Integrating Neuro-Fuzzy Systems to Develop Intelligent Planning Systems for Predicting Students’ Performance
International Journal of Evaluation and Research in Education (IJERE)
Vol.1, No.2, December 2012, pp. 61~66 ISSN: 2252-8822 1
Urvashi Rahul Saxena, 2S.P Singh 1
Department of Computer Science and Engineering, 2Computer Science Department
1
JSS Academy of Technical Education, Noida, India , 2Birla Institute of Technology, Noida, India
PENGINTEGRASIAN NEURO FUZZY SISTEM UNTUK MENGEMBANGKAN SISTEM PERENCANAAN CERDAS UNTUK MEMPREDIKSI PRESTASI MAHASISWA
LATAR BELAKANG
Konsep Neuro Fuzzy adalah sebuah kombinasi antara dua hal yang muncul dari
pengembangan teori di Sistem Cerdas. Neuro Fuzzy menggabungkan konsep pembelajaran
yang dimiliki di Neural Network dan konsep samar yang dikembangkan Lofti Zadeh di teori
logika fuzzy. Secara terpisah kedua konsen tersebut sudah banyak dimanfaatkan dalam
teknologi. Neural Network sebagai salah satu algoritma untuk pengenalan citra, untuk time
series prediction. Sedangkan logika fuzzy banyak dikembangkan untuk kendali sistem yang
membutuhkan parameter ataupun variabel yang samar.
Salah satu kelemahan dari logika fuzzy adalah bagaimana menentukan parameter
yang dipergunakan. Dalam logika fuzzy, parameter terebut salah satunya adalah yang
disebut di dalam membership function. Selama ini parameter tersebut bersifat tetap yaitu
ditentukan di awal sebelum sistem diaplikasikan. Penentuan nilai dari parameter dilakukan
dengan rancangan dan perhitungan secara teoritis. Kadang sistem ini kurang mendukung
untuk kasus-kasus tertentu dimana dibutuhkan parameter yang adaptif. Sistem yang bagus
kadang dibutuhkan untuk mengantasipasi perubahan lingkungan atau variabel yang tidak
bisa diprediksi.
Kebutuhan akan adaptasi diperlukan dengan alasan pemodelan yang banyak
mengabaikan variabe-variabel untuk memudahkan perancangan dan perubahan lingkungan
yang tidak terprediksi. Semakin kompleksnya sistem maka dibutuhkan pemodelan yang
akurat, namun jika harus dilakukan akan menyulitkan pemodelan itu sendiri. Untuk
menyelesaikan masalah tersebut maka banyak dilakukan pengabaian terhadap beberapa
variabel.
Kelemahan fuzzy tersebut dapat dicoba diperbaikan dengan memanfaatkan algoritma
neural network untuk melakukan adaptasi terhadap parameter fuzzy. Salah satu
weighted) dari neuron. Perubahan bobot akan dilakukan sampai mendapatkan nilai galat
yang minimal. Untuk kasus kombinasi neural dengan fuzzy dilakukan dengan menempatkan
nilai parameter dari logika fuzzy menjadi bobot dari neural network. Otomatis pembelajaran
atau modifikasi bobot pada dasarnya adalah modifikasi terhadap parameter dari logika
fuzzy. Memang tidak sesederhana itu, namun dari konsep dasar kombinasi tersebut sudah
banyak dilakukan.
IMPLEMENTASI
Penelitian ini memberikan simulasi dari aplikasi Neuro Fuzzy untuk menganalisis
prestasi mahasiswa berdasarkan IPS dan IPK. Analisis ini adalah sebuah pengembangan dari
analisis prestasi mahasiswa menggunakan system fuzzy. Penelitian ini fokus untuk
mendukung pengembangan Sistem Perencanaan Cerdas (INPLANS) menggunakan Sistem
Fuzzy, Neural Networks, dan Algoritma Genetika dimana semuanya akan digunakan oleh
Penasehat Akademik dalam sebuah institusi pendidikan dengan mengevaluasi dan
memprediksi prestasi mahasiswa sama seperti membandingkan hasil dengan studi
sebelumnya. Model Neuro-Fuzzy ini mengguakan arsitektur feed-forward dengan lima
lapisan neuron dan empat konektor. Evaluasi sistem telah dilakukan selama sekitar 20 - 26
kasus hasil mahasiswa. Hasil menggambarkan bahwa telah terjadi peningkatan yang
signifikan dalam prestasi mahasiswa dibandingkan dengan prediksi kasus yang sama dengan
menggunakan Sistem Fuzzy.
