Pembangkitan Rule Menggunakan Rough Set Pada Fungsi Keanggotaan Fuzzy
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Dalam hidupnya manusia sering mengambil keputusan yang merupakan hasil dari
proses pemikiran baik secara sadar maupun tidak. Dalam proses pemikiran tersebut
ada beberapa pendekatan yang bisa dilakukan untuk memahami dan memanipulasi
keputusan yang dapat diambil. Salah satu pendekatan paling sukses adalah teori
himpunan fuzzy (Zadeh, 1965). Selain fuzzy, rough set dapat digunakan dalam
pengambilan keputusan. (Pawlak, 1982). Teori ini telah menarik perhatian banyak
peneliti dan praktisi di seluruh dunia, yang berkontribusi pada dasarnya untuk
pengembangan dan aplikasi.
Keuntungan utama dari teori rough set dalam analisis data adalah bahwa hal itu
tidak memerlukan informasi awal atau tambahan tentang data seperti probabilitas
dalam statistik, kelas keanggotaan atau nilai kemungkinan dalam himpunan fuzzy
teori. Teori rough set, diperkenalkan oleh Pawlak (1982) mengungkapkan
ketidakjelasan, tidak dengan cara keanggotaan, tapi menggunakan wilayah batas set.
Jika batas wilayah suatu himpunan adalah kosong itu berarti bahwa himpunan adalah
renyah, jika tidak kosong maka himpunan itu rough set. Rough set membedakan dua
konsep yang sangat penting, ketidakjelasan dan ketidakpastian. Ketidakjelasan adalah
milik set dan dapat dijelaskan oleh perkiraan, sedangkan ketidakpastian adalah milik
elemen dari suatu himpunan dan dapat dinyatakan oleh fungsi keanggotaan pada teori
rough set. Himpunan fuzzy dan teori rough set adalah dua pendekatan yang berbeda
untuk ketidakjelasan dan tidak memperbaiki untuk kesulitan klasik dalam menetapkan
teori. Kedua teori mewakili dua pendekatan yang berbeda untuk ketidakjelasan.
Alamat himpunan fuzzy pengetahuannya diungkapkan oleh anggota fuzzy, sedangkan
alamat teori rough set pengetahuannya dinyatakan oleh hubungan indiscernibility
(Polkwoski, 2002).
Universitas Sumatera Utara
2
Pendekatan yang diusulkan dalam kehidupan sehari-hari, manusia cenderung
mengelompokkan sesuatu berdasarkan kategori secara kasat mata, misalnya kelompok
orang tinggi, kelompok orang pandai, dan sebagainya, namun tidak semua
himpunan/kelompok yang dijumpai dalam kehidupan sehari-hari dapat terdefinisi
secara jelas. Misalnya, pada himpunan/kelompok orang tinggi, tidak dapat ditentukan
secara tegas apakah seseorang adalah tinggi atau tidak tinggi. Anggap bahwa definisi
“orang tinggi” adalah orang yang tingginya lebih besar atau sama dengan 1.70 meter,
maka orang yang tingginya 1.69 meter menurut definisi tersebut termasuk orang yang
tidak tinggi. Sulit diterima bahwa orang yang tingginya 1.69 meter itu tidak termasuk
orang tinggi. Hal ini menunjukkan bahwa batas antara kelompok orang tinggi dan
kelompok orang yang tidak tinggi tidak dapat ditentukan secara tegas. Untuk
mengatasi permasalahan himpunan dengan batas yang tidak tegas itu, L.A. Zadeh
mengaitkan himpunan tersebut dengan suatu fungsi yang menyatakan nilai
keanggotaan pada suatu himpunan tak kosong sebarang dengan mengaitkan pada
interval [0,1] (Zadeh, 1965). Himpunan tersebut disebut himpunan fuzzy dan fungsi ini
disebut fungsi keanggotaan (membership function) dan nilai fungsi itu disebut derajat
keanggotaan.
