vol 07.2 117-138
DESCRIPTION
tentang dokumentTRANSCRIPT
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 117
SISTEM REKOMENDASI PEMBELIAN MOBIL
BERBASIS METODE NEURO-FUZZY CLASSIFICATION
Rico Pujianto, Stefanus Santosa, Romi Satria Wahono Pascasarjana Teknik Informatika Universitas Dian Nuswantoro
Abstract
This research advantageous to build a recommendation system in purchase a car. This system aims to
help people who are not experts in the automotive or car. When they tried to buy a car, they can use these
recommendations system like if they ask an expert or someone who knows more about cars. Fuzzy logic
can facilitate consumers in choosing a car in match with the criteria they want, because the key word to
searching by using fuzzy mambership are frequently used in everyday conversations. To overcome the lack
of an expert who determines fuzzy rules can be used combined methods of fuzzy logic and artificial neural
network or often called neuro-fuzzy method. In this research, by classifying car on the market by using
neuro-fuzzy method, known as neuro-fuzzy classification. From the results of classification of cars will be
built recommendation system to facilitate consumers to buy car if they are not experts in choosing a car,
so they can determine the desired vehicle in accordance with the criteria they want.
Keywords : Fuzzy logic, Artificial Nerural Network, Expert, Consumers, Fuzzy rule, Neuro-fuzzy,
Classifying, Neuro-Fuzzy Classification.
1. Latar Belakang Salah satu alat transportasi darat yang ada dan banyak digunakan saat ini adalah mobil. Jumlah mobil yang
dimiliki oleh satu rumah tangga semakin meningkat setiap tahunnya. Khususnya di kota-kota besar yang
saat ini bahkan tidak lagi satu mobil per rumah tangga, tetapi satu mobil per orang [1]. Ini menyebabkan
industri mobil di Indonesia mengalami peningkatan dari tahun ke tahun.
Menurut Bambang Trisulo, ketua Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo)
pertumbuhan penjualan mobil pada 2004 di Indonesia tertinggi di dunia, pertumbuhannya mencapai 36,6
persen, penjualan mobil itu mencapai 483.168 unit, sedangkan pada 2003 hanya berhasil menjual 354.355
unit. Penjualan mobil pada tahun 2008 pernah mengalami pencapaian penjualan tertinggi diantara negara-
negara Asean, industri mobil di Indonesia mengalami kenaikan 40% dari penjualan tahun sebelumnya,
penjualan mobil di Indonesia di tahun ini mencapai 607.151 unit [Media Data Survey Research Service].
Dengan meningkatnya angka penjualan mobil di Indonesia membuat produsen mobil di tanah air
berlomba untuk memapsarkan produk mereka. Salah satunya dengan cara mengeluarkan produk mobil
terbaru dengan teknologi yang lebih canggih yang akan menjadi produk unggulan mereka. Meskipun
pernah mengalami penurunan penjualan akibat krisis ekonomi global yang melanda di seluruh dunia pada
tahun 2009, namun hal ini tidak mengurangi niat para produsen mobil untuk mengeluarkan produk terbaru
mereka. Hal ini dibuktikan dengan keluarnya produk-produk mobil terbaru di pasaran. Seperti Toyota
yang mengeluarkan produk Corolla Altis 2.0, Alphard 2.4, Honda dengan Odissey-nya, Nissan dengan X-
Trail 2.0 CVT, dan masih banyak lagi [Gaikindo].
Sehubungan dengan bertambahnya jumlah produk yang ada di pasaran, maka konsumen yang
dalam hal ini adalah yang akan membeli dan menggunakan fasilitas mobil sedikit banyak akan merasakan
dampak dari adanya beberapa varian dan merk mobil yang masing-masing memiliki spesifikasi yang
berbeda. Dampak yang paling kelihatan adalah konsumen akan merasa kesulitan dalam memilih mobil
sesuai dengan yang diinginkan. Hal ini disebabkan timbulnya kebingungan dalam menentukan pilihan
pada saat akan membeli [2].
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
118 http://research.pps.dinus.ac.id email redaksi: [email protected]
Memilih mobil bukanlah hal yang sulit bagi mereka yang mengerti tentang mesin, khususnya yang
memiliki minat besar pada mobil, namun bagi mereka yang kurang pengalaman relatif sulit untuk memilih
mobil sesuai keinginan mereka, sehingga akan butuh waktu untuk menentukan pilihan [3]. Secara umum,
ketika orang-orang yang tidak memiliki minat khusus dalam mobil akan mencari informasi melalui
internet dan jika mereka tidak tahu atau ingat kata kunci yang sesuai untuk menjadi masukan, mereka
mungkin tidak mendapatkan hasil pencarian yang sesuai dengan yang mereka inginkan [4]. Sehingga
untuk mempermudah orang yang tidak ahli dalam memilih mobil, maka dibutuhkan suatu sistem
pendukung keputusan untuk membantu konsumen dalam memilih mobil yang tepat dan sesuai dengan
kriteria yang mereka inginkan, agar konsumen yang membeli mobil tidak kecewa dengan mobil
pilihannya setelah mereka membeli.
Bagi mereka yang ahli dalam bidang tersebut akan merasa menyenangkan memilih mobil yang
mereka inginkan, tetapi mereka yang kurang mengerti tentang mesin dan mobil akan bertanya kepada
pakar atau orang yang lebih mengerti [1]. Namun terkadang saran dari seorang pakar belum tentu sesuai
dengan yang kita inginkan, bahkan banyak juga konsumen yang merasa tidak puas dengan mobil mereka
setelah mereka membelinya. Hal ini disebabkan data yang dimiliki oleh seorang pakar tidak sepenuhnya
akurat, atau dikarenakan pengetahuan yang mereka miliki hanya berdasarkan pengalaman pribadi dan
berdasarkan merk yang mereka sukai.
Sudah ada beberapa penelitian yang meneliti tentang sistem rekomendasi dalam pemilihan mobil,
diantaranya Takashi Samatsu [1] dan Kie Tachikawa [4] yang menggunakan fuzzy logic dan Elyani [2]
yang menggunakan fuzzy database. Namun dari penelitian-penelitian tersebut penentuan aturan fuzzynya
masih membutuhkan kemampuan seorang pakar. Tabel 1 dibawah ini menunjukan beberapa parameter
yang digunakan dalam sistem rekomendasi pembelian mobil yang diambil dari beberapa penelitian.
Tabel 2.1: parameter pembelian mobil dari beberapa penelitian
Variabel Takashi Samatsu Kie Tachikawa Elyani
Harga √ √ √
Ukuran Mobil √ √ √
Maximum Power √
Warna √ √
Jumlah Tempat Duduk √ √
Isi Silinder √ √
Interior √ √
Exterior √
Berat Mobil √
Kapasitas Penumpang √
Ukuran Mesin √
Sistem Keamanan √ √ √
Daya Maksimum √
Torsi Maksimum √
Radius Belok Minimum √
Pada penelitian ini untuk mendapatkan parameter yang akan digunakan sebagai parameter-
parameter inputan akan dilakukan dengan cara studi lapangan dengan mengumpulkan data-data tentang
perilaku konsumen atau hal-hal yang akan ditanyakan dan karakteristik mobil yang dicari calon pembeli
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 119
pada saat akan memilih mobil yang diinginkan. Hal ini berguna agar rekomendasi tentang spesifikasi
mobil yang diberikan oleh sistem akan lebih akurat.
Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam ruang output
[5]. Fuzzy mengandung arti tidak jelas, samar atau kekaburan. Konsep himpunan fuzzy sebenarnya
dilatarbelakangi oleh cara berpikir manusia dalam mempresentasikan dan menganalisa fenomena-
fenomena di alam nyata yang serba tidak tepat (samar). Dengan menggunakan teori fuzzy logic maka
kata-kata tidak spesifik seperti yang digunakan dalam percakapan sehari-hari dapat digunakan sebagai
kata kunci pencarian, kata-kata tersebut seperti "relatif besar dalam ukuran", "power yang tinggi dalam
mesin”, ”harga murah”, dll. Sehingga sistem tidak membutuhkan pengetahuan khusus dari konsumen
tentang mobil [1].
Pada sistem yang menggunakan fuzzy logic penentuan fungsi anggota dan aturan-aturan fuzzy
biasanya dilakukan oleh seorang pakar yang memiliki pengetahuan tentang karakteristik setiap variabel
masukan dan keluaran serta aturan penalarannya. Hal ini menjadi masalah jika tidak ada seorang pakar
untuk menentukan aturan fuzzynya. Kita bisa menentukan fungsi keanggotaan untuk setiap variabel dan
fuzzy rules secara coba-coba (trial-and-error). Tetapi akan membutuhkan waktu yang lama pada sistem
yang memiliki banyak variabel masukan dan keluaran. Hal tersebut dapat diatasi dengan memanfaatkan
artificial neural network yang memiliki kemampuan belajar (learning). Untuk mengatur fungsi
keanggotaan dan/ atau fuzzy rules yang paling optimum [6].
Sistem yang menggunakan pendekatan neuro-fuzzy sudah banyak digunakan untuk sistem
rekomendasi, salah satunya adalah penelitian tentang web recommendation. Model rekomendasi dengan
menggunakan pendekatan neuro-fuzzy yang dapat digunakan untuk menunjukkan halaman dan situs web
yang dinilai relevan oleh pengguna [7].
Berdasarkan latar belakang diatas, penelitian ini akan menggunakan pendekatan neuro-fuzzy,
dengan cara melakukan klasifikasi pada data berbagai jenis mobil yang ada di pasaran dengan
menggunakan salah satu teknik klasifikasi yaitu Neuro-Fuzzy Classification (NEFCLASS). Hasil
klasifikasi tersebut nantinya akan dibuat sistem rekomendasi yang akan digunakan oleh pengguna dalam
pemilihan mobil. Dari hasil penelitian ini nantinya diharapkan dapat diaplikasikan untuk membantu
mempermudah para calon pembeli mobil dalam mengambil keputusan mengenai mobil yang diinginkan.
Penelitian yang menggunakan neuro-fuzzy classification sudah banyak dilakukan, salah satunya
yang dilakukan Galina Setlak pada tahun 2008 [8]. Galina melakukan penelitian dengan
mengklasifikasikan data penjualan produk menjadi beberapa class berdasarkan Price, Advertising,
Volume of Sales, Stimulus of Sale, dll. Metode neuro-fuzzy digunakan karena dianggap mampu
memecahkan berbagai masalah yang kompleks yang nilai kebenarannya tidak pasti [8]. Penelitian ini
menghasilkan suatu decision support system atau sistem pendukung keputusan yang dapat diaplikasikan
oleh manajerial untuk membuat keputusan dan menyelesaikan masalah yang timbul yang berkaitan
dengan kegiatan penjualan produk perusahaan.
2. LANDASAN TEORI
2.1. Penelitian terkait (Related Research)
Takashi Samatsu [1] melakukan penelitian dengan membuat sistem pencarian produk mobil dengan
menggunakan pendekatan fuzzy untuk pembelian mobil menggunakan pengolahan citra atau image
processing. Penelitian ini dibuat untuk orang yang tidak tidak baik dalam mesin dan mobil dapat terbantu
dalam memilih dan menentukan mobil yang diinginkan seperti didampingi oleh seorang pakar yang lebih
banyak tahu tentang mobil. Sitem ini dikembangkan dengan membangun sistem GUI dengan pendekatan
fuzzy. Algoritma fuzzy digunakan untuk melakukan penalaran terhadap inputan yang berupa himpunan
samar seperti "relatif besar dalam ukuran", " power yang tinggi dalam mesin”, ”harga murah”, dll. Selain
itu penelitian ini dibuat dengan menghitung kelengkungan, menghitung bentuk mobil dengan
menggunakan pengolahan citra atau image processing, dan menambahkan item untuk memilih bentuk
mobil dari kebulatan dan ketajaman untuk meningkatkan kegunaan dari sistem ini.
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
120 http://research.pps.dinus.ac.id email redaksi: [email protected]
Takashi Samatsu menggunakan pengolahan citra atau image processing dari bentuk sudut dan
lekukan mobil sebagai inputan dan menggunakan metode fuzzy logic untuk memproses data, sedangkan
pada penelitian ini akan dilakukan studi lapangan terlebih dahulu tentang perilaku masyarakat yang
berhubungan dengan hal-hal yang akan ditanyakan para calon konsumen pada saat akan membeli mobil.
Kemudian dari hasil survey tersebut akan digunakan sebagai parameter input berdasarkan karakteristik
yang diinginkan, dan untuk memproses inputan akan digunakan metode neuro-fuzzy.
Elyani [2] melakukan penelitian dengan membuat Decision Support System dengan menggunakan
basis data standar, seseorang dapat menangani data-data yang bersifat pasti,deterministik dan presisi.
Namun pada kenyatannya seringkali dibutuhkan adanya penanganan pada data-data yang bersifat samar
pada sistem basis data. Maka untuk mengatasi masalah tersebut dapat digunakan konsep logika fuzzy.
Penelitian ini mengimplementasikan konsep logika fuzzy Model Tahani ke dalam basis data, atau biasa
disebut fuzzy database model Tahani. Artinya, sistem basis data yang menerapkan konsep fuzzy model
Tahani sehingga dapat menangani data-data yang bernilai fuzzy. Masalah yang diagkat pada penelitian ini
adalah proses perekomendasian mobil yang paling sesuai bagi pengguna (calon pembeli mobil).
Elyani menggunakan pendekatan fuzzy database model Tahani. Pada fuzzy database model Tahani
membutuhkan kemampuan seorang pakar untuk menetapkan fuzzy rule terlebih dahulu. Untuk
menghindari permasalahan tidak adanya seorang pakar yang dapat menentukan fuzzy rule, maka pada
penelitian ini akan menggunakan metode neuro-fuzzy. Metode neuro-fuzzy dipilih karena memiliki
kemampuan learning atau kemampuan belajar, sehingga tidak memerlukan kemampuan seorang pakar
untuk menentukan fuzzy rule. Sehingga hasil dari rekomendasi yang diberikan kepada konsumen lebih
akurat
Prashant Sharma [9][10] melakukan penelitian dengan mengklasifikasikan kendaraan bermotor
yang ada di jalan raya. Pengklasifikasian kendaraan bermotor merupakan parameter penting dalam lalu
lintas jalan raya. Dalam penelitian ini mengembangkan algoritma untuk menemukan keakuratan sistem
untuk klasifikasi kendaraan yang berbeda menggunakan teknik neuro-fuzzy classification. Algoritma ini
terutama membaca sistem inferensi dan mengambil sampel berbagai masukan, kemudian memeriksa kelas
sampel masing masing dan menghitung akurasi. Kelas diidentifikasi dengan memeriksa roda dasar,
ground clearance tubuh dan panjang kendaraan yang diambil sebagai jarak sumbu roda, tinggi chassis dan
panjang badan masing-masing kendaraan bermotor. Dalam penelitian ini dilakukan dengan
membandingkan hasil klasifikasi kendaraan bermotor dengan menggunakan Fuzzy Inference System (FIS)
dengan algoritma neuro-fuzzy. Hasil dari penelitian ini diketahui bahwa klasifikasi dengan menggunakan
neuro-fuzzy lebih akurat jika dibandingkan dengan FIS. Sehingga dapat disimpulkan dengan
menggunakan algoritma neuro-fuzzy dapat menangani masalah ketidakpastian dan ketidaksempurnaan
pada data lebih efektif jika dibandingkan dengan algoritma FIS.
