BAB 1
PENDAHULUAN
1.1. Latar Belakang
Dalam hidupnya manusia sering mengambil keputusan yang merupakan hasil dari proses pemikiran baik secara sadar maupun tidak. Dalam proses pemikiran tersebut ada beberapa pendekatan yang bisa dilakukan untuk memahami dan memanipulasi
keputusan yang dapat diambil. Salah satu pendekatan paling sukses adalah teori himpunan fuzzy (Zadeh, 1965). Selain fuzzy, rough set dapat digunakan dalam
pengambilan keputusan. (Pawlak, 1982). Teori ini telah menarik perhatian banyak peneliti dan praktisi di seluruh dunia, yang berkontribusi pada dasarnya untuk pengembangan dan aplikasi.
Keuntungan utama dari teori rough set dalam analisis data adalah bahwa hal itu tidak memerlukan informasi awal atau tambahan tentang data seperti probabilitas dalam statistik, kelas keanggotaan atau nilai kemungkinan dalam himpunan fuzzy teori. Teori rough set, diperkenalkan oleh Pawlak (1982) mengungkapkan ketidakjelasan, tidak dengan cara keanggotaan, tapi menggunakan wilayah batas set. Jika batas wilayah suatu himpunan adalah kosong itu berarti bahwa himpunan adalah renyah, jika tidak kosong maka himpunan itu rough set. Rough set membedakan dua konsep yang sangat penting, ketidakjelasan dan ketidakpastian. Ketidakjelasan adalah milik set dan dapat dijelaskan oleh perkiraan, sedangkan ketidakpastian adalah milik elemen dari suatu himpunan dan dapat dinyatakan oleh fungsi keanggotaan pada teori rough set. Himpunan fuzzy dan teori rough set adalah dua pendekatan yang berbeda untuk ketidakjelasan dan tidak memperbaiki untuk kesulitan klasik dalam menetapkan teori. Kedua teori mewakili dua pendekatan yang berbeda untuk ketidakjelasan. Alamat himpunan fuzzy pengetahuannya diungkapkan oleh anggota fuzzy, sedangkan alamat teori rough set pengetahuannya dinyatakan oleh hubungan indiscernibility (Polkwoski, 2002).
2
Pendekatan yang diusulkan dalam kehidupan sehari-hari, manusia cenderung mengelompokkan sesuatu berdasarkan kategori secara kasat mata, misalnya kelompok orang tinggi, kelompok orang pandai, dan sebagainya, namun tidak semua himpunan/kelompok yang dijumpai dalam kehidupan sehari-hari dapat terdefinisi secara jelas. Misalnya, pada himpunan/kelompok orang tinggi, tidak dapat ditentukan secara tegas apakah seseorang adalah tinggi atau tidak tinggi. Anggap bahwa definisi
“orang tinggi” adalah orang yang tingginya lebih besar atau sama dengan 1.70 meter, maka orang yang tingginya 1.69 meter menurut definisi tersebut termasuk orang yang tidak tinggi. Sulit diterima bahwa orang yang tingginya 1.69 meter itu tidak termasuk orang tinggi. Hal ini menunjukkan bahwa batas antara kelompok orang tinggi dan kelompok orang yang tidak tinggi tidak dapat ditentukan secara tegas. Untuk mengatasi permasalahan himpunan dengan batas yang tidak tegas itu, L.A. Zadeh mengaitkan himpunan tersebut dengan suatu fungsi yang menyatakan nilai keanggotaan pada suatu himpunan tak kosong sebarang dengan mengaitkan pada interval [0,1] (Zadeh, 1965). Himpunan tersebut disebut himpunan fuzzy dan fungsi ini disebut fungsi keanggotaan (membership function) dan nilai fungsi itu disebut derajat
keanggotaan.