Sehubungan dengan bidang akademik, sistem evaluasi berperan penting dalam
memandu dan mengawasi prestasi mahasiswa berdasar pada proses belajar yang
terinspirasi simulasi program perencanaan pendidikan. Salah satu peran paling penting yang
dilakukan oleh pembimbing akademik adalah untuk memberi nasihat kepada siswa dalam
perencaaan pendidikan seperti memilih mata kuliah yang akan diambil dan jumlah sks yang
harus dipenuhi. PA juga memonitor program mahasiswa dan menyarankan perubahan dari
rencana awal ketika dibutuhkan.
Pada dasarnya, setiap mahasiswa memilih mata kuliah setiap semester berdasarkan
pada Program Perencanaan Fakultas. Perencanaan ini berisi flowchart mata kuliah yang
perlu diambil melalui program tersebut. Maka dari itu, mahasiswa dengan nilai yang baik
tidak akan kesulitan dalam mengikuti perencanaan. Kesulitan akan muncul ketika mahasiswa
dengan nilai cukup yang ingin mengambil total sks mata kuliah yang sama seperti yang
ditawarkan. Pendekatan semacam ini tidak akan membantu dalam mengembangkan prestasi
mahasiswa. Maka dari itu, Sistem Perencanaan Cerdas (INPLAINS) harus dapat membantu
mahasiswa. Untuk menghasilkan program perencanaan otomatis berdasar kemampuan
mahasiswa, prestasi mahasiswa dianalisis menggunakan Metode Neuro Fuzzy. Prestasi
mahasiswa dinilai menggunakan metode Fuzzy dan membuktikan bahwa metode ini dapat
memprediksikan prestasi mahasiswa berdasarkan kemampuan belajarnya. Bagaimanapun
metode itu diperkenalkan untuk meningkatkan ketepatan hasil. Untuk menghasilkan hasil
yang akurat beberapa kritteria dilakukan. Kriterianya termasuk nilai output dari prestasi
mahasiswa, prestasi mahasiswa di kelas, aturan inferensi fuzzy yang sesuai, tujuan
pelatihan prestasi, dan tingkat kesalahan hasil nilai metode ini dengan metode sebelumnya.
Metode Neuro Fuzzy telah digunakan dalam 3 fase pada pengembangan INPLAINS.
Penelitian ini disusun sbb. bagian 2 dan 3 menampilkan desain sistem dasar dan metode
dari Neuro Fuzzy. Bagian 4 membahas tentang penemuan. Kesimpulan ditampilkan pada
bagian ke 5.
SISTEM NEURO FUZZY
Neuro-Fuzzy telah digunakan pada beberapa area seperti pengenalan emosi, teknik
control, DSS, teknik sipil, dll. Sistem Fuzzy dan Neural Network metode yang efektif dan
efisien untuk menganalisis ketidakpastian dalam penilaian pendidikan. Contohnya, Artificial
Neural Network telah digunakan oleh banyak peneliti untuk memecahkan masalah yang
membutuhkan fungsi prediksi dan Sistem Fuzzy telah digunakan dalam aplikasi penilaian
pendidikan. Keuntungan dari Neural Network memupunyai kemampuan beradaptasi dengan
data yang baru. Di sisi lain, Sistem Fuzzy mempunyai kemampuan untuk menangani data
numerik dan limu linguistik secara bersamaan. Bagaimanapun, kedua metode tersebut
mempunyai beberapa batasan, walaupun sistem fuzzy dapat melakukan mekasnisme
inferensi di bawah ketidakpastian kognitif, ini tidak mempunyai kemampuan belajar dan
adaptasi yang krusial dalam perkembangan manusia. Konsep dari Sistem Fuzzy adalah
bekerja sama dengan Neural Network, hal ini disebut dengan Neuro Fuzzy.
