a = nilai minimum dari data kredit b = nilai maximum dari data kredit
Setelah data masukan yang telah dinormalisasi diproses dan didapatkan hasil prediksi maka data hasil prediksi tersebut akan didenormalisasi kembali dengan
menggunakan persamaan berikut:
= − 0,1 − + 0,8
0,8 2.2
dimana: x = nilai hasil denormalisasi
y = nilai hasil prediksi a = nilai minimum dari data kredit
b = nilai maximum dari data kredit
2.4. Fuzzy Inference System
Fuzzy system sistem kabur didasari atas konsep himpunan kabur yang memetakan domain input kedalam domain output Poningsih, 2012. Sistem Inferensi Fuzzy
Fuzzy Inference System FIS disebut juga fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan
penalaran dengan nalurinya Falopi, 2012. Sistem fuzzy atau fuzzy system memiliki keunggulan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses
pengambilan keputusan reasoning sebagaimana dilakukan oleh manusia dengan menerapkan basis aturan atau basis kaidah Fariza, 2007.
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1, berbeda dengan logika digital yang hanya memiliki dua nilai yaitu 1 atau 0. Logika fuzzy
digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa linguistic, misalkan besaran kecepatan laju kendaraan yang diekspresikan
dengan pelan, agak cepat, cepat dan sangat cepat Falopi, 2012. Struktur dasar dari Sistem Inferensi Fuzzy atau Fuzzy Inference System FIS dapat dilihat pada gambar
2.1 Widodo, 2005.
Universitas Sumatera Utara
Unit Fuzifikasi Unit Defuzifikasi
Mekanisme Penalaran Basis Aturan
Basis Data
Masukan Keluaran
Gambar 2.1 Struktur dasar Sistem Inferensi Fuzzy
Dari gambar 2.1 dapat dijelaskan bahwa struktur dasar dari sistem inferensi fuzzy terdiri dari unit fuzzifikasi, mekanisme penalaran, basis aturan dan data, dan unit
defuzifikasi. Unit fuzzifikasi yaitu proses fuzzifikasi yang mengubah data masukan tegas crips ke bentuk derajat keanggotaan. Basis aturan dan data digunakan untuk
menghubungkan himpunan masukan dengan himpunan keluaran. Mekanisme penalaran digunakan untuk mengkombinasi aturan
– aturan yang terdapat pada basis aturan dan data dari suatu himpunan fuzzy input ke suatu himpunan fuzzy output.
Defuzzifikasi adalah langkah terakhir yang bertujuan untuk mengkonversi setiap hasil inference engine yang diekspresikan dalam bentuk himpunan fuzzy ke suatu bilangan
real Sutikno, 2011.
2.4.1. Fuzzyfikasi Secara numerik himpunan fuzzy dapat disajikan ke dalam bentuk gabungan derajat
keanggotaan tiap – tiap elemen pada semesta pembicaraan yang dinyatakan sebagai
berikut: F =
µFui ui 2.3
2.4.2. Fuzzy clustering Fariska 2010 mengatakan bahwa fuzzy clustering adalah pengelompokan data atau
data cluster yang memiliki karakteristik yang hampir sama secara matematis dalam sebuah kelompok tertentu. Metode fuzzy clustering yang biasa digunakan untuk
memodelkan data adalah Fuzzy C-Means FCM.
Universitas Sumatera Utara
Ada 11 sebelas langkah dalam menghitung FCM Rukli, 2013, yakni : 1.
Menentukan matriks X berukuran n x m, dengan n = banyak data yang akan di cluster dan m = banyak variabel kriteria. Penentuan n dan m disesuaikan
dengan kondisi data yang digunakan.
2. Tentukan banyak cluster yang akan dibentuk dimana banyak cluster lebih
besar atau sama dengan 2 c ≥2.
3. Tentukan bobot pangkat cluster dimana bobot pangkat bernilai lebih besar 1
pembobot w 1.
4. Tentukan maksimum iterasi yang diinginkan.
5. Tentukan kriteria penghentian ε = nilai positif yang sangat kecil.
6. Bentuklah matriks partisi awal U derajat keanggotaan dalam cluster dengan
matriks partisi awal biasanya dibuat secara acak. µ
11 1
µ
12 2
µ
21 1
µ
22 2
. .
. .
. .
µ
1 1
µ
2 2
… µ
1
… µ
2
… .
… .
… .
… µ
7. Hitung pusat cluster V untuk setiap cluster dengan menggunakan persamaan
berikut: =
� .
=1
�
=1
2.4
8. Memperbaiki derajat keanggotaan setiap data pada setiap cluster perbaiki
matriks partisi dengan menggunakan persamaan: � =
2 −1
=1 −1
2.5
Universitas Sumatera Utara
dimana : =
− = −
=1 12
2.6
9. Tentukanlah kriteria penghentian iterasi, yaitu perubahan matriks partisi pada
iterasi sekarang dan iterasi sebelumnya dimana perubahan tersebut sebesar delta: Δ≡||Ut - Ut-1||.
10. Apabila Δε maka iterasi dihentikan dan jika tidak lanjutkan menghitung
kembali pusat cluster ke-k.
11. Pada akhir proses FCM akan diperoleh suatu pengelompokan data yang terdiri
dari nilai center tiap cluster.
2.4.3. Defuzzifikasi Metode defuzzifikasi yang digunakan dalam penelitian ini adalah weight average.
Pada metode weight average ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaaan, sehingga z didefinisikan sebagai:
∗
= � .
� 2.7
dimana : Z
: nilai crisp μz : derajat keanggotaan dari nilai crips z
2.5. Jaringan Saraf Tiruan
