Fakultas Ilmu Komputer
Universitas Brawijaya
668
Optimasi Model Himpunan Keanggotaan
Fuzzy
Menggunakan Algoritme
Evolution Strategies
(Pada Data Diagnosis Penyakit Sapi Potong)
Dyan Putri Mahardika1, Wayan Firdaus Mahmudy2, Agus Wahyu Widodo3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dyanputri.dp@gmail.com, 2wayanfm@ub.ac.id, 3a_wahyu_w@ub.ac.id
Abstrak
Semakin meningkatnya jumlah konsumsi harian daging sapi maka diperlukannya pengawasan terhadap ketersediaan daging sapi yang berkualitas baik, yaitu daging sapi yang terbebas dari bibit penyakit. Pada penelitian ini akan dibuat sebuah sistem yang dapat menyelesaikan persoalan bersifat subjektif, tidak jelas dan samar, yaitu diagnosis penyakit pada sapi potong, adanya informasi yang bersifat subjektif mengenai gejala penyakit, maka diagnosis dapat dilakukan menggunakan sistem inferensi fuzzy. Untuk mendapatkan akurasi yang tinggi, maka himpunan keanggotaan fuzzy perlu ditentukan secara tepat. Untuk mendapatkan solusi terbaik atau dalam hal ini merupakan himpunan keanggotaan fuzzy yang tepat dapat dilakukan menggunakan metode Evolution Strategies. Akurasi dari sistem ini didapatkan dengan mencocokan hasil diagnosis sistem dan hasil diagnosis pakar dengan menggunakan 51 data uji menghasilkan tingkat akurasi sebesar 95.49% menggunakan metode fuzzy. Setelah dilakukan optimasi terhadap himpunan keanggotaan fuzzy menggunakan metode ES menghasilkan tingkat akurasi yang lebih baik yaitu 97.45% dengan parameter ES terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50.
Kata Kunci: diagnosispenyakit sapi potong, optimasi, logika fuzzy, evolution strategies
Abstract
The increasing number of daily consumption of beef, it is need to monitoring the availability of good-quality beef, which is free from germs. In this research will be created a system that can be solve the subjective, unclear and vague problem, that is cattle disease diagnose, the existence of subjective information about the symptoms of the disease, then the diagnosis can be done using a fuzzy inference system. To obtaining the high accuracy, the set of fuzzy membership needs to be determined precisely. To get the best solution or in this case is the set of fuzzy membership can be done using Evolution Strategies method. The accuracy of the system is obtained by matching the results of the diagnosis and the diagnosis expert system using 51 generates test data accuracy rate of 95.49% using fuzzy. After optimization of the fuzzy set membership using evolution strategies (ES) produces better accuracy rate is 97.45% with the best parameters obtained ES is the population size of 80, offspring size of 10μ, and the amount of generation by 50.
Keywords: cattlediseasediagnose,optimization, fuzzy logic, evolution strategies
1. PENDAHULUAN
Kebutuhan pangan merupakan kebutuhan pokok bagi kehidupan manusia. Beberapa bahan pangan yang biasa dikonsumsi dapat berasal dari nabati dan hewani. Salah satu kebutuhan hewani yang sering dikonsumsi oleh manusia biasanya berasal dari produk ternak yang dapat memenuhi asupan gizi bagi manusia yaitu daging sapi (Gustiani, 2009). Dengan semakin tingginya
sehat atau tidak terjangkit penyakit. Untuk mencegah sejak dini adanya penyakit yang menyerang sapi dapat dilakukan dengan melihat gejala-gejala yang mungkin timbul akibat penyakit yang menyerang sapi sehingga dapat dilakukan diagnosis penyakit sejak dini. Gejala-gejala yang muncul akan dijadikan sebagai informasi dalam melakukan diagnosis terhadap sapi potong, namun setiap informasi yang diberikan bersifat subjektif atau dalam arti lain dapat berbeda-beda pada masing-masing orang yang memberikan informasi. Adanya ketidakjelasan terhadap suatu informasi gejala yang diberikan menyebabkan diagnosis penyakit akan susah dilakukan.
