Analisis Perbandingan Rule Pakar dan Decision Tree J48 Dalam Menentukan Jumlah Produksi Kain Tenun Menggunakan Metode Fuzzy Tsukamoto
Tundo Amri Mujahid1*, Enny Itje Sela2
1 Fakultas Sains dan Teknologi, Magister Informatika, UIN Sunan Kalijaga Yogyakarta, Yogyakarta, Indonesia
2 Informatika, Universitas Teknologi Yogyakarta, Yogyakarta, Indonesia Email: 1*[email protected], 2[email protected]
Abstrak
Penelitian ini menerangkan analisis perbandingan rule pakar dan decision tree J48 dengan menggunakan fuzzy Tsukamoto dalam menentukan jumlah produksi kain tenun. Dari hasil analisis penelitian, ditemukan model basis aturan dalam penelitian ini berupa pohon keputusan dengan keakuratan 83,3333% berdasarkan algoritma decision tree J48 yang ditesting menggunakan tools WEKA. Hasil analisis perbandingan secara langsung dengan data produksi yang sesungguhnya bahwa rule decision tree J48 yang paling mendekati data sesungguhnya yaitu dengan tingkat error 3,89 % sehingga akurasi kebenaran mencapai 96,11%, sedangkan menggunakan rule pakar memiliki tingkat error 14,45 % sehingga akurasi kebenaran yang didapatkan mencapai 85,55%. Oleh karena itu, ditemukan sebuah gagasan bahwa untuk membuat rule tanpa harus berkonsultasi dengan pakar, yakni cukup menggunakan decision tree dengan alat bantu tools WEKA, karena tools WEKA akan menampilkan akurasi tingkat kebenaran dari rule yang terbentuk.
Kata Kunci: Logika fuzzy, Metode Tsukamoto, Rule Pakar, Decision tree J48, Kain Tenun.
Abstract
This study explains the comparative analysis of expert rules and J48 decision tree using Tsukamoto fuzzy in determining the amount of woven fabric production. From the results of the research analysis, it was found that the rule base model in this study was a decision tree with 83.3333% accuracy based on the J48 decision tree algorithm that was tested using WEKA tools. The results of direct compa rison analysis with actual production data that J48 decision tree rule is the closest to the actual data is with an error rate of 3 .89% so that the accuracy of the truth reaches 96.11%, while using expert rules has an error rate of 14.45% so that the accuracy truth obtained reached 85.55%. Therefore, an idea was found that to make a rule without having to consult with experts, that is enough to use a decision tree with WEKA tools, because WEKA tools will display the accuracy of the truth of the rules formed.
Keywords: Fuzzy Logic, Tsukamoto Method, Expert Rule, Decision tree J48, Woven Fabric
1. PENDAHULUAN
Produksi adalah suatu kegiatan yang dikerjakan untuk menambah nilai guna suatu benda sehingga lebih bermanfaat untuk memenuhi kebutuhan orang banyak [1]. Dalam perusahaan besar proses produksi adalah hal yang selalu diperhatikan karena kunci utama pengusaha untuk menentukan kualitas produk yang dihasilkan adalah dari produksi yang dihasilkan [2]. Setelah mengetahui kualitas produksi dari produk yang dihasilkan tahap selanjutnya yaitu dapat memperkirakan produksi yang dihasilkan berdasarkan faktor-faktor yang mempengaruhi proses produksi. Penelitian ini, membahas produksi kain tenun yang dipengaruhi oleh faktor banyaknya biaya produksi, permintaan, dan stok. Manfaat dari prediksi produksi diperusahaan antara lain dapat memperkirakan jumlah produksi yang terbentuk berdasarkan faktor yang dipengaruhi, mempermudah perencanaan hasil keuntungan yang akan diperoleh, serta dalam jangka kedepan akan sangat berguna ketika proses produksi mengalami peningkatan yang signifikan karena adanya sistem yang dapat membantu menangani prediksi produksi kain tenun di di Mlaki Wanarejan Utara Pemalang, tepatnya di Pondok Pesantren An-nur Pemalang sebelum proses produksi tersebut menjadi bahan matang yang siap untuk dikonsumsi [2]. Banyak metode yang dapat menangani proses prediksi dalam menentukan jumlah produksi kain tenun diantaranya adalah metode fuzzy. Metode fuzzy yang digunakan dalam penelitian ini adalah fuzzy tsukamoto dengan menggunakan rule pakar dan decision tree J48 dengan bantuan tools WEKA. Tujuan menggunakan rule pakar dan decision tree J48 sebagai bahan pengetahuan untuk mengetahui rule mana yang tepat digunakan dalam memprediksi produksi kain tenun.
Berikut beberapa penelitian yang serupa yang peneliti ambil sebagai bahan dalam pembuatan penelitian ini. Pertama menurut [3] melakukan penelitian memprediksi kekasaran permukaan dalam operasi pemesinan menggunakan teori himpunan fuzzy Tsukamoto dengan akurasi yang dihasilkan sebesar 95%. Kedua menurut [4] melakukan penelitian berkaitan tentang penerapan metode fuzzy Tsukamoto dalam memprediksi minyak kelapa sawit dengan menggunakan kriteria permintaan dan persediaan dengan akurasi sebesar 82%. Ketiga menurut [5] mekakukan penelitian mengenai implementasi klasikfikasi fuzzy-C4.5 sebagai pendukung dalam pemilihan spesialisasi siswa dengan akurasi yang didapat sebesar 86.51%, dan yang terakhir menurut [6] melakukan penelitian tentang prediksi produksi minyak kelapa sawit dengan kriteria persediaan dan jumlah permintaan diperoleh akurasi sebesar 86.67%
Berdasarkan dari penelitian sebelumnya, maka disini peneliti menggunakan base rule decision tree dengan metode logika fuzzy Tsukamoto dan Sugeno, dengan tujuan untuk mengetahui bahwa rule dalam fuzzy inference system dapat pula dibentuk dengan menggunakan decision tree.
2. METODE PENELITIAN
Metode penelitian merupakan gambaran langkah – langkah yang dilakukan penelitian untuk menyelesaikan permasalahan jumlah produksi kain tenun dengan menggunakan Decision Tree J48 dan Metode Fuzzy Tsukamoto. Adapun langkah – langkah metode penelitian yang dilakukan dapat dilihat pada gambar dibawah ini :
Gambar 1. Alur Penelitian
3. ANALISA DAN PEMBAHASAN
3.1 Analisis Pembentukan Pohon Keputusan dan Fuzzy Inference System Tsukamoto
Terdapat beberapa tahap dalam membuat pohon keputusan dengan menggunakan tools WEKA dengan menggunakan algoritma decision tree J48. Berikut tahapan yang harus dilakukan:
a. Pengumpulan Data
Pengumpulan Data diperoleh dari Bu Nyai Diana selaku pemilik pengusaha kain tenun di Mlaki Wanarejan Utara Pemalang, tepatnya di Pondok Pesantren An-nur Pemalang, yang terdiri dari bulan, tahun, biaya produksi, permintaan, stok, dan jumlah produksi. Dimulai dari bulan September tahun 2016 sampai dengan bulan Februari tahun 2019.
b. Data set
Data set adalah data keseluruhan yang digunakan untuk pembentukan pohon keputusan dengan menggunakan tools WEKA untuk dengan algoritma decision tree J48. Berikut data set tampak pada Tabel 1. Data set:
Tabel 1. Data set
Bulan Tahun Biaya produksi Permintaan Stok Jumlah Produksi
September 2016 Rp 1.500.000 100 15 120
Oktober 2016 Rp 1.200.000 110 12 128
November 2016 Rp 1.000.000 200 50 205
Desember 2016 Rp 1.100.000 300 75 305
Januari 2017 Rp 1.600.000 400 10 410
Mulai
Pengumpulan Data Data set Transformasi Data
Testing Menggunakan Tools WEKA untuk
Membentuk Rule Decision Tree J48
Rule Decision Tree J48
FIS Tsukamoto
Hasil Prediksi Produksi Kain Tenun Menggunakan
Rule Pakar
Hasil Prediksi Produksi Kain Tenun Menggunakan Rule
Decision Tree J48
Data diuji Menggunakan Data Produksi Sesungguhnya
Perbandingan Akurasi
Selesai Rule Pakar
Bulan Tahun Biaya produksi Permintaan Stok Jumlah Produksi
Februari 2017 Rp 1.000.000 50 5 106
--- --- --- --- --- --- --- --- --- --- --- --- --- --- --- --- --- ---
Januari 2019 Rp 10.664.000 242 37 248
Februari 2019 Rp 12.900.000 276 44 300
c. Transformasi Data
Tranformasi Data adalah proses melakukan perubahan data dari data numerik menjadi himpunan fuzzy. Data yang dirubah adalah kriteria Jumlah Produksi dengan himpunan fuzzy Banyak dan Sedikit. Cara mengubahnya adalah dari Tabel 1. Data set untuk kriteria jumlah produksi tentukan nilai minimal, tengah, dan maksimal. Berikutnya nilai minimal sampai nilai tengah dirubah menjadi himpunan fuzzy Sedikit, dan nilai tengah sampai nilai maksimal dirubah menjadi himpunan fuzzy Banyak. Berikut hasil tranformasi data dari Tabel 1. Data set, tampak pada Tabel 2.
Transformasi Data:
Tabel 2. Transformasi Data
Bulan Tahun Biaya produksi Permintaan Stok Jumlah Produksi
September 2016 Rp 1.500.000 100 15 Sedikit
Oktober 2016 Rp 1.200.000 110 12 Sedikit
November 2016 Rp 1.000.000 200 50 Sedikit
Desember 2016 Rp 1.100.000 300 75 Banyak
Januari 2017 Rp 1.600.000 400 10 Banyak
Februari 2017 Rp 1.000.000 50 5 Sedikit
--- --- --- --- --- --- --- --- --- --- --- --- --- --- --- --- --- ---
Januari 2019 Rp 10.664.000 242 37 Sedikit
Februari 2019 Rp 12.900.000 276 44 Banyak
d. Testing Menggunakan Tools WEKA
Testing menggunakan tools WEKA untuk membentuk pohon keputusan dengan menggunakan algoritma decision tree J48 adalah simpan Tabel 2. Transformasi Data dengan format (*.csv), berikutnya panggil data Tabel 2.
Transformasi Data ke WEKA. Halaman utama WEKA pilih button Explorer, kemudian pilih jendela Explorer, di menu preprocess klik Open file, pilih data Tabel 2. Transformasi Data, selanjutnya dibagian attributes pilih dan klik atribut selain bulan dan tahun. Pilih menu classify, pada test options pilih use training set, serta pada tombol choose pilih file trees, kemudian pilih J48, setelah itu klik tombol start, maka akan muncul data klasifikasi seperti berikut:
Gambar 2. Classifier Output e. Terbentuk Rule
1. Rule Decision Tree J48
Berdasarkan Gambar 2. Classifer output dapat diketahui bahwa data sebanyak 30, yang benar dalam klasifikasi sebanyak 25 dan klasifikasi yang salah sebanyak 5. Tingkat keakuratan kebenaran klasifikasi sebesar 83,3333
%, karena mendekati 100% maka pohon keputusan ini layak untuk digunakan. Berikutnya menampilkan pohon keputusan dengan cara klik kanan pada result list, kemudian pilih visualize tree, maka muncul pohon keputusan J48 seperti berikut:
Gambar 3. Pembentukan Pohon Keputusan J48
Berdasarkan Gambar 3. Pembentukan Pohon Keputusan J48, maka rute terbentuk sebanyak 3 rule, tampak pada Tabel 3. Rule Decision Tree J48 seperti berikut ini:
Tabel 3. Rule Decision Tree J48
Rule IF....THEN
R1 IF Stok Sedikit THEN Jumlah Produksi Banyak
R2 IF Stok Banyak AND Biaya Produksi Sedikit AND Permintaan Sedikit THEN Jumlah Produksi Sedikit
R3 IF Stok Banyak AND Biaya Produksi Produksi Sedikit AND Permintaan Banyak THEN Jumlah Produksi Banyak
R4 IF Stok Banyak AND Biaya Produksi Banyak THEN Jumlah Produksi Sedikit 2. Rule Pakar
Adalah rule yang terbentuk dari pakar ahlinya, berdasarkan Tabel 1. Data set. Berikut rule pakar, tampak pada Tabel 4. Rule Pakar seperti berikut ini:
Tabel 4. Rule Pakar
Rule IF...THEN
R1 IF Permintaan Sedikit AND Stok Sedikit AND Biaya Produksi Sedikit THEN Jumlah Produksi Sedikit
R2 IF Permintaan Sedikit AND Stok Sedikit AND Biaya Produksi Banyak THEN Jumlah Produksi Sedikit
R3 IF Permintaan Sedikit AND Stok Banyak AND Biaya Produksi Sedikit THEN Jumlah Produksi Sedikit
R4 IF Permintaan Sedikit AND Stok Banyak AND Biaya Produksi Banyak THEN Jumlah Produksi Sedikit
R5 IF Permintaan Banyak AND Stok Sedikit AND Biaya Produksi Sedikit THEN Jumlah Produksi Banyak
R6 IF Permintaan Banyak AND Stok Sedikit AND Biaya Produksi Banyak THEN Jumlah Produksi Banyak
R7 IF Permintaan Banyak AND Stok Banyak AND Biaya Produksi Sedikit THEN Jumlah Produksi Banyak
R8 IF Permintaan Banyak AND Stok Banyak AND Biaya Produksi Banyak THEN Jumlah Produksi Sedikit
f. Fuzzy Inference System Tsukamoto
Prediksi produksi kain tenun dilakukan dengan menggunakan metode Fuzzy Inference System Tsukamoto dengan rule menurut pakar dan decision tree J48. Berikut pemodelan fuzzy tsukamoto, tampak tampak pada Tabel 5.
Pemodelan Fuzzy Inference Tsukamoto seperti berikut ini:
Tabel 5. Pemodelan Fuzzy Inference Tsukamoto
Parameter Kriteria Himpunan Fuzzy Domain Kurva
Permintaan Banyak
Sedikit
50 – 485 50 - 485
Linier Naik Linier Turun
Input Stok Banyak
Sedikit
5 - 230 5 - 230
Linier Naik Linier Turun Biaya Produksi Banyak
Sedikit
900.000 – 16.600.000 900.000 – 16.600.000
Linier Naik Linier Turun Output Jumlah Produksi Banyak
Sedikit
80 – 472 80 - 472
Linier Naik Linier Turun g. Pengujian Data
Pengujian Data adalah hasil prediksi produksi kain tenun dilakukan pengujian data dengan data produksi sesungguhnya untuk mengetahui akurasi dari hasil prediksi produksi kaintenun menggunakan rule pakar dan decision tree J48.
Tabel 6. Pengujian Data Biaya
Produksi
Permintaa n
Stok Produks i Riil (A)
Prediks i Rule J48 (E)
Prediks i Rule Pakar (F)
| A- E | | A – F | | A- E | / A
| A – F | / A
Rp 6.000.000 320 60 340 343 313 3 27 0,0088 0,0794
Rp 5.800.000 150 100 290 295 273 5 17 0,0172 0,0586
Rp 8.500.000 420 85 310 314 312 4 2 0,0129 0,0065
Rata-rata 0,0389 0,1445
Dalam persen 3,89% 14,45%
Akurasi pada Tabel 6. Pengujian Data menggunakan metode error Average Forecasting Error Rate (AFER) untuk mengetahui rule pakar dan decision tree J48 mana yang lebih mendekati dari data produksi kain tenun sesungguhnya.
Berdasrkan Tabel 6. Pengujian Data, maka hasil prediksi yang mendekati data produksi sesungguhnya adalah menggunakan rule decision tree J48 dengan tingkat error 3,89 % sehingga akurasi kebenaran mencapai 96,11%, sedangkan menggunakan rule pakar memiliki tingkat error 14,45 % sehingga akurasi kebenaran yang didapatkan mencapai 85,55%.
4. KESIMPULAN
Berdasarkan hasil penelitian mengenai fuzzy Tsukamoto dengan menggunakan rule decision tree J48 dan pakar diambil kesimpulan sebagai berikut:
a. Model basis aturan dalam penelitian ini berupa pohon keputusan yang dapat digunakan untuk Fuzzy Inference System Tsukamoto dengan keakuratan 83,3333% dengan menggunakan algoritma decision tree J48 yang ditesting menggunakan tools WEKA.
b. Hasil analisis perbandingan secara langsung dengan data produksi yang sesungguhnya bahwa rule decision tree J48 yang paling mendekati data sesungguhnya yaitu dengan tingkat error 3,89 % sehingga akurasi kebenaran mencapai 96,11%, sedangkan menggunakan rule pakar memiliki tingkat error 14,45 % sehingga akurasi kebenaran yang didapatkan mencapai 85,55%..
c. Oleh karena itu, ditemukan sebuah gagasan bahwa untuk membuat rule tanpa harus berkonsultasi dengan pakar, yakni cukup menggunakan decision tree dengan alat bantu tools WEKA, karena tools WEKA akan menampilkan akurasi tingkat kebenaran dari rule yang terbentuk.
REFERENCES
[1] Tundo, “PENERAPAN METODE FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI JUMLAH PRODUKSI KAIN TENUN,” Universitas Teknologi Yogyakarta, 2017.
[2] Tundo and E. I. Sela, “APPLICATION OF THE FUZZY INFERENCE SYSTEM METHOD TO PREDICT,” Int. J. Informatics Dev., vol. 7, no. 1, pp. 1–9, 2018.
[3] T. L. (Bill) Tseng, U. Konada, and Y. (James) Kwon, “A novel approach to predict surface roughness in machining operations using fuzzy set theory,”
J. Comput. Des. Eng., vol. 3, no. 1, pp. 1–13, 2016.
[4] A. Juliansyah, “Penerapan Metode Fuzzy Tsukamoto Untuk Memprediksi Hasil Produksi Kelapa Sawit ( Studi Kasus :,” vol. 4, no. 1, pp. 130–137, 2015.
[5] H. / T. A. M. / H. T. Sigit, “Implementation Of Fuzzy-C4.5 Classification As a Decision Support For Students Choice Of Major Specialization,”
ArXiv.org, vol. 2, no. 11, pp. 1577–1581, 2015.
[6] D. M. Sukandy, A. T. Basuki, and S. Puspasari, “Penerapan Metode Fuzzy Mamdani Untuk Memprediksi Jumlah Produksi Minyak Sawit Berdasarkan Data Persediaan Dan Jumlah Permintaan ( Studi Kasus Pt Perkebunan Mitra Ogan Baturaja ),” Progr. Stud. Tek. Inform., pp. 1–9, 2014.
