BAB IV ANALISIS DAN HASIL
4.2 Analisis Hasil
4.2.3 Pengujian Perubahan jumlah cluster dan pangkat terhadap akurasi
Bagian ini dimana pengujian implementasi Algoritma FCM dapat dilakukan dengan melakukan perubahan jumlah cluster, memilih nilai pemangkatan (w) dimulai dari pangkat 2 hingga pangkat 3 serta melihat akurasi dari pengkat-pangkat tersebut menggunakan Silhouette Index ( SI ). Pengujian dilakukan dengan data yang dimiliki yaitu data tentang pemakai alat kontrasepsi dengan jumlah data sebanyak 452 data dengan memakai 8 atribut yaitu umur istri, jumlah anak, pendidikan istri, pekerjaan istri, jenis alat kontrasepsi, umur anak terakhir, pekerjaan suami, pendidikan suami. Dengan error = 0.0001 dan 0.01 serta maksimal iterasi 10, 20, 50 dan 100 . Hasil pengujian dapat di lihat pada tabel berikut ini :
Tabel 4. 11 Uji pengujian perubahan jumlah cluster dan pangka terhadap akurasi dengan error = 0.01 dan maksimal iterasi = 10 Akurasi = 96. 6814
Klaster 1 = 179 Akurasi = 92. 9204
Klaster 1 = 95
3 Klaster 1 = 273 Klaster 2 = 179
Banyak benar = 436 Banyak
di perbatasan = 16 Banyak salah = 0 Akurasi = 96.4601
Klaster 1 = 174 Klaster 2 = 110 Klaster 3 = 168
Banyak benar = 422
Banyak
di perbatasan = 15 Banyak salah = 15 Akurasi = 93. 3628
Klaster 1 = 116 Klaster 2 = 86 Klaster 3 = 128 Klaster 4 = 122
Banyak benar = 412 Banyak
di perbatasan = 27 Banyak salah = 13 Akurasi = 91. 1504
Klaster 1 = 64 Klaster 2 = 68 Klaster 3 = 112 Klaster 4 = 113 Klaster 5 = 95 Banyak benar = 400 Banyak
Di perbatasan = 40 Banyak salah = 12 Akurasi = 88. 4956
Tabel 4.12 Uji pengujian perubahan jumlah cluster dan pangkat terhadap Akurasi = 96.6814
Klaster 1 = 176 Akurasi = 96.4601
Klaster 1 = 110 Akurasi = 88.0531
Tabel 4.13 Uji pengujian perubahan jumlah cluster dan pangkat terhadap Akurasi = 96. 6814
Klaster 1 = 190 Akurasi = 94. 4690
Klaster 1 = 114 Akurasi = 92. 0354 3 Klaster 1 = 179 Akurasi = 96.4601
Klaster 1 = 94
Tabel 4.14 Uji Pengujian Perubahan jumlah cluster dan pangkat terhadap Akurasi = 94. 6903
Klaster 1 = 38 Akurasi = 92.6991
3 Klaster 1 = 179 Akurasi = 96.4601
Klaster 1 = 94 Akurasi = 93. 5841
Klaster 1 = 128 Akurasi = 90.7080
Tabel 4.15 Uji pengujian perubahan jumlah cluster dan pangkat terhadap Akurasi = 94. 2478
Klaster 1 = 37 Akurasi = 95. 5752 3 Klaster 1 = 179 Akurasi = 96.4601
Klaster 1 = 189 Akurasi = 93. 5841
Klaster 1 = 124 Akurasi = 88. 4956
Klaster 1 = 114
Tabel 4.16 Uji pengujian perubahan jumlah cluster dan pangkat terhadap Akurasi = 94. 2478
Klaster 1 = 160 Akurasi = 94. 6903
Klaster 1 = 139 Akurasi = 96.4601
Klaster 1 = 94 Akurasi = 93. 3628
Klaster 1 = 69 Akurasi = 88. 7168
Klaster 1 = 114 Akurasi = 90.0442
Tabel 4. 17 Uji pengujian perubahan jumlah cluster dan pangkat terhadap akurasi Akurasi = 96.6814
Klaster 1 = 76 Akurasi = 96. 4601
Klaster 1 = 169 Akurasi = 93. 5841
Klaster 1 = 127 Akurasi = 88. 4956
Klaster 1 = 114 Akurasi = 90. 0442
Tabel 4.18 Uji Pengujian Perubahan jumlah cluster dan pangkat terhadap Akurasi = 94. 2478
Klaster 1 = 160 Akurasi = 94. 2478
Klaster 1 = 126 Akurasi = 96. 4601
Klaster 1 = 168 Akurasi = 93. 3628
Klaster 1 = 69 Akurasi = 88. 7168
Klaster 1 = 111 Akurasi = 89. 8230
Dari hasil pengujian perubahan nilai pangkat / pembobotan (w) serta akurasi diatas dapat di buat dalam bentuk grafik seperti berikut ini.
