Wahyu Setyo Wibowo¹, Suyanto², Agung Toto Wibowo³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

(1)

SYSTEM BESERTA PENGARUH ALGORITMA LEARNING GRADIENT-DESCENT DAN LEAST-SQUARE ESTIMATOR UNTUK STUDI KASUS (PEREKOMENDASIAN

KBK TUGAS AKHIR TEKNIK INFORMATIKA IT TELKOM)

Wahyu Setyo Wibowo¹, Suyanto², Agung Toto Wibowo³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan kombinasi dari sistem fuzzy dengan jaringan syaraf tiruan (JST). Di mana membership function dan fuzzy rules dari sistem fuzzy diperbaiki melalui pembelajaran dengan JST sehingga dapat memberikan tingkat akurasi yang lebih baik untuk sistem klasifikasi.

Tugas akhir ini mengimplementasikan ANFIS untuk merekomendasikan kelompok bidang keahlian (KBK) dari tugas akhir. Mengetahui KBK dari tugas akhir yang akan diambil dapat membuat mahasiswa menjadi lebih fokus pada bidang/mata kuliah yang diminati dan mempercepat waktu kelulusan. Dengan memperhitungkan besar minat dan nilai mahasiswa untuk setiap mata kuliah jurusan yang diambil, dapat ditentukan rekomendasi KBK dari mahasiswa tersebut.

Hasil pengujian dengan menggunakan data uji menunjukkan bahwa perekomendasian KBK dari tugas akhir dengan menggunakan ANFIS mampu memberikan tingkat akurasi sebesar 96% untuk data testing 1 dan 88% untuk data testing 2

Kata Kunci : KBK, sistem fuzzy, JST, ANFIS

Abstract

Adaptive Neuro Fuzzy Inference System (ANFIS) is a combination between fuzzy system and artificial neural network. Where membership function of fuzzy system will be fixed by the learning process of ANN to provide better accuration for classification system.

This essay implements ANFIS for recommending group of specialization (KBK) of student’s final essay. Knowing KBK of their future final essay can make students become more focus on the subject of interest and accelerate the time of graduation. Through counting the amount of interest and students average GPA for each course in every majors, recommendation of KBK for the students can be determined.

Testing result from test set shows that recommending KBK of student’s final essay by using ANFIS is able to provide accuration of 96% for first test test and 88% for second test set. Keywords : Keywords: KBK, fuzzy system, ANN, ANFIS

Powered by TCPDF (www.tcpdf.org)

(2)

I

1. Pendahuluan

1.1 Latar belakang

Penentuan kelompok bidang keahlian (KBK) sering kali tidak dianggap penting oleh mahasiswa. Tidak jarang ditemukan cara mahasiswa untuk mengambil mata kuliah adalah dengan cara asal-asalan atau ada tidaknya teman yang sekelas. Hal ini dapat mengakibatkan tertundanya waktu kelulusan karena pembelajaran yang tidak fokus.

Mengetahui KBK dari tugas akhir yang akan diambil dapat membuat mahasiswa menjadi lebih fokus pada bidang/mata kuliah yang diminati dan mempercepat waktu kelulusan. Dengan memperhitungkan besar minat dan IP mahasiswa untuk setiap mata kuliah yang diambil, dapat ditentukan rekomendasi KBK dari mahasiswa tersebut. Penentuan KBK ini bukan dengan cara menggunakan rumus/rule yang pasti (metode pembobotan), melainkan juga melibatkan intuisi karena memperhitungkan nilai kelayakan untuk setiap KBK. Variabel inputan yang terlibat adalah minat dan IP mahasiswa untuk setiap mata kuliah yang diambil. Permasalahan seperti ini bukanlah permasalahan yang bersifat linier, melainkan bersifat non linier. Metode fuzzy sangat cocok untuk permasalahan seperti ini.

Fuzzy merupakan teknik dalam dunia soft computing yang bersifat reasoning (penalaran). Fuzzy merupakan teknik penyelesaian masalah dengan cara merepresentasikan masalah ke dalam knowledge base (basis pengetahuan). Sebuah sistem fuzzy yang berdiri sendiri belum terlalu powerfull, karena untuk menentukan membership function (fungsi keanggotaan) dan fuzzy rules (aturan-aturan fuzzy) dilakukan secara trial-and-error. Penelitian kali ini mencoba untuk memanfaatkan kelebihan jaringan syaraf tiruan (JST), yang memiliki kemampuan untuk learning untuk mengatur dan menemukan membership function dan fuzzy rules yang optimum, dalam bentuk metode Adaptive Neuro Fuzzy Inference System (ANFIS).

