Optimasi Fuzzy C-Means dan K-Means Menggunakan Algoritma Genetika untuk Pengklasteran Dataset Diabetic Retinopathy

Penulis

  • Muhammad Ezar Al Rivan STMIK Global Informatika MDP
  • Steven Steven STMIK Global Informatika MDP
  • William Tanzil STMIK Global Informatika MDP

DOI:

https://doi.org/10.25126/jtiik.2020711872

Abstrak

Diabetic Retinopathy adalah komplikasi dari diabetes yang mengakibatkan gangguan pada retina mata. Gangguan tersebut dapat diketahui dengan deteksi awal melalui data yang diekstraksi dari citra mata. Deteksi awal dapat dilakukan dengan menggunakan metode clustering. Metode yang digunakan yaitu Fuzzy C-Means dan K-Means. Fuzzy C-Means dan K-Means memiliki kelemahan dari jumlah iterasi yang besar. Jumlah iterasi pada Fuzzy C-Means dan K-Means dapat dioptimasi dengan menggunakan Algoritma Genetika. Optimasi dilakukan dengan cara mengganti bagian pada Fuzzy C-Means dan K-Means pada saat menentukan pusat cluster. Dataset yang digunakan pada penelitian adalah dataset Diabetic Retinopathy. Hasil optimasi sebelum dan sesudah  hybrid Algoritma Genetika pada Fuzzy C-Means terlihat pada nilai rata-rata iterasi dari 17,1 menjadi 6,65 terjadi penurunan sebesar 61,11% dan pada K-Means terlihat pada nilai rata-rata iterasi dari 10,85 menjadi 7,35 terjadi penurunan sebesar 32,25%. Berdasarkan hasil perbandingan nilai rata-rata iterasi Algoritma Genetika–Fuzzy C-Means dan Algoritma Genetika-K-Means maka dapat disimpulkan bahwa Algoritma Genetika-Fuzzy C-Means memiliki jumlah iterasi yang lebih baik dibanding Algoritma Genetika-K-Means. Algoritma Genetika-Fuzzy C-Means juga memiliki inter cluster distance yang paling kecil dan intra cluster distance yang paling besar.

 

Abstract

Diabetic Retinopathy is diabetic complication that cause retina disorder. Retina disorder can be known from data extracted from eye image. Early detection conduct using clustering. These methods are Fuzzy C-Means and K-Means. These methods have large number of iteration as weakness. Number of iteration can be optimized using genetic algorithm. Optimization conducted by replace a part from Fuzzy C-Means dan K-Means that use to generate early centroid. The dataset used in the study is a dataset of diabetic retinopathy. The optimization results before and after hybrid GeneticAlgorithm on Fuzzy C-Means are the average iteration values decreased from 17.1 to 6.65, decreasing 61,11% and in K-Means are the average iteration values decreased from 10.85 to 7.35 decreasing 32,25%. Based on the comparison of Genetic Algorithm  Fuzzy C-Means and Genetic Algorithm K-Means iterations, it can be concluded that Genetic Algorithm Fuzzy C-Means has a better number of iteration than Genetic Algorithm K-Means. Genetic Algorithm-Fuzzy-C-Means has smallest inter cluster distance and biggest intra cluster distance.


Downloads

Download data is not yet available.

Referensi

BAHRAMI, M. and SAJEDI, H. (2018) ‘Prediction of diabetic retinopathy based on a committee of random forests’, International Journal of Intelligent Machines and Robotics, 1(2), pp. 133–139. doi: 10.1504/IJIMR.2018.094910.

BALINT, A. and ANDRAS, H. (2014) Diabetic Retinopathy Debrecen Data Set Data Set. Available at: https://archive.ics.uci.edu/ml/datasets/Diabetic+Retinopathy+Debrecen+Data+Set (Accessed: 15 October 2018).

BEZDEK, J. C. (1981) Pattern Recognition with Fuzzy Objective Function Algorithm. New York: Plenum Press.

DEMBELE, D. and KASTNER, P. (2003) ‘Fuzzy C-means method for clustering microarray data’, Bioinformatics, 19(8), pp. 973–980. doi: 10.1093/bioinformatics/btg119.

HADI, R., GEDE DARMA PUTRA, I. K. and SATYA KUMARA, I. N. (2017) ‘Penentuan Kompetensi Mahasiswa dengan Algoritma Genetik dan Metode Fuzzy C-Means’, Majalah Ilmiah Teknologi Elektro, 15(2), pp. 101–106. doi: 10.24843/mite.1502.15.

HERYAWAN, L. (2017) ‘Deteksi Dini Retinopati Diabetik dengan Pengolahan Citra Berbasis Morfologi Matematika’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 11(2), p. 209. doi: 10.22146/ijccs.24761.

JAIN, A. K. (2008) ‘Data Clustering : 50 Years Beyond K-Means’, 19th International Conference on Pattern Recognition (ICPR), pp. 2–33.

JAIN, A. K. and DUBES, R. C. (1988) ‘Algorithms for Clustering Data’.

LIU, S. H. and HOU, H. F. (2009) ‘A combination of mixture genetic algorithm and fuzzy C-means clustering algorithm’, ITME2009 - Proceedings 2009 IEEE International Symposium on IT in Medicine and Education, pp. 254–258. doi: 10.1109/ITIME.2009.5236422.

MALKI, A. Al et al. (2016) ‘Hybrid Genetic Algorithm with K-Means for Clustering Problems’, Open Journal of Optimization, 05(02), pp. 71–83. doi: 10.4236/ojop.2016.52009.

PRAYITNO, E. (2018) ‘IDENTIFIKASI PENYAKIT RETINOPATI DIABETIKA MENGGUNAKAN ALGORITMA KERNEL K-MEANS’, MATHunesa Jurnal Ilmiah Matematika, 6(2), pp. 60–65.

SINGH, K. K. et al. (2013) ‘Unsupervised change detection from remote sensing images using hybrid genetic FCM’, 2013 Students Conference on Engineering and Systems (SCES), pp. 1–5. doi: 10.1109/SCES.2013.6547529.

SOLER, J. et al. (2013) ‘Data Clustering and Similarity’, Proceedings of the Twenty-Sixth International Florida Artificial Intelligence Research Society Conference, pp. 492–495. Available at: https://hal.archives-ouvertes.fr/hal-00828152.

TJIN, W. (2017) Retinopati Diabetik. Available at: https://www.alodokter.com/retinopati-diabetik (Accessed: 10 October 2018).

YOHANNES, Y. (2016) ‘Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means’, Annual Research Seminar 2016, 2(1), pp. 151–155.

YONG-GUO LIU, KE-FEI CHEN and XUE-MING LI (2005) ‘A hybrid genetic based clustering algorithm’, Proceedings of the Third International Conference on Machine Leaming and Cybernetics, (August), pp. 1677–1682. doi: 10.1109/icmlc.2004.1382045.

Diterbitkan

08-10-2020

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Optimasi Fuzzy C-Means dan K-Means Menggunakan Algoritma Genetika untuk Pengklasteran Dataset Diabetic Retinopathy. (2020). Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(5), 993-1000. https://doi.org/10.25126/jtiik.2020711872