Grafik untuk error = 0.01 dan maksimal iterasi = 10
Gambar 4. 9 Grafik error = 0.01 dan maksimal iterasi = 10
Grafik dengan error = 0.0001 dan maksimal iterasi = 10
Gambar 4. 10 Grafik error = 0.0001 dan maksimal iterasi = 10
96.6814 94.4690 92.9204 90.0442
96.4601
93.3628 91.1504 88.4956
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER
w = 2 w =3
96.6814 94.6903 93.3628 90.2655
96.4601 93.3628 92.2566 88.0531
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER w = 2 w = 3
Grafik dengan error = 0.01 dan maksimal iterasi = 20
Gambar 4. 11 Grafik error = 0.01 dan maksimal iterasi = 20
Grafik dengan error = 0.0001 dan maksimal iterasi = 20
Gambar 4. 12 Grafik error = 0.0001 dan maksimal iterasi = 20
96.6814
94.4690 92.4739 92.0354
96.4601 93.5841 90.7080
88.8290
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER w = 2 w = 3
96.6814 94.6903 93.1416 92.6991
96.4601 93.5841 92.2566 90.7080
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER w = 2 w = 3
76
Grafik dengan error = 0.01 dan maksimal iterasi = 50
Gambar 4. 13 Grafik error = 0.01 dan maksimal iterasi = 50
Grafik dengan error = 0.0001 dan maksimal iterasi = 50
Gambar 4. 14 Grafik error = 0.0001 dan maksimal iterasi = 50
96.6814 94.2478 94.6903 95.5752
96.4601 93.3628 88.7168 90.0442
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER
w = 2 w = 3
96.6814 94.2478 93.8053 95.5752
96.4601 93.5841
88.4956 90.0442
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER
w = 2 w = 3
Grafik dengan error = 0.01 dan maksimal iterasi = 100
Gambar 4. 15 Grafik error = 0.01 dan maksimal iterasi = 100
Grafik dengan error = 0.0001 dan maksimal iterasi = 100
Gambar 4. 16 Grafik error = 0.0001 dan maksimal iterasi = 100
96.6814 94.2478 94.2478 95.5752
96.4601 93.5841
88.4956 90.0442
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER
w = 2 w = 3
96.6814
94.2478 94.2478 95.5752
96.4601 93.3628 88.7168 89.8230
0 20 40 60 80 100 120
2 3 4 5
AKURASI
CLUSTER
w = 2 w = 3
Dari percobaan yang dilakukan diatas dapat disimpulkan bahwa :
1. Pengisian jumlah cluster, error terkecil ( epsilon ) serta maksimal iterasi tidak mempengatuhi dalam proses clustering.
2. Ketika pangkat yang dipilih 2 ataupun 3 maka akan mendapatkan nilai dari masing-masing cluster tetapi akurasi dari pangkat 2 lebih baik dibandingkan dengan akurasi yang berada pada pangkat 3 yang memiliki nilai error yang lebih banyak.