Logika fuzzy merupakan suatu metode yang dapat digunakan untuk memecahan sebuah persoalan yang bersifat subjektif, tidak jelas dan samar. Sehingga proses diagnosis yang bersifat subjektif dapat menggunakan metode fuzzy. Dengan perkembangan teknologi saat ini dapat memudahkan peternak sapi dalam mendiagnosis penyakit yang diderita oleh sapi, salah satunya sistem pakar yang telah dikembangkan oleh Nisak, Soebroto, dan Furqon (2015) dengan menggunakan metode FIS Tsukamoto. Pada penelitian tersebut melakukan diagnosis penyakit pada sapi potong dengan metode FIS Tsukamoto menggunakan 20 parameter dan 11 jenis penyakit yang di deteksi dengan menghasilkan tingkat akurasi sebesar 92,3%, 55,38%, dan 96,15%.
Logika fuzzy juga sudah banyak digunakan dalam beberapa permasalahan diagnosis penyakit, seperti penelitian yang telah dilakukan
oleh Parewe dan Mahmudy (2016)
menggunakan logika fuzzy untuk mendiagnosis penyakit gigi dengan nilai akurasi yang cukup tinggi yaitu 85%, namun nilai akurasi tersebut masih dapat ditingkatkan lagi dengan melakukan optimasi terhadap fungsi keanggotaan dan rule nya (Parewe, 2016).
Dalam peyelesaian masalah optimasi biasanya digunakan metode metaheuristik yang menerapkan perhitungan kecerdasan buatan. Terdapat beberapa algoritme yang biasa digunakan dalam permasalahan optimasi adalah algoritme evolusi, seperti algoritme Particle Swarm Optimazation(PSO), Algoritme Genetika(AG), dan algoritme Evolution Strategies(ES). Salah satu algoritme yaitu ES merupakan algoritme yang menggunakan vektor bilangan pecahan dalam menyajikan solusi. Algoritme ini lebih menekankan pada operator mutasi. Dalam mengontrol nilai parameter yang
selalu berubah ES menggunakan mekanisme self-adaptation (Mahmudy, 2013). Penelitian sebelumnya oleh Azizah, Cholissodin dan Mahmudy (2015) menggunakan Algoritma Genetika untuk menentukan fungsi keanggotaan pada fuzzy Tsukamoto dalam permasalahan menentukan harga jual rumah, penggunaan Algoritma Genetika pada penelitian tersebut dapat mengurangi adanya nilai eror, nilai eror yang dihasilkan dengan mengoptimasi batasan dari fuzzy Tsukamoto sebesar 0.1369. Penelitian lainnya oleh Zulfa dan Mahmudy (2016) yang menggunakan algoritme Evolution Strategies untuk mengoptimasi batasan dari metode Fuzzy Mamdani dalam menentukan kualitas air sungai dapat meningkatkan akurasi menjadi 98% dari sebelumnya yaitu 93,33% tanpa melakukan optimasi menggunakan algoritme Evolution Strategies.
Pada penelitian ini dilakukan optimasi terhadap himpunan keanggotaan fuzzy pada setiap parameter gejala penyakit pada data diagnosis penyakit sapi potong menggunakan metode Evolution Strategies sehingga dapat menghasilkan tingkat akurasi yang lebih baik.
2. PENYAKIT PADA SAPI POTONG
Tidak
sedikit
yang
melakukan
pemotongan sapi dengan kriteria sapi ternak non produktif untuk bisa mencukupi permintaan pasar akan daging sapi yang bisa menurunkan populasi sapi (Yuliati et. al., 2014). Namun selepas dari itu semua, kesehatan dari sapi potong merupakan hal penting dari keberhasilan usaha peternakan. Terdapat sebuah perumpamaan, mencegah lebih baik daripada mengobati. Artinya, akan muncul tindakan untuk mencegah datangnya penyakit sapi potong dengan melakukan sanitasi, vaksinasi dan pelaksanaan. Cukup banyak penyakit yang menyerang sapi potong seperti Mastitis, Anthrax, Brucellosis, Septicemia Epizootica, Cacingan dan lainnya (Zulfikar,2014). Pada umumnya penyakit yang menyerang hewan adalah penyebab hewan menjadi tidak produktif lagi. Ciri-ciri dari hewan yang sehat adalah bebas dari penyakit yang menular dan tidak menular, tidak mengandung bahan yang bisa merugikan konsumen, dan mampu berproduksi secara maksimal (Zulfikar, 2014).Tapi peternakan bisa mendiagnosis penyakit hewan dengan cepat dan akurat dengan bantuan sebuah sistem(Long, 2014). Daftar penyakit dan gejalanya yang bisa menyerang sapi potong berdasarkan penelitian yang telah dilakukan oleh Nisak (2015) dapat dilihat pada Tabel 1 berikut ini.
