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

• Main Authors: Muhammad Ezar Al Rivan, Steven Steven, William Tanzil
• Format: Article
• Language: Indonesian
• Published: University of Brawijaya 2020-10-01
• Series: Jurnal Teknologi Informasi dan Ilmu Komputer
• Online Access: http://jtiik.ub.ac.id/index.php/jtiik/article/view/1872
• ISSN: 2355-7699; 2528-6579

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.