79
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang diperoleh dari hasil skripsi ini adalah :
1. Akurasi terbaik didapatkan pada cluster (c) = 2, pangkat = 2, iterasi maksimum = 100, error = 0.01, menggunakan 8 atribut ( umur istri, jumlah anak, pendidikan istri, pekerjaan istri, jenis alat kontrasepsi, umur anak terakhir, pekerjaan suami, pendidikan suami ) dimana akurasinya tersebut sebesar 96.6814 %.
2. Perubahan nilai error (epsilon) dan jumlah iterasi maksimum tidak berpengaruh terhadap nilai akurasi.
5.2 Saran
Dilihat berdasarkan hasil analisis pada skripsi ini, ada beberapa saran untuk perbaikan dan pengembangan program lebih lanjut antara lain :
1. Program yang telah di bangun ini belum bisa mengambil dan membaca data dengan format lain selain xls dan xlsx. Sistem ini jika di kembangkan bisa dilengkapi dengan format tambahan untuk membaca data.
2. Program ini dapat menggunakan pemangkatan atau pembobotan (w) 2 dan 3. Jika ingin di kembangkan dapat meningkatkan pemangkatan atau pembobotan tersebut untuk melihat hasil terbaik dari pemangkatan atau pembobotan yang telah ditingkatkan.
80
DAFTAR PUSTAKA
Cary leneker Simbolon, N. K. 2013. Clustering Lulusan Mahasiswa Matematika Fmipa Untan Pontianak Menggunakan Algoritma Fuzzy C-Means. 21-26.
Desgraupes, B. 2013. Clustering Indices. Prancis: University Paris Ouest. Erna Sulistion, D. I. (2010). Penerapan Regresi Logistik Multinominal Pada Pemilihan Alat Kontasepsi Wanita. Media Statistika, Vol. 3, No. 1, Juni 2010, 31-40.
Erna Sulistion, D. I. 2010. Penerapan Regresi Logistik Multinominal Pada Pemilihan Alat Kontasepsi Wanita. Media Statistika, Vol. 3, No. 1, Juni 2010, 31-40.
Kusumadewi S, Purnomo, H. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Edisi ke-2.Graha Ilmu.Yogyakarta.
Meilina, P. (2015). Penerapan Data Mining Dengan Metode Klasifikasi Menggunakan Decision Tree Dan Regresi. Jurnal Teknologi Volume 7 No. 1 Januari 2015, 12-20.
Petrovic.2003. A Comparison Between the Silhouette Index and the Davies-Bouldin Index in Labelling IDS Clusters.Norway.
Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Graha Ilmu. Yogyakarta.
Seri Aryati, S. d. 2019. Faktor- Faktor Yang Mempengaruhi Pemilihan Metode Kontrasepsi ( Kasus Di Kecamatan Seberang Ulu I Kota Palembang ). Majalah Geografi Indonesia Vol. 33, No.1, Maret 2019 , 75-85.
Sowmya, B. Sheela Rani. 2010. “Colour image segmentation using fuzzy clustering techniques and competitive neural network”, Elsevier Applied Soft Computing
ScienceDirect. Sathyabama University.
Turban, E., J.E. Aronson dan T.P. Liang. 2005. Decision Support System and Intelligent Systems - 7th ed.
Wahidah Sanusi, A. Z. (2018). Analisis Fungsi C-Means dan Penerapannya Dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Faktor-fakror Penyebab Gizi Buruk.
Wati DAM, Puspitasari D, Purwaningsih E. 2019. Metode Clustering Pada Model Algoritma K-Means Untuk Pemilihan Alat Kontrasepsi. Informatics For Educators And Professionals. 3 (2): 129 - 138.
https://www.alodokter.com/memilih-alat-kontrasepsi[Diakses pada tanggal 10 November 2019]
https://kumparan.com/babyologist/pengertian-dan-jenis-jenis-kontrasepsi-1539260083764033103[Diakses pada tanggal 10 November 2019]
http://repository.ump.ac.id/4842/2/Agustina%20Setianingsih%20BAB%20II.
pdf [Diakses pada tanggal 10 November 2019]