Ludviani, Resti (2011) Pembangkitan Aturan Fuzzy Menggunakan Fuzzy C-Means (FCM) Clustering Untuk Diagnosa Risiko Penyakit Jantung Koroner (PJK). Sarjana thesis, Universitas Brawijaya.
Abstract
Aturan fuzzy biasanya didefinisikan oleh pakar, akan tetapi proses ini memerlukan banyak waktu, pengalaman, dan keahlian pakar. Pembangkitan aturan fuzzy secara otomatis oleh sistem dapat digunakan untuk mengatasi permasalahan tersebut. Aturan fuzzy dapat diekstraksi dari data dengan menggunakan beberapa teknik, salah satunya adalah Fuzzy C-Means (FCM) clustering. FCM adalah adaptasi dari algoritma k-means dengan fungsi keanggotaan halus sehingga memungkinkan suatu titik data menjadi bagian untuk semua pusat. FCM memiliki kelebihan yaitu pusat kelompok dan hasil pengelompokkan tidak berubah dengan adanya data baru yang bernilai ekstrim. Pada penelitian ini, dilakukan pembangkitan aturan fuzzy pada sistem diagnosa penyakit jantung koroner (PJK) untuk mengetahui bagaimana mengimplementasikan FCM clustering dalam pembangkitan aturan fuzzy dan akurasi dari hasil sistem tersebut. Penelitian dilakukan dengan beberapa skenario uji coba dengan jumlah data latih yang berbeda. Setiap uji coba, dilakukan percobaan sebanyak 5 kali. Hasil uji coba kemudian dianalisis dimana aturan fuzzy dan akurasi sistem dari setiap skenario uji coba dibandingkan sehingga aturan fuzzy yang terbaik dapat diketahui. Hasil penelitian menunjukkan bahwa akurasi maksimum yang dihasilkan sistem diagnosa risiko PJK melalui pembangkitan aturan fuzzy menggunakan FCM adalah 50%, yaitu pada jumlah aturan 2 dengan nilai batasan varian sebesar 0,0338 pada jumlah data latih 70.
English Abstract
Fuzzy rules are usually defined by experts, but this process requires a lot of time, experience, and expertise of experts. Fuzzy rules generation automatically by system can be used to solve these problems. Fuzzy rules can be extracted from data by using several techniques, one of them is Fuzzy C-Means (FCM) clustering. FCM is an adaptation of k-means algorithm with membership functions that allow a smooth data points into a section for all centers. FCM has the advantage of the central group and the grouping is not changed with the new extreme data. In this study, we can find out how to implement FCM clustering in the fuzzy rules generation and the accuracy of the results of such a system. The study was conducted with several test scenarios with different amount of training data. Each trial, carried out experiments as much as 5 times. The trial results were analyzed to compare the fuzzy rules and system accuracy of each test scenario. So, the best fuzzy rules can be known. The results showed that the maximum accuracy of the resulting risk of CHD diagnosis system through the generation of fuzzy rules using FCM was 50%, with the number of rules are 2 and the variance value is 0.0338 on 70 training data.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2011/362/051105368 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 10 Feb 2012 10:07 |
| Last Modified: | 22 Oct 2021 08:51 |
| URI: | http://repository.ub.ac.id/id/eprint/152836 |
Preview |
Text
051105368.pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |