Anda di halaman 1dari 9

Klasifikasi Risiko Hipertensi Menggunakan Menggunakan Fuzzy Tsukamoto

dan Algoritma Genetika


Nindy Akvalentin Kusumaningrum1, Wayan Firdaus Mahmudy2, Imam Cholissodin3
Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Email : 1nakvalentin@gmail.com, 2wayanfm@ub.ac.id, 3imamcs@ub.ac.id
ABSTRAK
Hipertensi merupakan penyakit yang paling banyak menyebabkan kematian di Indonesia. Penyakit ini
bisa menyebabkan efek berkelanjutan pada penyakit yang lebih berbahaya dan meningkatkan risiko kematian.
Data dari Perhimpunan Dokter Hipertensi Indonesia pada tahun 2014 menyimpulkan bahwa 76% kasus hipertensi
tidak terdiagnosis sejak dini. Salah satu penanganan yang diperlukan adalah melakukan langkah-langkah deteksi
dini hipertensi dalam bentuk SKD (Sistem Kewaspadaan Dini) pada kejadian hipertensi. Hasil deteksi dini tersebut
selanjutnya bisa digunakan untuk menyusun langkah-langkah strategis bagi instansi kesehatan untuk menurunkan
jumlah prevalensi hipertensi yang terjadi di Indonesia.
Telah banyak penelitian yang bermunculan untuk memperkirakan risiko penyakit hipertensi dengan
inferensi logika fuzzy, namun masih menghasilkan hasil akhir yang belum optimal. Untuk mengoptimalkan
inferensi fuzzy, salah satu cara yang bisa dilakukan adalah dengan melakukan optimasi terhadap fungsi derajat
keanggotaan. Pada penelitian ini, metode Algoritma Genetika digunakan untuk mengoptimalkan fungsi derajat
keanggotaan, dan pengklasifikasian risiko hipertensi menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto.
Dalam proses algoritma genetika, untuk menghasilkan solusi terbaik atau optimal, terdapat proses reproduksi dan
seleksi untuk setiap kromosom. Dari hasil pengujian, akurasi tertinggi yang dihasilkan pada inferensi untuk lakilaki dan perempuan adalah sebesar 87% dan 93%.
Kata Kunci : Algoritma genetika, Hipertensi, Optimasi fungsi derajat keanggotaan fuzzy, FIS Tsukamoto
ABSTRACT
Hypertension is causing the most morbidity in Indonesia. This disease could trigger sustainable effect on
another dangerous disease and increasing the risk of morbidity. Data from Indonesian Hypertension Docter
Assosiation in 2014 said that 76% of hypertension cases didnt diagnose earlier. One of handling that needs to do
is carry out an act to detecting hypertension earlier in a form of SKD (Early Alertness System) for hypertension
cases. The results then can be used to arrange some strategic steps for health instance to decreasing the number of
hypertensions prevalence which happen in Indonesia.
Theres a lot of researches appear to approximating the risk of hypertension disease using fuzzy inference
system, but its result still not optimum. One of the way to optimize the fuzzy inference is to optimize the degree
of membership function. In this research, Genetic Algorithm used to optimize the degree of membership function,
and the classification using FIS Tsukamoto. To create the best or optimum solution in genetic algorithm, theres
reproduction and selection process for every chromosomes. From the testing result the highest accuration of
inferention from genetic algorithm process for man and woman respectively is 87% and 93%.
Keyword: Genetic Algorithm,
Tsukamoto.

1.
1.1

Hypertension, Optimizing fuzzys degree of membership function, FIS


Indonesia. Lembaga kesehatan telah banyak melakukan
survei ke berbagai daerah untuk mengukur faktor risiko
penyakit tidak menular, salah satunya hipertensi.
Masalah penyakit hipertensi di Indonesia memerlukan
perhatian yang serius karena jumlah kasus yang terus
meningkat dan mempunyai angka kematian yang
tinggi.
Hal
ini
memerlukan
upaya
yang
berkesinambungan dan cepat untuk untuk menangani
masalah ini. Salah satu penanganan yang diperlukan
adalah melakukan langkah-langkah deteksi dini
hipertensi dalam bentuk SKD (Sistem Kewaspadaan
Dini) pada kejadian hipertensi. Hasil deteksi dini
tersebut selanjutnya bisa digunakan untuk menyusun

PENDAHULUAN
Latar Belakang

Hipertensi atau yang biasa disebut dengan


penyakit darah tinggi, merupakan penyakit yang paling
banyak menyebabkan kematian di Indonesia. Penyakit
ini bisa menyebabkan efek berkelanjutan pada penyakit
yang lebih berbahaya dan meningkatkan risiko
kematian. Penyakit tersebut di antaranya stroke,
penyakit jantung, gagal ginjal, sampai kebutaan
(Yogiantoro, 2009).
Hipertensi merupakan salah satu masalah
kesehatan masyarakat yang menjadi prioritas nasional
dalam pengendalian penyakit tidak menular di

