] IF usia TERLALU MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat12 = µTerlalu Muda∩ Tinggi ∩ Besar ∩ Berat
=min(µTerlaluMuda[25],µTinggi[120],µBesar[85],µBerat[3100]
= min (0,1; 0 ; 0,5; 0,4)
= 0 (z12 -1) / (100-1) = 0 Z12 =1+ 0 Z12 = 1
[R13] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat13 = µMuda∩ Rendah ∩Kecil ∩ Ringan
=min(µMuda[25],µRendah[120],µKecil[85],µRingan[3100]
= min (0,9; 0,3 ; 0,5; 0,6)
= 0.3 (z13 -1) / (100-1) = 0.3 Z13 =29.7+1 Z13 = 30.7
[R14] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat14 = µMuda∩ Rendah ∩Kecil ∩ Berat
=min(µMuda[25],µRendah[120],µKecil[85],µBerat[3100]
= min (0,9; 0,3 ; 0,5; 0,4)
= 0.3 (z14 -1) / (100-1) = 0.3 Z14 =29.7+1 Z14 = 30.7
[R15] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat15 = µMuda∩ Rendah ∩Besar ∩Ringan
=min(µMuda[25],µRendah[120],µBesar[85],µRingan[3100]
= min (0,9; 0,3 ; 0,5; 0,6)
= 0.3
(z15 -1) / (100-1) = 0.3 Z15 =29.7+1 Z15 = 30.7
[R16] IF usia MUDA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat16 = µMuda∩ Rendah ∩Besar ∩Berat
=min(µMuda[25],µRendah[120],µBesar[85],µBerat[3100]
= min (0,9; 0,3 ; 0,5; 0,4)
= 0.3 (z16 -1) / (100-1) = 0.3 Z16 =29.7+1 Z16 = 30.7
[R17] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat17 = µMuda∩ Normal ∩Kecil ∩Ringan
=min(µMuda[25],µNormal[120],µKecil[85],µRingan[3100]
= min (0,9; 0,7 ; 0,5; 0,6)
= 0.5 (100-z16 ) / (100-1) = 0.5 Z16 =100-49.5 Z16 = 50.5
[R18] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat18 = µMuda∩ Normal ∩Kecil ∩Berat
=min(µMuda[25],µNormal[120],µKecil[85],µBerat[3100]
= min (0,9; 0,7 ; 0,5; 0,4)
= 0.5 (z18 -1) / (100-1) = 0.5 Z18 =39.6+1 Z18 = 40.6
[R19] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat19 = µMuda∩ Normal ∩Besar ∩Ringan
=min(µMuda[25],µNormal[120],µBesar[85],µRingan[3100]
= min (0,9; 0,7 ; 0,5; 0,6)
= 0.5 (100-z19 ) / (100-1) = 0.5 Z19 =100-49.5 Z19 = 50.5
[R20] IF usia MUDA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
a-predikat20 = µMuda∩ Normal ∩Besar ∩Berat
=min(µMuda[25],µNormal[120],µBesar[85],µBerat[3100]
= min (0,9; 0,7 ; 0,5; 0,4)
= 0.4 (100-z20 ) / (100-1) = 0.4 Z20 =100-39.6 Z20 = 60.4
[R21] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat21 = µMuda∩ Tinggi ∩Kecil ∩Ringan
=min(µMuda[25],µTinggi[120],µKecil[85],µRingan[3100]
= min (0,9; 0 ; 0,5; 0,6)
= 0 (z21 -1) / (100-1) = 0 Z21 =0+1
Z21 = 1
[R22] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat22 = µMuda∩ Tinggi ∩Kecil ∩Berat
=min(µMuda[25],µTinggi[120],µKecil[85],µBerat[3100]
= min (0,9; 0 ; 0,5; 0,4)
= 0 (z22 -1) / (100-1) = 0 Z22 =0+1
Z22 = 1
[R23] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat24 = µMuda∩ Tinggi ∩Besar ∩Ringan
=min(µMuda[25],µTinggi[120],µBesar[85],µRingan[3100]
= min (0,9; 0 ; 0,5; 0,6)
= 0 (z23 -1) / (100-1) = 0 Z23 =0+1
Z23 = 1
[R24] IF usia MUDA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat24 = µMuda∩ Tinggi ∩Besar ∩Berat
=min(µMuda[25],µTinggi[120],µBesar[85],µBerat[3100]
= min (0,9; 0 ; 0,5; 0,4)
= 0 (z24 -1) / (100-1) = 0 Z24 =0+1
Z24 = 1
[R25] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat25 = µTerlaluTua∩ Rendah ∩Kecil ∩Ringan
=min(µTerlaluTua[25],µRendah[120],µKecil[85],µRingan[3100]
= min (0; 0.3 ; 0,5; 0,6)
= 0
(z25 -1) / (100-1) = 0 Z25 =0+1
