Himpunan Fuzzy Sistem Pakar Fuzzy

b . Model fuzzy Sugeno Orde-Satu IFX 1 is A 1 •X 2 is A 2 ••• X n is A n THEN Z = P 1 X 1 +...+ P n X n Dengan A + q 4 i adalah himpunan fuzzy ke-i sebagai anteseden dan P i adalah suatu konstanta crisp ke-i dan q juga merupakan konstanta dalam konsekuen. Gambar 5 adalah gambar model fuzzy Sugeno Jang et al.1997. Gambar 5 Model fuzzy Sugeno. 2.4 Decision Tree Decision tree pohon keputusan adalah struktur pohon yang mengandung internal node dengan 2 children dan terminal node tanpa children. Setiap internal node berhubungan dengan fungsi keputusan untuk menunjukkan node berikutnya yang akan dilalui, sementara setiap terminal node merupakan output dari vektor input yang diberikan. Decision tree dapat diterapkan pada permasalahan klasifikasi classification ataupun masalah regresi regression. Pada permasalahan klasifikasi setiap terminal node mengandung sebuah huruf yang menunjukkan kelas perkiraan dari vektor yang diberikan, sedangkan pada permasalahan regresi setiap terminal node biasanya merupakan sebuah konstanta yang merupakan output dari vektor input. Algoritme Classification and Regression Tree CART dapat digunakan untuk melakukan pemilihan peubah dan merupakan transformasi monotonik dari peubah penjelas x dan peubah respon y. Algoritme CART dapat mengetahui peubah dominan dari sederet peubah yang dilibatkan dan dapat pula mengidentifikasi peubah-peubah yang hanya berpengaruh dan berinteraksi secara lokal dalam kelompok tertentu Jang et al. 1997; Tran et al. 2009; Kissi Ramdani 2010. Beberapa keunggulan yang dimiliki oleh decision tree adalah Breiman et al. 1984: 1. Struktur datanya dapat dilihat secara visual sehingga berdasarkan model yang dihasilkan dapat memudahkan dalam eksplorasi data dan pengambilan keputusan. 2. Proses pendugaan nilai respon sangat mudah dilakukan dengan menelusuri pohon klasifikasi atau regresi yang dihasilkan. 3. Kemampuan identifikasi prioritas peubah yang mempengaruhi respon dapat diketahui dengan mudah. 4. Mempunyai kemampuan untuk mengidentifikasi interaksi antar peubah yang berpengaruh secara lokal sebagai akibat diterapkannya pengambilan keputusan secara bertahap dalam himpunan-himpunan bagian data pengukuran. 5. Hasil keluaran yang diperoleh lebih mudah untuk diinterpretasikan.

2.4.1 Classification Regression Tree CART

Untuk membangun sebuah decision tree pohon keputusan yang cocok, algoritme CART pertamakali menumbuhkan tree secara luas berdasarkan pada gugus data pelatihan, dan kemudian memangkas kembali pohon didasari oleh sebuah prinsip kompleksitas biaya minimum. Hasilnya adalah runutan tree dengan ukuran yang bervariasi, tree terakhir yang dipilih adalah tree dengan ukuran terbaik. Pembentukan pohon regresi memerlukan 4 komponen Abdul Kudus, 1999 diacu dalam Suherlan 2006, yaitu : 1. Satu gugus pertanyaan dikotomus dengan bentuk ”Apakah x i ∈ A?” dengan x i merupakan suatu amatan contoh dan A ⊂ x ruang peubah penjelas. Jawaban dari pertanyaan tersebut menentukan sekatan partition, atau split bagi ruang peubah penjelas. Amatan dengan jawaban ”ya” masuk