langkah-langkah strategis bagi instansi kesehatan untuk


menurunkan jumlah prevalensi hipertensi yang terjadi
di Indonesia.
Penelitian seputar klasifikasi risiko hipertensi
maupun deteksi penyakit hipertensi di bidang teknologi
informasi mulai banyak bermunculan. Salah satu
metode yang banyak dipakai dalam kasus penyakit
hipertensi adalah menggunakan logika fuzzy. Penelitian
Chandra (2014) menggunakan inferensi Fuzzy
Mamdani untuk memperkirakan risiko hipertensi.
Penelitian tersebut menggunakan tekanan darah, umur,
dan BMI sebagai variabel input. Penelitian lain yang
dilakukan oleh Kaur (2014) dkk mencoba untuk
mendesain sistem pakar fuzzy dengan inferensi Fuzzy
Mamdani untuk mendiagnosa hipertensi. Penelitian ini
menggunakan lebih banyak variabel input berupa
umur, BMI, tekanan darah, denyut nadi, diabetes,
aktivitas fisik, dan riwayat genetis. Fungsi keanggotaan
yang dibuat berupa segi tiga dan linier. Aturan yang
dibuat pada penelitian ini berdasarkan dari arahan pakar
untuk meningkatkan akurasi.
Masalah pada inferensi menggunakan logika
fuzzy muncul ketika variabel dan himpunan fuzzy yang
terlibat pada proses inferensi tergolong banyak.
Diperlukan sebuah solusi yang bisa memberikan
batasan-batasan fungsi keanggotaan yang sesuai pada
sesuai pada setiap variabel. Penelitian Bhardwaj (2014)
mencoba untuk menggabungkan logika fuzzy,
algoritma genetika, dan jaringan syaraf tiruan untuk
mengoptimalkan fungsi keanggotaan setiap variabel
pada kasus hipertensi. Batasan fungsi keanggotaan
yang dicari pada penelitian ini di antaranya adalah
tekanan darah, BMI, denyut nadi, kolesterol, glukosa,
urea darah, asam urat, dan kreatinin, dan risiko
hipertensi.
Dari penelitian Bhardwaj (2014), muncul sebuah
ganjalan jika batasan fungsi keanggotaan yang
terbentuk tidak sesuai dengan domain himpunan pada
variabel tersebut atau tidak sesuai dengan konteksnya.
Penelitian Gudwin (2002) dkk mencoba untuk
menggunakan adaptasi konteks pada pembuatan fungsi
keanggotaan variabel fuzzy saat proses algoritma
genetika. Setiap kromosom yang dibentuk pada proses
algoritma disesuaikan dengan konteks yang ingin
dicapai.
Fuzzy Tsukamoto telah banyak digunakan
sebagai algoritma pengklasifikasian yang handal dan
tidak menutup kemungkinan bisa diaplikasikan pada
penelitian ini. Pada penelitian ini algoritma genetika
akan digunakan untuk meningkatkan akurasi untuk
menentukan batasan-batasan fungsi keanggotaan pada
metode Fuzzy Tsukamoto. Algoritma Genetika dipilih
kemampuannya yang baik dalam memecahkan suatu
masalah yang kompleks dan memiliki ruang pencarian
(search space) yang luas (Gen & Cheng dalam
Mahmudy, 2013) jika dibandingkan dengan metode
optimasi lainnya. Penelitian dilakukan dengan
menggunakan variabel yang lebih lengkap berdasarkan
faktor risiko dari penyakit hipertensi. Penelitian ini
nantinya
diharapkan
bisa
membantu
mengklasifikasikan risiko hipertensi sejak dini untuk

selanjutnya dapat menekan angka prevalensi hipertensi


di Indonesia.

1.2

Rumusan Masalah

Berdasarkan permasalahan yang diangkat pada


bagian latar belakang, maka dapat dirumuskan masalah
sebagai berikut:
1. Bagaimana implementasi klasifikasi risiko
hipertensi menggunakan Fuzzy Tsukamoto?
2. Bagaimana menerapkan algoritma genetika
untuk menentukan batasan algoritma Fuzzy
Tsukamoto untuk klasifikasi risiko hipertensi?
3. Bagaimana mengukur akurasi yang dihasilkan
dari pengklasifikasian risiko hipertensi
menggunakan Fuzzy Tsukamoto dan Algoritma
Genetika?

1.3

Batasan Masalah

Dari permasalahan pada uraian latar belakang


masalah, berikut batasan masalah untuk menghindari
melebarnya masalah yang akan diselesaikan:
1. Penyakit hipertensi yang dibahas merupakan
hipertensi esensial atau hipertensi primer, bukan
hipertensi yang disebabkan oleh penyakit lain.
2. Klasifikasi
hipertensi
yang
digunakan
mengikuti aturan internasional JNC 7 (The
Seventh Report of The Joint National Committee
on Prevention, Detection, Evaluation, And
Treatment of High Blood Pressure).
3. Faktor risiko yang menjadi pengukuran adalah
faktor risiko yang berasal dari gaya hidup yang
dijalani. Sehingga faktor risiko yang meliputi
kepribadian, riwayat kesehatan keluarga, dan
mikroalbuminuria diabaikan.
4. Data yang digunakan pada penelitian ini data
sekunder rekapitulasi hasil pemeriksaan faktor
risiko penyakit tidak menular di Kecamatan
Haruai
Kabupaten
Tabalong
Provinsi
Kalimantan Selatan dan Kelurahan Palangka
Kecamatan Jekan Raya Kota Palangkaraya yang
dilakukan oleh BBTKLPP Banjarbaru tahun
2014. Pengklasifikasian risiko hipertensi
sebagai data latih dilakukan oleh Dokter
Spesialis Penyakit Dalam.
5. Bahasa pemrograman yang dipakai pada
penelitian ini adalah bahasa pemrograman C#.