Beberapa penelitian yang telah dilakukan terlebih dahulu yang terkait dengan pengambilan keputusan, yaitu Thyroid Diagnosis Based Technique on Rough Sets
With Modified Similarity Relation (Radwan, dkk 2013). Dalam tulisan ini, data pasien yang tidak konsisten yaitu data pada data set penyakit tiroid. Dalam tulisannya rough set digunakan dalam data diskrit. Rough set mencoba mengkluster atribut tiroid. Pada discernibility matrix telah dibangun untuk membangun reduct. Dengan demikian dapat diklasifikasikan penyakit tiroid. Penelitian berikutnya, yaitu Effective Anomaly Intrusion Detection System based on Neural Network with Indicator Variable and Rough set Reduction (Sadek, dkk 2013). Penelitian ini berfokus pada efek pengurangan dimensi menggunakan atribut seleksi untuk membangun sistem deteksi intruksi yang efektif dengan akurasi deteksi yang tinggi dan rendah. Algoritma yang diusulkan NNIV-RS (Neural Network dengan Indikator Variabel menggunakan Rough Set untuk pengurangan atribut). Hasil penelitian menunjukkan bahwa algoritma yang diusulkan adalah handal dan efisien dalam deteksi intruksi. Penelitian berikutnya, yaitu Aplikasi Logika Fuzzy Dalam Penentuan Kepuasan Pasien Rawat Inap (Banjarnahor, 2012). Penelitian ini berfokus pada Model Fuzzy dengan nilai
3
keanggotaan segitiga dan sigmoid ditujukan untuk mendapatkan nilai terbaik dari baik dan nilai terendah dari yang baik ataupun mencari nilai terbaik dari yang kurang dan nilai terburuk dari yang buruk.
1.2. Rumusan Masalah
Rough set sering digunakan untuk pengambilan keputusan. Keuntungan utama dari teori rough set dalam analisis data adalah bahwa tidak memerlukan informasi awal dan tambahan tentang data seperti probabilitas dan statistik, kelas keanggotaan atau nilai kemungkinan dalam himpunan fuzzy teori. Salah satu mekanisme yang turut
berperan didalam penentuan rule pada Rough Set adalah penentuan fungsi keanggotaan yang didapat dari himpunan fuzzy kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai dengan 1. Maka rumusan masalah yang akan dibahas dalam penelitian ini adalah rule dalam permasalahan fuzzy umumnya didasarkan pada pembangkit fungsi keanggotaan yang daerah keanggotaannya ditentukan menggunakan pengelompokan berdasarkan kategori secara kasat mata. Rough set dapat membentuk rule menggunakan cara melalui batas wilayah. Batas wilayah dalam rough set adalah elemen yang berada diluar set yang mungkin milik set.
1.3. Batasan Masalah
Untuk menghindari kemungkinan meluasnya pembahasan, maka dilakukan batasan-batasan masalah sebagai berikut:
1. Fungsi keanggotaan yang digunakan adalah kurva segitiga dan kurva trapesium. 2. Penelitian ini hanya akan membahas penggunaan roughset dengan fuzzy dalam
ketepatan penarikan kesimpulan dan tidak membahas cara membangkitkan fungsi
keanggotaan serta klasifikasi.
3. Perbandingan ketepatan pengambilan keputusan yang dilakukan adalah membandingkan hasil keputusan yang dihasilkan oleh fuzzy dengan fuzzy yang menggunakan roughset sebagai pembangkit rule.
4. Metode fuzzy yang akan digunakan dalam perbandingan penelitian ini adalah metode Tsukamoto.
4
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah membangkitkan rule menggunakan rough set pada fungsi keanggotaan fuzzy.
1.5. Manfaat Penelitian
Penelitian ini memberikan manfaat pada penggunaan rough set untuk pengambilan keputusan, dan beberapa kasus data pada data mining maupun soft computing. Manfaat penelitian ini adalah mendapatkan dan memudahkan keputusan yang lebih bervariatif setelah roughset digunakan sebagai pembangkit rule.