1.2 Perumusan masalah

Permasalahan yang dijadikan objek penelitian dan pengembangan tugas akhir ini adalah:

a. Bagaimana mendesain dan mengimplementasi ANFIS yang tepat untuk permasalahan penentuan KBK.

b. Bagaimana membuktikan penggabungan JST dengan sistem fuzzy dalam bentuk metode ANFIS, dapat mengatasi kelemahan sistem fuzzy yang bersifat trial-and-error.

(3)

2

c. Bagaimana menganalisa akurasi ketepatan rekomendasi KBK oleh ANFIS dengan cara membandingkan dengan hasil survei berdasarkan responden mahasiswa.

1.3 Batasan Masalah

Batasan masalah dalam penelitian ini adalah sebagai berikut :

a. Pemilihan KBK terbatas pada KBK pada mahasiswa jurusan Teknik Informatika IT TELKOM yaitu ITP, RPL, dan SKJK.

b. Variabel inputan yang terlibat pada tahap implementasi adalah rata-rata IP dan rata-rata minat mahasiswa terhadap mata kuliah masing-masing KBK c. Outputan yang dihasilkan adalah satu KBK yang direkomendasikan.

1.4 Tujuan

Tujuan dari penelitian tugas akhir ini adalah :

a. Menunjukkan dengan penggabungan teknik sistem fuzzy (reasoning) dan JST (learning), dapat mengatasi kelemahan sistem fuzzy yang bersifat trial-and-error.

b. Menganalisa parameter-parameter serta struktur ANFIS yang optimal untuk permasalahan yang dikaji yaitu penentuan KBK.

c. Mengimplementasi metode ANFIS untuk permasalahan KBK sesuai dengan hasil analisa sistem ke dalam bahasa pemrograman.

d. Menganalisa pengaruh algoritma gradient-descent dan least-square estimator untuk proses learning pada ANFIS

e. Menguji keakuratan hasil learning Metode Adaptive Neuro Fuzzy Inference System dengan parameter-parameter serta struktur yang telah dianalisa sebelumnya dan menarik kesimpulan atas kemampuan ANFIS dalam permasalahan klasifikasi yang dikaji.

1.5 Metodologi penyelesaian masalah

Metodologi penyelesaian masalah yang digunakan dalam penelitian Tugas Akhir ini adalah:

1. Perumusah masalah

Dalam perumusan masalah ini akan ditentukan permasalahan yang akan ditangani, yaitu masalah penentuan KBK.

2. Studi literatur

a.

Pencarian referensi

Mencari artikel, buku, maupun website yang berkaitan dengan ANFIS sebagai dasar pengetahuan dalam proses pembangunan sistem.

(4)

3

b.

Pendalaman materi

Mempelajari dan memahami materi yang telah diperoleh dari pencarian referensi serta berdiskusi dengan Pembimbing Tugas Akhir.

3. Pengumpulan data

Mengumpulkan data survei yang melibatkan koresponden mahasiswa Teknik Informatika IT Telkom. Kemudian membagi dengan persentase tertentu menjadi learning set dan data tes. Learning set untuk tahap learning (yang kemudian dibagi kembali menjadi data latih dan data validasi) sedangkan data tes untuk menguji keakuratan hasil learning ANFIS.

4. Analisa sistem

Menganalisa sistem secara terstruktur dengan cara menentukan parameter-parameter masukan (input) dan parameter-parameter keluaran (output) yang terlibat dalam permasalahan yang dikaji.

5. Desain sistem

Mendesain sistem dengan menggunakan hasil analisa dari tahap analisa sistem, merepresentasikan parameter input proses dan output kedalam node-node dan layer-layer pada ANFIS.

6. Implementasi sistem

Mengimplementasikan sistem kedalam bahasa pemrograman Matlab yaitu dengan menggunakan metode ANFIS.

7. Pengujian dan analisa output dari sistem

Sistem yang telah dihasilkan, kemudian diuji dan dianalisis keakuratan hasilnya. Pengujian dilakukan dengan cara menghitung akurasi hasil learning dari data latih terhadap data tes. Dan ditarik kesimpulan kemampuan ANFIS untuk permasalahan klasifikasi.

8. Penyusunan laporan tugas akhir dan kesimpulan akhir

(5)

43

5. Kesimpulan dan Saran

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari hasil implementasi dan uji coba yang dilakukan terhadap system perekomendasian KBK dengan ANFIS adalah :

a. Penggabungan JST dan sistem fuzzy dalam bentuk ANFIS dapat mengatasi kelemahan sistem fuzzy yang berdiri sendiri. Dengan akurasi tertinggi untuk data testing 1 sebesar 96% dan data testing 2 sebesar 88% sedangkan akurasi tertinggi sistem fuzzy untuk data testing 1 sebesar 76% dan data testing 2 sebesar 84% , ANFIS lebih mampu mendekati kebenaran prediksi klasifikasi dengan data aktual. b. Performansi dari ANFIS sangat ditentukan oleh sifat atau

karakteristik dari data yang mana untuk permasalahan klasifikasi ini, data haruslah bersifat balance.

c. Kombinasi dari parameter, struktur, serta skema learning ANFIS terbukti berpengaruh terhadap performansi ANFIS. Dengan hasil yang paling optimum didapatkan dari hasil observasi, yaitu saat struktur ANFIS-3 fuzzy dengan learning rate sebesar 0.1, positive number sebesar 0.1, dan maxEpoch sebesar 200.