1.4

Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Membangun sebuah perangkat lunak yang dapat
mengklasifikasikan risiko hipertensi secara dini
berdasarkan sejumlah data yang diberikan oleh
user ke perangkat lunak dengan menggunakan
metode Fuzzy Tsukamoto dan Algoritma
Genetika.
2. Menghitung batasan ideal fungsi derajat
keanggotaan
pada
Fuzzy
Tsukamoto
menggunakan algoritma genetika untuk
klasifikasi risiko hipertensi.

defuzzufikasi rata-rata terpusat (Center Average


Defuzzyfier) (Setiadji, 2009).
Sistem inferensi metode fuzzy Tsukamoto
menggunakan rules based atau basis aturan dalam
bentuk sebab-akibat atau if-then. Cara perhitungan
pada metode fuzzy Tsukamoto adalah langkah pertama
membuat suatu aturan fuzzy yang dibentuk mewakili
himpunan fuzzy. Selanjutnya, dihitung derajat
keanggotaan sesuai dengan aturan yang telah dibuat.
Setelah diketahui nilai derajat keanggotaan dari
masing-masing aturan fuzzy, langkah selanjutnya
mencari nilai alpha predikat
dengan cara
menggunakan operasi himpunan fuzzy. Langkah
terakhir adalah proses defuzzifikasi dimana mencari
nilai output berupa nilai crisp (z) dengan menggunakan
metode Center Average Defuzzyfier. Persamaan 1
merupakan persamaan deffuzifikasi.

3. Menghitung akurasi hasil klasifikasi risiko


hipertensi menggunakan metode Fuzzy
Tsukamoto dan Algoritma genetika.

1.5
1.
2.
3.
4.

2.
2.1

Manfaat Penelitian
Manfaat yang ingin diperoleh dari penelitian ini
adalah:
Mempermudah deteksi dini risiko hipertensi
berdasarkan pola hidup masyarakat oleh petugas
kesehatan.
Membantu
petugas
kesehatan
untuk
mengklasifikasikan
risiko
penyakit
kardiovaskular, khususnya hipertensi.
Memudahkan dan mempercepat dalam
pengolahan data prevalensi hipertensi.
Membantu instansi kesehatan dalam rangka
surveillance penyakit tidak menular khususnya
hipertensi.

TINJAUAN PUSTAKA
Hipertensi

(1)

Hipertensi juga bisa disertai dengan penyakit


lain dan komplikasi yang bisa meningkatkan
morbiditas dan mortalitas. Hipertensi yang tidak
diketahui penyebab penyakitnya didefinisikan sebagai
hipertensi esensial atau hipertensi primer. Sedangkan
hipertensi sekunder penyebab kemunculannya jelas
diketahui. Menurut JNC 7, hipertensi diklasifikasikan
ke dalam 4 golongan, yaitu normal, pra hipertensi,
hipertensi derajat 1, dan hipertensi derajat 2. Faktor
risiko pada penyakit hipertensi di antaranya:
Kebiasaan merokok.
Obesitas yang ditentukan dari BMI (Body Mass
Index)
Kurangnya aktifitas fisik seperti olahraga setiap hari.
Riwayat penyakit diabetes mellitus dan penyakit
ginjal.
Umur dan jenis kelamin. Laki-laki dengan umur > 55
tahun dan perempuan dengan umur > 65 tahun
memiliki kemungkinan yang besar untuk terkena
penyakit hipertensi.
Riwayat keluarga dengan penyakit jantung
kardiovaskular prematur pada laki-laki berumur < 55
tahun dan perempuan berumur < 65 tahun.
Genetis.
Diet dan asupan garam.

2.2

_ p z
_ p

Keterangan :
Z = defuzzifikasi rata-rata terpusat (Center Average
Defuzzyfier)
_ p = nilai alpha predikat (nilai minimal dari
derajat keanggotaan)
zi = nilai crisp yang didapat dari hasil inferensi
i = jumlah aturan fuzzy

2.3

Algoritma Genetika

Algoritma genetika merupakan salah satu tipe


algoritma evolusi yang populer dan banyak diterapkan
pada masalah-masalah kompleks pada berbagai bidang.
Algoritma genetika menyimulasikan proses yang
terjadi pada populasi alamiah yang merupakan hal
penting dalam evolusi (Michalewicz, 1999). Algoritma
genetika bekerja dengan sebuah populasi yang terdiri
dari
individu-individu
yang
masing-masing
merepresentasikan sebuah solusi yang mungkin bagi
persoalan yang ada. Dalam kaitan ini individu
dilambangkan dengan sebuah nilai kebugaran (fitness)
yang akan digunakan untuk mencari solusi terbaik dari
persoalan yang ada (Kuswadi, 2007).
Pertahanan yang tinggi dari individu
memberikan kesempatan untuk melakukan reproduksi
melalui perkawinan silang dengan individu lain dalam
populasi dan akan menghasilkan keturunan (offspring).
Individu dalam populasi yang tidak terseleksi akan mati
dengan sendirinya. Beberapa generasi dengan karakter
yang baik akan bermunculan dalam populasi tersebut
untuk kemudian dicampur dan ditukar dengan karakter
dari individu lain. Dengan mengawinkan semakin
banyak individu makan akan semakin banyak
kemungkinan terbaik yang bisa didapatkan (Kuswadi,
2007).

Sistem Inferensi Fuzzy Tsukamoto

Inferensi adalah proses penggabungan banyak


aturan berdasarkan data yang tersedia. Komponen yang
melakukan inferensi dalam sistem pakar disebut
dengan sistem inferensi. Pada Inferensi Fuzzy
Tsukamoto,
setiap
aturan
direpresentasikan
menggunakan himpunan-himpunan fuzzy, dengan
fungsi keanggotaan yang monoton. Nilai output crisp
(Z) dicari dengan mengubah input (berupa himpunan
fuzzy yang diperoleh dari komposisi aturan-aturan
fuzzy) menjadi suatu bilangan pada domain himpunan
fuzzy tersebut. Cara ini disebut dengan metode
defuzzifikasi. Metode defuzzifikasi yang digunakan
dalam Inferensi Fuzzy Tsukamoto adalah metode

1.

