BAB 3 METODOLOGI PENELITIAN

Transkripsi

1 BAB 3 METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tentang metodologi penelitian yang digunakan pada tesis ini Uraian itu akan meliputi metode pengumpulan data, rancangan penelitian, menentukan fungsi keanggotaan fuzzy, dan pembentukan rule IF-THEN Peneliti mengambil data dari SMK Swasta Medan Area-1 Data yang didapat berupa komponen penilaian dan variabel penilaia uji komptensi siswa multimedia pada SMK Swasta Medan Area-1 Kemudian dari data tesebut dibuatlah suatu range penilaian dan variable himpunan fuzzy yang digunakan dalam penelitian ini Dari variabel himpunan tersebut dibuatlah aturan fuzzy, yang kemudian aturan fuzzy tersebut dipangkas menggunakan algoritma klasifikasi C45 31 Metode Pengumpulan Data Ada beberapa metode yang digunakan dalam pengumpulan data, yaitu : 1 Metode Observasi Metode observasi yaitu melakukan pengambilan data langsung pada instansi yang terkait untuk mendapatkan data yang dibutuhkan 2 Metode Studi Literatur Metode studi literatur yaitu proses memperoleh data melalui penelitian yang telah dibuat sebelumnya seperti buku, jurnal, tesis, dan sebaginya 32 Rancangan Penelitian Dalam rancangan penelitian ini, akan dijelaskan tahap-tahap yang dilakukan selama proses penelitian Tahap-tahap tersebut adalah sebagai berikut : 1 Data masukan yang diambil berupa data penilaian uji kompetensi siswa jurusan multimedia SMK Swasta Medan Area-1, 2 Data kemudian diproses menggunakan metode fuzzifikasi dan menghasilkan output berupa nilai keanggotaan untuk setiap variable,

2 21 3 Pada saat proses penentuan rule fuzzy metode Sugeno, rule yang digunakan adalah rule fuzzy yang telah dipangkas menggunakan algoritma C45, 4 Proses defuzzifikasi dilakukan dengan mencari nilai rata-rata yang dilakukan menggunakan metode Weight Average(WA) Gambar 31 Rancangan penelitian 33 Menentukan Fungsi Keanggotaan Fuzzy Adapun variabel yang digunakan sebagai masukan, yaitu persiapan kerja, proses/cara kerja, hasil kerja, sikap kerja, dan waktu Di dalam algoritma C45, variabel sering disebut juga dengan fitur Himpunan fuzzy untuk setiap variable akan direpresentasikan sebagai berikut : Tabel 31 Variabel himpunan fuzzy No Nama Variabel Himpunan Fuzzy 1 Persiapan 2 Proses 3 Hasil Kurang Lengkap Sangat Lengkap Belum Sesuai Agak Sesuai Sesuai Sangat Sesuai Rendah Sedang Tinggi Sangat Tinggi (K) (L) (SL) (BS) (AS) (SS) (R) (T) (ST)

3 22 No Nama Variabel Himpunan Fuzzy 4 Sikap 5 Waktu Kurang Baik Baik Sangat Baik Lama Cepat (KB) (B) (SB) (L) (C) Karena variable fuzzy terdiri dari 5 inputan, maka jumlah total kombinasi rule yang dihasilkan adalah ( ) atau 288 Rule Untuk range tiap variabel didapat dari nilai rata-rata yang diperoleh siswa Batas nilai paling bawah diambil dari variabel dengan nilai terendah yang mungkin diperoleh siswa 1 Variabel Persiapan K L SL Gambar 32 Fungsi keanggotaan variabel persiapan = 0, 1, (10 )/3, < , 7 12 = ( 7)/3, 7 10 (12 )/2, = 0, 10 > 12 ( 10)/2, 10 12

4 23 2 Variabel Proses BS AS S SS Gambar 33 Fungsi keanggotaan variabel proses 0, < 7 19 = 1, 7 13 (19 )/6, , = ( 13)/6, (24 )/5, , = ( 19)/5, (28 )/4, = 0, 24 > 28 ( 24)/4, 24 28