MODEL NEURO-FUZZY
Model Neuro-Fuzzy terdiri dari jaringan neuron, masing-masing neuron bekerja
dengan input vektor, weight vektor yang sesuai dengan input vektor, bias skalar, fungsi
transfer, dan sebuah output vektor. Artificial Neural Network mungkin terdiri dari satu atau
lebih neuron di masing-masing layer. Di sebuah network, lapisan terakhir disebut output
layer, dan semua layer sebelumnya disebut hidden layer. Pada hidden layer, output layer
menjadi input layer dari layer selanjutnya. Fungsi operasi dari sebuah neuron mengubah
arsitektur Feed Forward dengan 5 layer neuron dan 4 layer penghubung. Gambar 1
menampilkan arsitektur dari model Neuro-Fuzzy yang digunakan dalam penelitian ini. Model
Neuro-Fuzzy mempunyai layer input dan output dan 3 hidden layer yang mengevaluasi
fungsi keanggotaan dan menjelaskan aturan fuzzy.
Layer-1: Input ke dalam sistem Layer-2: Produksi hasil tengah
Layer-3: Normalisasi untuk menghapus anomali dalam data, jika ada Layer-4: penyajian terakhir
Layer-5: Output Defuzzifikasi
Gambar 1. Arsitektur Neuro-Fuzzy
Penelitian ini mencakup input dari Sistem Neuro-Fuzzy sebagai IPS dan IPK. Sistem
ini hanya bisa mulai dari semester kedua. IPS dan IPK bernilai dari 0 sampai 4.0 dan
terfuzzikan menggunakan formula Gauss sebagai fungsi keanggotaan fuzzy.
Variabel input dan output menunjukkan 3 kemungkinan penilaian prestasi: rendah,
sedang, dan tinggi dengan kisaran masing-masing 0-2.3, 1.7-3.3 dan 2.7-4.0. Hubungan
antara IPS dan IPK terdeskripsi pada Tabel 1 dan 2.
(a) (b)
Tabel 1. Aturan Fuzzy Tabel 2. List of detail
Pada matriks di atas menerangkan bahwa GL sebagai IPS rendah, GM sebagai IPS
sedang, GH sebagai IPS tinggi, CL sebagai IPK rendah, CM sebagai IPK sedang, CH sebagai
IPK tinggi, L sebagai rendah, M sebagai sedang, dan H adalah tinggi.
Layer pertama pada model ini dinamakan input crisp dimana neuron menerima IPS
dan IPK sebagai input. Masing-masing neuron pada layer ini mentransmisikan langsung
sinyal crisp terluar menuju layer selanjutnya. Layer ke dua dari neuron adalah berupa input
fungsi keanggotaan layer, dimana pada analisis ini terdapat 251 neuron. Layer ini
menghitung derajat keanggotaan fuzzy ke dalam nilai input yang mana yang termasuk pada
fungsi keanggotaan output telah ditetapkan, sebagai contoh rendah, tinggi, dan rendah.
