BAB 3 METODOLOGI PENELITIAN

(1)

Pada bab ini akan dijelaskan tentang metodologi penelitian yang digunakan pada tesis ini. Uraian itu akan meliputi metode pengumpulan data, rancangan penelitian, menentukan fungsi keanggotaan fuzzy, dan pembentukan rule IF-THEN. Peneliti mengambil data dari SMK Swasta Medan Area-1. Data yang didapat berupa komponen penilaian dan variabel penilaia uji komptensi siswa multimedia pada SMK Swasta Medan Area-1. Kemudian dari data tesebut dibuatlah suatu range penilaian dan variable himpunan fuzzy yang digunakan dalam penelitian ini. Dari variabel himpunan tersebut dibuatlah aturan fuzzy, yang kemudian aturan fuzzy tersebut dipangkas menggunakan algoritma klasifikasi C4.5.

3.1 Metode Pengumpulan Data

Ada beberapa metode yang digunakan dalam pengumpulan data, yaitu : 1. Metode Observasi

Metode observasi yaitu melakukan pengambilan data langsung pada instansi yang terkait untuk mendapatkan data yang dibutuhkan.

2. Metode Studi Literatur

Metode studi literatur yaitu proses memperoleh data melalui penelitian yang telah dibuat sebelumnya seperti buku, jurnal, tesis, dan sebaginya.

3.2 Rancangan Penelitian

Dalam rancangan penelitian ini, akan dijelaskan tahap-tahap yang dilakukan selama proses penelitian. Tahap-tahap tersebut adalah sebagai berikut :

1. Data masukan yang diambil berupa data penilaian uji kompetensi siswa jurusan multimedia SMK Swasta Medan Area-1,

2. Data kemudian diproses menggunakan metode fuzzifikasi dan menghasilkan

(2)

21 3. Pada saat proses penentuan rule fuzzy metode Sugeno, rule yang digunakan

adalah rule fuzzy yang telah dipangkas menggunakan algoritma C4.5,

4. Proses defuzzifikasi dilakukan dengan mencari nilai rata-rata yang dilakukan menggunakan metode Weight Average(WA).

Gambar 3.1. Rancangan penelitian

3.3 Menentukan Fungsi Keanggotaan Fuzzy

Adapun variabel yang digunakan sebagai masukan, yaitu persiapan kerja, proses/cara kerja, hasil kerja, sikap kerja, dan waktu. Di dalam algoritma C4.5, variabel sering disebut juga dengan fitur. Himpunan fuzzy untuk setiap variable akan direpresentasikan sebagai berikut :

Tabel 3.1 Variabel himpunan fuzzy

No Nama Variabel Himpunan Fuzzy

1 Persiapan Kurang (K) Lengkap (L) Sangat Lengkap (SL) 2 Proses Belum Sesuai (BS)

Agak Sesuai (AS)

Sesuai (S) Sangat Sesuai (SS) 3 Hasil Rendah (R) Sedang (S) Tinggi (T) Sangat Tinggi (ST)

(3)

No Nama Variabel Himpunan Fuzzy 4 Sikap Kurang Baik (KB) Baik (B) Sangat Baik (SB) 5 Waktu Lama (L) Cepat (C)

Karena variable fuzzy terdiri dari 5 inputan, maka jumlah total kombinasi rule yang dihasilkan adalah (3 × 4 × 4 × 3 × 2) atau 288 Rule. Untuk range tiap variabel didapat dari nilai rata-rata yang diperoleh siswa. Batas nilai paling bawah diambil dari variabel dengan nilai terendah yang mungkin diperoleh siswa.

1. Variabel Persiapan

Gambar 3.2 Fungsi keanggotaan variabel persiapan

= 0, 1, (10 − )/3, < 3 ≥ 10 3 ≤ ≤ 7 7 ≤ ≤ 10 = 0, ≤ 7 ≥ 12 ( − 7)/3, 7 ≤ ≤ 10 (12 − )/2, 10 ≤ ≤ 12 = 0, ≤ 10 > 12 ( − 10)/2, 10 ≤ ≤ 12 0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 7 8 9 10 11 12 K L SL

(4)

23 2. Variabel Proses

Gambar 3.3 Fungsi keanggotaan variabel proses

= 0, < 7 ≥ 19 1, 7 ≤ ≤ 13 (19 − )/6, 13 ≤ ≤ 19 = 0, ≤ 13 ≥ 24 ( − 13)/6, 13 ≤ ≤ 19 (24 − )/5, 19 ≤ ≤ 24 = 0, ≤ 19 ≥ 28 ( − 19)/5, 19 ≤ ≤ 24 (28 − )/4, 24 ≤ ≤ 28 = 0, ≤ 24 > 28 ( − 24)/4, 24 ≤ ≤ 28 0 0.2 0.4 0.6 0.8 1 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 BS AS S SS

(5)

3. Variabel Hasil

Gambar 3.4 Fungsi keanggotaan variabel hasil

= 0, < 8 ≥ 18 1, 8 ≤ ≤ 12 (18 − )/6, 12 ≤ ≤ 18 = 0, ≤ 12 ≥ 26 ( − 12)/6, 12 ≤ ≤ 18 (26 − )/8, 18 ≤ ≤ 26 = 0, ≤ 18 ≥ 32 ( − 18)/8, 18 ≤ ≤ 26 (32 − )/6, 26 ≤ ≤ 32 = 0, ≤ 26 > 32 ( − 26)/6, 26 ≤ ≤ 32 0 0.2 0.4 0.6 0.8 1 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 R S T ST

