61
h. Defuzzifikasi
Pada tahap ini penegasan dilakukan untuk mengubah himpunan fuzzy menjadi bilangan real. Input proses penegasan adalah suatu himpunan fuzzy,
sedangkan output yang dihasilkan merupakan bilangan pada domain himpunan fuzzy tersebut. Defuzzifikasi dilakukan dengan metode centroid, seperti contoh
berikut : ∫
∫
∫ ∫
∫ ∫
∫ ∫
∫ ∫
∫ ∫
Proses implikasi, komposisi dan defuzifikasi ini dilakukan pada setiap data testing, sehingga diperoleh nilai yang mendekati crips, untuk kemudian
dilakukan pembulatan ke nilai crips terdekat, yaitu nol dan satu pada database yang digunakan.
i. Uji Akurasi Klasifikasi
Langkah terakhir adalah melakukan uji akurasi prediksi klasifikasi. Cara menguji akurasi klasifikasi yaitu dengan memasukkan nilai-nilai dari variabel
input data testing ke dalam model FCART, lalu menghitung jumlah prediksi output yang sesuai dengan output nyata observasi. Langkah tersebut dapat
dilakukan dengan menggunakan data testing. Seperti berikut :
Universitas Sumatera Utara
62
Tabel 9. Prediksi Indikator Sensor berdasarkan FCART
No. Usia
Progesteron Observasi
Prediksi FCART
1 56
61 Tidak Tersensor
Tersensor 2
59 181
Tersensor Tersensor
3 71
Tidak Tersensor Tidak Tersensor
4 39
79 Tidak Tersensor
Tersensor 5
6 57
59 184
8 Tersensor
Tidak Tersensor Tersensor
Tidak Tersensor 7
36 6
Tersensor Tidak Tersensor
8 62
Tidak Tersensor Tidak Tersensor
9 45
160 Tersensor
Tersensor 10
65 6
Tersensor Tidak Tersensor
Tabel di atas memperlihatkan 10 dari 137 data testing. Seluruh data testing diprediksi indikator sensornya sesuai dengan aturan FCART.
Tabel 10. Akurasi Klasifikasi FCART Observasi
Prediksi Tersensor
Tidak Tersensor Tersensor
42 43
Tidak Tersensor 14
38 Akurasi
Akurasi = 58,39
3.3. Pembahasan
Pada uji coba data yang telah dilakukan, selanjutnya dapat dilakukan perbandingan akurasi antara algoritma CART dan algoritma FCART, yaitu
dengan melihat perbandingan tingkat akurasi kedua algoritma. Untuk menguji akurasi pohon klasifikasi CART yang telah terbentuk
sebelumnya, dapat dilakukan uji akurasi yang sama dengan menggunakan data testing. Seluruh data testing diprediksi indikator sensornya sesuai dengan
Universitas Sumatera Utara
63
klasifikasi CART. Kemudian dihitung tingkat akurasinya dengan tabulasi silang confusion matrix 2x2 seperti berikut.
Tabel 9. Akurasi Klasifikasi CART Observasi
Prediksi Tersensor
Tidak Tersensor Tersensor
44 41
Tidak Tersensor 19
33 Akurasi
Akurasi = 56,20 Algoritma FCART yang telah diperkenalkan dalam penelitian ini mampu
meningkatkan kinerja pohon keputusan decision tree dengan induksi Fuzzy menggunakan algoritma CART. Penelitian ini juga telah memperlihatkan logika
fuzzy untuk melunakkan batas keputusan tajam yang jelas dalam pohon keputusan. Hasil yang diperoleh dari Algoritma FCART menunjukkan adanya
peningkatan akurasi kinerja dibandingkan dengan algoritma CART dengan data tegas. Untuk database di mana variabel sasaran merupakan diskrit, peningkatan
yang dicapai dengan metode Mamdani adalah hasil dari batas keputusan tajam yang digambarkan sebagai serangkaian daerah fuzzy.
Dari penelitian yang telah dilakukan dengan cara studi literatur dan melakukan uji coba pada database contoh, maka dapat diperoleh beberapa hasil,
yaitu : 1
Fuzzy dapat diinduksikan ke dalam algoritma CART; 2
Algoritma CART dan FCART keduanya dapat digunakan untuk mengklasifikasikan data dengan baik;
Universitas Sumatera Utara
64
3 FCART hanya dapat digunakan untuk data dengan skala ordinal, atau data
interval dan rasio yang telah dikategorikan menjadi data ordinal; 4
Algoritma FCART memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan Algoritma CART;
5 Algoritma CART dan algoritma FCART sebaiknya digunakan pada data
dengan jumlah yang besar, sehingga keakuratan klasifikasi dapat terlihat secara signifikan.
Universitas Sumatera Utara
BAB IV PENUTUP
5.1. Kesimpulan