Tabel 1. Daftar Penyakit Sapi Potong Beserta Gejalanya
N
o Penyakit Gejala
1 Abses Bengkak Tinggi Demam Sedang dan Tinggi
2 Askariasis
Bulu Kusam Bulu Berdiri Kurus Sedang dan Tinggi Nafsu Makan Berkurang Sedang dan
Tinggi Diare Sedang dan Tinggi Diare Berdarah Sedang dan Tinggi
3 BEF
Demam Tinggi Nafsu Makan Berkurang Sedang
Keluar Ingus Sedang Pincang
4 Bloat
Nafsu Makan Berkurang Sedang dan Tinggi
Diare Sedang Kembung
Sesak Nafas Sedang dan Tinggi
5 Endometritis
Demam Sedang Nafsu Makan Berkurang Sedang
Keluar Lendir Vulva
6 Entritis
Demam Sedang Kurus Sedang dan Tinggi Nafsu Makan Berkurang Sedang
Diare Tinggi
Diare Berdarah Sedang dan Tinggi
7 Mastitis
Demam Tinggi Nafsu Makan Berkurang Sedang
Mamae Keras
8 Omphaliti s
Demam Sedang dan Tinggi Nafsu Makan Berkurang Sedang
Bengkak Sedang dan Tinggi Muncul Belatung
9 Pneumoni a
Demam Tinggi
Nafsu Makan Berkurang Sedang dan Tinggi
Keluar Ingus Tinggi Sesak Nafas Tinggi
10 Retensio
Demam Sedang Nafsu Makan Berkurang Sedang
Plasenta Tertinggal Bau Busuk
11 Scabies
Bulu Rontok
Nafsu Makan Berkurang Sedang dan Tinggi
Gatal-gatal Kulit Kasar
3. LOGIKA FUZZY
Konsep dasar dari logika fuzzy adalah konsep ketidakpastian. Menurut pencetus logika fuzzy dasar dari sebuah himpunan fuzzy adalah himpunan crisp atau himpunan untuk
menggolongkan anggota dari himpunannya memiliki nilai 0 atau 1, nilai 1 berarti nilai tersebut termasuk dalam anggota himpunan dan nilai 0 berarti tidak termasuk dalam anggota himpunan (Djunaidi, 2005). Namun pada himpunan fuzzy nilai keanggotaanya berada antara nilai 0 dan 1 (Fechera et al., 2012).
3.1. Sistem Inferensi Fuzzy
Pada proses inferensi fuzzy terdapat tiga tahapan utama yang harus dilakukan, yaitu (parewe, 2016):
1. Fuzzyfikasi
Proses fuzzyfikasi adalah mengubah data yang memiliki nilai tegas menjadi variable linguistik dengan menggunakan fungsi keanggotaan sehingga dapat dihasilkan derajat keanggotaan yang memiliki nilai linguistik dari masing-masing variable linguistik. Nilai dari derajat keanggotaan inilah yang akan digunakan sebagai input pada proses inferensi sistem sesuai dengan aturan-aturan yang ada.
2. Inferensi
Proses inferensi dilakukan dengan memenuhi atura-aturan pada rule base yang sudah ditetapkan. Pada metode ini fungsi implikasi menggunakan operator AND atau fungsi min dan fungsi ini akan memotong output himpunan fuzzy.
