Defuzzifikasi Uji Akurasi Klasifikasi Pembahasan

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