(6)

25 4. Variabel Sikap

Gambar 3.5 Fungsi keanggotaan variabel sikap

= 0, < 2 ≥ 6 1, 2 ≤ ≤ 4 (6 − )/2, 4 ≤ ≤ 6 = 0, ≤ 4 ≥ 8 ( − 4)/2, 4 ≤ ≤ 6 (8 − )/2, 6 ≤ ≤ 8 = 0, ≤ 6 > 8 ( − 6)/2, 6 ≤ ≤ 8 5. Variabel Waktu

Gambar 3.6 Fungsi Keanggotaan Variabel Waktu

0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 7 8 KB B SB 0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 LAMA CEPAT

(7)

= 0, < 1 ≥ 4 1, 1 ≤ ≤ 2 (4 − )/2, 2 ≤ ≤ 4 = 0, ≤ 2 > 4 ( − 2)/2, 2 ≤ ≤ 4

3.4 Pembentukan Rule IF-THEN

Dari variabel fungsi keanggotaan, maka dapat ditentukan nilai tiap himpunan fuzzy untuk kemudian digunakan untuk mencari . adalah nilai konsekuen untuk setiap aturan fuzzy Sugeno. Jika nilai >= 80, maka Nilai_Ket(Nilai keterangan) = LULUS, jika nilai < 80, maka Nilai_ket = TL (TIDAK LULUS). Batas kelulusan ditentukan sesuai nilai kelulusan siswa SMK Swasta Medan Area-1 yaitu 80.

Adapun nilai tiap himpunan adalah sebagi berikut : Tabel 3.2 Nilai himpunan

No Nama Variabel Himpunan Fuzzy Nilai

1 Persiapan Kurang 7 Lengkap 10 Sangat Lengkap 12 2 Proses Belum Sesuai 13 Agak Sesuai 19 Sesuai 24 Sangat Sesuai 28 3 Hasil Rendah 12 Sedang 18 Tinggi 26 Sangat Tinggi 32 4 Sikap Kurang Baik 4 Baik 6 Sangat Baik 8 5 Waktu Lama 2 Cepat 4

(8)

27 Contoh :

Rule 285 :

IF PERSIAPAN Sangat Lengkap AND PROSES Sangat Sesuai AND HASIL Sangat

Tinggi AND SIKAP Baik AND WAKTU Lama THEN = ...

Tahapanya adalah menerjemahkan variabel linguistik kedalam angka. Diketahui Persiapan = 12, Proses = 28, Hasil = 32, Sikap = 6, dan Waktu = 2.

Rumus untuk mencari diperoleh dari data penilaian siswa pada saat Uji Kompetensi. Berikut rumus untuk mencari :

= ∗ + ∗ + ∗

+ ∗ + ∗ (3.1)

Maka :

= ∗ + ∗ + ∗ + ∗ + ∗

= ,

Karena nilai >= 80, maka nilai_Ket = LULUS.

Berdasarkan variabel himpunan fuzzy dan perhitungan , maka Rule IF-THEN terbentuk adalah berikut :

Tabel 3.3 Aturan Fuzzy

Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai_Ket Nilai z 1 Kurang Belum Sesuai Rendah Kurang Baik Lama TL 44,76 2 Kurang Belum Sesuai Rendah Kurang Baik Cepat TL 49,76

3 Kurang Belum Sesuai Rendah Baik Lama TL 47,26

4 Kurang Belum Sesuai Rendah Baik Cepat TL 52,26

5 Kurang Belum Sesuai Rendah Sangat Baik Lama TL 49,76 6 Kurang Belum Sesuai Rendah Sangat Baik Cepat TL 54,76 7 Kurang Belum Sesuai Sedang Kurang Baik Lama TL 52,26 8 Kurang Belum Sesuai Sedang Kurang Baik Cepat TL 57,26

9 Kurang Belum Sesuai Sedang Baik Lama TL 54,76

(9)

Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai_Ket Nilai z 11 Kurang Belum Sesuai Sedang Sangat Baik Lama TL 57,26 12 Kurang Belum Sesuai Sedang Sangat Baik Cepat TL 62,26 13 Kurang Belum Sesuai Tinggi Kurang Baik Lama TL 62,26 14 Kurang Belum Sesuai Tinggi Kurang Baik Cepat TL 67,26

15 Kurang Belum Sesuai Tinggi Baik Lama TL 64,76

16 Kurang Belum Sesuai Tinggi Baik Cepat TL 69,76

17 Kurang Belum Sesuai Tinggi Sangat Baik Lama TL 67,26 18 Kurang Belum Sesuai Tinggi Sangat Baik Cepat TL 72,26 19 Kurang Belum Sesuai Sangat Tinggi Kurang Baik Lama TL 69,76 20 Kurang Belum Sesuai Sangat Tinggi Kurang Baik Cepat TL 74,76 21 Kurang Belum Sesuai Sangat Tinggi Baik Lama TL 72,26 22 Kurang Belum Sesuai Sangat Tinggi Baik Cepat TL 77,26 23 Kurang Belum Sesuai Sangat Tinggi Sangat Baik Lama TL 74,76 24 Kurang Belum Sesuai Sangat Tinggi Sangat Baik Cepat TL 79,76 25 Kurang Agak Sesuai Rendah Kurang Baik Lama TL 51,19 26 Kurang Agak Sesuai Rendah Kurang Baik Cepat TL 56,19