5.2 Saran

Saran-saran untuk pengembangan tahap selanjutnya antara lain :

a.

Kualitas dan jumlah data untuk proses pelatihan ANFIS perlu ditingkatkan. Meskipun telah dilakukan teknik sampling untuk menangani permasalahan jumlah kelas yang bersifat imbalance, masih akan tetap lebih baik jika jumlah data untuk masing-masing kelas dalam proporsi yang setara berdasarkan data aktual, tanpa proses teknik sampling.

b.

Nilai parameter konsekuen awal dari ANFIS bisa diperbaiki dengan menggunakan fungsi fuzzy c-means dibandingkan dengan inisialisasi awal secara acak (random) yang mungkin bisa berpengaruh pada tingkat performansi ANFIS.

c.

Bisa dan memungkinkan untuk mengoptimasi struktur dan parameter ANFIS menggunakan algoritma genetika untuk mendapatkan hasil yang lebih baik.

(6)

44

6. Daftar Pustaka

[1] Detlef Nauck, Frank Klawon, and Rudolf Kruse “Combining Neural

Networks and Fuzzy Controllers”

http://en.scientificcommons.org/42854458/Cnnafc.pdf, September 2009 [2] Detlef Nauck, Frank Klawon, and Rudolf Kruse, “ Fuzzy Sets, Fuzzy

Controllers, and Neural Networks”,

http://en.scientificcommons.org/42951740/ffann.pdf , September 2009 [3] Dharumas Pinurbo “Peramalan Temperatur Udara Dengan Menggunakan

Adaptive Neuro Fuzzy Inference System (ANFIS)”, Tugas Akhir Teknik Informatika : IT Telkom Bandung.

[4] Gigih67, “Sistem Neuro-Fuzzy (ANFIS)”

http://www.geocities.com/gigih67/document/ANFIS.pdf, September 2009 [5] Heikki Koivo “ANFIS (Adaptive Neuro-Fuzzy Inference System)”

http://upload.ugm.ac.id/download.php?file=713ANFIS%20-%20Tutorial%20MantaP.pdf

[6] Jiawei Han and Micheline Kamber, “Data Mining Concepts and Techniques Second Edition”,University of Illinois Urbana-Champaign 2006

[7] Jhy-Shing Roger Jang, “ANFIS : Adaptive-Network-Based Fuzzy Inference System” http://ece.ut.ac.ir/Classpages/S86/ECE406/Papers/ANFIS.pdf, September 2009

[8] Nikola K.Kasabov, 1998 “Foundations of Neural Networks, Fuzzy

Systems, and Knowledge Engineering”,

http://www.ru.lv/~peter/zinatne/ebooks/Nikola%20K.%20Kasabov%20-%20Foundations%20of%20Neural%20Networks,%20Fuzzy%20Systems, %20and%20Knowledge%20Engineering.pdf, Oktober 2009

[9] Pierro P.Bonissone, “Adaptive Neural Fuzzy Inference System (ANFIS) : Analysis and Applications” http://www.rpi.edu/~bonisp/fuzzy-course/Papers-pdf/anfis.rpi04.pdf, September 2009

[10] Putra Nasir, “Optimasi Sistem Fuzzy Dengan ALgoritma Genetika Untuk Mendukung Pengambilan Keptusan Pemilihan KBK”,. Tugas Akhir Teknik Informatika : IT Telkom Bandung

[11] Rudolf Kruse and Detlef Nauck, “Learning Methods for Fuzzy Systems”

http://fuzzy.cs.uni-magdeburg.de/publications/kruNuern98.pdf, September 2009, September 2009

[12] Suyanto, 2007, Artificial Intelligence : Searching, Reasoning, Planning and Learning,. Penerbit Informatika: Bandung

[13] Suyanto, 2008, Soft Computing : Membangun Mesin Ber-IQ Tinggi,. Penerbit Informatika: Bandung

[14] Yul Y.Nazaruddin dan Puji Astuti, “Development of intelligent Controller withVirtualSensing”http://proceedings.itb.ac.id/download.php?file=B08004 .pdf&id=249&up=4, Februari 2009