Representasi Kromosom
Representasi kromosom yang digunakan adalah
representasi bilangan bulat yang mewakili batasanbatasan pada fungsi keanggotaan masing-masing

variabel fuzzy. Batasan fungsi keanggotaan diperlukan


untuk variabel umur, tekanan darah, lingkar perut,
BMI, dan risiko hipertensi. Kromosom awal
dibangkitkan secara random sebanyak jumlah populasi
yang ditentukan dan bilangan random tersebut
memiliki rentang nilai sesuai dengan masing-masing
kriteria variabel input yaitu, variabel umur, lingkar
perut, BMI, dan variabel output risiko hipertensi.
Panjang kromosom yang diperlukan untuk
mewakili setiap batasan fungsi keanggotaan pada
penelitian ini adalah sepanjang 10 string untuk
mewakili 4 buah variabel. 2 buah string untuk mewakili
batasan fungsi keanggotaan variabel umur, 2 buah
string untuk mewakili fungsi keanggotaan variabel
lingkar perut, 2 buah string untuk mewakili fungsi
keanggotaan variabel BMI, dan 4 buah string untuk
mewakili batasan fungsi keanggotaan variabel risiko
hipertensi.

P1

50

70

60

80

15

20

20

40

50

75

P3

50

60

40

60

20

25

30

50

70

90

C1

50

70

60

80

20

25

30

50

70

90

4.

Mutasi
Mutasi dilakukan dengan memilih sebuah induk
(parent) secara acak dari populasi untuk menghasilkan
satu keturunan (offspring). Metode mutasi yang dipakai
adalah metode Random Mutation. Metode ini memilih
sebuah posisi secara random titik dengan merandom
nilai gen yang terpilih pada suatu string kromosom.
Jumlah offspring yang dihasilkan untuk proses mutasi
adalah offspring =mr * pop_size

Tabel 2. Ilustrasi Proses Mutasi

Gambar 2 Representasi Kromosom

2.

Perhitungan Nilai Fitness


Nilai fitness dapat dihitung dengan mengukur
persentase akurasi yang dihasilkan melalui
penghitungan inferensi Fuzzy Tsukamoto terhadap data
latih. Data yang tersimpan sebagai data uji
diklasifikasikan dengan menggunakan batasan fungsi
keanggotaan yang terbentuk dari proses algoritma
genetika. Hasil klasifikasi risiko hipertensi tersebut
akan dibandingkan dengan klasifikasi risiko hipertensi
dari ahli. Data hasil klasifikasi yang mengalami
kecocokan akan dipersentasekan. Nilai persentase
tersebut nantinya akan menjadi nilai fitness dari tiap
kromosom yang terbentuk. Persamaan 2 merupakan
rumusan untuk menghitung nilai fitness pada penelitian
ini.
=

100

P3

50

60

40

60

20

25

30

50

70

90

C3

30

60

40

60

20

25

30

50

70

90

METODOLOGI PENELITIAN

Penelitian mengenai optimasi fungsi derajat


keanggotaan Fuzzy Tsukamoto dengan menggunakan
metode algoritma genetika dalam klasifikasi risiko
hipertensi, memiliki beberapa tahapan yang
ditunjukkan pada Gambar 2.

Tabel 1. Ilustrasi Proses Crossover


Cut point:

3.

(2)

Crossover
Proses crossover yang digunakan dalam penelitian
ini adalah one-cut-point crossover. Dalam metode onecut-point crossover dilakukan dengan memilih titik
potong pada kromosom kemudian menukarkan nilai
gen parent satu dengan parent lainnya (Mahmudy,
2013). Jumlah offspring yang dihasilkan untuk proses
crossover adalah offspring = cr x pop_size. Dimana cr
adalah crossover rate dan popSize adalah ukuran
populasi.

1,3

Random point:

5. Seleksi
Seleksi dilakukan untuk menyaring semua individu
hasil proses algoritma genetika untuk proses evolusi
selanjutnya. Proses seleksi menggunakan metode
binary tournament selection. Dua buah individu
diambil secara acak dari penampungan populasi dan
offspring. Individu yang memiliki nilai fitness lebih
besar akan lolos dan masuk ke populasi berikutnya.
Langkah ini diulangi sampai jumlah pop_size
terpenuhi. (Mahmudy, 2013).

3.

Parent index:

Parent index:

Studi Literatur

Analisa dan Perancangan


Perangkat Lunak

Pembuatan Perangkat
Lunak

Pengujian Perangkat
Lunak

Evaluasi Hasil Pengujian

Gambar 2 Alur Metodologi Penelitian

3.1

Data Penelitian

Data yang diolah pada penelitian ini adalah data


sekunder rekapitulasi hasil pemeriksaan faktor risiko
penyakit tidak menular di Kecamatan Haruai
Kabupaten Tabalong Provinsi Kalimantan Selatan dan
Kelurahan Palangka Kecamatan Jekan Raya Kota
Palangkaraya yang dilakukan oleh BBTKLPP
Banjarbaru tahun 2014. Variabel input yang diproses
meliputi umur, jenis kelamin, tekanan darah sistol,
tekanan darah diastol, tinggi badan, berat badan,
kebiasaan merokok, kebiasaan makan berlemak,
konsumsi gula harian, konsumsi garam harian,
kebiasaan olahraga rutin, dan konsumsi kafein harian.
Pengklasifikasian risiko hipertensi sebagai data latih
dilakukan oleh Dokter Spesialis Penyakit Dalam.