27 Kurang Agak Sesuai Rendah Baik Lama TL 53,69

28 Kurang Agak Sesuai Rendah Baik Cepat TL 58,69

29 Kurang Agak Sesuai Rendah Sangat Baik Lama TL 56,19 30 Kurang Agak Sesuai Rendah Sangat Baik Cepat TL 61,19 31 Kurang Agak Sesuai Sedang Kurang Baik Lama TL 58,69 32 Kurang Agak Sesuai Sedang Kurang Baik Cepat TL 63,69

33 Kurang Agak Sesuai Sedang Baik Lama TL 61,19

34 Kurang Agak Sesuai Sedang Baik Cepat TL 66,19

35 Kurang Agak Sesuai Sedang Sangat Baik Lama TL 63,69 . . . . . . . . . . . . . . . . . . . . . . . . 285 Sangat Lengkap Sangat Sesuai Sangat Tinggi Baik Lama LULUS 92,50 286 Sangat Lengkap Sangat Sesuai Sangat Tinggi Baik Cepat LULUS 97,50 287 Sangat Lengkap Sangat Sesuai Sangat Tinggi Sangat Baik Lama LULUS 95,00 288 Sangat Lengkap Sangat Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 100,00

(10)

BAB 4

HASIL DAN PEMBAHASAN

Pada bab ini akan dijelaskan hasil dan pembahasan selama proses penelitian. Uraian itu akan meliputi klasifikasi aturan menggunakan algoritma C4.5, pembentukan

decission tree, evaluasi rule, evaluasi kinerja metode, serta tampilan aplikasi. Setelah

hasil didapat, maka akan dibandingkan tingkat akurasi FIS metode Sugeno yang diintegrasikan menggunakan algoritma C4.5 terhadap FIS metode Sugeno tanpa algoritma C4.5.

4.1 Klasifikasi Aturan Algoritma C4.5 dan Decision Tree

Pada tahap ini, aturan yang didapat dari pakar sebanyak 288 rule. Aturan sebanyak 288 tersebut akan diklasifikasikan menggunakan algoritma C4.5. Tahap klasifikasi menggunakan informasi entropy (entropi) dan gain.

Tahap pertama yang dilakukan adalah menghitung jumlah kasus untuk setiap variabel. Setelah jumlah kasus didapat, maka diklasifikasikan jumlah siswa yang tidak lulus dan yang lulus. Kemudian dihitung nilai entropy menggunakan rumus 2.12 dan 2.13. Setelah nilai entropy didapat, maka dihitunglah nilai gain dari tiap variabel. Sehingga variabel dengan nilai gain tertinggi diambil sebagai akar, dan terus di ulang hingga tidak ada lagi node yang dapat diturunkan. Setiap perhitungan node akan terbentuk decision tree.

Berikut ini disajikan hasil-hasil perhitungan entropy dan gain untuk tiap variabel serta pembentukan decission tree.

(11)

Tabel 4.1 Perhitungan entropy dan gain node 1

Node kasusJml

(S)

Tidak Lulus

(TL) Lulus Entropy Gain

1 TOTAL 288 200 88 0,88797632 PERSIAPAN 0,009040662 Kurang 96 73 23 0,79434669 Lengkap 96 66 30 0,896038233 Sangat Lengkap 96 61 35 0,946422051 PROSES 0,130105018 Belum Sesuai 72 69 3 0,249882293 Agak Sesuai 72 54 18 0,811278124 Sesuai 72 43 29 0,972552317 Sangat Sesuai 72 34 38 0,997772472 HASIL 0,376176207 Rendah 72 72 0 0 TL Sedang 72 69 3 0,249882293 Tinggi 72 41 31 0,986040032 Sangat Tinggi 72 18 54 0,811278124 SIKAP 0,009040662 Kurang Baik 96 73 23 0,79434669 Baik 96 66 30 0,896038233 Sangat Baik 96 61 35 0,946422051 WAKTU 0,013350253 Lama 144 109 35 0,800084745 Cepat 144 91 53 0,949167388

Berdasarkan tabel perhitungan entropy dan gain pada node 1, nilai gain tertinggi diperoleh oleh variabel hasil. Maka variabel hasil dijadikan sebagai root node. Dari variabel hasil terbentuklah tiga node baru, yaitu node 1.1, node 1.2 dan node 1.3. Sedangkan untuk HASIL dengan nilai Rendah telah diklasifikasi sebagai TL (Tidak Lulus).

(12)

31

Gambar 4.1 Node 1

Setelah mendapatkan node 1, maka terbentuklah rule :

IF HASIL Rendah THEN Nilai_Ket = TL

Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya. Dimulai dari node 1.1 sampai node 1.1.1.1.

Tabel 4.2 Perhitungan entropy dan gain node 1.1

(S)

Tidak Lulus

1.1 HASIL Sedang 72 69 3 0,249882293 PERSIAPAN 0,028649245 Kurang 24 24 0 0 Lengkap 24 23 1 0,249882293 Sangat Lengkap 24 22 2 0,41381685 PROSES 0,087376687 Belum Sesuai 18 18 0 0 TL Agak Sesuai 18 18 0 0 TL Sesuai 18 18 0 0 TL Sangat Sesuai 18 15 3 0,650022422 SIKAP 0,028649245 Kurang Baik 24 24 0 0 Baik 24 23 1 0,249882293 Sangat Baik 24 22 2 0,41381685 WAKTU 0,042973868 Lama 36 36 0 0

(13)

Node kasusJml (S)

Tidak Lulus

1.1 HASIL Sedang 72 69 3 0,249882293

Cepat 36 33 3 0,41381685

Tabel 4.3 Perhitungan entropy dan gain node 1.1.1

(S)

Tidak Lulus

1.1.1 PROSES Sangat Sesuai 18 15 3 0,650022422

PERSIAPAN 0,12724967 Kurang 6 6 0 0 Lengkap 6 5 1 0,650022422 Sangat Lengkap 6 4 2 0,918295834 SIKAP 0,12724967 Kurang Baik 6 6 0 0 Baik 6 5 1 0,650022422 Sangat Baik 6 4 2 0,918295834 WAKTU 0,190874505 Lama 9 9 0 0 TL Cepat 9 6 3 0,918295834

Tabel 4.4 Perhitungan entropy dan gain node 1.1.1.1

(S)

Tidak Lulus

1.1.1.1 WAKTU Cepat 9 6 3 0,918295834 PERSIAPAN 0,306098611 Kurang 3 3 0 0 TL Lengkap 3 2 1 0,918295834 Sangat Lengkap 3 1 2 0,918295834 SIKAP 0,306098611 Kurang Baik 3 3 0 0 TL Baik 3 2 1 0,918295834 Sangat Baik 3 1 2 0,918295834

Berdasarkan perhitungan entropy dan gain percabangan node 1.1, dihasilkan decision

(14)

33 1.1 PROSES TL TL TL 1.1.1 WAKTU Belum Sesuai Agak Sesuai Sesuai Sangat Sesuai TL Lama 1.1.1.1 PERSIAPAN 1.1.1.1_SIKAP Cepat Cepat TL TL

Kurang Kurang Baik

Gambar 4.2 Percabangan node 1.1

Setelah mendapatkan node 1.1 sampai node 1.1.1.1, maka terbentuklah rule :

IF HASIL Sedang AND PROSES Belum Sesuai THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Agak Sesuai THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Sesuai THEN Nilai_Ket = TL

IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Lama THEN

Nilai_Ket = TL

IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Cepat AND

PERSIAPAN Kurang THEN Nilai_Ket = TL

IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Cepat AND SIKAP

Kurang Baik THEN Nilai_Ket = TL

Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya. Dimulai dari node 1.2 sampai node 1.2.3.2.

(15)

(S)

Tidak Lulus

1.2 HASIL Tinggi 72 41 31 0,986040032 PERSIAPAN 0,032428657 Kurang 24 17 7 0,870864469 Lengkap 24 13 11 0,994984828 Sangat Lengkap 24 11 13 0,994984828 PROSES 0,505128878 Belum Sesuai 18 18 0 0 TL Agak Sesuai 18 15 3 0,650022422 Sesuai 18 7 11 0,964078765 Sangat Sesuai 18 1 17 0,309543429 SIKAP 0,032428657 Kurang Baik 24 17 7 0,870864469 Baik 24 13 11 0,994984828 Sangat Baik 24 11 13 0,994984828 WAKTU 0,046513842 Lama 36 25 11 0,88797632 Cepat 36 16 20 0,99107606

(S)

Tidak Lulus

1.2.1 PROSES Agak Sesuai 18 15 3 0,650022422

PERSIAPAN 0,12724967 Kurang 6 6 0 0 Lengkap 6 5 1 0,650022422 Sangat Lengkap 6 4 2 0,918295834 SIKAP 0,12724967 Kurang Baik 6 6 0 0 Baik 6 5 1 0,650022422 Sangat Baik 6 4 2 0,918295834 WAKTU 0,190874505 Lama 9 9 0 0 TL Cepat 9 6 3 0,918295834

(16)

35

(S)

Tidak Lulus

1.2.2 PROSES Sesuai 18 7 11 0,964078765 PERSIAPAN 0,135207402 Kurang 6 4 2 0,918295834 Lengkap 6 2 4 0,918295834 Sangat Lengkap 6 1 5 0,650022422 SIKAP 0,135207402 Kurang Baik 6 4 2 0,918295834 Baik 6 2 4 0,918295834 Sangat Baik 6 1 5 0,650022422 WAKTU 0,25330168 Lama 9 6 3 0,918295834 Cepat 9 1 8 0,503258335

(S)

Tidak Lulus

1.2.3 PROSES Sangat Sesuai 18 1 17 0,309543429

PERSIAPAN 0,092869289

Kurang 6 1 5 0,650022422

Lengkap 6 0 6 0 LULUS

Sangat Lengkap 6 0 6 0 LULUS

SIKAP 0,092869289

Kurang Baik 6 1 5 0,650022422

Baik 6 0 6 0 LULUS

Sangat Baik 6 0 6 0 LULUS

WAKTU 0,057914262

Lama 9 1 8 0,503258335

(17)

(S)

Tidak Lulus

(S)

Tidak Lulus

1.2.2.1 WAKTU Lama 9 6 3 0,918295834 PERSIAPAN 0,306098611 Kurang 3 3 0 0 TL Lengkap 3 2 1 0,918295834 Sangat Lengkap 3 1 2 0,918295834 SIKAP 0,306098611 Kurang Baik 3 3 0 0 TL Baik 3 2 1 0,918295834 Sangat Baik 3 1 2 0,918295834

(S)

Tidak Lulus

1.2.2.2 WAKTU Cepat 9 1 8 0,503258335

PERSIAPAN 0,197159723

Kurang 3 1 2 0,918295834

Lengkap 3 0 3 0 LULUS

SIKAP 0,197159723

Kurang Baik 3 1 2 0,918295834

Baik 3 0 3 0 LULUS

(18)

37

(S)

Tidak Lulus

1.2.3.1 PERSIAPAN Kurang 6 1 5 0,650022422

WAKTU 0,190874505

Lama 3 1 2 0,918295834

Cepat 3 0 3 0 LULUS

(S)

Tidak Lulus

1.2.3.2 SIKAP Kurang Baik 6 1 5 0,650022422

WAKTU 0,190874505

Lama 3 1 2 0,918295834

Cepat 3 0 3 0 LULUS

tree seperti pada Gambar 4.3.

1.2 PROSES 1.2.1 WAKTU 1.2.2 WAKTU 1.2.3 PERSIAPAN TL Belum Sesuai

Agak Sesuai Sangat Sesuai

Sesuai 1.2.3 SIKAP Sangat Sesuai TL Lama 1.2.1.1 PERSIAPAN _1.2.1.1 SIKAP Cepat Cepat TL TL Kurang Kurang Baik 1.2.2.1 PERSIAPAN 1.2.2.1SIKAP Lama Lama 1.2.2.2 PERSIAPAN 1.2.2.2 SIKAP Cepat Cepat TL TL LULUS LULUS Kurang Kurang Baik

Lengkap Baik LULUS LULUS LULUS LULUS Lengkap Sangat Lengkap

Baik Sangat Baik

1.2.3.1 WAKTU 1.2.3.2 WAKTU Kurang Baik Kurang LULUS LULUS Cepat Cepat LULUS Sangat Baik LULUS Sangat Lengkap

(19)

IF HASIL Tinggi AND PROSES Belum Sesuai THEN Nilai_Ket = TL

IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Lama THEN

Nilai_Ket = TL

IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat AND

IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat AND SIKAP

Kurang Baik THEN Nilai_Ket = TL

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Lama AND PERSIAPAN

Kurang THEN Nilai_Ket = TL

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Lama AND SIKAP Kurang

Baik THEN Nilai_Ket = TL

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND PERSIAPAN

Lengkap THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND PERSIAPAN

Sangat Lengkap THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND SIKAP Baik THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND SIKAP Sangat

Baik THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Lengkap THEN

Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Sangat Lengkap THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Kurang AND

WAKTU Cepat THEN Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Baik THEN Nilai_Ket

= LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Sangat Baik THEN

Nilai_Ket = LULUS

IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Kurang Baik AND

(20)

39 Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya. Dimulai dari node 1.3 sampai node 1.3.2.1.

(S)

Tidak Lulus

1.3 HASIL Sangat Tinggi 72 18 54 0,811278124

PERSIAPAN 0,018079331 Kurang 24 8 16 0,918295834 Lengkap 24 6 18 0,811278124 Sangat Lengkap 24 4 20 0,650022422 PROSES 0,486266914 Belum Sesuai 18 15 3 0,650022422 Agak Sesuai 18 3 15 0,650022422 Sesuai 18 0 18 0 LULUS

Sangat Sesuai 18 0 18 0 LULUS

SIKAP 0,018079331 Kurang Baik 24 8 16 0,918295834 Baik 24 6 18 0,811278124 Sangat Baik 24 4 20 0,650022422 WAKTU 0,027118997 Lama 36 12 24 0,918295834 Cepat 36 6 30 0,650022422

(S)

Tidak Lulus

1.3.1 PROSES Belum Sesuai 18 15 3 0,650022422

PERSIAPAN 0,12724967 Kurang 6 6 0 0 Lengkap 6 5 1 0,650022422 Sangat Lengkap 6 4 2 0,918295834 SIKAP 0,12724967 Kurang Baik 6 6 0 0 Baik 6 5 1 0,650022422 Sangat Baik 6 4 2 0,918295834

(21)

Node kasusJml (S)

Tidak Lulus

WAKTU 0,190874505

Lama 9 9 0 0 TL

Cepat 9 6 3 0,918295834

(S)

Tidak Lulus

1.3.2 PROSES Agak Sesuai 18 3 15 0,650022422

PERSIAPAN 0,12724967 Kurang 6 2 4 0,918295834 Lengkap 6 1 5 0,650022422 Sangat Lengkap 6 0 6 0 SIKAP 0,12724967 Kurang Baik 6 2 4 0,918295834 Baik 6 1 5 0,650022422 Sangat Baik 6 0 6 0 WAKTU 0,190874505 Lama 9 3 6 0,918295834 Cepat 9 0 9 0 LULUS

(S)

Tidak Lulus

(22)

41

(S)

Tidak Lulus

1.3.2.1 WAKTU Lama 9 3 6 0,918295834

PERSIAPAN 0,306098611

Kurang 3 2 1 0,918295834

Lengkap 3 1 2 0,918295834

SIKAP 0,306098611

Kurang Baik 3 2 1 0,918295834

Baik 3 1 2 0,918295834

Sangat Baik 3 0 3 0 LULUS

tree seperti pada Gambar 4.4.

Gambar 4.4 Percabangan node 1.3

IF HASIL Sangat Tinggi AND PROSES Sesuai THEN Nilai_Ket = LULUS

(23)

IF HASIL Sangat Tinggi AND PROSES Belum Sesuai AND WAKTU Lama THEN

Nilai_Ket = TL

IF HASIL Sangat Tinggi AND PROSES Belum Sesuai AND WAKTU Cepat AND

SIKAP Kurang Baik THEN Nilai_Ket = TL

IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat THEN

Nilai_Ket = LULUS

IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Lama AND

PERSIAPAN Sangat Lengkap THEN Nilai_Ket = LULUS

IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Lama AND

SIKAP Sangat Baik THEN Nilai_Ket = LULUS.

4.2 Pembentukan IF-THEN Rule berdasarkan Decision Tree

Setelah dilakukan klasifikasi rule menggunakan algoritma C4.5, maka terbentuklah

rule / aturan sebanyak 52 aturan. Terdapat 30 aturan yang berhasil diklasifikasikan,

dan sisa aturan setelah diklasifikan adalah sebanyak 22 aturan. Dari keseluruhan rule yang akan digunakan adalah sebagai berikut :

Tabel 4.19 Rule fuzzy menggunakan algoritma C4.5

Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai_KET Nilai_Z

1 Rendah TL 60,56

2 Belum Sesuai Sedang TL 59,48

3 Agak Sesuai Sedang TL 65,91

4 Sesuai Sedang TL 71,27

5 Belum Sesuai Tinggi TL 69,48

6 Sesuai Sangat Tinggi LULUS 88,77

7 Sangat Sesuai Sangat Tinggi LULUS 93,06

8 Sangat Sesuai Sedang Lama TL 73,06

9 Agak Sesuai Tinggi Lama TL 73,41

10 Lengkap Sangat Sesuai Tinggi LULUS 85,83

(24)

43

12 Sangat Sesuai Tinggi Baik LULUS 83,33

13 Sangat Sesuai Tinggi Sangat Baik LULUS 85,83

14 Belum Sesuai Sangat Tinggi Lama TL 74,48

15 Agak Sesuai Sangat Tinggi Cepat LULUS 85,91

16 Kurang Sangat Sesuai Sedang Cepat TL 75,83

17 Sangat Sesuai Sedang Kurang_Baik Cepat TL 76,67

18 Kurang Agak Sesuai Tinggi Cepat TL 76,19

19 Agak Sesuai Tinggi Kurang_Baik Cepat TL 77,02

20 Kurang Sesuai Tinggi Lama TL 76,55

21 Sesuai Tinggi Kurang_Baik Lama TL 77,38

22 Lengkap Sesuai Tinggi Cepat LULUS 84,05

23 Sangat Lengkap Sesuai Tinggi Cepat LULUS 85,71

24 Sesuai Tinggi Baik Cepat LULUS 81,55

25 Sesuai Tinggi Sangat Baik Cepat LULUS 84,05

26 Kurang Sangat Sesuai Tinggi Cepat LULUS 83,33

27 Kurang Belum Sesuai Sangat Tinggi Cepat TL 77,26 28 Belum Sesuai Sangat Tinggi Kurang_Baik Cepat TL 78,10 29 Sangat Lengkap Agak Sesuai Sangat Tinggi Lama LULUS 82,86 30 Agak Sesuai Sangat Tinggi Sangat Baik Lama LULUS 82,44 31 Kurang Agak Sesuai Sangat Tinggi Kurang_Baik Lama TL 76,19 32 Kurang Agak Sesuai Sangat Tinggi Baik Lama TL 78,69 33 Kurang Sesuai Tinggi Kurang_Baik Cepat TL 79,05 34 Kurang Sangat Sesuai Tinggi Kurang_Baik Lama TL 78,33 35 Lengkap Belum Sesuai Sangat Tinggi Baik Cepat TL 79,76 36 Lengkap Belum Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 82,26

37 Lengkap Agak Sesuai Tinggi Baik Cepat TL 78,69

38 Lengkap Agak Sesuai Tinggi Sangat Baik Cepat LULUS 81,19 39 Lengkap Agak Sesuai Sangat Tinggi Kurang_Baik Lama TL 78,69 40 Lengkap Agak Sesuai Sangat Tinggi Baik Lama LULUS 81,19

41 Lengkap Sesuai Tinggi Baik Lama TL 79,05

(25)

43 Lengkap Sangat Sesuai Sedang Baik Cepat TL 78,33 44 Lengkap Sangat Sesuai Sedang Sangat Baik Cepat LULUS 80,83 45 Sangat Lengkap Belum Sesuai Sangat Tinggi Baik Cepat LULUS 81,43 46 Sangat Lengkap Belum Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 83,93 47 Sangat Lengkap Agak Sesuai Tinggi Baik Cepat LULUS 80,36 48 Sangat Lengkap Agak Sesuai Tinggi Sangat Baik Cepat LULUS 82,86 49 Sangat Lengkap Sesuai Tinggi Baik Lama LULUS 80,71 50 Sangat Lengkap Sesuai Tinggi Sangat Baik Lama LULUS 83,21 51 Sangat Lengkap Sangat Sesuai Sedang Baik Cepat LULUS 80,00 52 Sangat Lengkap Sangat Sesuai Sedang Sangat Baik Cepat LULUS 82,50 4.3 Evaluasi Rule

Setelah rule terbentuk, maka dilakukanlah evaluasi rule untuk melihat hasil yang didapat dari FIS metode Sugeno tanpa algoritma C4.5 dan FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5. setelah evaluasi rule dilakukan, maka tahap selanjutnya melakukan evaluasi tingkat akurasi fuzzy Sugeno yang diintegrasikan dengan algoritma C4.5 terhadap fuzzy Sugeno tanpa C4.5.

Tabel 4.20 Hasil evaluasi rule fuzzy

No. NAMA

KRITERIA PENILAIAN HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C4.5 PERSIAPAN PROSES HASIL SIKAP WAKTU

1 ADINDA NAWANG 11 23 30 8 3 87 83 2 AINA RAMADHANI 7 16 14 4 2 50 61 3 DINDA DESTRIYA 12 21 26 8 3 82 81 4 EKOSYAPUTRA 7 16 14 4 2 50 61 5 FITRI NURHANDIKA 12 20 26 8 4 83 83 6 M. RIZKY ARFANDI 12 23 25 7 4 82 82 7 MASYA ARIBIMO 11 20 23 6 2 71 73 8 MUDZVIRA ALMA J 8 16 21 6 2 63 66 9 MUTIA MAY P 11 13 12 6 3 53 60 10 MUTIARA 12 23 26 8 3 84 83 11 MYA LESTARI 11 23 30 8 3 87 83

(26)

45

No. NAMA

KRITERIA PENILAIAN HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C4.5 PERSIAPAN PROSES HASIL SIKAP WAKTU

12 NURSIAH LUBIS 11 13 12 6 3 53 60 13 ONNIKE ELAWATI 12 28 30 8 3 94 89 14 PUTRI ANZALIKA 12 27 29 8 4 94 87 15 RIZKI KURNIAWAN 8 16 23 6 3 66 70 16 ZULKARNAEN S 11 28 32 8 3 96 93 17 AGUNG PRATAMA 12 16 23 6 2 67 67 18 CINDY SYNTIA 12 21 26 8 3 82 81 19 HARVINI 12 27 29 8 3 92 87 20 MUTIA AISYAH 11 26 28 8 3 90 85 21 REZA HIDAYAT 8 26 26 6 3 82 81 22 TAMARA DILLA 12 24 26 8 4 88 84 23 RESTU RAHAYU 12 19 26 8 3 80 78 24 AMELIA ROSANTI 7 16 21 5 2 61 66 25 GIO FANNY 12 20 26 8 3 81 80 26 FITRIA SARI 11 26 32 8 3 94 90 27 LAILATUL K 12 27 32 8 3 96 91

28 REZA TIKA HALI 10 24 25 7 4 83 82

29 CHANDRA G 8 16 16 4 2 53 62

30 JUANARA S 9 28 28 4 2 82 85

31 M. RISKI FARHAN 7 18 14 4 2 52 61

32 DAMANIA R 11 26 28 8 3 90 85

33 MHD SYAHFIZ 7 13 16 4 2 49 59

Tabel 4.21 Evaluasi tingkat akurasi

No. NAMA KRITERIA PENILAIAN FUZZYHASIL SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C4.5 PERSIAPAN PROSES HASIL SIKAP WAKTU

1 ADINDA NAWANG 11 23 30 8 3 LULUS LULUS

2 AINA RAMADHANI 7 16 14 4 2 TL TL

3 DINDA DESTRIYA 12 21 26 8 3 LULUS LULUS

4 EKOSYAPUTRA 7 16 14 4 2 TL TL

5 FITRI NURHANDIKA 12 20 26 8 4 LULUS LULUS

6 M. RIZKY ARFANDI 12 23 25 7 4 LULUS LULUS

7 MASYA ARIBIMO 11 20 23 6 2 TL TL

8 MUDZVIRA ALMA J 8 16 21 6 2 TL TL

9 MUTIA MAY P 11 13 12 6 3 TL TL

(27)

No. NAMA KRITERIA PENILAIAN FUZZYHASIL SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C4.5 PERSIAPAN PROSES HASIL SIKAP WAKTU