3. Defuzzyfikasi
Proses defuzzyfikasi adalah mengubah nilai fuzzy menjadi nilai crisp dengan menggunakan fungsi keanggotaan (Wicaksono, 2016). Pada metode ini output dari proses defuzzyfikasi didapatkan dari nilai terbesar dari nilai 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 dari beberapa aturan yang memenuhi, dan dapat dilihat pada persamaan (1).
𝑧 = 𝑚𝑎𝑥 (𝛼1∩ 𝛼2,…∩ 𝛼𝑛) (1)
3.2. Siklus Sistem Inferensi Fuzzy
keluaran proses inferensi berupa nilai diskrit atau terdapat lebih dari satu macam objek yang sudah jelas hasil diagnosis penyakitnya, sehingga setiap nilai 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 masing-masing rule dalam satu data uji di pilih nilai yang paling besar untuk menentukan penyakit pada data uji tersebut dari proses inferensi yang dilakukan.
Pembentukan himpunan fuzzy dilakukan untuk setiap gejala penyakit. Pada penelitian sebelumnya yang dilakukan oleh Nisak, Soebroto & Furqon (2015), didapatkan nilai domain dan nilai skor untuk masing-masing gejala yang dibuat oleh knowledge engineer atas persetujuan dari pakar atau dokter hewan, nilai skor yang diberikan oleh pakar berdasarkan atas semesta pembicara yang telah dibuat, dan nilai skor tersebut yang akan dijadikan sebagai nilai inputan dari rule yang terpenuhi. Nilai domain dan nilai skor dapat dilihat pada Tabel 2.
Tabel 2. Nilai Skor dan Domain Gejala
No Gejala Tingkat Nilai Skor Domain
- Nafsu Makan Berkurang Sedang - Kurus Sedang
Dari gejala yang ada dilakukan pencarian rule yang memiliki gejala-gejala yang sama. Kemudian melakukan tahapan pada logika fuzzy sebagai berikut ini.
1. Himpunan Fuzzy (Fuzzyfikasi)
Berdasarkan penelitian yang dilakukan oleh Nisak, Soebroto & Furqon (2015) didapatkan 112 rule, dari 112 rule tersebut terdapat 2 rule dengan gejala-gejala yang memenuhi dengan gejala-gejala pada kasus 1 yaitu rule 78,79, dan 81. Gejala dari ketiga rule yang memenuhi kasus 1 digunakan sebagai variabel input, dan penyakit pada kedua rule tersebut sebagai variabel output. Sedangkan nilai skor yang dijadikan sebagi variabel inputan yang diberikan berdasarkan Tabel 2 yang dijabarkan didapatkan hasil fuzzyfikasi yang dapat dilihat pada Tabel 3.
Tabel 3. Hasil Fuzzyfikasi
Rule Gejala Fuzzyfikasi
78
Kurus Sedang 0.55
Nafsu makan berkurang
Sedang 0.73
Diare berdarah Tinggi 0.14
Demam Sedang 0.3
Diare berdarah Sedang 0.4
Demam Sedang 0.3
Fungsi implikasi yang digunakan pada penelitian kali ini adalah fungsi min (minimum), dengan mencari nilai minimum dari hasil fuzzyfikasi setiap antesendennya. Proses perhitungan implikasi menggunakan persamaan (2), ditunjukkan sebagai berikut:
𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡78= 𝑀𝐼𝑁(𝜇𝑆𝑒𝑑𝑎𝑛𝑔[𝑥6]
Berikut ini merupakan hasil dari proses implikasi yang dapat dilihat pada Tabel 4.
Tabel 4. Hasil Implikasi
RULE GEJALA Fuzzyfikasi Implikasi
(MIN)
78
Kurus Sedang 0.55
0.14 Nafsu makan
berkurang Sedang 0.73 Diare berdarah
berkurang Sedang 0.73 Diare berdarah
berkurang Sedang 0.73 Diare Tinggi 0.2 Demam Sedang 0.3
3. Defuzzyfikasi
Proses defuzzyfikasi yang dilakukan yaitu melakukan proses penentuan keputusan penyakit dengan menarik kesimpulan berdasarkan hasil inferensi aturan yang telah dilakukan merupakan nilai diskrit sehingga dilakukan dengan menentukan nilai terbesar dari derajat keanggotaannya menggunakan persamaan (1) seperti dibawah ini.
