33 Tabel 4.8. Perubahan nilai vektor pembobot untuk banyaknya pengulangan 5,
laju pembelajaran 0.05 untuk fuzziness variabel Perubahan Fuzziness
Pergeseran Sensor
Bloom Bukan Bloom
Bloom Bukan Bloom
1 1.872642
6.315991 0.0029
-4.0838 2
1.155854 0.932852
0.0986 -2.2718
3 0.907898
0.093175 -0.0593
-1.74677 4
1.161455 0.365875
-0.111 -0.93986
5 1.270139
0.352683 15.968
-24.762 6
1.498829 0.317353
11.188 -26.641
7 1.571812
8.464832 -0.109
-13.38 8
1.488594 1.690083
0.276 -15.08
9 0.699673
0.163195 -6.941
-44.516 Dari tabel 4.8 terlihat bahwa perubahan yang terjadi adalah sebagian besar
melebar terlihat dari nilai perubahan fuzziness, namun demikian perubahannya tidak terlalu besar jika dibandingkan dengan hasil pada tabel 4.6 dan 4.7 dimana
ada beberapa perubahan fuzziness yang mendekati 10 perubahannya, hal ini disebabkan oleh konstanta untuk nilai pelebaran dan penyempitan berubah-ubah
dan berada pada kisaran angka yang sangat kecil. Hal ini identik dengan fuzziness konstan dengan konstanta pelebaran yang kecil namun untuk yang fuzziness
variabel lebih fleksibel karena juga bergantung pada nilai similaritasnya.
4.2.3. Pengujian Dengan Menggunakan Data Sembarang
Setelah dilakukan pelatihan maka untuk melihat tingkat akurasinya dapat dilakukan pengujian dengan data sembarang, seperti pada lampiran 4, dengan
jumlah data adalah 10 untuk blooms dan 10 untuk data tidak blooms. Dari hasil pengujian menunjukan bahwa untuk pengujian dimana data bloom yang
didahulukan, dengan fuzziness konstan dan nilai konstanta pelebaran dan penyempitannya adalah 0.01, menunjukan hasil semuanya dapat di kenal atau
akurasinya 100 begitu juga jika menggunakan fuzziness variabel. Sedangkan jika data tidak blom didahulukan diperoleh hasil seperti pada tabel dibawah ini:
34 Tabel 4.9. Hasilpengujian akurasi dengan data sembarang, menggunakan
fuzziness konstan dengan nilai konstanta pelebaran dan penyempitan adalah 0.01, dimana data tidak bloom terlebih dahulu
Akurasi Pengulangan
Benar Salah Tidak dikenal 1
10 10
2 20
3 9
11 4
7 13
5 10
10 6
11 9
7 11
9 8
11 9
9 11
9 10
11 9
Dari tabel 4.9. diatas dapat dilihat bahwa urutan data berpengaruh terhadap hasil pengujian dimana tingkat akurasinya lebih kecil atau sama dengan 55, dan
dengan hasil tersebut maka sangatlah kurang baik dan tidak tepat jika diimplementasikan pada system peringatan dini. Hal tersebut juga terjadi untuk
fuzziness variabel, dengan demikian maka pemilihan urutan data sangat berpengaruh terhadap hasil dan penentuan tersebut diperoleh dengan melakukan
serangkaian percobaan.
V. PENINGKATAN KEMAMPUAN SISTEM PENDETEKSI
5. 1. Fungsi Keanggotaan Gaussian
Dengan menggunakan fungsi keanggotaan triangular maka data aslinya tidak diperlukan baik dalam proses pembelajaran, dalam proses pengujian maupun
dalam proses memvisualisasikan. Kekurangan dari triagular adalah tidak semua data dapat terwakili dan hal ini berpengaruh terhadap proses mencari nilai
similaritas baik dari sisi cara mencari nilai similaritas maupun terhadap nilai similaritasnya itu sendiri.
Dengan menggunakan fungsi keanggotaan gaussian maka semua data dapat terwakili dan proses mencari nilai similaritas lebih mudah dan nilai similaritas
yang dihasilkan lebih mendekati yang sebenarnya. Aturan pembelajaran yang dilakukan adalah sama dengan triangular yaitu merubah posisi titik tengah dan
merubah fuzzines. Untuk merubah posisi titik tengah algoritma yang digunakan adalah sama dengan triangular namun untuk perubahan fuzziness algorimanya
berbeda karena yang perlu dilakukan perubahan adalah nilai standar deviasi, dimana perubahannya adalah :
w
i j
t+1 = s t + 1+
β
.s t;ct+1 untuk pelebaran fuzziness....... 5.1
w
i j
t+1 = s t – 1-
γ
.s t;ct+1 untuk penyempitan fuzziness ..... 5.2
dimana: w
ij
t+1 = posisi vektorpewakil pemenang setelah pergeseran
s t = nilai standar deviasi
β = nilai pelebaran
γ = nilai penyempitan
Dalam mencari vektor pewakil pembobot pemenang maka antara kelas vektor pelatihan dan vektor pewakil pemenang kemungkinannya hanya dua yaitu
sama atau tidak sama dan tidak mungkin terjadi vektor pelatihan yang dikategorikan tidak dikenal karena lebar fuzziness bisa tak terhingga, seperti
contoh gambar 5.1 dibawah ini:
