Kurnianingtyas, Diva (2017) Optimasi Derajat Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Penyakit Pada Sapi Potong. Sarjana thesis, Universitas Brawijaya.
Abstract
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. Batasan tersebut dioptimasi dengan Algoritma Genetika untuk mendapatkan hasil yang lebih baik. 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. Algoritma Genetika digunakan untuk mendapatkan batasan nilai gejala yang optimal sehingga dalam mendiagnosis penyakit pada sapi potong akan memperoleh hasil yang lebih baik dan akurat. 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. Selain itu, batasan terbaik yang diperoleh dari proses pengujian parameter terbaik cenderung lebih sempit dari batasan yang diperoleh dari pakar.
English 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 the most optimum output. The function of fuzzy logic methods in the diagnosis of disease is relied upon the parametres set by experts. Genetic algorithms are applied to define the limitations of symptoms, resulting in a far more accurate outcome. 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, Cr value of 0.9, and the value of Mr of 0.06. The accuracy has increased by 3.54% in the wake of the optimization of the fuzzy logic method. Besides, the best limitation of the testing results tends to be narrower than that of the experts.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/44/051701140 |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Kustati |
| Date Deposited: | 17 Feb 2017 08:54 |
| Last Modified: | 22 Oct 2021 06:19 |
| URI: | http://repository.ub.ac.id/id/eprint/147474 |
Preview |
Text
PAPER_135150201111203_DIVA_KURNIANINGTYAS.pdf Download (2MB) | Preview |
Preview |
Text
SKRIPSI_135150201111203_DIVA_KURNIANINGTYAS.pdf Download (8MB) | Preview |
Actions (login required)
 |
View Item |