𝑍 = 𝑀𝐴𝑋 (𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡1∩ 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡2∩
𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡3, . . . 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡𝑛) Contoh perhitungan defuzzyfikasi dengan menggunakan persamaan (1) seperti pada Tabel 5 dibawah ini.
Tabel 5. Hasil Defuzzyfikasi
Rule Diagnosis
Pakar Fuzzyfikasi
Implikasi menghasilkan diagnosis penyakit enteritis. Untuk hasil perbandingan diagnosis pakar dan diagnosis perhitungan menggunakan fuzzy terdapat pada Tabel 6.
4. ALGORITME EVOLUTION STRATEGIES
Evolution strategis (ES) merupakan sebuah metode heuristic yang menggunakan vektor bilangan pecahan untuk mendapatkan solusi optimal. Pada metode ini lebih menekankan pada pengendalian mutasi bukan pada proses rekombinasi. Notasi yang digunakan pada metode ini adalah 𝜇 (𝑚𝑖𝑢) sebagai ukuran populasi dan 𝜆 (lamda) sebagi jumlah sulusi yang dihasilkan. Ada 4 jenis proses pada metode ini, yaitu :
1. 𝐸𝑆(𝜇, 𝜆)
Proses yang dilakukan adalah proses reproduksi tanpa rekombinasi dan proses seleksinya hanya melibatkan offspring.
2. 𝐸𝑆(𝜇 𝑟, 𝜆)
Proses yang dilakukan adalah proses reproduksi yang menggunakan rekombinasi dan proses seleksi hanya melibatnya offspring.
3. 𝐸𝑆(𝜇 + 𝜆)
Proses yang dilakukan adalah proses reproduksi tanpa rekombinasi dan proses seleksi melibatkan offspring dan induk.
4. 𝐸𝑆 (𝜇 𝑟+ 𝜆)
Berikut ini merupakan diagram alir dari proses algoritme Evolution Strategies yang ditunjukkan pada Gambar 1.
Gambar 1. Diagram Alir Algoritme Evolution Strategies
Pada gambar diagram alir diatas tahapan yang dilakukan dalam algoritme evolution strategies secara umum adalah generate populasi awal, reproduksi, perhitungan nilai fitness, dan seleksi. Dalam permasalahan yang dihadapi, setelah melakukan inputan berupa gejala-gejala yang dialami oleh sapi dan parameter ES, maka sistem akan melakukan generate populasi awal yang merupakan nilai acak dari batasan-batasan setiap gejala. Setelah populasi awal terbentuk dilakukan perhitungan sistem inferensi fuzzy menggunakan nilai batasan-batasan tersebut dan melakukan perulangan untuk proses reproduksi yang akan menghasilkan offspring. Proses reproduksi yang digunakan pada permasalahan kali ini adalah ES(𝜇 + 𝜆), yaitu proses reproduksi yang dilakukan tanpa menggunakan proses
rekombinasi dan dalam proses seleksinya melibatkan induk dan offspring. Hasil dari proses reproduksi akan digunakan untuk menghitung nilai fitness setiap individu yang selanjutnya akan diseleksi dan dipilih individu yang memiliki nilai fitness terbaik.
5. IMPLEMENTASI
Implementasi antarmuka pada sistem optimasi himpunan keanggotaan fuzzy menggunakan algoritme Evolution Strategies adalah berbasis desktop, dengan 4 buah halaman yang tersedia antara lain halaman beranda, halaman aturan, halaman proses, dan halaman hasil.
5.1. Halaman Beranda
Pada halaman beranda menampilkan 51 data uji yang digunakan pada sistem, dan pada halaman ini menampilkan form input dari parameter algoritme Evolution strategies yaitu ukuran populasi, ukuran offspring, dan banyaknya generasi. Hasil implementasi antarmuka halaman beranda ditunjukkan pada Gambar 2.
