BAB 1
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy muncul dengan tujuan mengatasi ketidakmampuan matematika konvensional untuk model sistem nonlinear. Sistem nonlinear merupakan suatu sistem yang sifatnya tidak tetap, mudah berubah, sulit dikontrol, dan sulit diprediksi (Dewi, 2012). Logika fuzzy juga memiliki kemampuan untuk menyimpulkan hasil yang valid (ketepatan dalam pengukuran) dari basis aturan yang berisi pengetahuan yang diekstraksi berdasarkan pengetahuan dan pengalaman pakar yang menjadikan popularitas logika fuzzy meningkat (Zavala & Nieto, 2012).
Salah satu aplikasi yang paling terkenal dari logika fuzzy adalah Fuzzy inference system (FIS). FIS dapat membantu dalam mengerjakan tugas-tugas klasifikasi. Ada beberapa kelebihan dari FIS, diantaranya mampu menangani konsep-konsep linguistik dan juga mampu melakukan pemetaan nonlinear antarainputdanoutput. FIS ini berisi aturan fuzzy yang dibangun dari pengetahuan dan pengalaman para pakar (Guillaume, 2001). Ada tiga jenis dasar FIS yang telah banyak digunakan dalam berbagai aplikasi kontrol, yaitu FIS Mamdani, Sugeno, dan Tsukamoto. Perbedaan diantara tiga FIS ini terletak pada konsekuen dari aturan fuzzy mereka, agregasi dan prosedur defuzzifikasi (Siddique, 2013).
Dalam penelitiannya Singla (2015) menyatakan bahwa hasil yang dicapai dari FIS metode Sugeno lebih akurat dibandingkan dengan FIS metode Mamdani. Metode
Sugeno mahir dalam melakukan tugasnya dengan sangat baik dengan cara optimasi dan teknik adaptif. Hal yang sangat mencolok dalam masalah kontrol, terutama untuk sistem dinamis nonlinear. Teknik-teknik adaptif digunakan untuk menyesuaikan fungsi keanggotaan sehingga menghasilkan model sistem fuzzy dengan data yang paling baik.
2
Diantara banyak keuntungan yang didapat menggunakan logika fuzzy, Kapitanova (2012) menyatakan bahwa kelemahan dari menggunakan logika fuzzy
adalah ukuran rule-base (basis aturan) fuzzy yang tumbuh secara eksponensial. Sehingga beberapa cara manual dilakukan untuk pemangkasan rule fuzzy. Pemangkasan rule bertujuan menyederhanakan rule (aturan). Beberapa cara yang dilakukan Kapitanova diantarnya memisahkan rule-base berdasarkan nilai suatu variabel dan kesimpulannya, menggabungkan aturan dengan hasil yang sama, dan membuang kombinasiruleyang kemungkinan tidak akan pernah digunakan.
Menurut Qiao et al. (2014) membangun rule-base untuk suatu masalah tertentu menjadi masalah yang paling menantang. Sehingga ada beberapa metode yang diusulkan untuk membangun rule-base tersebut, diantaranya pendekatan heuristik, teknikneuro-fuzzy, metodeclustering, algoritma genetik, teknik data mining, dan lain sebagainya.
Salah satu tugas utama dari data mining adalah klasifikasi. Teknik klasifikasi mampu memproses sejumlah besar data, dapat memprediksi label kelas kategoris, dan mengklasifikasikan data berdasarkan data pelatihan. Salah satu teknik populer dalam klasifikasi adalah decision tree (pohon keputusan). Tujuan utama dari decision tree adalah menciptakan model yang memprediksi nilai variabel target dengan belajarrule keputusan yang disimpulkan dari fitur data. Ada beberapa algoritma decision tree, diantaranya ID3, C4.5, dan CART (Kadi & Idri, 2015).
Algoritma C4.5 adalah salah satu algoritma decision tree yang terkenal karena efisiensi dan fitur yang lengkap (Kadi & Idri, 2015). Cara kerja algoritma C4.5 yaitu rekursif mengunjungi setiap node (simpul) keputusan, memilih split (pembagian) optimal sampai tidak ada lagi kemungkinan pembagian. Algoritma C4.5 mengukur node homogenitas (kesamaan). Algoritma C4.5 menggunakan konsep informasi gain atau pengurangan entropi untuk memilih pembagian yang optimal (Larose, 2014).
Berdasarkan pembahasan yang telah diuraikan, maka logika fuzzy menggunakan FIS metode Sugeno lebih baik dari FIS metode Mamdani dalam mengatasi masalah nonlinear. Namun terdapat beberapa kelemahan dalam penggunan logika fuzzy. Satu diantaranya adalah meningkatnya beban komputasi yang bertambah secara eksponensial seiring dengan bertambahnya jumlah variable dan jumlah rule dalam logika fuzzy. Dalam penelitian sebelumnya para peneliti menyatakan bahwa dengan melakukan pemangkasan jumlah rule, maka beban komputasi menjadi berkurang.
3
Berkurangnya jumlah rule berpengaruh pada berkurangnya tingkat akurasi sehingga menjadi tidak efisien. Ada beberapa algoritma yang diharapkan mampu untuk
mengatasi masalah tersebut, diantaranya adalah algoritma klasifikasi C4.5.
1.2 Perumusan Masalah
Terdapat kelemahan pada logika fuzzy, yaitu meningkatnya beban komputasi yang bertambah secara eksponensial seiring dengan bertambahnya jumlah variable dan jumlah rule dalam logika fuzzy. Beberapa algoritma yang diperkirakan dapat meningkatkan akurasi salah satunya adalah algoritma C4.5, sehingga beberapa pertanyaan penelitian yang bisa diajukan adalah apakah penggunaan FIS metode fuzzy Sugeno yang diintegrasikan dengan algoritma C4.5 ini dapat meningkatkan akurasi? Apakah FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5 lebih baik dari FIS metode Sugeno tanpa algoritma C4.5?
1.3 Pembatasan Masalah
Dari perumusan masalah, maka masalah penelitian akan dibatasi dengan beberapa hal sebagai berikut :
1. Penelitian ini membahas tentang metode pemangkasanrule pada FIS metode Sugeno.
2. Metode dan algoritma yang digunakan adalah FIS metode Sugeno dan algoritma C4.5.
3. Analisis tingkat akurasi dilakukan dengan membandingkan FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5 terhadap FIS metode Sugeno tanpa algoritma C4.5.
4. Aspek yang di hitung adalah jumlahrulesetelah pemangkasan dan lama waktu proses.
5. Studi kasus : penilaian Ujian Kompetensi siswa multimedia pada SMK Swasta Medan Area-1.
1.4 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut : 1. Mendapatkanruleyang lebih sedikit dengan tingkat akurasi yang tinggi. 2. Dapat mengurangi beban komputasi yang diukur melalui lama waktu proses.
4
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Mengetahui tingkat akurasi FIS metode fuzzy Sugeno menggunakan algoritma C4.5 terhadap FIS metode Sugeno tanpa algoritma C4.5.
2. Memberikan solusi untuk mendapatkan rule yang optimal bagi penelitian selanjutnya.
