Analisis Algoritma C4.5 dan Fuzzy Sugeno untuk Optimasi Rule Base Fuzzy
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy muncul dengan tujuan mengatasi ketidakmampuan matematika
konvensional untuk model sistem nonlinear. Sistem nonlinear merupakan suatu
sistem yang sifatnya tidak tetap, mudah berubah, sulit dikontrol, dan sulit diprediksi
(Dewi, 2012). Logika fuzzy juga memiliki kemampuan untuk menyimpulkan hasil
yang valid (ketepatan dalam pengukuran) dari basis aturan yang berisi pengetahuan
yang diekstraksi berdasarkan pengetahuan dan pengalaman pakar yang menjadikan
popularitas logika fuzzy meningkat (Zavala & Nieto, 2012).
Salah satu aplikasi yang paling terkenal dari logika fuzzy adalah Fuzzy inference
system (FIS). FIS dapat membantu dalam mengerjakan tugas-tugas klasifikasi. Ada
beberapa kelebihan dari FIS, diantaranya mampu menangani konsep-konsep linguistik
dan juga mampu melakukan pemetaan nonlinear antara input dan output. FIS ini berisi
aturan fuzzy yang dibangun dari pengetahuan dan pengalaman para pakar (Guillaume,
2001). Ada tiga jenis dasar FIS yang telah banyak digunakan dalam berbagai aplikasi
kontrol, yaitu FIS Mamdani, Sugeno, dan Tsukamoto. Perbedaan diantara tiga FIS ini
terletak pada konsekuen dari aturan fuzzy mereka, agregasi dan prosedur defuzzifikasi
(Siddique, 2013).
Dalam penelitiannya Singla (2015) menyatakan bahwa hasil yang dicapai dari FIS
metode Sugeno lebih akurat dibandingkan dengan FIS metode Mamdani. Metode
Sugeno mahir dalam melakukan tugasnya dengan sangat baik dengan cara optimasi
dan teknik adaptif. Hal yang sangat mencolok dalam masalah kontrol, terutama untuk
sistem dinamis nonlinear. Teknik-teknik adaptif digunakan untuk menyesuaikan
fungsi keanggotaan sehingga menghasilkan model sistem fuzzy dengan data yang
paling baik.
Universitas Sumatera Utara
2
Diantara banyak keuntungan yang didapat menggunakan logika fuzzy,
Kapitanova (2012) menyatakan bahwa kelemahan dari menggunakan logika fuzzy
adalah ukuran rule-base (basis aturan) fuzzy yang tumbuh secara eksponensial.
Sehingga beberapa cara manual dilakukan untuk pemangkasan rule fuzzy.
Pemangkasan rule bertujuan menyederhanakan rule (aturan). Beberapa cara yang
dilakukan Kapitanova diantarnya memisahkan rule-base berdasarkan nilai suatu
variabel dan kesimpulannya, menggabungkan aturan dengan hasil yang sama, dan
membuang kombinasi rule yang kemungkinan tidak akan pernah digunakan.
Menurut Qiao et al. (2014) membangun rule-base untuk suatu masalah tertentu
menjadi masalah yang paling menantang. Sehingga ada beberapa metode yang
diusulkan untuk membangun rule-base tersebut, diantaranya pendekatan heuristik,
teknik neuro-fuzzy, metode clustering, algoritma genetik, teknik data mining, dan lain
sebagainya.
Salah satu tugas utama dari data mining adalah klasifikasi. Teknik klasifikasi
mampu memproses sejumlah besar data, dapat memprediksi label kelas kategoris, dan
mengklasifikasikan data berdasarkan data pelatihan. Salah satu teknik populer dalam
klasifikasi adalah decision tree (pohon keputusan). Tujuan utama dari decision tree
adalah menciptakan model yang memprediksi nilai variabel target dengan belajar rule
keputusan yang disimpulkan dari fitur data. Ada beberapa algoritma decision tree,
diantaranya ID3, C4.5, dan CART (Kadi & Idri, 2015).
Algoritma C4.5 adalah salah satu algoritma decision tree yang terkenal karena
efisiensi dan fitur yang lengkap (Kadi & Idri, 2015). Cara kerja algoritma C4.5 yaitu
rekursif mengunjungi setiap node (simpul) keputusan, memilih split (pembagian)
optimal sampai tidak ada lagi kemungkinan pembagian. Algoritma C4.5 mengukur
node homogenitas (kesamaan). Algoritma C4.5 menggunakan konsep informasi gain
atau pengurangan entropi untuk memilih pembagian yang optimal (Larose, 2014).
Berdasarkan pembahasan yang telah diuraikan, maka logika fuzzy menggunakan
FIS metode Sugeno lebih baik dari FIS metode Mamdani dalam mengatasi masalah
nonlinear. Namun terdapat beberapa kelemahan dalam penggunan logika fuzzy. Satu
diantaranya adalah meningkatnya beban komputasi yang bertambah secara
eksponensial seiring dengan bertambahnya jumlah variable dan jumlah rule dalam
logika fuzzy. Dalam penelitian sebelumnya para peneliti menyatakan bahwa dengan
melakukan pemangkasan jumlah rule, maka beban komputasi menjadi berkurang.