5 24 3 Variabel Hasil R S T ST Gambar 34 Fungsi keanggotaan variabel hasil 0, < 8 18 = 1, 8 12 (18 )/6, , = ( 12)/6, (26 )/8, , = ( 18)/8, (32 )/6, = 0, 26 > 32 ( 26)/6, 26 32

6 25 4 Variabel Sikap KB B SB Gambar 35 Fungsi keanggotaan variabel sikap 0, < 2 6 = 1, 2 4 (6 )/2, 4 6 0, 4 8 = ( 4)/2, 4 6 (8 )/2, 6 8 = 0, 6 > 8 ( 6)/2, Variabel Waktu LAMA CEPAT Gambar 36 Fungsi Keanggotaan Variabel Waktu

7 26 0, < 1 4 = 1, 1 2 (4 )/2, 2 4 = 0, 2 > 4 ( 2)/2, Pembentukan Rule IF-THEN Dari variabel fungsi keanggotaan, maka dapat ditentukan nilai tiap himpunan fuzzy untuk kemudian digunakan untuk mencari adalah nilai konsekuen untuk setiap aturan fuzzy Sugeno Jika nilai >= 80, maka Nilai_Ket(Nilai keterangan) = LULUS, jika nilai < 80, maka Nilai_ket = TL (TIDAK LULUS) Batas kelulusan ditentukan sesuai nilai kelulusan siswa SMK Swasta Medan Area-1 yaitu 80 Adapun nilai tiap himpunan adalah sebagi berikut : Tabel 32 Nilai himpunan No Nama Variabel Himpunan Fuzzy Nilai Kurang 7 1 Persiapan Lengkap 10 Sangat Lengkap 12 Belum Sesuai 13 2 Proses Agak Sesuai 19 Sesuai 24 Sangat Sesuai 28 Rendah 12 3 Hasil Sedang 18 Tinggi 26 Sangat Tinggi 32 Kurang Baik 4 4 Sikap Baik 6 Sangat Baik 8 5 Waktu Lama 2 Cepat 4

8 27 Contoh : Rule 285 : IF PERSIAPAN Sangat Lengkap AND PROSES Sangat Sesuai AND HASIL Sangat Tinggi AND SIKAP Baik AND WAKTU Lama THEN = Tahapanya adalah menerjemahkan variabel linguistik kedalam angka Diketahui Persiapan = 12, Proses = 28, Hasil = 32, Sikap = 6, dan Waktu = 2 Rumus untuk mencari diperoleh dari data penilaian siswa pada saat Uji Kompetensi Berikut rumus untuk mencari : = (31) Maka : = =, Karena nilai >= 80, maka nilai_ket = LULUS Berdasarkan variabel himpunan fuzzy dan perhitungan, maka Rule IF-THEN terbentuk adalah berikut : Tabel 33 Aturan Fuzzy Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai Ket Nilai z 1 Kurang Belum Sesuai Rendah Kurang Baik Lama TL 44,76 2 Kurang Belum Sesuai Rendah Kurang Baik Cepat TL 49,76 3 Kurang Belum Sesuai Rendah Baik Lama TL 47,26 4 Kurang Belum Sesuai Rendah Baik Cepat TL 52,26 5 Kurang Belum Sesuai Rendah Sangat Baik Lama TL 49,76 6 Kurang Belum Sesuai Rendah Sangat Baik Cepat TL 54,76 7 Kurang Belum Sesuai Sedang Kurang Baik Lama TL 52,26 8 Kurang Belum Sesuai Sedang Kurang Baik Cepat TL 57,26 9 Kurang Belum Sesuai Sedang Baik Lama TL 54,76 10 Kurang Belum Sesuai Sedang Baik Cepat TL 59,76