Beberapa penelitian yang telah dilakukan terlebih dahulu yang terkait dengan
pengambilan keputusan, yaitu Thyroid Diagnosis Based Technique on Rough Sets
With Modified Similarity Relation (Radwan, dkk 2013). Dalam tulisan ini, data pasien
yang tidak konsisten yaitu data pada data set penyakit tiroid. Dalam tulisannya rough
set digunakan dalam data diskrit. Rough set mencoba mengkluster atribut tiroid. Pada
discernibility matrix telah dibangun untuk membangun reduct. Dengan demikian
dapat diklasifikasikan penyakit tiroid. Penelitian berikutnya, yaitu Effective Anomaly
Intrusion Detection System based on Neural Network with Indicator Variable and
Rough set Reduction (Sadek, dkk 2013). Penelitian ini berfokus pada efek
pengurangan dimensi menggunakan atribut seleksi untuk membangun sistem deteksi
intruksi yang efektif dengan akurasi deteksi yang tinggi dan rendah. Algoritma yang
diusulkan NNIV-RS (Neural Network dengan Indikator Variabel menggunakan Rough
Set untuk pengurangan atribut). Hasil penelitian menunjukkan bahwa algoritma yang
diusulkan adalah handal dan efisien dalam deteksi intruksi. Penelitian berikutnya,
yaitu Aplikasi Logika Fuzzy Dalam Penentuan Kepuasan Pasien Rawat Inap
(Banjarnahor, 2012). Penelitian ini berfokus pada Model Fuzzy dengan nilai
Universitas Sumatera Utara
3
keanggotaan segitiga dan sigmoid ditujukan untuk mendapatkan nilai terbaik dari baik
dan nilai terendah dari yang baik ataupun mencari nilai terbaik dari yang kurang dan
nilai terburuk dari yang buruk.
1.2. Rumusan Masalah
Rough set sering digunakan untuk pengambilan keputusan. Keuntungan utama dari
teori rough set dalam analisis data adalah bahwa tidak memerlukan informasi awal
dan tambahan tentang data seperti probabilitas dan statistik, kelas keanggotaan atau
nilai kemungkinan dalam himpunan fuzzy teori. Salah satu mekanisme yang turut
berperan didalam penentuan rule pada Rough Set adalah penentuan fungsi
keanggotaan yang didapat dari himpunan fuzzy kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai dengan 1. Maka rumusan masalah yang akan
dibahas dalam penelitian ini adalah rule dalam permasalahan fuzzy umumnya
didasarkan pada pembangkit fungsi keanggotaan yang daerah keanggotaannya
ditentukan menggunakan pengelompokan berdasarkan kategori secara kasat mata.
Rough set dapat membentuk rule menggunakan cara melalui batas wilayah. Batas
wilayah dalam rough set adalah elemen yang berada diluar set yang mungkin milik
set.
1.3. Batasan Masalah
Untuk menghindari kemungkinan meluasnya pembahasan, maka dilakukan batasanbatasan masalah sebagai berikut:
1.
Fungsi keanggotaan yang digunakan adalah kurva segitiga dan kurva trapesium.
2.
Penelitian ini hanya akan membahas penggunaan roughset dengan fuzzy dalam
ketepatan penarikan kesimpulan dan tidak membahas cara membangkitkan fungsi
keanggotaan serta klasifikasi.
3.
Perbandingan ketepatan pengambilan keputusan yang dilakukan adalah
membandingkan hasil keputusan yang dihasilkan oleh fuzzy dengan fuzzy yang
menggunakan roughset sebagai pembangkit rule.
4.
Metode fuzzy yang akan digunakan dalam perbandingan penelitian ini adalah
metode Tsukamoto.
Universitas Sumatera Utara
4
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah membangkitkan rule menggunakan rough set pada fungsi
keanggotaan fuzzy.
1.5. Manfaat Penelitian
Penelitian ini memberikan manfaat pada penggunaan rough set untuk pengambilan
keputusan, dan beberapa kasus data pada data mining maupun soft computing.
Manfaat penelitian ini adalah mendapatkan dan memudahkan keputusan yang lebih
bervariatif setelah roughset digunakan sebagai pembangkit rule.