Pada penelitian Prashant Sharma menggunakan panjang, lebar dan bentuk kendaraan bermotor
sebagai inputan untuk memproses data kendaraan bermotor yang ada di lalu lintas jalan raya, sedangkan
pada penelitian ini akan dilakukan studi lapangan terlebih dahulu tentang perilaku masyarakat yang
berhubungan dengan hal-hal yang akan ditanyakan para calon konsumen pada saat akan membeli mobil.
Kemudian dari hasil survey tersebut akan digunakan sebagai parameter input untuk mengklasifikasi mobil
berdasarkan karakteristik yang diinginkan calon pembeli, dan untuk memproses inputan akan digunakan
metode neuro-fuzzy clasification. Dengan melakukan klasifikasi pada mobil maka akan didapatkan hasil
berupa data mobil yang ada di pasaran menjadi beberapa kelas mobil.
Beberapa contoh penelitian yang menggunakan metode klasifikasi untuk segmentasi kendaraan
bermotor, diantara lain adalah:
1. Khaled F. Hussain dan Ghada S. Moussa (2005) [11] melakukan klasifikasi kendaraan bermotor
berdasarkan gambar yang diperoleh dari jarak jauh dengan algoritma neural network,
2. Chengcui Zhang dan Xin Chen (2006) [12] menggabungkan algoritma Principal Component Analysis
(PCA) dan Support Vector Machine (SVM) untuk segmentasi transportasi jalan raya,
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 121
3. Zhang Changjun dan Chen Yuzong (2009) [19] melakukan penelitian dengan menggabungkan
algoritma Support Vector Machine dan K-nearest neigthbour untuk klasifikasi kendaraan bermotor di
tempat parkir,
4. M. Godec, C. Leistner dan H. Bischof (2010) [21] menggunakan algoritma Naïve bayes untuk
mengklasifikasi kendaraan bermotor di jalan raya pada malam hari dengan menggunakan image
proccessing,
5. TANG Jin-hua (2010) [22] menggunakan metode klasifikasi denngan algoritma Naïve bayes untuk
mengoptimalkan transportasi jalan raya di China.
Tabel 2 di bawah ini adalah state of the art dari beberapa penelitian klasifikasi kendaraan bermotor
Vehicle Classification Approach Classifier
SVM ANN KNN NVB PCA
Hussain and Moussa (2005) [11] √
Chengcui Zhang and Xin Chen (2006) [12] √ √
Shicai Yu and Ning Ma (2008) [13] √
Tuan Hue Thi and Kostia Robert (2008) [14] √ √
CUI Xun-xue and QIU Guo-xin (2008) [15] √
Zhou Feng and Wang Mingzhe (2009) [16] √
N.K. Ibrahim and Raja Abdullah (2009) [17] √ √
Kostia Robert (2009) [18] √ √
Zhang Changjun and Yuzong (2009) [19] √ √
Kembhavi and Harwood (2010) [20] √
Godec, Leistner and Bischof (2010) [21] √
TANG Jin-hua (2010) [22] √
Keterangan :
SVM = Support Vector Machine
ANN = Artificial Neural Network
KNN = K-Nearest Neigthbour
NVB = Naïve Bayes
PCA = Principal Component Analysis
2.2. Neuro-Fuzzy
Sistem neuro-fuzzy merupakan gabungan dari neural network dan sistem fuzzy, Algoritma jaringan syaraf
digunakan untuk mengetahui parameter dari sistem fuzzy [9]. Beberapa tahun terakhir kita telah
menyaksikan pertumbuhan yang pesat dalam jumlah dan berbagai aplikasi logika fuzzy. Di antara
berbagai kombinasi metodologi dalam soft computing, salah satu yang memilik visibilitas tertinggi saat ini
adalah logika fuzzy dan neuro computing, yang mengarah ke sistem yang disebut neuro-fuzzy [23].
Sistem Neuro-fuzzy adalah sistem fuzzy yang menggunakan teori jaringan syaraf untuk
menentukan set fuzzy dan aturan fuzzy dengan pengolahan data sampel [24]. Sistem neuro-fuzzy
memanfaatkan kekuatan dari dua paradigma: logika fuzzy dan jaringan syaraf, dengan menggunakan sifat
matematis jaringan syaraf di sistem fuzzy berdasarkan aturan yang mendekati cara orang memproses
informasi [25].
Sistem Neuro-fuzzy dapat menggabungkan komputasi paralel dan kemampuan belajar jaringan
saraf dengan manusia seperti representasi pengetahuan dan kemampuan penjelasan tentang fuzzy sistem
[9]. Akibatnya, jaringan syaraf menjadi lebih transparan, sementara sistem fuzzy menjadi mampu belajar.
Sistem neuro-fuzzy adalah jaringan saraf yang secara fungsional setara dengan model inferensi fuzzy. Hal
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
122 http://research.pps.dinus.ac.id email redaksi: [email protected]
ini dapat dilatih untuk mengembangkan aturan-aturan IF-THEN fuzzy dan menentukan fungsi
keanggotaan untuk variabel input dan output dari sistem. Pengetahuan seorang pakar dapat dimasukkan ke
dalam struktur sistem neuro-fuzzy.
Gagasan sistem neuro-fuzzy adalah untuk menemukan parameter sistem fuzzy dengan cara metode
belajar yang diperoleh dari jaringan syaraf tiruan. Sebuah cara yang umum untuk menerapkan algoritma
pembelajaran sistem fuzzy untuk mewakili dalam sebuah neural network khusus seperti arsitektur.
Kemudian algoritma belajar seperti backpropagation digunakan untuk melatih sistem. Namun, algoritma
pelatihan neural network biasanya berbentuk metode gradien descent. Ini tidak dapat diterapkan secara
langsung ke sistem fuzzy, karena fungsi yang digunakan untuk mewujudkan proses inferensi biasanya
tidak terdiferensiasi. Untuk mewujudkan sistem, kita perlu mengganti fungsi yang digunakan dalam
sistem fuzzy (min and max) dengan fungsi terdiferensialkan atau tidak menggunakan neural gradien
berbasis algoritma pembelajaran tetapi prosedur yang lebih cocok [26].
Sistem inferensi fuzzy sering kasli digunakan sebagai salah satu mekanisme inferensi pada sistem
pakar, terutama untuk sistem pakar yang menggunakan aturan-aturan dalam basis pengetahuannya [27].
Meskipun logika fuzzy dapat menterjemahkan pengetahuan dari para pakar secara langsung, namun
biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi keanggotaannya. Untuk itu, perlu adanya
metode lain yang digunakan untuk melengkapi logika fuzzy tersebut. Teknik-teknik pembelajaran pada
jaringan syaraf dapat mengoptimasi proses tersebut dan secara subtansial dapat mengurangi waktu dan
biaya [28].