9 28 Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai Ket Nilai z 11 Kurang Belum Sesuai Sedang Sangat Baik Lama TL 57,26 12 Kurang Belum Sesuai Sedang Sangat Baik Cepat TL 62,26 13 Kurang Belum Sesuai Tinggi Kurang Baik Lama TL 62,26 14 Kurang Belum Sesuai Tinggi Kurang Baik Cepat TL 67,26 15 Kurang Belum Sesuai Tinggi Baik Lama TL 64,76 16 Kurang Belum Sesuai Tinggi Baik Cepat TL 69,76 17 Kurang Belum Sesuai Tinggi Sangat Baik Lama TL 67,26 18 Kurang Belum Sesuai Tinggi Sangat Baik Cepat TL 72,26 19 Kurang Belum Sesuai Sangat Tinggi Kurang Baik Lama TL 69,76 20 Kurang Belum Sesuai Sangat Tinggi Kurang Baik Cepat TL 74,76 21 Kurang Belum Sesuai Sangat Tinggi Baik Lama TL 72,26 22 Kurang Belum Sesuai Sangat Tinggi Baik Cepat TL 77,26 23 Kurang Belum Sesuai Sangat Tinggi Sangat Baik Lama TL 74,76 24 Kurang Belum Sesuai Sangat Tinggi Sangat Baik Cepat TL 79,76 25 Kurang Agak Sesuai Rendah Kurang Baik Lama TL 51,19 26 Kurang Agak Sesuai Rendah Kurang Baik Cepat TL 56,19 27 Kurang Agak Sesuai Rendah Baik Lama TL 53,69 28 Kurang Agak Sesuai Rendah Baik Cepat TL 58,69 29 Kurang Agak Sesuai Rendah Sangat Baik Lama TL 56,19 30 Kurang Agak Sesuai Rendah Sangat Baik Cepat TL 61,19 31 Kurang Agak Sesuai Sedang Kurang Baik Lama TL 58,69 32 Kurang Agak Sesuai Sedang Kurang Baik Cepat TL 63,69 33 Kurang Agak Sesuai Sedang Baik Lama TL 61,19 34 Kurang Agak Sesuai Sedang Baik Cepat TL 66,19 35 Kurang Agak Sesuai Sedang Sangat Baik Lama TL 63, Sangat Lengkap Sangat Sesuai Sangat Tinggi Baik Lama LULUS 92, Sangat Lengkap Sangat Sesuai Sangat Tinggi Baik Cepat LULUS 97, Sangat Lengkap Sangat Sesuai Sangat Tinggi Sangat Baik Lama LULUS 95, Sangat Lengkap Sangat Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 100,00

10 BAB 4 HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan hasil dan pembahasan selama proses penelitian Uraian itu akan meliputi klasifikasi aturan menggunakan algoritma C45, pembentukan decission tree, evaluasi rule, evaluasi kinerja metode, serta tampilan aplikasi Setelah hasil didapat, maka akan dibandingkan tingkat akurasi FIS metode Sugeno yang diintegrasikan menggunakan algoritma C45 terhadap FIS metode Sugeno tanpa algoritma C45 41 Klasifikasi Aturan Algoritma C45 dan Decision Tree Pada tahap ini, aturan yang didapat dari pakar sebanyak 288 rule Aturan sebanyak 288 tersebut akan diklasifikasikan menggunakan algoritma C45 Tahap klasifikasi menggunakan informasi entropy (entropi) dan gain Tahap pertama yang dilakukan adalah menghitung jumlah untuk setiap variabel Setelah jumlah didapat, maka diklasifikasikan jumlah siswa yang tidak lulus dan yang lulus Kemudian dihitung nilai entropy menggunakan rumus 212 dan 213 Setelah nilai entropy didapat, maka dihitunglah nilai gain dari tiap variabel Sehingga variabel dengan nilai gain tertinggi diambil sebagai akar, dan terus di ulang hingga tidak ada lagi node yang dapat diturunkan Setiap perhitungan node akan terbentuk decision tree Berikut ini disajikan hasil-hasil perhitungan entropy dan gain untuk tiap variabel serta pembentukan decission tree