Gambar 2. Implementasi Halaman Beranda
5.2. Halaman Aturan
Pada halaman aturan menampilkan data aturan atau rule base yang digunakan pada sistem inferensi fuzzy. Hasil implementasi antarmuka halaman aturan ditunjukkan pada Gambar 3.
Gambar 3. Implementasi Halaman Aturan
Mulai
Input data, jumlah generasi , ukuran populasi (µ), Offspring (λ)
Inisialisasi Populasi awal
i++ Seleksi Mutasi
Selesai
For int i=1 to jumlah generasi
Perhitungan Fitness (Sistem inferrensi fuzzy)
5.3. Halaman Proses
Pada halaman proses menampilkan individu pada populasi awal dan individu pada generasi terakhir setelah proses optimasi dilakukan. Hasil implementasi antarmuka halaman proses ditunjukkan pada Gambar 4.
Gambar 4. Implementasi Halaman Proses
5.4. Halaman Hasil
Pada halaman hasil menampilkan hasil batasan dari himpunan keanggotaan fuzzy yang baru setelah dilakukan proses optimasi, selain itu juga menampilkan nilai akurasi sistem sebelum dan sesudah dilakukan optimasi. Hasil implementasi antarmuka halaman hasil ditunjukkan pada Gambar 5.
Gambar 5. Implementasi Halaman Hasil
6. PENGUJIAN
Pengujian yang dilakukan pada algoritme Evolution Strategies ada 3 macam yaitu pengujian ukuran populasi (miu) dan offspring (lambda) yang bertujuan untuk mengetahui pengaruh jumlah ukuran populasi dan lamda yang diberikan untuk inputan, yang ketiga pengujian banyaknya generasi dengan menggunakan ukuran populasi dan lambda terbaik dari pengujian sebelumnya yang bertujuan untuk mengetahui pengaruh banyaknya generasi yang digunakan sebagai inputan.
Berdasarkan pengujian yang telah dilakukan, parameter Evolution Strategies
terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Dari percobaan yang telah dilakukan berhasil mendapatkan himpunan keanggotan fuzzy yang tepat sehingga dapat memberikan diagnosis yang lebih akurat dengan nilai akurasi sebesar 97.45%. Hasil nilai batasan dari himpunan keanggotaan fuzzy terdapat pada Tabel 6 dan hasil perbandingan diagnosis terdapat pada Tabel 7.
7. KESIMPULAN
Penggunaan algoritme Evolution Strategies berhasil digunakan dalam menentukan nilai batasan dari himpunan keanggotaan fuzzy yang dapat memberikan nilai diagnosis yang lebih akurat, hal tersebut dapat ditunjukkan dengan hasil diagnosis yang lebih mendekati dengan diagnosis dari pakar setelah melakukan optimasi terhadap himpunan keanggotaan pada fuzzy.
Dari pengujian yang telah dilakukan sesuai dengan skenario yang telah dibuat sebelumnya, berhasil mendapatkan parameter Evolution Strategies yang tepat dalam memberikan sebuah representasi solusi. Adapun parameter terbaik yang didapatkan yaitu ukuran populasi sebesar 80, ukuran offspring sebesar 10µ, dan banyaknya generasi sebesar 50. Pada percobaan yang telah dilakukan, nilai fitness terbaik yang pernah didapatkan sebesar 97.45%.
Kelayakan/akurasi dari optimasi sistem inferensi fuzzy menghasilkan peningkatan sebesar 1.96%. Pada sistem inferensi fuzzy menghasilkan nilai akurasi sebesar 95.49%, sedangkan setelah dilakukan optimasi
menggunakan Evolution Strategies
DAFTAR PUSTAKA
AZIZAH, E, N., CHOLISSODIN, I., MAHMUDY, W. F. 2015. Optimasi fungsi keanggotaan fuzzy tsukamoto menggunakan algoritma genetika untuk penentuan harga jual rumah. Journal of Environmental Engineering & Sustainable Technology. vol. 2, no. 2, pp. 79-82.