2.3. Neuro-Fuzzy Classification (NEFCLASS) Sebuah neuro-fuzzy classification dapat didefinisikan sebagai sistem fuzzy yang dilatih dengan beberapa
algoritma yang berasal dari teori jaringan syaraf. Integrasi jaringan saraf dan sistem fuzzy bertujuan untuk
membantu mempermudah menginterpretasikan sistem dan agar menjadi lebih efisien, dimana keunggulan
masing-masing model digunakan dan meminimalkan kelemahan dari masing-masing model tersebut. Saat
ini neuro-fuzzy classification banyak digunakan di berbagai bidang, seperti system control, pattern
recognition, fault diagnosis dan lain-lain [29].
Neuro-fuzzy classification merupakan pendekatan neuro-fuzzy untuk mendapatkan aturan
klasifikasi fuzzy dari satu set data label. NEFCLASS memiliki kemampuan menggunakan pengetahuan
yang ada sebelumnya dalam bentuk fuzzy set dan aturan linguistik dengan menggunakan algoritma
pembelajaran terawasi berdasarkan metode kesalahan backpropagation [30].
Neuro-fuzzy classification dapat dilihat sebagai 3 layer feed forward neural network, seperti
digambarkan dalam Gambar 2. Unit dalam 3 layer memiliki arti berikut [30]:
1. Unit pada lapisan pertama menghitung nilai keanggotaan, sehingga setiap unit memiliki dua
parameter bebas, yaitu pusat dan lebar dari fungsi Gaussian.
2. Lapisan kedua memegang unit K yang menghitung kekuatan aktivasi aturan fuzzy, tidak ada
parameter bebas berhubungan dengan unit tersebut. Lapisan ketiga menyediakan derajat keanggotaan
kelas y, sebagaimana didefinisikan dalam layer 2. Koneksi antara lapisan kedua dan ketiga adalah
diwakili oleh v parameter bebas.
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 123
III Output Layer
II Rule Node Layer
I Input Layer
Sumber [18]
Gambar 2.1: Neuro-fuzzy classification architecture
Jaringan neuro-fuzzy mengkode satu set aturan fuzzy dalam topologi, dan memprosesinformasi
dengan cara yang sesuai dengan skema inferensi fuzzy diadopsi. Beratσ danparameter konsekuen aturan
fuzzy.jaringan termasuk parameter premis,vkjPentingnya mengubah classifier fuzzy menjadi jaringan syaraf
terletak padakemungkinan untuk menemukan parameter fuzzy rule mengambil keuntungan
darikemampuan belajar jaringan saraf. Untuk menentukan parameter aturan fuzzy secaraotomatis
berdasarkan data yang tersedia, jaringan Iyang dilatih melaluialgoritma supervise berdasarkan teknik
gradien-descent. Untuk mempercepatpembelajaran, parameter jaringan dengan benar diinisialisasimenurut
data pelatihan. Premise parameter ()w σ, yang diawali dengan pengelompokan ruang input
melaluialgoritma FCM.Untuk setiap k aturan = 1 ... K, pusat dari fungsi Gaussian-i didefinisikan
sebagaikoordinat ke-i dari pusat cluster k-th,dan lebarikwikσ ditugaskan untuk nilai radiuscluster.
V parameter diinisialisasi dengan memperhatikan bagaimanakj Jcvektor banyakmasukan milik kelas
tercakupi oleh cluster k-n [20]:
$%& = ∑ �%��'��()*+ ∑ ,%��'�''-./ 0 = 2 …………..……………… (1)
Dengandemikian, struktursertabobotawaljaringanneuro-fuzzyditetapkan. Hal inisesuaiuntuk
menentukanjumlah aturanfuzzydanparameterawalmasing-masing.Rule basefuzzyawalini
kemudiantersetelmelaluijaringanpembelajaranuntukmendapatkanrule basefuzzyakhir [29].
Pada masalah klasifikasi klasik dengan jaringan backpropagation jumlah neuron pada lapisan
output sama dengan jumlah kelas. output neuron akan bernilai 1 jika output neuron sesuai dengan target,
dan bernilai 0 apabila tidak sesuai, dengan konsep winner take all [15]. Pal dan Mitra (1992)
memperkenalkan klasifikasi pola secara fuzzy menggunakan algoritma pembelajaran backpropagation.
konsep dari model ini adalah dengan menggunakan derajat keanggotaan pada neuron otput sebagai target
pemberlajaran. Apabila klasifikasi akan dilakukan terhadap sekelompok data, xk = {x1, x2, …. xn} dalam p
kelas, maka akan terdapat p neuron pada lapisan output. misalkan mk dan vk adalah mean dan deviasi
standar dari kelas ke-k, maka pertama-tama kita harus menghitung jarak terbobot pada pola pelatihan ke-
k, xk, terhadap kelas ke-k, sebagai berikut [30]:
C1 C2
R1 R2 R3 R4
X1 X1
1 1 1
1
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
124 http://research.pps.dinus.ac.id email redaksi: [email protected]
.............................................................................................................................. (2)
dengan xij adalah niali komponen ke-j dari pola ke-i.
Derajat keanggotaan pola ke-I pada kelas Ck dapat dihitung sebagai berikut:
�%��1� = ..2 34 567 869; k = 1, ... , p ................................................................... (3)
dengan fd dan fe adalah konstanta yang akan mengendalikan tingkat kekaburan pada himpunan
keanggotaan kelas tersebut. Dari sini akan didapatkan p vektor derajat keanggotaan [µ1(x1), µ2(x2), …,
µp(xp)]. Pada kasus neuro-fuzzy, akan digunakan operator INT (intensified) sebagai berikut:
.............................................................................................................................. (4)
Sehingga pola input ke-i, xi, akan memiliki target output ke-k sebagai berikut:
......................................................................... (5)
3. PENERAPAN METODE NEURO-FUZZY CLASSIFICATION PADA PEMILIHAN MOBIL Dalam penelitian ini akan dilakukan dengan cara mengklasifikasikan data dari mobil yang ada di pasaran
terlebih dahulu. Kemudian dari hasil klasifikasi tersebut akan digunakan untuk membangun sistem
rekomendasi pemilihan mobil. Klasifikasi mobil dihitung berdasarkan harga mobil, ukuran, kapasitas
penumpang, daya maksimum, besar mesin/ silinder, jumlah service center, kemudian dari data mobil
tersebut akan diklasifikasikan menjadi 6 kelas.
Proses klasifikasi akan menggunakan metode neuro fuzzy classification. Dari hasil klasifikasi akan
diambil sampel untuk traning data, testing data dan checking data, hal ini berguna untuk melakukan proses
pembelajaran. Untuk proses pembelajaran akan menggunakan metode pembelajaran backpropagation.
Konsep dari model pembelajaran ini adalah dengan menggunakan derajat keanggotaan pada neuron output
sebagai target pembelajaran.
3.1. Derajat Keanggotaan
Berikut ini adalah rincian fungsi keanggotaan pada masing-masing variabel fuzzy yang digunakan untuk
mendapatkan nilai derajat keanggotaan:
:1% = ;< =�1&> ?5+$%& @A ; B = 1, … , EF&-.