Universitas Sumatera Utara
3
Berkurangnya jumlah rule berpengaruh pada berkurangnya tingkat akurasi sehingga
menjadi tidak efisien. Ada beberapa algoritma yang diharapkan mampu untuk
mengatasi masalah tersebut, diantaranya adalah algoritma klasifikasi C4.5.
1.2 Perumusan Masalah
Terdapat kelemahan pada logika fuzzy, yaitu meningkatnya beban komputasi yang
bertambah secara eksponensial seiring dengan bertambahnya jumlah variable dan
jumlah rule dalam logika fuzzy. Beberapa algoritma yang diperkirakan dapat
meningkatkan akurasi salah satunya adalah algoritma C4.5, sehingga beberapa
pertanyaan penelitian yang bisa diajukan adalah apakah penggunaan FIS metode fuzzy
Sugeno yang diintegrasikan dengan algoritma C4.5 ini dapat meningkatkan akurasi?
Apakah FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5 lebih baik
dari FIS metode Sugeno tanpa algoritma C4.5?
1.3 Pembatasan Masalah
Dari perumusan masalah, maka masalah penelitian akan dibatasi dengan beberapa hal
sebagai berikut :
1. Penelitian ini membahas tentang metode pemangkasan rule pada FIS metode
Sugeno.
2. Metode dan algoritma yang digunakan adalah FIS metode Sugeno dan
algoritma C4.5.
3. Analisis tingkat akurasi dilakukan dengan membandingkan FIS metode
Sugeno yang diintegrasikan dengan algoritma C4.5 terhadap FIS metode
Sugeno tanpa algoritma C4.5.
4. Aspek yang di hitung adalah jumlah rule setelah pemangkasan dan lama waktu
proses.
5. Studi kasus : penilaian Ujian Kompetensi siswa multimedia pada SMK Swasta
Medan Area-1.
1.4 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut :
1. Mendapatkan rule yang lebih sedikit dengan tingkat akurasi yang tinggi.
2. Dapat mengurangi beban komputasi yang diukur melalui lama waktu proses.
Universitas Sumatera Utara
4
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Mengetahui tingkat akurasi FIS metode fuzzy Sugeno menggunakan algoritma
C4.5 terhadap FIS metode Sugeno tanpa algoritma C4.5.
2. Memberikan solusi untuk mendapatkan rule yang optimal bagi penelitian
selanjutnya.
Universitas Sumatera Utara
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy muncul dengan tujuan mengatasi ketidakmampuan matematika
konvensional untuk model sistem nonlinear. Sistem nonlinear merupakan suatu
sistem yang sifatnya tidak tetap, mudah berubah, sulit dikontrol, dan sulit diprediksi
(Dewi, 2012). Logika fuzzy juga memiliki kemampuan untuk menyimpulkan hasil
yang valid (ketepatan dalam pengukuran) dari basis aturan yang berisi pengetahuan
yang diekstraksi berdasarkan pengetahuan dan pengalaman pakar yang menjadikan
popularitas logika fuzzy meningkat (Zavala & Nieto, 2012).
Salah satu aplikasi yang paling terkenal dari logika fuzzy adalah Fuzzy inference
system (FIS). FIS dapat membantu dalam mengerjakan tugas-tugas klasifikasi. Ada
beberapa kelebihan dari FIS, diantaranya mampu menangani konsep-konsep linguistik
dan juga mampu melakukan pemetaan nonlinear antara input dan output. FIS ini berisi
aturan fuzzy yang dibangun dari pengetahuan dan pengalaman para pakar (Guillaume,
2001). Ada tiga jenis dasar FIS yang telah banyak digunakan dalam berbagai aplikasi
kontrol, yaitu FIS Mamdani, Sugeno, dan Tsukamoto. Perbedaan diantara tiga FIS ini
terletak pada konsekuen dari aturan fuzzy mereka, agregasi dan prosedur defuzzifikasi
(Siddique, 2013).
Dalam penelitiannya Singla (2015) menyatakan bahwa hasil yang dicapai dari FIS
metode Sugeno lebih akurat dibandingkan dengan FIS metode Mamdani. Metode
Sugeno mahir dalam melakukan tugasnya dengan sangat baik dengan cara optimasi
dan teknik adaptif. Hal yang sangat mencolok dalam masalah kontrol, terutama untuk
sistem dinamis nonlinear. Teknik-teknik adaptif digunakan untuk menyesuaikan
fungsi keanggotaan sehingga menghasilkan model sistem fuzzy dengan data yang
paling baik.
Universitas Sumatera Utara
2
Diantara banyak keuntungan yang didapat menggunakan logika fuzzy,
Kapitanova (2012) menyatakan bahwa kelemahan dari menggunakan logika fuzzy
adalah ukuran rule-base (basis aturan) fuzzy yang tumbuh secara eksponensial.
Sehingga beberapa cara manual dilakukan untuk pemangkasan rule fuzzy.