3.2

Gambar 3 Perancangan Algoritma Genetika

Perancangan Sistem

Pada penelitian ini, dilakukan optimasi fungsi


keanggotaan dengan model Fuzzy Tsukamoto untuk
mengklasifikasikan risiko hipertensi. Algoritma
genetika akan membentuk batas-batas dari fungsi
derajat keanggotaan inferensi Fuzzy Tsukamoto
sehingga hasil akhir dari pengklasifikasian risiko
hipertensi akan lebih akurat. Perancangan sistem untuk
permasalahan optimasi fungsi derajat keanggotaan
dengan
inferensi
Fuzzy
Tsukamoto
untuk
pengklasifikasian risiko hipertensi ditunjukkan pada
Gambar 3.

4.

IMPLEMENTASI

Implementasi pada penelitian ini menggunakan


bahasa pemrograman C# dan berbasis desktop.
Antarmuka sistem optimasi ini digunakan oleh
pengguna untuk melakukan optimasi batasan fungsi
keanggotaan ke dalam sistem. Pengguna hanya
memasukkan nilai parameter algoritma genetika untuk
mendapatkan hasil optimasi. Dalam implementasi
antarmuka terdapat 2 tab utama yang dapat diakses oleh
pengguna, antara lain menu Algoritma Genetika dan
FIS Tsukamoto.
Halaman
menu
Algoritma
Genetika
menampilkan form input untuk parameter algoritma
genetika, yaitu jumlah generasi, populasi awal,
crossover rate, dan mutation rate. Pengguna
memasukkan masing-masing nilai dari parameter untuk
mendapatkan hasil optimasi batasan fungsi
keanggotaan Fuzzy Tsukamoto. Tampilan halaman
menu Algoritma Genetika ditampilkan pada Gambar 4.

a.

Laki-Laki

Fitness

Uji Coba Generasi untuk Laki-laki


85
84
83
82
81
80

82,482,2
82,181,881,8
81,882,1
81,581,8
80,9

200

400

600

800

1000

Generasi
Gambar 6 Hasil Uji Coba Generasi untuk Laki-laki
Dari grafik Gambar 6 dapat dilihat bahwa
jumlah generasi berpengaruh terhadap algoritma
genetika yang terlihat pada nilai fitness yang
dihasilkan. Nilai fitness terendah terdapat pada generasi
100. Hal ini terjadi karena area pencarian algortima
genetika yang masih sempit (Mahmudy, 2013)
sehingga menyebabkan proses algoritma genetika
untuk mencari solusi terbaik belum optimal. Proses
algoritma genetika mencapai fitness puncak pada
generasi ke 700. Kenaikan dan penurunan kecil yang
terjadi pada generasi tertentu disebabkan oleh hasil
pencarian algoritma genetika yang menghasilkan data
berbeda-beda yang tidak bisa diprediksi.

Gambar 4 Antarmuka menu Algoritma Genetika


Menu FIS Tsukamoto menampilkan hasil
perhitungan FIS Tsukamoto dengan menggunakan
hasil optimasi batasan-batasan fungsi keanggotaan.
Setelah dilakukan perhitungan FIS Tsukamoto dengan
hasil optimasi batasan-batasan fungsi keanggotaan,
pada perangkat lunak ditampilkan proses penghitungan
inferensi Fuzzy Tsukamoto untuk data yang telah
dimasukkan. Tampilan menu FIS Tsukamoto
ditunjukkan pada Gambar 5.

Jumlah generasi yang banyak mempengaruhi waktu


komputasi yang terjadi pada perangkat lunak, semakin
besar jumlah generasi yang ditetapkan, semakin besar
pula waktu komputasi yang dibutuhkan. Dari Gambar
6 di atas, maka dapat disimpulkan bahwa jumlah
generasi sebanyak 700 adalah solusi yang optimal
karena dapat menghasilkan nilai fitness dengan ratarata yang paling tinggi sebanyak 82,4 Jumlah generasi
yang lebih tinggi daripada 700 sulit untuk mendapatkan
nilai fitness yang lebih baik daripada 700. Kondisi ini
disebut dengan konvergensi, di mana semua kromosom
memiliki nilai yang berdekatan sehingga kromosom
yang lebih baik tidak bisa didapatkan (Mahmudy,
2013).

Gambar 5 Antarmuka menu FIS Tsukamoto

5.
5.1

PENGUJIAN DAN ANALISIS


Hasil dan Analisis Pengujian Banyaknya
Generasi

b.

Skenario pengujian pertama akan dilakukan


pengujian terhadap ukuran populasi. Pengujian ukuran
populasi ini bertujuan mengetahui ukuran populasi
yang tepat untuk menghasilkan nilai fitness terbaik.
Pada saat melakukan pengujian ukuran populasi,
digunakan populasi sebanyak 50 individu dan nilai
crossover rate-mutation rate sebesar 0.5 dan 0.5.
Pengujian dilakukan sebanyak 10 kali pada masingmasing ukuran populasi kemudian dihitung rata-rata
nilai fitness-nya.

