Optimasi Derajat Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Penyakit Sapi Potong

• Main Authors: Diva Kurnianingtyas, Wayan Firdaus Mahmudy, Agus Wahyu Widodo
• Format: Article
• Language: Indonesian
• Published: University of Brawijaya 2017-02-01
• Series: Jurnal Teknologi Informasi dan Ilmu Komputer
• Online Access: http://jtiik.ub.ac.id/index.php/jtiik/article/view/294

Sistem inferensi fuzzy bisa digunakan untuk diagnosis penyakit pada sapi potong. Untuk mendapatkan akurasi yang tinggi maka batasan fungsi keanggotaan fuzzy perlu ditentukan secara tepat. Penggunaan metode logika fuzzy untuk memperoleh hasil diagnosis penyakit pada sapi potong sesuai pakar berdasarkan batasan gejala penyakit dan aturan-aturan yang diperoleh dari pakar. Batasan tersebut bisa diperbaiki menggunakan Algoritma Genetika untuk mendapatkan akurasi yang lebih baik. Pengujian yang dilakukan pada 51 data dari beberapa gejala penyakit menghasilkan akurasi sebesar 98,04% dengan menggunakan parameter genetika terbaik antara lain ukuran populasi sebesar 80, ukuran generasi sebesar 15, nilai Crossover rate (Cr) sebesar 0,9, dan nilai Mutation rate (Mr) sebesar 0,06. Akurasi tersebut mengalami peningkatan sebesar 3,54% sesudah dilakukannya optimasi pada metode logika fuzzy. Kata kunci: diagnosis penyakit sapi potong, logika fuzzy, Algoritma Genetika Abstract                 Fuzzy inference systems can be used to diagnose cattle disease. Prior to obtaining the most accurate of limitation, fuzzy membership functions must be defined precisely. Thus, the limits will be optimized along with Genetic Algorithm to get more accurate results. The function of fuzzy logic methods in the diagnosis of disease is relied upon the parametres set by experts. Tests that were performed on 51 data from some of the symptoms of the disease resulted in an accuracy of 98.04% using the best genetic parameters with the population size of 80, the size of the generation of 15, crossover rate value of 0.9, and the value of mutation rate of 0.06. The accuracy has increased by 3.54% compare to results before optimization.  Keywords: cattle disease diagnosis, fuzzy logic, genetic algorithms