Neuron pada layer ini menunjukkan himpunan fuzzy yang digunakan dalam aturan fuzzy
sebelumnya. Sebuah fuzzifikasi neuron menerima sebuah input crisp dan menentukan
derajat input yang mana yang termasuk dalam himpunan neuron fuzzy. Layer ke tiga adalah
aturan fuzzy dimana aturan tersebut mewakili gabungan antara fungsi keanggotaan input
dan output. Masing-masing neuron pada layer ini menghubungkan kepada sebuah aturan
fuzzy. Sebuah aturan fuzzy menerima input dari fauzzifikasi neuron yang mewakili himpunan
fuzzy di aturan sebelumnya. Selain itu, weight antara layer 3 dan 4 mewakili derajat
normalisasi kepercayaan dari aturan fuzzy yang sesuai. Weight tersebut disesuaikan pada
pelatihan sistem Neuro-Fuzzy, dari aturan fuzzy tersebut, lapisan keempat dari sistem
Neuro-Fuzzy yang merupakan keluaran keanggotaan fungsi layer menghitung derajat yang
fungsi keanggotaan outputnya cocok dengan input data. Sebuah output keanggotaan
neuron menerima input dari penyesuaian aturan fuzzy neuron dan mengombinasika Neural
Network menggunakan operasi fuzzy. Yang terakhir, layer ke lima atau layer deffuzzifikasi,
langkah ini menghitung nilai dari variable output. Masing-masing neuron pada layer
mewakili sebuah output dari Sistem Neuro-Fuzzy. Output dari Sistem Neuro-Fuzzy adalah
INVESTIGASI DAN PENEMUAN
Simulator Matlab 7.0 digunakan untuk merancang skenario; gambar 3 menampilkan
perbandingan himpunan fuzzy antara IPS dan IPK dari system Neuro-Fuzzy dengan
himpunan fuzzy dari Sistem Fuzzy. Kurva tersebut mewakili fungsi keanggotaan Neuro-Fuzzy
dan sistem Sistem Fuzzy. Grafik tersebut menunjukkan bahwa derajat fungsi keanggotaan
untuk Sistem Neuro-Fuzzy tidak melampaui derajat maximal, 1. Untuk itu, sistem ini
menghasilkan jarak derajat fungsi keanggotaan lebih kecil, dimana hal ini akan lebih tepat
dan akurat dibandingkan dengan Sistem Fuzzy. Berdasarkan pada distribusi fungsi
keanggotaan, ada 2 intersection; rendah/sedang dan sedang/tinggi. Gambar 4,5, dan 6
menampilkan evaluasi aturan yang memproduksi rendah, sedang dan tinggi set fungsi
keanggotaan output. Pada perbandingan dengan hasil, proses ini menghasilkan hasil yang
mirip dalam hal aturan yang menghasilkan himpunan tersebut pada fngsi keanggotaan
output. Berdasarkan analisis, anggota aturan 1, 2, dan 4 menghasilkan himpunan rendah
dari fungsi keanggotaan output. Aturan 3, 5 dan 7 menghasilkan himpunan sedang dari
fungsi keanggotaan output.
Gambar 4.
Aturan evaluasi yang memproduksi set rendah
Gambar 3.
Fungsi keanggotaan IPK dan IPS
dari sistem Neuro-Fuzzy dibandingkan Sistem Fuzzy
(a) (b)
(c)
Gambar 6.
Defuzzifikasi dari output himpunan fuzzy (a) rendah,(b) Menengah, dan (c) tinggi.
Sementara itu, aturan 6, 8, dan 9 menghasilkan himpunan tinggi dari fungsi
keanggotaan output. Kemudian, semua data dari masing-masing himpunan dari fungsi
keanggotaan output digabungkan, ini adalah sebuah proses dari penyatuan output dari
aturan yang sesuai. Pada studi ini, output dari aturan 1, 2, dan 4 terkombinasi menjadi
anggota rendah. Output dari aturan 3, 5, dan 7 terkombinasi menjadi anggota medium.
Output aturan 6, 8, dan 9 terkombinasi menjadi himpunan tinggi.
Penggabungan output himpunan fuzzy pada layer 4 ditransfer ke layer 5 dari Sistem
Neuro-Fuzzy untuk proses defuzzifikasi. Di sini, diaplikasikan teknik cetroid untuk
menentukan output. Ini menemukan sebuah titik, dinamakan centre of grafity (COG) dari
himpunan fuzzy. Di sini garis vertical dari COG akan membagi himpunan gabungan menjadi
dua massa yang sama. Gambar 6 menunjukkan defuzzifikasi untuk setiap output himpunan
Hasil menunjukkan Sistem Neuro-Fuzzy menghasilkan output crisp dengan sangat
baik. Neuro-Fuzzy memberikan sebuah nilai kesalahan kecil untuk Sistem Fuzzy. Hal ini jelas
bahwa sistem Neuro-Fuzzy menghasilkan hasil yang lebih akurat dan dapat diandalkan.