11 MYA LESTARI 11 23 30 8 3 LULUS LULUS

12 NURSIAH LUBIS 11 13 12 6 3 TL TL

13 ONNIKE ELAWATI 12 28 30 8 3 LULUS LULUS

14 PUTRI ANZALIKA 12 27 29 8 4 LULUS LULUS

15 RIZKI KURNIAWAN 8 16 23 6 3 TL TL

16 ZULKARNAEN S 11 28 32 8 3 LULUS LULUS

17 AGUNG PRATAMA 12 16 23 6 2 TL TL

18 CINDY SYNTIA 12 21 26 8 3 LULUS LULUS

19 HARVINI 12 27 29 8 3 LULUS LULUS

20 MUTIA AISYAH 11 26 28 8 3 LULUS LULUS

21 REZA HIDAYAT 8 26 26 6 3 LULUS LULUS

22 TAMARA DILLA 12 24 26 8 4 LULUS LULUS

23 RESTU RAHAYU 12 19 26 8 3 LULUS TL

24 AMELIA ROSANTI 7 16 21 5 2 TL TL

25 GIO FANNY 12 20 26 8 3 LULUS LULUS

26 FITRIA SARI 11 26 32 8 3 LULUS LULUS

27 LAILATUL K 12 27 32 8 3 LULUS LULUS

28 REZA TIKA HALI 10 24 25 7 4 LULUS LULUS

29 CHANDRA G 8 16 16 4 2 TL TL

30 JUANARA S 9 28 28 4 2 LULUS LULUS

31 M. RISKI FARHAN 7 18 14 4 2 TL TL

32 DAMANIA R 11 26 28 8 3 LULUS LULUS

33 MHD SYAHFIZ 7 13 16 4 2 TL TL

4.4 Evaluasi Kinerja Metode

Dari data tabel 4.21 menunjukkan bahwa hasil yang didapat dengan rule yang telah dioptimasi menggunakan algoritma C4.5 memiliki tingkat akurasi sebagai berikut:

= ∑_∑ 100%

(28)

47 Dengan tingkat akurasi sebesar 96,97%, maka FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5 dapat digunakan sebagai metode dalam pemangkasan rule fuzzy.

Selain menganalisis tingkat keakuratan, dilakukan juga analisis terhadap waktu dari kedua metode yang diukur dalam milisekon (ms).

Tabel 4.22 Lama waktu proses

No. NAMA SISWA LPS LPSC4.5

1. ADINDA NAWANG W 0,312 0,187

2. PUTRI ANZALIKA HUKUL 0,562 0,234

3. MASYA ARIBIMO 0,500 0,203

4. ONNIKE ELAWATI Br. S 0,328 0,140

5. ZULKARNAEN SIREGAR 0,218 0,109

Keterangan :

LPS : lama proses metode fuzzy Sugeno

LPSC4.5 : lama proses metode fuzzy Sugeno dan algoritma C4.5

Dari data tabel 4.22 menunjukkan bahwa lama waktu proses yang dibutuhkan FIS metode Sugeno tanpa algoritma C4.5 lebih lama dibandingkan dengan FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5.

Grafik perbandingan FIS Sugeno (FS) dan FIS Sugeno yang dintegrasikan menggunakan algoritma C4.5 (FSC4.5) menunjukkan bahwa hasil defuzzifikasinya FIS Sugeno dengan algoritma C4.5 mendekati hasil defuzzifikasi FIS Sugeno tanpa algoritma C4.5. Grafik tersebut ditampilkan pada Gambar 4.5

Gambar 4.5 Grafik perbandingan

0 20 40 60 80 100 X1 X3 X5 X7 X9 _X11 _X13 _X15 _X17 9_X1 _X21 _X23 _X25 _X27 _X29 _X31 _X33 FS FSC4.5

(29)

4.5 Tampilan Aplikasi

Gambar 4.6 Form menu utama

(30)

49

Gambar 4.8 Form rule Sugeno

(31)

Gambar 4.10 Form update data dan waktu proses fuzzy Sugeno dan algoritma C4.5

(32)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, maka kesimpulan dari penelitian ini adalah :

1. Tingkat akurasi metode fuzzy Sugeno yang diintegrasikan dengan algoritma C4.5 mendapatkan hasil akurasi sebesar 96,97 %.

2. Jumlah aturan yang awalnya 288 rule menjadi hanya 52 rule, hal tersebut menyebabkan beban komputsi berkurang.

3. Lama waktu yang diperlukan selama proses perhitungan defuzzifikasi antara metode Sugeno yang diintegrasikan menggunkan algoritma C4.5 lebih cepat dibandingkan dengan metode Sugeno tanpa algoritma C4.5.

4. Jumlah rule yang sedikit, menyebabkan lama waktu proses menjadi lebih cepat.

5.2 Saran

Meskipun metode yang dikembangkan oleh peneliti merupakan solusi yang mendekati nilai optimum untuk studi kasus penentuan jumlah aturan. Kedepannya, tingkat akurasi dan pengurangan jumlah aturan dapat dikembangkan lagi. Untuk penelitian selanjutnya, metode pemangkasan jumlah atura fuzzy dapat dikembangkan menggunakan metode klasifikasi yang lain seperti k-nearest neighbor dan jaringan saraf tiruan.