G%�HIJK�5��� � ;H5�� � ;
�IJK��1�= � 2 L�%��1�MA ; 0 ≤ �%��1� ≤ 0,5 1 − 2 L1 − �% � �1�MA ; 0,5 ≤ �%��1� ≤ 1
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 125
Tabel 2.3: Fungsi keanggotaan pembelian mobil
No Fungsi Keanggotaan untuk Variabel Dalam Himpunan
1 Harga mobil Murah, sedang, mahal
2 Ukuran mobil Besar, sedang, kecil
3 Kapasitas penumpang Banyak, sedang, sedikit
4 Daya maksimum Besar, sedang, kecil
5 Besar mesin/ silinder Besar, sedang, kecil
6 Jumlah Service center Banyak, sedang, sedikit
3.2. Klasifikasi Metode Neuro-Fuzzy dan Jaringan Backpropagation Pola data yang akan dilatih dengan menggunakan jaringan backpropagation seperti terlihat tabel dibawah
ini
Tabel 2.4: Data yang akan dilatih pada pemilihan mobil
Data
ke-
Harga
Mobil
(x1)
Ukuran
mobil
(x2)
Kapasitas
penumpang
(x3)
Daya
maksimum
(x4)
Besar
mesin/
silinder
(x5)
Jumlah
service
center (x6)
Kelas
ke-
1 0 0 0.5 0 0 0 1
2 0 0 0.5 0 0 0.5 1
3 0 0 0.5 0 0 1 3
4 0 0 0.5 0 0.5 0 1
5 0 0 0.5 0 0.5 0.5 2
6 0 0 0.5 0 0.5 1 2
7 0 0 0.5 0 1 0 2
8 0 0 0.5 0 1 0.5 2
9 0 0 0.5 0 1 1 2
10 0 0 0.5 0.5 0 0 1
11 0 0 0.5 0.5 0 0.5 1
12 0 0 0.5 0.5 0 1 3
13 0 0 0.5 0.5 0.5 0 1
14 1 1 0.5 1 1 0 4
15 1 1 0.5 1 1 0.5 6
16 1 1 0.5 1 1 1 6
17 1 1 1 0 0 0 4
18 1 1 1 0 1 0.5 5
19 1 1 1 0 1 1 5
20 1 1 1 0.5 0 0 4
21 1 1 1 0.5 0 0.5 4
22 1 1 1 0.5 0 1 4
23 1 1 1 0.5 0.5 0 4
24 1 1 1 0.5 0.5 0.5 5
25 1 1 1 0.5 0.5 1 5
26 1 1 1 0.5 1 0 5
27 1 1 1 0.5 1 0.5 5
28 1 1 1 0.5 1 1 6
29 1 1 1 1 0 0 4
30 1 1 1 1 1 1 6
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
126 http://research.pps.dinus.ac.id email redaksi: [email protected]
Kemudian akan diambil data 30 jenis mobil untuk dilakukan pengujian dengan algoritma
pembelajaran backpropagation
Tabel 2.5: Data yang akan diuji pada pemilihan mobil
Data
ke-
Harga
Mobil
(x1)
Ukuran
mobil
(x2)
Kapasitas
penumpang
(x3)
Daya
maksimum
(x4)
Besar
mesin/
silinder
(x5)
Jumlah
service
center
(x6)
1 429,3 4695 7 0.015 1298 4
2 204,5 4420 8 0.028 2494 4
3 212,4 4300 5 0.018 1497 4
4 334,5 4540 5 0.045 3465 4
5 121 4405 8 0.028 2362 4
6 131,7 4120 8 0.028 3456 4
7 139,4 4165 7 0.031 2694 4
8 169 4405 7 0.018 1495 4
9 149,4 3720 5 0.018 1497 4
10 1,200 4900 5 0.024 1798 4
11 376 4695 8 0.015 1298 15
12 415 4570 7 0.011 989 15
13 1,270 4510 8 0.016 1495 15
14 129,5 3600 7 0.018 1495 15
15 172,5 3755 5 0.015 1298 15
16 139 3715 7 0.042 3828 3
17 201,5 4135 7 0.039 2477 3
18 293,5 4470 5 0.026 1998 3
19 144 4225 5 0.045 1998 3
20 88 3875 5 0.011 988 6
21 426 4935 5 0.017 1490 6
22 705 4935 5 0.014 1197 6
23 339 4540 5 0.017 1490 6
24 261 4395 5 0.023 1955 6
25 348 4566 9 0.018 1493 6
26 198,5 3900 7 0.013 1493 6
27 239,5 4215 5 0.028 2354 5
28 545,5 4800 5 0.044 3471 5
29 296,5 4630 5 0.023 1799 5
30 139,8 3780 5 0.018 1497 5
Apabila digunakan kasus paling fuzzy dengan menggunakan operator INT (intensified), fd = 1,
fe = 2, maka pola pelatihan untuk klasifikasi berdasarkan persamaan 4 terlihat pada tabel 6.
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 127
Tabel 2.6: Pola pelatihan klasifikasi fuzzy pemilihan mobil
Data Pola input Pola Output
ke- X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6
1 0 0 0.5 0 0 0 0,996 0.766 0.587 0.148 0.107 0.059
2 0 0 0.5 0 0 0.5 0.957 0.909 0.827 0.139 0.124 0.078
3 0 0 0.5 0 0 1 0.607 0.766 0.778 0.102 0.113 0.087
4 0 0 0.5 0 0.5 0 0.957 0.909 0.633 0.139 0.139 0.078
5 0 0 0.5 0 0.5 0.5 0.895 0.999 0.875 0.13 0.165 0.108
6 0 0 0.5 0 0.5 1 0.540 0.909 0.827 0.097 0.148 0.122
7 0 0 0.5 0 1 0 0.607 0.766 0.426 0.102 0.142 0.087
8 0 0 0.5 0 1 0.5 0.54 0.909 0.633 0.097 0.168 0.122
9 0 0 0.5 0 1 1 0.308 0.766 0.587 0.075 0.15 0.138
10 0 0 0.5 0.5 0 0 0.957 0.703 0.543 0.184 0.121 0.073
11 0 0 0.5 0.5 0 0.5 0.895 0.85 0.778 0.171 0.142 0.1
12 0 0 0.5 0.5 0 1 0.54 0.703 0.729 0.122 0.128 0.112
13 0 0 0.5 0.5 0.5 0 0.895 0.85 0.778 0.171 0.142 0.1
14 1 1 0.5 1 1 0 0.097 0.112 0.163 0.424 0.627 0.437
15 1 1 0.5 1 1 0.5 0.092 0.126 0.21 0.379 0.805 0.843
16 1 1 0.5 1 1 1 0.071 0.112 0.199 0.234 0.691 0.97
17 1 1 1 0 0 0 0.184 0.141 0.3 0.824 0.422 0.144
18 1 1 1 0 1 0.5 0.115 0.161 0.32 0.379 0.885 0.514
19 1 1 1 0 1 1 0.087 0.141 0.3 0.234 0.772 0.648
20 1 1 1 0.5 0 0 0.171 0.133 0.281 0.996 0.538 0.203
21 1 1 1 0.5 0 0.5 0.159 0.152 0.395 0.957 0.707 0.35
22 1 1 1 0.5 0 1 0.115 0.133 0.367 0.607 0.597 0.437
23 1 1 1 0.5 0.5 0 0.159 0.152 0.3 0.957 0.838 0.35
24 1 1 1 0.5 0.5 0.5 0.148 0.175 0.426 0.895 0.986 0.696
25 1 1 1 0.5 0.5 1 0.108 0.152 0.395 0.54 0.901 0.843
26 1 1 1 0.5 1 0 0.115 0.133 0.222 0.607 0.854 0.437
27 1 1 1 0.5 1 0.5 0.108 0.152 0.3 0.54 0.993 0.843
28 1 1 1 0.5 1 1 0.083 0.133 0.281 0.308 0.915 0.97
29 1 1 1 1 0 0 0.122 0.099 0.189 0.957 0.422 0.214
30 1 1 1 1 1 1 0.065 0.099 0.189 0.28 0.772 0.994
Selanjutnya akan digunakan algoritma pembelajaran backpropagation menggunakan parameter-parameter
sebagai berikut:
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
128 http://research.pps.dinus.ac.id email redaksi: [email protected]
Maksimum epoh = 5000
Toleransi Error minimum = 10-6
Laju pembelajaran = 1
Pada epoh ke-4000 diperoleh:
Bobot akhir antara lapisan input dengan lapisan tersembunyi adalah:
Bobot bias akhir antara lapisan input dengan lapisan tersembunyi adalah;
Bobot akhir antara lapisan tersembunyi dengan lapisan output adalah:
Bobot bias akhir antara lapisan tersembunyi dengan lapisan output adalah:
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 129
Gambar 2.2: Grafik error pelatihan sampai epoh 4000 pemilihan mobil
Gambar diatas menunjukan grafik hasil pelatihan dari data yang dilatih dengan menggunakan Neuro-fuzzy
classification. Untuk menentukan kapan berhenti melatih data menggunakan stopping criterion berupa
error tolerence, yang mana berelasi dengan error size. Data akan berhenti dilatih setelah memasuki daerah
error tolerence ini. Untuk pelatihan data pada penelitian ini digunakan parameter-parameter pelatihan
yaitu maksimum epoh 5000, dan toleransi minimum diberikan sampai dengan 10-6 dengan laju
pembelajaran 1. Dari proses pelatihan menggunakan jaringan backpropagation didapat grafik pelatihan
yang berhenti pada epoh 4000.