Universitas Sumatera Utara
PENDAHULUAN
1.1. Latar Belakang
Dalam hidupnya manusia sering mengambil keputusan yang merupakan hasil dari
proses pemikiran baik secara sadar maupun tidak. Dalam proses pemikiran tersebut
ada beberapa pendekatan yang bisa dilakukan untuk memahami dan memanipulasi
keputusan yang dapat diambil. Salah satu pendekatan paling sukses adalah teori
himpunan fuzzy (Zadeh, 1965). Selain fuzzy, rough set dapat digunakan dalam
pengambilan keputusan. (Pawlak, 1982). Teori ini telah menarik perhatian banyak
peneliti dan praktisi di seluruh dunia, yang berkontribusi pada dasarnya untuk
pengembangan dan aplikasi.
Keuntungan utama dari teori rough set dalam analisis data adalah bahwa hal itu
tidak memerlukan informasi awal atau tambahan tentang data seperti probabilitas
dalam statistik, kelas keanggotaan atau nilai kemungkinan dalam himpunan fuzzy
teori. Teori rough set, diperkenalkan oleh Pawlak (1982) mengungkapkan
ketidakjelasan, tidak dengan cara keanggotaan, tapi menggunakan wilayah batas set.
Jika batas wilayah suatu himpunan adalah kosong itu berarti bahwa himpunan adalah
renyah, jika tidak kosong maka himpunan itu rough set. Rough set membedakan dua
konsep yang sangat penting, ketidakjelasan dan ketidakpastian. Ketidakjelasan adalah
milik set dan dapat dijelaskan oleh perkiraan, sedangkan ketidakpastian adalah milik
elemen dari suatu himpunan dan dapat dinyatakan oleh fungsi keanggotaan pada teori
rough set. Himpunan fuzzy dan teori rough set adalah dua pendekatan yang berbeda
untuk ketidakjelasan dan tidak memperbaiki untuk kesulitan klasik dalam menetapkan
teori. Kedua teori mewakili dua pendekatan yang berbeda untuk ketidakjelasan.
Alamat himpunan fuzzy pengetahuannya diungkapkan oleh anggota fuzzy, sedangkan
alamat teori rough set pengetahuannya dinyatakan oleh hubungan indiscernibility
(Polkwoski, 2002).
Universitas Sumatera Utara
2
Pendekatan yang diusulkan dalam kehidupan sehari-hari, manusia cenderung
mengelompokkan sesuatu berdasarkan kategori secara kasat mata, misalnya kelompok
orang tinggi, kelompok orang pandai, dan sebagainya, namun tidak semua
himpunan/kelompok yang dijumpai dalam kehidupan sehari-hari dapat terdefinisi
secara jelas. Misalnya, pada himpunan/kelompok orang tinggi, tidak dapat ditentukan
secara tegas apakah seseorang adalah tinggi atau tidak tinggi. Anggap bahwa definisi
“orang tinggi” adalah orang yang tingginya lebih besar atau sama dengan 1.70 meter,
maka orang yang tingginya 1.69 meter menurut definisi tersebut termasuk orang yang
tidak tinggi. Sulit diterima bahwa orang yang tingginya 1.69 meter itu tidak termasuk
orang tinggi. Hal ini menunjukkan bahwa batas antara kelompok orang tinggi dan
kelompok orang yang tidak tinggi tidak dapat ditentukan secara tegas. Untuk
mengatasi permasalahan himpunan dengan batas yang tidak tegas itu, L.A. Zadeh
mengaitkan himpunan tersebut dengan suatu fungsi yang menyatakan nilai
keanggotaan pada suatu himpunan tak kosong sebarang dengan mengaitkan pada
interval [0,1] (Zadeh, 1965). Himpunan tersebut disebut himpunan fuzzy dan fungsi ini
disebut fungsi keanggotaan (membership function) dan nilai fungsi itu disebut derajat
keanggotaan.