Perempuan

Fitness

Uji Coba Generasi untuk Perempuan


95
94
93
92
91
90

92,692,492,692,292,692,492,892,692,492,2

200

400

600

800

1000

Generasi
Gambar 7 Hasil Uji Coba Generasi untuk Perempuan
Dari grafik Gambar 7 dapat dilihat bahwa
jumlah generasi berpengaruh terhadap algoritma

dan nilai mr = 0,8. Jika dilihat lebih lanjut, nilai mr


yang semakin besar berpengaruh terhadap hasil fitness.
Sedangkan nilai cr yang semakin kecil tidak
berpengaruh negatif secara signifikan terhadap hasil
fitness. Hal ini menunjukkan bahwa pembangkitan nilai
batasan fungsi keanggotaan pada inferensi Fuzzy
Tsukamoto memerlukan banyak proses mutasi untuk
menemukan solusi yang optimal. Namun, nilai cr yang
terlalu sedikit akan menyebabkan hasil keturunan yang
tidak memiliki kemiripan dengan induknya (Mahmudy,
2013). Terlihat pada saat cr bernilai 0,1 dan 0 hasil
fitness mengalami penurunan daripada kombinasi cr =
0,2 dan mr = 0,8 . Dari Gambar 8 di atas, maka dapat
disimpulkan bahwa kombinasi nilai cr = 0,4 dan nilai
mr = 0,6 adalah solusi parameter yang optimal pada
penelitian ini.

genetika yang terlihat pada nilai fitness yang


dihasilkan. Nilai fitness terendah terdapat pada generasi
200 dan 1000 rata-rata fitness sebesar 92,2. Proses
algoritma genetika mencapai fitness puncak pada
generasi ke 700 dengan rata-rata fitness sebesar 92,8.
Kenaikan dan penurunan kecil yang terjadi pada
generasi tertentu disebabkan oleh hasil pencarian
algoritma genetika yang menghasilkan data berbedabeda yang tidak bisa diprediksi.
Jumlah generasi yang banyak mempengaruhi waktu
komputasi yang terjadi pada perangkat lunak, semakin
besar jumlah generasi yang ditetapkan, semakin besar
pula waktu komputasi yang dibutuhkan. Dari Gambar
5.2 di atas, maka dapat disimpulkan bahwa jumlah
generasi sebanyak 700 adalah solusi yang optimal
karena dapat menghasilkan nilai fitness dengan ratarata yang paling tinggi sebanyak 92,8. Jumlah generasi
yang lebih tinggi daripada 700 sulit untuk mendapatkan
nilai fitness yang lebih baik. Kondisi ini disebut dengan
konvergensi, di mana semua kromosom memiliki nilai
yang berdekatan sehingga kromosom yang lebih baik
tidak bisa didapatkan (Mahmudy, 2013).

0/1

0,1/0,9

0,2/0,8

0,3/0,7

0,4/0,6

0,5/0,5

0,6/0,4

0,7/0,3

82,883,182,482,9
85
81,882,482,1
83
80,681,2
79,7
81 78,5
79
77
75

0,8/0,2

0/1

0,1/0,9

0,2/0,8

0,3/0,7

0,4/0,6

0,5/0,5

0,6/0,4

Gambar 9 Hasil Uji Coba Kombinasi cr dan mr untuk


Perempuan
Dari grafik Gambar 9 dapat dilihat bahwa
kombinasi cr dan mr berpengaruh terhadap algoritma
genetika yang terlihat pada rata-rata nilai fitness yang
dihasilkan. Rata-rata nilai fitness terendah terdapat
pada nilai cr = 1 dan nilai mr = 0. Proses algoritma
genetika mencapai fitness puncak pada nilai cr = 0,4
dan nilai mr = 0,6. Jika dilihat lebih lanjut, nilai mr
yang semakin besar berpengaruh terhadap hasil fitness.
Sedangkan nilai cr yang semakin kecil tidak
berpengaruh negatif secara signifikan terhadap hasil
fitness. Hal ini menunjukkan bahwa pembangkitan nilai
batasan fungsi keanggotaan pada inferensi Fuzzy
Tsukamoto memerlukan proses mutasi untuk
menemukan solusi yang optimal. Namun, nilai cr yang
terlalu sedikit akan menyebabkan hasil keturunan yang
tidak memiliki kemiripan dengan induknya (Mahmudy,
2013). Terlihat pada saat cr bernilai kurang dari 0,4 dan
mr lebih dari 0,6 hasil fitness mengalami penurunan
daripada kombinasi cr = 0,4 dan mr = 0,6 . Dari
Gambar 9 di atas, maka dapat disimpulkan bahwa
kombinasi nilai cr = 0,4 dan nilai mr = 0,6 adalah solusi
parameter yang optimal pada penelitian ini.

Uji Coba Kombinasi Cr dan Mr untuk


Laki-laki

0,9/0,1

0,7/0,3

Cr/Mr

Laki-laki

1/0

0,8/0,2

Skenario pengujian kedua merupakan pengujian


terhadap nilai crossover rate (cr) dan mutation rate
(mr). Pengujian ini bertujuan untuk mendapatkan nilai
cr dan mr yang tepat sehingga pada proses algoritma
genetika menghasilkan hasil akhir yang optimal. Pada
saat melakukan pengujian kombinasi cr dan mr,
digunakan populasi sebanyak 50 dan generasi sebanyak
700. Pengujian dilakukan sebanyak 10 kali pada
masing-masing ukuran populasi kemudian dihitung
rata-rata nilai fitness-nya.

Fitness

95
92 92,292,692,292,692,892,692,492,492,4
93 90,6
91
89
87
85

0,9/0,1

Fitness

Uji Coba Kombinasi Cr dan Mr untuk


Perempuan

Hasil dan Analisis Pengujian Kombinasi


Crossover Rate dan Mutation Rate

a.

Perempuan

1/0

5.2

b.