DJUNAIDI, M., SETIAWAN, A. 2005. Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy – Mamdani. Jurusan Teknik Industri. Universitas Muhammadiyah Surakarta.
GUSTIANI, E. 2009. Pengendalian Cemaran Mikroba Pada Bahan Pangan Asal Ternak (Daging dan Susu) Mulai Dari Peternak Sampai DIhidangkan. Balai Pengkajian Teknologi Pertanian. Jawa Barat.
KBBI (Kamus Besar Bahasa Indonesia) ,2017
[Online] Available at :
http://kbbi.web.id/sapi. [Accessed 1 Januari 2017]
KUSUMADEWI, S. & PURNOMO, H. 2013. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu: Yogyakarta.
MAHMUDY, W. F. 2013. Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Malang.
MILLAH, H., MAHMUDY, W. F. 2015. Implementasi Algoritma Evolution Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong, DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.5, no.11. NISAK, A., SOEBROTO, A. A. & FURQON,
M. T. 2015. Sistem Pakar Diagnosis Penyakit Pada Sapi Potong Dengan Metode Fuzzy Inference System Tsukamoto (Studi Kasus Pos Keswan
Kecamatan Nganjuk). DORO:
Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.6, no.5. PAREWE, A. M. A. K., MAHMUDY, W.F.
2016. Dental Diseases Identification Using Fuzzy Inference System. Journal of Enfironmental Engineering & Sustainable Technology. Vol. 03 No. 01, July 2016, Pages 33-41.
S, SIVAGOWRY., M, DURAIRAJ. 2015. An Intelligent System based on Fuzzy Inference System to prophesy the brutality of Cardio Vascular Diseases. ACSIJ Advances in Computer Science: an International Journal, Vol. 4, Issue 6, No. 18, November 2015.
SUHARTO, M. 2004. Dukungan Teknologi Pakan Dalam Usaha Sapi Potong Berbasis Sumberday Lokal. Lokakarya Nasional Sapi Potong 2004. Surakarta. TYAS, R. D. O., SOEBROTO, A.A. &
FURQON, M. T. 2015. Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Fuzzy K-Nearest Neighbour. Journal of Enviromental Engineering and Sustainable Technology, 2, 58-66. WAN. L., BAO, W. 2014. Animal Disease
Diagnoses Expert System Basedon SVM. Department of Computer Science and Engineering, The North University for Ethnics, Yinchuan Ningxia, P. R. China 750021.
WICAKSONO, B., NHITA, F.,
MURDIANSYAH, D.T. 2016.
Optimization of Fuzzy Inference System’s Parameter Using Evolutionary Programming Algorithm for Teacher Certification In Indonesia. Fourth International Conference on Information and Comunication Technologies (IColCT).
YULIATI, I., FANANI, Z., HARTONO, B. 2014. Analisis Proffitabilitas Usaha Penggemukan Sapi Potong (Studi Kasus Di Kelompok Tani Ternak Gunungrejo
Makmur II Desa Gunungrejo
Kecamatan Kedungpring Kabupaten Lamongan).
ZULFA, I, MAHMUDY, WF. 2016. Optimasi
Model Fuzzy Mamdani Dalam
Penentuan Kualitas Air Sungai Dengan Menggunakan Algoritma Evolution Strategies. DORO: Repository Jurnal Mahasiswa PTIIK. Universitas Brawijaya. Vol.7, no.25.