Gambar 2.3: Grafik koefisien korelasi traget & ouput jaringan kelas 1 pemilihan mobil
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
130 http://research.pps.dinus.ac.id email redaksi: [email protected]
Gambar 2.3 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan pada
kelas ke-1 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan output
jaringan, hal ini diperlihatkan dengan nilai R=1
Gambar 2.4: Grafik koefisien korelasi traget & ouput jaringan kelas 2 pemilihan mobil
Gambar 2.4 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan pada
kelas ke-2 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan output
jaringan, hal ini diperlihatkan dengan nilai R=1
Gambar 2.5: Grafik koefisien korelasi traget & ouput jaringan kelas 3 pemilihan mobil
Gambar 2.5 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan pada
kelas ke-3 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan output
jaringan, hal ini diperlihatkan dengan nilai R=1
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 131
Gambar 2.6: Grafik koefisien korelasi traget & ouput jaringan kelas 4 pemilihan mobil
Gambar 2.6 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan
pada kelas ke-4 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan
output jaringan, hal ini diperlihatkan dengan nilai R=1
Gambar 2.7: Grafik koefisien korelasi traget & ouput jaringan kelas 5 pemilihan mobil
Gambar 2.7 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan
pada kelas ke-1 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan
output jaringan, hal ini diperlihatkan dengan nilai R=1
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
132 http://research.pps.dinus.ac.id email redaksi: [email protected]
Gambar 2.8: Grafik koefisien korelasi traget & ouput jaringan kelas 6 pemilihan mobil
Dari gambar diatas (Gambar 2.8) terlihat kecocokan antara data input dengan data pengujian, hasil
akhir dari proses pembelajaran data pelatihan dengan menggunakan jaringan backpropagation
memberikan nilai yang sama persis antara target output dengan output jaringan. Pembelajaran data
pelatihan dengan metode neuro-fuzzy classification yang menggunakan metode pembelajaran
backpropagation terlihat dari Gambar 2.8 dengan nilai koefisien korelasi ( R = 1 ).
4. PENGUKURAN SISTEM REKOMENDASI PEMBELIAN MOBIL
Pengukuran dalam penelitian ini menggunakan precision, recall dan F1 untuk mengevaluasi hasil dari
sistem rekomendasi [32]. Precision didefinisikan sebagai rasio item relevan yang dipilih terhadap semua
item yang terpilih. Precision merupakan probabilitas bahwa sebuah item yang dipilih adalah relevan
dengan yang diinginkan. Dapat diartikan sebagai kecocokan antara permintaan informasi dengan jawaban
terhadap permintaan itu.
Recall didefinisikan sebagai rasio dari item relevan yang dipilih terhadap total jumlah item relevan
yang tersedia. Recall merupakan probabilitas bahwa suatu item yang relevan akan dipilih. Sedangkan F1
digunakan untuk representasi dari penggabungan antara Precision dan Recall. F1 dapat dihitung
menggunakan rumus:
O1 = 2PQ �P + Q�⁄ ................................................ (6)
Precision dapat dihitung dengan jumlah rekomendasi yang relevan yang dipilih oleh user dibagi dengan
semua rekomendasi yang terpilih baik relevan maupun tidak. atau dengan kata lain precision dapat
dirumuskan sebagai berikut:
Precision = ∑ rekomendasi relevan yang dipilih user
∑ semua rekomendasi yang terpilih
Sedangkan Recall dapat dihitung dengan jumlah rekomendasi yang relevan yang dipilih oleh user dibagi
dengan jumlah semua rekomendasi yang relevan baik dipilih maupun rekomendasi yang tidak terpilih.
atau dengan kata lain recall dapat dirumuskan sebagai berikut:
Recall = ∑ rekomendasi relevan yang dipilih user
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 133
∑ semua rekomendasi yang relevan
Untuk lebih jelasnya dapat dilihat melalui tabel dan perhitungan tentang precision dan recall dibawah ini:
Tabel 2.7: perhitungan Precision and recall
Relevant Not Relevant
Retrieved A B
Not Retrieved C D
Dari tabel diatas maka Precision dapat dihitung dengan menggunakan rumus A/ (A+B) atau (relevant &
retrieved) / (retrieved). Sedangkan recall dapat dihitung dengan rumus A/ (A+C) atau (relevant &
retrieved) / (relevant)
Precision and Recall dapat diberi nilai dalam bentuk angka dengan menggunakan perhitungan nilai
presentase (1-100%) atau dengan menggunakan bilangan antara 0 dan 1. Sistem rekomendasi akan
dianggap paling baik jika nilai precision and recallnya tinggi. Semakin tinggi nilai precision dan recall
berarti menunjukkan sistem dapat berjalan dengan baik dalam memberikan rekomendasi.
Pengukuran dilakukan dengan menggunakan analisa hasil kuesioner dengan metode precision, recall, dan
F1. Nilai precision, recall, dan F1 ditunjukkan dengan nilai presentase, sistem rekomendasi diaanggap
akurat jika memiliki nilai F1 yang tinggi. Semakin tinggi nilai F1 mendekati angka 1 (satu) berarti sistem
rekomendasi tersebut memiliki tingkat akurasi yang tinggi dalam memberikan rekomendasi pilihan mobil
sesuai dengan yang diinginkan oleh pengguna sistem.
4.1. Analisis Precision, Recall, F1 Pengukuran hasil penelitian ini menggunakan metode precision, recall, dan F1. Data yang digunakan
untuk melakukan pengukuran didapatkan dari hasil survey yang berupa data hasil kuesioner yang didapat
dari 70 orang koresponden. Data yang didapat dari hasil kuesioner data jumlah type mobil yang diaanggap
sesuai (relevant) atau yang tidak sesuai dengan keinginan user (irrelevant), dan type mobil yang akhirnya
dipilih oleh user.
Data yang sudah terkumpul dari hasil kuesioner tersebut akan diolah menggunakan metode precision and
recall. Hal ini berguna untuk mencari nilai F1, yaitu nilai tingkat akurasi dari sistem rekomendasi. Nilai F1
adalah berupa nilai 0-1 (nol-satu), semakin tinggi nilai F1, maka sistem rekomendasi tersebut memiliki
nilai akurasi yang tinggi.
Precision dapat dihitung dengan menggunakan rumus: P = TT2U ............................................................. (7)
sedangkan recall dapat dihitung dengan menggunakan rumus: Q = TT2V ............................................................ (8)
dimana,
P = Precision
R = Recall
X = Jumlah rekomendasi relevan yang terpilih
Y = Jumlah rekomendasi terpilih yang dianggap tidak relevan
Z = Jumlah rekomendasi relevan yang tidak terpilih
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
134 http://research.pps.dinus.ac.id email redaksi: [email protected]
4.2. Hasil Pengukuran Sistem Rekomendasi Pembelian Mobil Hasil pengukuran sistem rekomendasi pembelian mobil dari 70 orang koresponden dapat dilihat melalui
tabel dibawah ini:
Tabel 2.8: Hasil pengukuran sistem rekomendasi pembelian mobil
Koresponden
Ke-
X Y Z P R F1 Akurasi
1 7 2 0 0.78 1 0.87 Tinggi
2 3 4 2 0.43 0.60 0.50 Rendah
3 6 1 1 0.86 0.86 0.86 Tinggi
4 5 1 0 0.83 1 0.90 Tinggi
5 6 2 0 0.75 1 0.86 Tinggi
6 6 2 0 0.75 1 0.86 Tinggi
7 10 2 1 0.83 0.91 0.87 Tinggi
8 5 1 0 0.83 1 0.91 Tinggi
9 10 2 1 0.83 0.91 0.87 Tinggi
10 5 0 0 1 1 1 Tinggi
11 5 1 0 0.83 1 0.91 Tinggi
12 3 1 1 0.75 0.75 0.75 Sedang
13 4 5 4 0.44 0.50 0.47 Rendah
14 9 1 1 0.90 0.89 0.89 Tinggi
15 3 4 2 0.43 0.60 0.50 Rendah
16 7 1 0 0.87 1 0.93 Tinggi
17 6 0 0 1 1 1 Tinggi
18 3 2 0 0.60 1 0.75 Sedang
19 7 4 2 0.64 0.78 0.70 Sedang
20 9 2 0 0.82 1 0.90 Tinggi
21 7 2 0 0.78 1 0.88 Tinggi
22 3 3 2 0.50 0.60 0.54 Rendah
23 5 1 0 0.83 1 0.91 Tinggi
24 4 1 0 0.80 1 0.89 Tinggi
25 7 5 2 0.58 0.78 0.66 Sedang
26 4 4 3 0.50 0.57 0.53 Rendah
27 7 2 0 0.78 1 0.88 Tinggi
28 6 1 1 0.86 0.86 0.86 Tinggi
29 3 2 1 0.60 0.75 0.67 Sedang
30 3 1 1 0.75 0.75 0.75 Sedang
31 7 4 2 0.64 0.78 0.70 Sedang
32 10 1 0 0.90 1 0.95 Tinggi
33 7 2 0 0.78 1 0.88 Tinggi
34 7 2 0 0.78 1 0.88 Tinggi
35 5 1 0 0.83 1 0.91 Tinggi
36 4 1 0 0.80 1 0.89 Tinggi
37 6 4 3 0.60 0.67 0.63 Sedang
38 9 2 0 0.82 1 0.90 Tinggi
39 7 2 0 0.78 1 0.88 Tinggi
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 135
40 6 1 1 0.86 0.86 0.86 Tinggi
41 5 1 0 0.83 1 0.91 Tinggi
42 4 1 0 0.80 1 0.89 Tinggi
43 6 6 1 0.50 0.85 0.63 Sedang
44 9 1 1 0.90 0.90 0.90 Tinggi
45 7 1 1 0.87 0.87 0.87 Tinggi
46 6 1 1 0.86 0.86 0.86 Tinggi
47 2 3 1 0.40 0.67 0.50 Rendah
48 2 2 1 0.50 0.67 0.57 Rendah
49 10 2 1 0.83 0.91 0.87 Tinggi
50 9 1 1 0.90 0.90 0.90 Tinggi
51 7 2 0 0.78 1 0.88 Tinggi
52 6 1 1 0.86 0.86 0.86 Tinggi
53 5 1 0 0.83 1 0.91 Tinggi
54 4 1 0 0.80 1 0.88 Tinggi
55 7 5 1 0.58 0.87 0.69 Sedang
56 9 2 0 0.82 1 0.90 Tinggi
57 7 1 1 0.87 0.87 0.87 Tinggi
58 7 1 0 0.87 1 0.93 Tinggi
59 6 0 0 1 1 1 Tinggi
60 4 1 0 0.80 1 0.89 Tinggi
61 7 3 3 0.70 0.70 0.70 Sedang
62 9 1 1 0.90 0.90 0.90 Tinggi
63 5 4 0 0.55 1 0.71 Sedang
64 6 2 0 0.75 1 0.86 Tinggi
65 4 3 2 0.57 0.67 0.61 Sedang
66 4 1 0 0.80 1 0.89 Tinggi
67 10 2 1 0.83 0.91 0.87 Tinggi
68 9 1 1 0.90 0.90 0.90 Tinggi
69 7 1 1 0.87 0.87 0.87 Tinggi
70 3 4 1 0.43 0.75 0.54 Rendah
4.3. Analisis Tingkat Akurasi Sistem Rekomendasi (F1)
Analisis tingkat akurasi dapat dibagi menjadi 3 yaitu tingkat akurasi tinggi, tingkat akurasi cukup dan
tingkat akurasi rendah. Nilai akurasi didapat dari hasil pengukuran menggunakan metode precision dan
recall. Untuk dapat menganalisis persentase dari tingkat akurasi diberi nilai sebagai berikut:
Akurasi Rendah = 0% - 60%
Akurasi Sedang = 61% - 80%
Akurasi Tinggi = 81% - 100%
Dari data hasil pengukuran sistem rekomendasi pembelian mobil yang telah dilakukan terhadap 70
orang koresponden yang ada pada tabel 15, didapati hasil 49 orang memperoleh rekomendasi dengan
tingkat akurasi yang tinggi, 13 orang mendapat rekomendasi dengan tingkat akurasi yang sedang, dan 8
orang mendapat rekomendasi dengan tingkat akurasi yang rendah. Sehingga tingkat akurasi sistem
rekomendasi pembelian mobil dari data hasil survey penelitian yang telah dilakukan dapat dihitung:
Akurasi Tinggi = 49 x 100% = 70%
70
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
136 http://research.pps.dinus.ac.id email redaksi: [email protected]
Tingkat akurasi sistem rekomendasi pembelian mobil dapat dilihat melalui diagram lingkaran dibawah ini :
Gambar 2.9: Tingkat akurasi sistem rekomendasi
5. KESIMPULAN Dari hasil penelitian, maka dapat diambil kesimpulan bahwa klasifikasi mobil berbasis metode neuro-
fuzzy classification dengan menggunakan variabel harga, ukuran, kapasitas penumpang, daya maksimum,
besar mesin, dan jumlah service center yang digunakan sebagai parameter inputan dapat membantu
mempermudah calon konsumen yang tidak ahli dalam bidang pemilihan mobil dalam menentukan mobil
yang tepat sesuai yang diinginkan dengan lebih akurat.
DAFTAR PUSTAKA [1] T. Samatsu, K. Tachikawa and Y. Shi (2008). “Developing a Practical Car Search System Using
Fuzzy Theory”, The 3rd International Conference on Innovative Computing Information and
Control, IEEE Computer Society.
[2] Eliyani, U. Pujianto, D. Rosyadi (2009). ”Decision Support System Untuk Pembelian Mobil
Menggunakan Fuzzy Database Model Tahani”, Seminar Nasional Aplikasi Teknologi Informasi,
pp. 19-24, Yogyakarta.