Cr/Mr
Gambar 8 Hasil Uji Coba Kombinasi cr dan mr untuk
Laki-laki
Dari grafik Gambar 8 dapat dilihat bahwa
kombinasi cr dan mr berpengaruh terhadap algoritma
genetika yang terlihat pada rata-rata nilai fitness yang
dihasilkan. Rata-rata nilai fitness terendah terdapat
pada nilai cr = 1 dan nilai mr = 0. Proses algoritma
genetika mencapai fitness puncak pada nilai cr = 0,2

5.3

Hasil dan Analisis Pengujian Jumlah


Populasi

Skenario pengujian kedua merupakan pengujian


terhadap jumlah populasi. Pengujian ini bertujuan
untuk mengetahui berapa banyak jumlah populasi yang

Dari grafik Gambar 5.6 dapat dilihat bahwa


ukuran populasi berpengaruh terhadap algoritma
genetika yang terlihat pada nilai fitness yang
dihasilkan. Proses algoritma genetika mencapai fitness
puncak pada ukuran populasi 100 dan 250. Nilai fitness
terendah terdapat pada ukuran populasi 200 karena
ruang pencarian solusi individu dengan nilai fitness
yang tinggi tidak terpilih pada proses seleksi. Namun,
ukuran populasi yang terlalu besar akan membuat
waktu pemrosesan semakin panjang. Penurunan dan
peningkatan yang tidak terlalu signifikan terjadi karena
algoritma genetika menghasilkan hasil pencarian
dengan hasil yang berbeda-beda dan tidak bisa
diprediksikan. Dari Gambar 5.6 di atas, maka dapat
disimpulkan bahwa jumlah populasi sebanyak 100
adalah solusi yang optimal karena dapat menghasilkan
nilai fitness yang paling tinggi dengan rata-rata
sebanyak 93 dan merupakan jumlah populasi yang
lebih kecil daripada populasi sebanyak 250.

menghasilkan solusi optimal. Jumlah generasi yang


dipakai adalah 700 dengan banyak populasi kelipatan
50 dari 50 sampai 500 populasi. Nilai crossover rate
dan mutation rate yang digunakan adalah kombinasi cr
dan mr yang terbaik dari uji coba sebelumnya. Pada
skenario pengujian jumlah generasi akan dilakukan
pengujian terhadap jumlah generasi yang dilakukan
pada proses algoritma genetika sendiri.
a. Laki-laki

Fitness

Uji Coba Ukuran Populasi untuk Lakilaki


90
88
86
84
82
80

85,9
84,2
83,984,284,2
83,1
82,8

83,1
82,182,5

100

200

300

400

500

Ukuran Populasi

6.
6.1

Gambar 10 Hasil Uji Coba Ukuran Populasi untuk


Laki-laki
Dari grafik Gambar 10 dapat dilihat bahwa
ukuran populasi berpengaruh terhadap algoritma
genetika yang terlihat pada nilai fitness yang
dihasilkan. Nilai fitness terendah terdapat pada ukuran
populasi 100 karena ruang pencarian solusi masih
terbilang sempit. Namun, ukuran populasi yang terlalu
besar akan membuat waktu pemrosesan semakin
panjang. Proses algoritma genetika mencapai fitness
puncak pada ukuran populasi 200. Dari Gambar 10 di
atas, maka dapat disimpulkan bahwa jumlah populasi
sebanyak 200 adalah solusi yang optimal karena dapat
menghasilkan nilai fitness yang paling tinggi dengan
rata-rata sebanyak 85,9. Hal ini juga membuktikan
bahwa pembangkitan batasan fungsi derajat
keanggotaan untuk inferensi Fuzzy Tsukamoto
memerlukan ruang pencarian yang luas.
b.

Kesimpulan yang didapatkan dari hasil uji coba


yang telah dilakukan dalam penelitian skripsi ini
adalah sebagai berikut:
1.

2.

Perempuan

Fitness

Uji Coba Ukuran Populasi untuk


Perempuan
95
93
91
89
87
85

92,8 93 92,892,6 93 92,892,692,892,692,8

3.
0

100

200

300

400

PENUTUP
Kesimpulan

500

Ukuran Populasi
Gambar 11 Hasil Uji Coba Ukuran Populasi untuk
Perempuan

Representasi
kromosom
dengan
cara
menggunakan bilangan real dengan proses
reproduksi one cut point crossover dan random
mutation yang digunakan pada penelitian ini
mampu menyelesaikan permasalahan optimasi
dalam pembentukan batasan fungsi derajat
keanggotaan dalam masalah klasifikasi risiko
hipertensi menggunakan Fuzzy Tsukamoto.
Algoritma genetika mampu membangkitkan
nilai-nilai batasan untuk variabel-variabel input
dan variabel output yang digunakan pada proses
inferensi guna mendapatkan nilai akurasi yang
tinggi.
Dari hasil pengujian yang dilakukan, dapat
disimpulkan bahwa nilai parameter algoritma
genetika sangat berpengaruh pada keberhasilan
algoritma genetika untuk menemukan solusi
yang optimal dalam membangkitkan nilai
batasan fungsi derajat keanggotaan. Ukuran
pencarian yang kecil menyebabkan area
pencarian algoritma yang kecil sehingga
eksplorasi yang dilakukan menjadi tidak
maksimal. Sedangkan nilai parameter yang
besar menyebabkan area pencarian yang terlalu
luas dan memerlukan lebih banyak waktu
komputasi.
Untuk data laki-laki, hasil uji coba banyaknya
generasi menghasilkan nilai 700 sebagai banyak
generasi yang optimal. Hasil uji coba kombinasi
cr dan mr menghasilkan kombinasi nilai cr =
0,2 dan nilai mr = 0,8 sebagai solusi yang
optimal. Sementara ukuran populasi yang paling
optimal adalah 200. Percobaan di atas
menghasilkan fitness tertinggi sebesar 87.