LAMPIRAN
Tabel 6. Hasil Perbandingan Diagnosis
Data
Kasus Diagnosis Pakar Hasil Sistem Inferensi Fuzzy Hasil Sistem Inferensi Fuzzy + ES
1 BEF BEF BEF
2 BEF BEF BEF
3 BEF BEF, Mastitis, Omphalitis, Pneunomia,
Retensio Secundinarium
BEF, Mastitis, Omphalitis, Pneunomia, Retensio Secundinarium
4 Bloat Bloat Bloat
5 Bloat Bloat Bloat
6 Bloat Bloat Bloat
7 Enteritris Enteritris Enteritris
8 Enteritris Enteritris Enteritris
9 Enteritris Enteritris Enteritris
10 BEF BEF BEF
11 Enteritris Enteritris Enteritris
12 Endometritis Endometritis Endometritis
13 Endometritis Endometritis Endometritis
14 Ascariasis Ascariasis Ascariasis
15 Ascariasis Ascariasis Ascariasis
16 Ascariasis Ascariasis Ascariasis
17 Ascariasis Ascariasis Ascariasis
18 Scabies Scabies Scabies
19 Scabies Scabies Scabies
20 Retensio
Secundinarium Retensio Secundinarium Retensio Secundinarium
21 Retensio
Secundinarium Retensio Secundinarium Retensio Secundinarium
22 Pneunomia Pneunomia, Bloat Pneunomia
23 Pneunomia Pneunomia Pneunomia
24 Abses Abses, Omphalitis Abses
25 Mastitis Mastitis Mastitis
26 Omphalitis Omphalitis Omphalitis
27 Abses Abses, Omphalitis Abses, Omphalitis
28 Ascariasis Ascariasis Ascariasis
29 Ascariasis Ascariasis Ascariasis
30 Ascariasis Ascariasis Ascariasis
31 Ascariasis Ascariasis Ascariasis
32 Ascariasis Ascariasis Ascariasis
33 Ascariasis Ascariasis Ascariasis
34 Ascariasis Ascariasis Ascariasis
35 Ascariasis Ascariasis Ascariasis
36 Ascariasis Ascariasis Ascariasis
37 Ascariasis Ascariasis Ascariasis
38 BEF BEF BEF
39 Bloat Bloat Bloat
40 Bloat Bloat Bloat
41 Bloat Bloat Bloat
42 Bloat Bloat Bloat
43 Bloat Bloat Bloat
44 Enteritris Enteritris Enteritris
45 Enteritris Enteritris Enteritris
46 Omphalitis Omphalitis Omphalitis
47 Omphalitis Omphalitis Omphalitis
48 Retensio
Secundinarium Retensio Secundinarium Retensio Secundinarium
49 Scabies Scabies Scabies
50 Scabies Scabies Scabies
Tabel 7. Hasil Batasan Himpunan Keanggotaan Setelah Optimasi
Inisialisasi
Gejala Gejala Batas Bawah Batas Tengah Batas Atas
1 Bengkak
Normal 0 30.415 60.83
Sedang 60.83 62.265 63.7
Tinggi 63.7 81.475 99.25
2 Demam
Normal 0 7.19 14.38
Sedang 14.38 36.72 59.06
Tinggi 59.06 62.905 66.75
3 Diare
Normal 0 3.11 6.22
Sedang 6.22 9.15 12.08
Tinggi 12.08 29.45 46.82
4 Diare berdarah
Normal 0 4.565 9.13
Sedang 9.13 14.325 19.52
Tinggi 19.52 23.18 26.84
5 Keluar ingus
Normal 0 3.07 6.14
Sedang 6.14 16.835 27.53
Tinggi 27.53 53.115 78.7
6 Kurus
Normal 0 7.07 14.14
Sedang 14.14 25.25 36.36
Tinggi 36.36 57.145 77.93
7 Nafsu makan berkurang
Normal 0 1.18 2.36
Sedang 2.36 13.71 25.06
Tinggi 25.06 36.135 47.21
8 Sesak nafas
Normal 0 30.415 60.83
Sedang 60.83 62.265 63.7
Tinggi 63.7 81.475 99.25
9 Berbau Busuk Ya 0 39.155 78.31
10 Bulu berdiri Ya 0 25.85 51.7
11 Bulu kusam Ya 0 18.81 37.62
12 Bulu Rontok Ya 0 2.73 5.46
13 Gatal-gatal Ya 0 20.07 40.14
14 Keluar lendir vulva Ya 0 35.56 71.12
15 Kembung Ya 0 36.395 72.79
16 Kulit kasar Ya 0 47.8 95.6
17 Mamae keras Ya 0 24.875 49.75
18 Muncul belatung Ya 0 39.425 78.85
19 Pincang Ya 0 47.865 95.73