Beberapa penelitian yang telah dilakukan terlebih dahulu yang terkait dengan
pengambilan keputusan, yaitu Thyroid Diagnosis Based Technique on Rough Sets
With Modified Similarity Relation (Radwan, dkk 2013). Dalam tulisan ini, data pasien
yang tidak konsisten yaitu data pada data set penyakit tiroid. Dalam tulisannya rough
set digunakan dalam data diskrit. Rough set mencoba mengkluster atribut tiroid. Pada
discernibility matrix telah dibangun untuk membangun reduct. Dengan demikian
dapat diklasifikasikan penyakit tiroid. Penelitian berikutnya, yaitu Effective Anomaly
Intrusion Detection System based on Neural Network with Indicator Variable and
Rough set Reduction (Sadek, dkk 2013). Penelitian ini berfokus pada efek
pengurangan dimensi menggunakan atribut seleksi untuk membangun sistem deteksi
intruksi yang efektif dengan akurasi deteksi yang tinggi dan rendah. Algoritma yang
diusulkan NNIV-RS (Neural Network dengan Indikator Variabel menggunakan Rough
Set untuk pengurangan atribut). Hasil penelitian menunjukkan bahwa algoritma yang
diusulkan adalah handal dan efisien dalam deteksi intruksi. Penelitian berikutnya,
yaitu Aplikasi Logika Fuzzy Dalam Penentuan Kepuasan Pasien Rawat Inap
(Banjarnahor, 2012). Penelitian ini berfokus pada Model Fuzzy dengan nilai
Universitas Sumatera Utara
3
keanggotaan segitiga dan sigmoid ditujukan untuk mendapatkan nilai terbaik dari baik
dan nilai terendah dari yang baik ataupun mencari nilai terbaik dari yang kurang dan
nilai terburuk dari yang buruk.
1.2. Rumusan Masalah
Rough set sering digunakan untuk pengambilan keputusan. Keuntungan utama dari
teori rough set dalam analisis data adalah bahwa tidak memerlukan informasi awal
dan tambahan tentang data seperti probabilitas dan statistik, kelas keanggotaan atau
nilai kemungkinan dalam himpunan fuzzy teori. Salah satu mekanisme yang turut
berperan didalam penentuan rule pada Rough Set adalah penentuan fungsi
keanggotaan yang didapat dari himpunan fuzzy kedalam nilai keanggotaan yang
memiliki interval antara 0 sampai dengan 1. Maka rumusan masalah yang akan
dibahas dalam penelitian ini adalah rule dalam permasalahan fuzzy umumnya
didasarkan pada pembangkit fungsi keanggotaan yang daerah keanggotaannya
ditentukan menggunakan pengelompokan berdasarkan kategori secara kasat mata.
Rough set dapat membentuk rule menggunakan cara melalui batas wilayah. Batas
wilayah dalam rough set adalah elemen yang berada diluar set yang mungkin milik
set.
1.3. Batasan Masalah
Untuk menghindari kemungkinan meluasnya pembahasan, maka dilakukan batasanbatasan masalah sebagai berikut:
1.
Fungsi keanggotaan yang digunakan adalah kurva segitiga dan kurva trapesium.
2.
Penelitian ini hanya akan membahas penggunaan roughset dengan fuzzy dalam
ketepatan penarikan kesimpulan dan tidak membahas cara membangkitkan fungsi
keanggotaan serta klasifikasi.
3.
Perbandingan ketepatan pengambilan keputusan yang dilakukan adalah
membandingkan hasil keputusan yang dihasilkan oleh fuzzy dengan fuzzy yang
menggunakan roughset sebagai pembangkit rule.
4.
Metode fuzzy yang akan digunakan dalam perbandingan penelitian ini adalah
metode Tsukamoto.
Universitas Sumatera Utara
4
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah membangkitkan rule menggunakan rough set pada fungsi
keanggotaan fuzzy.
1.5. Manfaat Penelitian
Penelitian ini memberikan manfaat pada penggunaan rough set untuk pengambilan
keputusan, dan beberapa kasus data pada data mining maupun soft computing.
Manfaat penelitian ini adalah mendapatkan dan memudahkan keputusan yang lebih
bervariatif setelah roughset digunakan sebagai pembangkit rule.
Universitas Sumatera Utara