Pemangkasan rule bertujuan menyederhanakan rule (aturan). Beberapa cara yang
dilakukan Kapitanova diantarnya memisahkan rule-base berdasarkan nilai suatu
variabel dan kesimpulannya, menggabungkan aturan dengan hasil yang sama, dan
membuang kombinasi rule yang kemungkinan tidak akan pernah digunakan.
Menurut Qiao et al. (2014) membangun rule-base untuk suatu masalah tertentu
menjadi masalah yang paling menantang. Sehingga ada beberapa metode yang
diusulkan untuk membangun rule-base tersebut, diantaranya pendekatan heuristik,
teknik neuro-fuzzy, metode clustering, algoritma genetik, teknik data mining, dan lain
sebagainya.
Salah satu tugas utama dari data mining adalah klasifikasi. Teknik klasifikasi
mampu memproses sejumlah besar data, dapat memprediksi label kelas kategoris, dan
mengklasifikasikan data berdasarkan data pelatihan. Salah satu teknik populer dalam
klasifikasi adalah decision tree (pohon keputusan). Tujuan utama dari decision tree
adalah menciptakan model yang memprediksi nilai variabel target dengan belajar rule
keputusan yang disimpulkan dari fitur data. Ada beberapa algoritma decision tree,
diantaranya ID3, C4.5, dan CART (Kadi & Idri, 2015).
Algoritma C4.5 adalah salah satu algoritma decision tree yang terkenal karena
efisiensi dan fitur yang lengkap (Kadi & Idri, 2015). Cara kerja algoritma C4.5 yaitu
rekursif mengunjungi setiap node (simpul) keputusan, memilih split (pembagian)
optimal sampai tidak ada lagi kemungkinan pembagian. Algoritma C4.5 mengukur
node homogenitas (kesamaan). Algoritma C4.5 menggunakan konsep informasi gain
atau pengurangan entropi untuk memilih pembagian yang optimal (Larose, 2014).
Berdasarkan pembahasan yang telah diuraikan, maka logika fuzzy menggunakan
FIS metode Sugeno lebih baik dari FIS metode Mamdani dalam mengatasi masalah
nonlinear. Namun terdapat beberapa kelemahan dalam penggunan logika fuzzy. Satu
diantaranya adalah meningkatnya beban komputasi yang bertambah secara
eksponensial seiring dengan bertambahnya jumlah variable dan jumlah rule dalam
logika fuzzy. Dalam penelitian sebelumnya para peneliti menyatakan bahwa dengan
melakukan pemangkasan jumlah rule, maka beban komputasi menjadi berkurang.
Universitas Sumatera Utara
3
Berkurangnya jumlah rule berpengaruh pada berkurangnya tingkat akurasi sehingga
menjadi tidak efisien. Ada beberapa algoritma yang diharapkan mampu untuk
mengatasi masalah tersebut, diantaranya adalah algoritma klasifikasi C4.5.
1.2 Perumusan Masalah
Terdapat kelemahan pada logika fuzzy, yaitu meningkatnya beban komputasi yang
bertambah secara eksponensial seiring dengan bertambahnya jumlah variable dan
jumlah rule dalam logika fuzzy. Beberapa algoritma yang diperkirakan dapat
meningkatkan akurasi salah satunya adalah algoritma C4.5, sehingga beberapa
pertanyaan penelitian yang bisa diajukan adalah apakah penggunaan FIS metode fuzzy
Sugeno yang diintegrasikan dengan algoritma C4.5 ini dapat meningkatkan akurasi?
Apakah FIS metode Sugeno yang diintegrasikan dengan algoritma C4.5 lebih baik
dari FIS metode Sugeno tanpa algoritma C4.5?
1.3 Pembatasan Masalah
Dari perumusan masalah, maka masalah penelitian akan dibatasi dengan beberapa hal
sebagai berikut :
1. Penelitian ini membahas tentang metode pemangkasan rule pada FIS metode
Sugeno.
2. Metode dan algoritma yang digunakan adalah FIS metode Sugeno dan
algoritma C4.5.
3. Analisis tingkat akurasi dilakukan dengan membandingkan FIS metode
Sugeno yang diintegrasikan dengan algoritma C4.5 terhadap FIS metode
Sugeno tanpa algoritma C4.5.
4. Aspek yang di hitung adalah jumlah rule setelah pemangkasan dan lama waktu
proses.
5. Studi kasus : penilaian Ujian Kompetensi siswa multimedia pada SMK Swasta
Medan Area-1.
1.4 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut :
1. Mendapatkan rule yang lebih sedikit dengan tingkat akurasi yang tinggi.
2. Dapat mengurangi beban komputasi yang diukur melalui lama waktu proses.
Universitas Sumatera Utara
4
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Mengetahui tingkat akurasi FIS metode fuzzy Sugeno menggunakan algoritma
C4.5 terhadap FIS metode Sugeno tanpa algoritma C4.5.
2. Memberikan solusi untuk mendapatkan rule yang optimal bagi penelitian
selanjutnya.
Universitas Sumatera Utara