4.

5.

6.2

3. Chandra, Vishal, & Singh, Pinki. 2014. Fuzzy

Untuk data perempuan, hasil uji coba


banyaknya generasi menghasilkan nilai 700
sebagai banyak generasi yang optimal. Hasil uji
coba kombinasi cr dan mr menghasilkan
kombinasi nilai cr = 0,4 dan nilai mr = 0,4
sebagai solusi yang optimal. Sementara ukuran
populasi yang paling optimal adalah 100.
Percobaan di atas menghasilkan fitness tertinggi
sebesar 93.
Dengan menggunakan parameter terbaik pada
algoritma genetika dalam penyelesaian
permasalahan klasifikasi risiko hipertensi
menggunakan Fuzzy Tsukamoto pada penelitian
ini, didapatkan nilai akurasi rata-rata maksimal
sebesar 85,9% untuk data Laki-laki dan 93%
untuk data Perempuan.

4.

5.
6.

Saran

Saran yang didapatkan untuk penelitian


selanjutnya setelah menyelesaikan penelitian adalah
sebagai berikut:
1. Perbaikan solusi untuk menentukan parameter
inferensi Fuzzy Tsukamoto bisa dilakukan
dengan membangkitkan aturan fuzzy dengan
menggunakan algoritma genetika atau Fuzzy
Genetic System karena salah satu letak kekuatan
pada inferensi Fuzzy Tsukamoto terletak pada
aturan yang digunakan (Jang, 1997).
2. Cara lain yang bisa dilakukan untuk penelitian
selanjutnya adalah dengan menggunakan
hibridisasi algoritma genetika dengan algoritma
lain seperti jaringan syaraf tiruan.
3. Untuk mendapatkan hasil fungsi keanggotaan
yang lebih spesifik, bisa ditambahkan lebih
banyak data aktual risiko hipertensi sebagai data
uji.
4. Hasil algoritma genetika yang lebih bervariasi
bisa didapatkan dengan melakukan percobaan
dengan menggunakan metode crossover,
mutasi, dan seleksi yang lainnya.

7.

7.
8.

9.
10.
11.
12.

13.
14.

DAFTAR PUSTAKA
1. Bastian, A., Hayashi, I. 1995. An Anticipating
Hybrid Genetic Algorithm for Fuzzy Modeling.
J. of Japan Society for Fuzzy Theory and
Systems, Vol.10, pp. 801810.
2. Bhardwaj, Abishek, & Kaur, Arpneek. 2014.
Genetic Neuro Fuzzy System for Hypertension
Diagnosis. (IJCSIT) International Journal of
Computer
Science
and
Information
Technologies, Vol. 5 (4) , 2014, 4986-4989.

15.
16.

Based High Blood Pressure Diagnosis.


International Journal of Advanced Research in
Computer Science & Technology (IJARCST
2014). Vol 2, Issue 2, Ver. 1.
Gudwin, Ricardo, & Gomide, Fernando. 2002.
Context Adaptation in Fuzzy Processing and
Genetic Algorithms. Univercity of campinas,
Faculty
of
Electrical
and
Computer
Engineering. Brasil.
Jang, J.-S.R., Sun, C.-T., & Mizutani, E. 1997.
Neural Fuzzy and Soft Computing. Prentice
Hall. London.
Kaur, Rupinder & kaur, Amrit. 2014.
Hypertension Diagnosis Using Fuzzy Expert
System. International Journal of Engineering
Research and Applications (IJERA) ISSN:
2248-9622 National Conference on Advances in
Engineering and Technology (AET- 29th March
2014).
Klir, George J, & Yuan, Bo. 1995. Fuzzy Sets
and Fuzzy Logic: Theory and Applications.
Prentice Hall. London
Kusumadewi, S., & Purnomo, H. 2004. Aplikasi
Logika Fuzzy Untuk Sistem Pendukung
Keputusan (Edisi Pertama ed). Graha Ilmu.
Yogyakarta.
Kuswadi, Son. 2007. Kendali Cerdas: Teori dan
Aplikasinya. Penerbit Andi. Yogyakarta.
Lee, K. H. 2005. First Course on Fuzzy Theory
and Application. Springer. Berlin.
Mahmudy, Wayan Firdaus. 2013. Algoritma
Evolusi. Universitas Brawijaya. Malang.
Michalewicz, Zbigniew. 1999. Genetic
Algorithms + Data Structures = Evolution
Programs (3rd rev, and extended ed). Springer.
Berlin.
Negnevitsky, Michael. 2002. Artificial
Intelligence: A Guide to Intelligent Systems (2nd
ed). Addison Wesley.
Ross, T. J. 2010. Fuzzy Logic With Engineering
Applications (3rd ed.). John Wiley & Sons, Ltd.
United Kingdom.
Setiadji. 2009. Himpunan & Logika Samar Serta
Aplikasinya. Yogyakarta: Graha Ilmu.
Yogiantoro, Mohammad. 2009. Hipertensi
Esensial Aru Sudoyo, Bambang Setiyohadi,
Idrus Alwi, Marcellus Simadibrata K., Siti
Setiadi (Eds.) Ilmu Penyakit Dalam Jilid II Edisi
V. Interna Publishing. Jakarta. (hal. 1079-1085)