11 30 Tabel 41 Perhitungan entropy dan gain node 1 Entropy Gain 1 TOTAL , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap , PROSES 0, Belum Sesuai , Agak Sesuai , Sesuai , Sangat Sesuai , HASIL 0, Rendah TL Sedang , Tinggi , Sangat Tinggi , SIKAP 0, Kurang Baik , Baik , Sangat Baik , WAKTU 0, Lama , Cepat , Berdasarkan tabel perhitungan entropy dan gain pada node 1, nilai gain tertinggi diperoleh oleh variabel hasil Maka variabel hasil dijadikan sebagai root node Dari variabel hasil terbentuklah tiga node baru, yaitu node 11, node 12 dan node 13 Sedangkan untuk HASIL dengan nilai Rendah telah diklasifikasi sebagai TL ( )

12 31 Gambar 41 1 Setelah mendapatkan node 1, maka terbentuklah rule : IF HASIL Rendah THEN Nilai_Ket = TL Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya Dimulai dari node 11 sampai node 1111 Tabel 42 Perhitungan entropy dan gain node 11 Entropy Gain 11 HASIL Sedang , PERSIAPAN 0, Kurang Lengkap , Sangat Lengkap , PROSES 0, Belum Sesuai TL Agak Sesuai TL Sesuai TL Sangat Sesuai , SIKAP 0, Kurang Baik Baik , Sangat Baik , WAKTU 0, Lama

13 32 Entropy Gain 11 HASIL Sedang , Cepat , Tabel 43 Perhitungan entropy dan gain node 111 Entropy Gain 111 PROSES Sangat Sesuai , PERSIAPAN 0, Kurang Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik Baik , Sangat Baik , WAKTU 0, Lama TL Cepat , Tabel 44 Perhitungan entropy dan gain node 1111 Entropy Gain 1111 WAKTU Cepat , PERSIAPAN 0, Kurang TL Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik TL Baik , Sangat Baik , Berdasarkan perhitungan entropy dan gain percabangan node 11, dihasilkan decision tree seperti pada Gambar 42

14 33 TL Sesuai 11 PROSES Sangat Sesuai Belum Sesuai Agak Sesuai TL 111 WAKTU TL TL Lama Cepat Cepat 1111 PERSIAPAN Kurang TL 1111 SIKAP Kurang Baik TL Gambar 42 Percabangan node 11 Setelah mendapatkan node 11 sampai node 1111, maka terbentuklah rule : IF HASIL Sedang AND PROSES Belum Sesuai THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Agak Sesuai THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Sesuai THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Lama THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Cepat AND PERSIAPAN Kurang THEN Nilai_Ket = TL IF HASIL Sedang AND PROSES Sangat Sesuai AND WAKTU Cepat AND SIKAP Kurang Baik THEN Nilai_Ket = TL Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya Dimulai dari node 12 sampai node 1232

15 34 Tabel 45 Perhitungan entropy dan gain node 12 Entropy Gain 12 HASIL Tinggi , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap , PROSES 0, Belum Sesuai TL Agak Sesuai , Sesuai , Sangat Sesuai , SIKAP 0, Kurang Baik , Baik , Sangat Baik , WAKTU 0, Lama , Cepat , Tabel 46 Perhitungan entropy dan gain node 121 Entropy Gain 121 PROSES Agak Sesuai , PERSIAPAN 0, Kurang Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik Baik , Sangat Baik , WAKTU 0, Lama TL Cepat ,

16 35 Tabel 47 Perhitungan entropy dan gain node 122 Entropy Gain 122 PROSES Sesuai , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik , Baik , Sangat Baik , WAKTU 0, Lama , Cepat , Tabel 48 Perhitungan entropy dan gain node 123 Entropy Gain 123 PROSES Sangat Sesuai , PERSIAPAN 0, Kurang , Lengkap LULUS Sangat Lengkap LULUS SIKAP 0, Kurang Baik , Baik LULUS Sangat Baik LULUS WAKTU 0, Lama , Cepat