[3] T. Samatsu, K. Tachikawa and Y. Shi (2009). ”Usability Improvement for a Car Retrieval System
Employing The Important Degrees of Fuzzy Grades”, Int. J. of Innovative Computing,
Information and Control, Vol. 5, No. 12, pp. 5061–5068.
[4] T. Samatsu, K. Tachikawa and Y. Shi (2009). “Fuzzy Retrieval System Employing Image
Processing for Car Shape”, Fourth International Conference on Innovative Computing,
Information and Control, pp. 1023-1026, IEEE Computer Society.
Sedang
19%
Tinggi
70%
Rendah
11%
Akurasi Sistem Rekomendasi Pembelian
Mobil (F1)
Sedang
Tinggi
Rendah
Akurasi Rendah = 8 x 100% = 11%
70
Akurasi Sedang = 13 x 100% = 19%
70
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
http://research.pps.dinus.ac.id, email redaksi: [email protected] 137
[5] Kusumadewi. S dan Hartati. S (2006). Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf.
Yogyakarta: Graha Ilmu.
[6] Suyanto (2008). Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika.
[7] G. Castellano, A.M. Fanelli, M.A. Torsello (2008). “Recommendation rule extraction by a neuro-
fuzzy approach”, Eighth International Conference on Hybrid Intelligent Systems, pp. 758-763,
IEEE Computer Society.
[8] G. Setlak (2008). “The Fuzzy-Neuro Classifier For Decision Support, “International Journal
Information Theories & Applications”, Vol. 15, pp. 21-26.
[9] P. Sharma and P. Bajaj (2009). “Performance Analysis of Vehicle Classification System using
Type-1 Fuzzy, Adaptive Neuro-Fuzzy and Type-2 Fuzzy Inference System”, Second International
Conference on Emerging Trends in Engineering and Technology, pp. 581-584, IEEE Computer
Society.
[10] P. Sharma and P. Bajaj (2010). “Accuracy Comparison of Vehicle Classification System using
Interval Type-2 Fuzzy Inference System”, Third International Conference on Emerging Trends in
Engineering and Technology, pp. 85-91, IEEE Computer Society.
[11] Khaled F. Hussaina and Ghada S. Moussa (2005), “Automatic Vehicle Classification System
using Range Sensor”, Proceedings of the International Conference on Information Technology:
Coding and Computing, IEEE Computer Society.
[12] Chengcui Zhang, Xin Chen, Wei-bang Chen (2006). “A PCA-based Vehicle Classification
Framework” Proceedings of the 22nd International Conference on Data Engineering Workshops,
IEEE Computer Society.
[13] Shicai Yu and Ning Ma (2008). “Quantum neural network and its application in vehicle
classification”, Fourth International Conference on Natural Computation, pp. 499-513, IEEE
Computer Society.
[14] Tuan Hue Thi, Kostia Robert, Sijun Lu and Jian Zhang (2008), Vehicle classification at nighttime
using Eigenspaces and Support Vector Machine”, Congress on Image and Signal Processing, pp
422-426, IEEE Computer Society.
[15] C. Xun-xue, Q. Guo-xin, Z. Jian-qin, XING Li-jun, LIU Qi (2008). “A Target Classification
Algorithm Based on Transportation Sensing Network”, Workshop on Power Electronics and
Intelligent Transportation System, pp. 520-524, IEEE Computer Society.
[16] Zhou Feng and Wang Mingzhe (2009). “A New SVM Algorithm and AMR Sensor Based Vehicle
Classification”, Second International Conference on Intelligent Computation Technology and
Automation, pp. 421-425, IEEE Computer Society.
[17] N.K. Ibrahim, R.S.A. Raja Abdullah and M.I. Saripan (2009). “Artificial Neural Network
Approach in Radar Target Classification”, Journal of Computer Science, Vol.5. No.1, pp. 23-32.
[18] Kostia Robert (2009), “Night-Time Traffic Surveillance A Robust Framework for Multi-Vehicle
Detection, Classification and Tracking”, Advanced Video and Signal Based Surveillance, pp.1-6,
IEEE Computer Society.
[19] Zhang Changjun, Chen Yuzong (2009). “The Research of Vehicle Classification Using SVM and
KNN in a ramp”, 2009 International Forum on Computer Science Technology and Applications,
pp. 391-394, IEEE Computer Society.
[20] Aniruddha Kembhavi, David Harwood and Larry S. Davis (2010). “Vehicle Detection using
Partial Least Squares”, IEEE Transactions On Pattern Analysis And Machine Intelligence, pp. 1-
15, IEEE Computer Society.
[21] M. Godec and C. Leistner and H. Bischof (2009). “Audio-Visual Co-Training for Vehicle
Classification”, Seventh IEEE International Conference on Advanced Video and Signal Based
Surveillance, pp. 582-596, IEEE Computer Society.
[22] T. Jin-hua (2010), “Research of Vehicle Video Image Recognition Technology Based on Naive
Bayesian Classification Model”, Third International Conference on Information and Computing,
pp. 17-21, IEEE Computer Society.
Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999
138 http://research.pps.dinus.ac.id email redaksi: [email protected]
[23] A.N. Tossi, M. Kahani, R. Monsevi (2006). “Network Intrusion Detection Based on Neuro-Fuzzy
Classification“,Iran Telecommunication Research Center, IEEE Computer Society.
[24] Mohd Fauzi bin Othman , Thomas Moh Shan Yau (2007). “Neuro Fuzzy Classification and
Detection Technique for Bioinformatics Problems”, Proceedings of the First Asia International
Conference on Modelling & Simulation, IEEE Computer Society.
[25] R. Benali, M.A. Chikh (2009). “Neuro-Fuzzy Classifier For Cardiac Arrythmias Recognition”,
Journal of Theoretical and Applied Information Technology, pp. 577-583.
[26] L.F. de Carvalho, L.L. Monteiro, S.M. Nassar, F.M. de Azevedo (2005). “Neuro-Fuzzy Systems:
Learning Models”, Proceedings of the International Conference on Computational Intelligence for
Modelling, Control and Automation, and International Conference on Intelligent Agents, Web
Technologies and Internet Commerce, IEEE Computer Society.
[27] Kusumadewi. S (2006). “Fuzzy Backpropagation untuk klasifikasi pola”, Seminar Nasional
Aplikasi Teknologi Informasi, pp.37-41, Yogyakarta.
[28] Xian-Jun Shi, Zi-Hou Yuan, Gui Liu, Wei-Dong Yu (2008). “Animal Fiber Classification based
on Fuzzy Neural Network”, Fifth International Conference on Fuzzy Systems and Knowledge
Discovery, pp. 195-200, IEEE Computer Society.
[29] P. Luenam, S. Ingsriswang, L. Ingsrisawang, P. Aungsuratana, W. Khantiyanan (2010). “A
Neuro-Fuzzy Approach for Daily Rainfall Prediction over the Central Region of Thailand”,
Proceedings of The International Multi Conference of Engineers and Computer Scientists, Vol. 11,
Hongkong.
[30] Hisao Ishibuchi and Takashi Yamamoto (2005). “Rule Weight Specification in Fuzzy Rule-Based
Classification System”, IEEE Trans. on Fuzzy Systems, Vol. 13, No. 4, pp. 428-435.
[31] Departemen Of Health and Human Services (2008). Data Collection Methods for Program
Evaluation: Questionnaires.
[32] Jonathan L. Herlocker (2004). “Evaluating Collaborative Filtering Recommender Systems”, ACM
Transactions on Information Systems, Vol. 22, No. 1, pp. 5–53.