Untuk membuktikan bahwa Sistem Neuro-Fuzzy dapat memprediksi prestasi mahasiswa
dengan akurat, Sistem Neuro-Fuzzy dan Fuzzy Sistem merupakan hasil dari 26 kasus IPS
dan IPK yang dibandingkan. Pada sisi lain, Neuro Fuzzy menghasilkan nilai output yang
berbeda untuk kedua kasus yang lebih dapat dipercaya dan akurat. Pada kasus nomor 16
dan 19, Sistem Fuzzy juga menghasilkan nilai output yang sama dimana 1,4967 untuk
perbedaan kedua nilai input, tetapi Neuro Fuzzy menghasilkan hasil output berbeda yang
lebih dapat dipercaya dan akurat. Kesalahan jenis yang sama juga terjadi untuk kasus
nomor 23 dan 25, tetapi dengan menerapkan Neuro-Fuzzy, kesalahan telah diperbaiki. Jelas
bahwa Neuro-Fuzzy telah meningkatkan output prediksi prestasi siswa untuk menjadi lebih
handal dan akurat bila dibandingkan dengan output diperkirakan kasus yang sama dengan
menggunakan Sistem Fuzzy. Untuk menilai kemampuan model dalam menentukan prestasi
siswa menjadi rendah, sedang, dan tinggi, kemampuan prediksi model tersebut
dibandingkan dengan beberapa metode alternatif, yaitu model statistik, jaringan saraf,
kombinasi mesin belajar, dan heuristik.
Dalam penelitian ini, analisis regresi menunjukkan variabel yang paling penting
adalah IPK kumulatif. Analisis statistik hanya terfokus pada penentuan faktor-faktor yang
bertanggung jawab untuk prestasi dan berdasarkan informasi tersebut, kasus ini
menemukan cara untuk memperbaikinya. Padahal, dalam penelitian telah menggunakan
metode Neuro Fuzzy-untuk menghasilkan hasil asumsi semester mendatang berdasarkan
IPS sebelumnya dan saat IPK. Kombinasi teknik mesin belajar, bernama algoritma genetika
dan pohon keputusan digunakan oleh Dimitris Kalles dan Christos Pierrakeas untuk
menganalisis prestasi siswa dalam Hellenic Open University (HOU). Analisis ini difokuskan
pada masalah memprediksi prestasi siswa dan masalah pada siswa dewasa belajar di
kejauhan. Ini diukur dengan tugas pekerjaan rumah dan mencoba untuk menurunkan
aturan singkat yang menjelaskan dan memprediksi keberhasilan atau kegagalan dalam ujian
akhir pada modul tertentu. Hasil yang diperoleh adalah analisis yang lebih akurat prestasi
siswa dibandingkan dengan pengklasifikasi pohon keputusan konvensional. Algoritma
genetik dan pohon keputusan hanya terfokus pada memprediksi kemungkinan siswa pada
lulus ujian akhir berdasarkan modul tertentu. Dalam penelitian kami, seperti yang
dinyatakan sebelumnya, metode Neuro-Fuzzy digunakan untuk menganalisis prestasi siswa
Namun, metode ini memiliki keterbatasan di mana hanya bekerja untuk nilai tertentu
dan tidak untuk semua nilai. Dibandingkan dengan penelitian kami, hal itu menunjukkan
bahwa penelitian kami menggunakan pendekatan yang berbeda untuk menganalisis prestasi
siswa, yang kemudian menghasilkan hasil yang berbeda.
KESIMPULAN
Fokus utama dari penelitian ini adalah untuk membuktikan bahwa sistem
Neuro-Fuzzy dapat meningkatkan output dari prediksi prestasi siswa untuk lebih akurat
dibandingkan dengan output penelitian yang lain. Oleh karena itu, sistem ini telah diuji
dengan menggunakan data yang sama dari penelitian sebelumnya. Sistem ini dimodelkan
dan dilatih berdasarkan koneksionis arsitektur Feed Forward. Percobaan dan analisis dari
sistem ini adalah pada peran IPS siswa dan IPK. Dengan memasukkan IPK dan IPS, aplikasi
simulasi dengan mesin Neuro-Fuzzy akan memproses hasil dan menghitung output dari
siswa prestasi dan mengklasifikasikan siswa prestasi dalam tiga kategori yang berbeda.
Sistem dimodelkan data pelatihan sangat baik karena memberikan nilai kesalahan kecil
dibandingkan dengan Sistem Fuzzy. Sistem ini telah diuji pada berbagai hasil siswa, dan
