Konstruksi Sistem Inferensi Fuzzy Menggunakan Subtractive Fuzzy C-Means pada Data Parkinson

Abstract

Abstract. Fuzzy Inference System requires several stages to get the output, 1) formation of fuzzy sets, 2) formation of rules, 3) application of implication functions, 4) composition of rules, and 5) defuzzification. Fuzzy Clustering is useful in forming fuzzy sets and identifying rules in a Fuzzy Inference System. Subtractive Fuzzy C-Means is a method of Fuzzy Clustering, which is a combination of Subtractive Clustering and Fuzzy C-Means methods to overcome the weakness of Fuzzy C-Means in determining the number of clusters, initializing the initial membership matrix and inconsistency problems. In this study, the biomedical voice measurement data from healthy subjects and subjects with Parkinson's disease made by Max Little were classified using the Mamdani Fuzzy Inference System which was formed from the cluster center generated by the Subtractive Fuzzy C-Means Method. The results of the Fuzzy Inference System formed, the highest accuracy for training data is 85.62% with a radius of 0.8 and 9 rules. The highest accuracy for test data is 85.71% with a radius of 0.84 and 8 rules. The highest average accuracy is 85.01% with a radius of 0.8 and 8 rules. Abstrak. Sistem Inferensi Fuzzy memerlukan beberapa tahap untuk mendapatkan output, 1) pembentukan himpunan fuzzy, 2) pembentukan aturan, 3) aplikasi fungsi implikasi, 4) komposisi aturan dan 5) defuzifikasi. Fuzzy Clustering berguna dalam pembentukan himpunan fuzzy dan identifikasi aturan pada Sistem Inferensi Fuzzy. Subtractive Fuzzy C-Means merupakan salah satu metode dari Fuzzy Clustering yang merupakan penggabungan antara metode Subtractive Clustering dan Fuzzy C-Means untuk mengatasi kelemahan Fuzzy C-Means dalam menetukan jumlah cluster, inisialisasi matriks keanggotaan awal dan masalah inkonsistensi. Pada penelitian ini dilakukan klasifikasi data pengukuran suara biomedis dari subjek sehat dan subjek dengan penyakit Parkinson yang dibuat oleh Max Little menggunakan Sistem Inferensi Fuzzy Mamdani yang terbentuk dari pusat cluster  yang dihasikan oleh Metode Subtractive Fuzzy C-Means. Sistem inferensi fuzzy yang terbentuk menghasilkan tingkat akurasi tertinggi sebesar 85,62% pada data latih dengan radius 0,8 dan jumlah aturan sebanyak 9 aturan, akurasi tertinggi untuk data uji  sebesar 85,71%  pada radius 0,84 dengan 8 aturan dan total akurasi tertinggi sebesar 85,01% pada radius 0,84 dengan jumlah aturan sebanyak 8 aturan.