Z25 = 1
[R26] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat26 = µTerlaluTua∩ Rendah ∩Kecil ∩Berat
=min(µTerlaluTua[25],µRendah[120],µKecil[85],µBerat[3100]
= min (0; 0.3 ; 0,5; 0,4)
= 0 (z26 -1) / (100-1) = 0 Z26 =0+1
Z26 = 1
[R27] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat27 = µTerlaluTua∩ Rendah ∩Besar ∩Ringan
=min(µTerlaluTua[25],µRendah[120],µBesar[85],µRingan[3100]
= min (0; 0.3 ; 0,5; 0,6)
= 0 (z27 -1) / (100-1) = 0 Z27 =0+1
Z27 = 1
[R28] IF usia TERLALU TUA and Tekanan Darah RENDAH and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat28 = µTerlaluTua∩ Rendah ∩Besar ∩Berat
=min(µTerlaluTua[25],µRendah[120],µBesar[85],µBerat[3100]
= min (0; 0.3 ; 0,5; 0,4)
= 0 (z28 -1) / (100-1) = 0 Z28 =0+1
Z28 = 1
[R29] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat29 = µTerlaluTua∩ Normal ∩Kecil ∩Ringan
=min(µTerlaluTua[25],µNormal[120],µKecil[85],µRingan[3100]
= min (0; 0.7 ; 0,5; 0,6)
= 0 (100-z29) / (100-1) = 0 Z29 =100-0
Z29 = 100
[R30] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat30 = µTerlaluTua∩ Normal ∩Kecil ∩Berat
=min(µTerlaluTua[25],µNormal[120],µKecil[85],µBerat[3100]
= min (0; 0.7 ; 0,5; 0,4)
= 0 (z30 -1) / (100-1) = 0 Z30 =0+1
Z30 = 1
[R31] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan NORMAL
a-predikat31 = µTerlaluTua∩ Normal ∩Besar ∩Ringan
=min(µTerlaluTua[25],µNormal[120],µBesar[85],µRingan[3100]
= min (0; 0.7 ; 0,5; 0,6)
= 0 (100-z31) / (100-1) = 0 Z31 =100-0
Z31 = 100
[R32] IF usia TERLALU TUA and Tekanan Darah NORMAL and Ukuran Panggul BESAR and Berat Janin BERAT THEN Jenis Persalinan NORMAL
a-predikat32 = µTerlaluTua∩ Normal ∩Besar ∩Berat
=min(µTerlaluTua[25],µNormal[120],µBesar[85],µBerat[3100]
= min (0; 0.7 ; 0,5; 0,4)
= 0 (100-z32) / (100-1) = 0 Z32 =100-0
Z32 = 100
[R33] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat33 = µTerlaluTua∩ Tinggi ∩Kecil ∩Ringan
=min(µTerlaluTua[25],µTinggi[120],µKecil[85],µRingan[3100]
= min (0; 0 ; 0,5; 0,6)
= 0 (z33 -1) / (100-1) = 0 Z33 =0+1
Z33 = 1
[R34] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul KECIL and Berat Janin BERAT THEN Jenis Persalinan CAESAR
a-predikat34 = µTerlaluTua∩ Tinggi ∩Kecil ∩Berat
=min(µTerlaluTua[25],µTinggi[120],µKecil[85],µBerat[3100]
= min (0; 0 ; 0,5; 0,4)
= 0 (z34 -1) / (100-1) = 0 Z34 =0+1
Z34 = 1
[R35] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin RINGAN THEN Jenis Persalinan CAESAR
a-predikat35 = µTerlaluTua∩ Tinggi ∩Besar ∩Ringan
=min(µTerlaluTua[25],µTinggi[120],µBesar[85],µRingan[3100]
= min (0; 0 ; 0,5; 0,6)
= 0
(z35 -1) / (100-1) = 0 Z35 =0+1
Z35 = 1
[R36] IF usia TERLALU TUA and Tekanan Darah TINGGI and Ukuran Panggul BESAR and Berat Janin Berat THEN Jenis Persalinan CAESAR
a-predikat36 = µTerlaluTua∩ Tinggi ∩Besar ∩Berat
=min(µTerlaluTua[25],µTinggi[120],µBesar[85],µBerat[3100]
= min (0; 0 ; 0,5; 0,4)
= 0 (z36 -1) / (100-1) = 0 Z36 =0+1
Z36 = 1 4.3.1.4 Defuzzifikasi
=42.16
4.1.4 Perhitungan Pengembangan Fuzzy Tsukamoto Menggunakan Certainty Factor Perhitungan pada certainty factor digunakan untuk data yang tidak bersifat linguistik, adapun indikasi persalinan yang dihitung menggunakan certainty factor adalah indikasi letak bayi sungsang dan apakah ada riwayat caesar.
Tabel 4.3 Derajat Kepercayaan
CF Nilai
Tidak 0
Ya 1
Rule yang digunakan adalah:
IF Letak bayi sungsang AND
Ada riwayat operasi Caesar dari persalinan sebelumnya THEN Jenis Persalinan (0.8)
Dimana factor kepastian dari hipotesis dengan kepastian fakta adalah:
CF (H, E) = CF (H, E1 ∩ E2) = 0.8
Pada soal diatas pasien tidak mengalami letak bayi sungsang dan tidak ada riwayat operasi Caesar, maka:
CF (E1, e) =0 CF (E2, e) =0 Maka:
CF (H, E) = CF (H, E1 ∩ E2) = 0.8 min= [0; 0]
=0
Untuk mentukan jenis persalinan yang akan dilalui hasil akhir fuzzy tsukamoto dan certainty factor akan dijumlahkan. Jika total penjumlahan hasil kedua metode tersebut <50 maka jenis persalinan yang akan dilalui adalah normal dan caesar jika nilai yang didapat 50.
Hasil deffuzzifikasi yang didapat adalah 42.16 dan untuk hasil certainty factor adalah 0, maka: 42.16+0 = 42.16 → Nomal. Maka jenis persalinan yang akan dilalui ibu hamil adalah jenis persalinan normal.
4.2 Pengujian
4.2.1 Tampilan Input Aplikasi
Pada tahap ini akan menguji pencarian manual dan data yang telah ada dengan menggunakan aplikasi berbasis web. Pada tampilan aplikasi user harus mengisi form yang telah disediakan untuk memprediksi jenis persalinan. Berikut adalah hasil perhitungan dengan web:
Gambar 4.6 Tampilan input jenis persalinan 4.2.2 Tampilan output aplikasi
Pada tampilan output aplikasi akan menampilkan hasil prediksi jenis persalinan. Pada tahap ini hasil output aplikasi mendapatkan hasil yang sama dengan hasil pencarian manual.
Gambar 4.7 Tampilan output jenis persalinan
Proses pengujian dilakukan dengan menggunakan aplikasi web. Hasil perhitungan system dengan ujicoba dengan 30 orang yang sudah melakukan persalinan. Hal ini dilakukan agar dapat mengetahui apakah pengembangan fuzzy logic tsukamoto menggunakan certainty factor dapat memprediksi kasus jenis persalinan yang sudah ada. Berikut adalah hasil pengujian yang sudah dilakukan:
Tabel 4.4 Hasil Pengujian
Da ta
Us ia
Tekanan Darah
Ukuran panggul
Berat Bayi
Bayi Sungsan
g
Pernah Operasi
Caesar
Jenis Persalina
n
Ouput web
Hasil Pengemb
angan 1 25 120/90 85
3100
gr Tidak Tidak Normal 42.16
Normal
2 31 110/70 85
3500
gr Tidak Tidak Normal 40.84 Normal
3 39 170/100 80
3800
gr Tidak Ya Caesar 77.61 Caesar
4 33 110/80 84
3000
gr Tidak Tidak Normal 37.13 Normal
5 36 120/80 80
3400
gr Tidak Tidak Normal 49.26 Normal
6 18 130/90 78
2800
gr Tidak Tidak Normal 35.27 Normal
7 25 150/90 80
3800
gr Ya Ya Caesar 146.49
Caesar 8 24 120/70 87
3000
gr Tidak Tidak Normal 41.1 Normal