17 36 Tabel 49 Perhitungan entropy dan gain node 1211 Entropy Gain 1211 WAKTU Cepat , PERSIAPAN 0, Kurang TL Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik TL Baik , Sangat Baik , Tabel 410 Perhitungan entropy dan gain node 1221 Entropy Gain 1221 WAKTU Lama , PERSIAPAN 0, Kurang TL Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik TL Baik , Sangat Baik , Tabel 411 Perhitungan entropy dan gain node 1222 Entropy Gain 1222 WAKTU Cepat , PERSIAPAN 0, Kurang , Lengkap LULUS Sangat Lengkap LULUS SIKAP 0, Kurang Baik , Baik LULUS Sangat Baik LULUS

18 37 Tabel 412 Perhitungan entropy dan gain node 1231 Entropy Gain 1231 PERSIAPAN Kurang , WAKTU 0, Lama , Cepat LULUS Tabel 413 Perhitungan entropy dan gain node 1232 Entropy Gain 1232 SIKAP Kurang Baik , WAKTU 0, Lama , Cepat LULUS Berdasarkan perhitungan entropy dan gain percabangan node 12, dihasilkan decision tree seperti pada Gambar 43 TL Lama 1211 PERSIAPAN Kurang TL Cepat TL 121 WAKTU Cepat 1211 SIKAP Kurang Baik TL 1221 PERSIAPAN Kurang TL Belum Sesuai Agak Sesuai Lama Lama 1221 SIKAP 12 PROSES Sesuai 122 WAKTU LULUS Cepat 1222 PERSIAPAN Sangat Sesuai Cepat 1222 SIKAP LULUS Kurang Baik Sangat Lengkap TL Lengkap Sangat Sesuai 123 PERSIAPAN Lengkap Kurang LULUS Sangat Lengkap LULUS Sangat Baik Baik LULUS LULUS Gambar 43 Percabangan node WAKTU Cepat LULUS LULUS Baik 123 SIKAP Kurang Baik 1232 WAKTU Cepat LULUS Sangat Baik LULUS

19 38 Setelah mendapatkan node 12 sampai node 1232, maka terbentuklah rule : IF HASIL Tinggi AND PROSES Belum Sesuai THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Lama THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat AND PERSIAPAN Kurang THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat AND SIKAP Kurang Baik THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Lama AND PERSIAPAN Kurang THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Lama AND SIKAP Kurang Baik THEN Nilai_Ket = TL IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND PERSIAPAN Lengkap THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND PERSIAPAN Sangat Lengkap THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND SIKAP Baik THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sesuai AND WAKTU Cepat AND SIKAP Sangat Baik THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Lengkap THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Sangat Lengkap THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND PERSIAPAN Kurang AND WAKTU Cepat THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Baik THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Sangat Baik THEN Nilai_Ket = LULUS IF HASIL Tinggi AND PROSES Sangat Sesuai AND SIKAP Kurang Baik AND WAKTU Cepat THEN Nilai_Ket = LULUS

20 39 Setelah mendapatkan rule dari decision tree, maka akan dihitung nilai untuk node selanjutnya Dimulai dari node 13 sampai node 1321 Tabel 414 Perhitungan entropy dan gain node 13 Entropy Gain 13 HASIL Sangat Tinggi , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap , PROSES 0, Belum Sesuai , Agak Sesuai , Sesuai LULUS Sangat Sesuai LULUS SIKAP 0, Kurang Baik , Baik , Sangat Baik , WAKTU 0, Lama , Cepat , Tabel 415 Perhitungan entropy dan gain node 131 Entropy Gain 131 PROSES Belum Sesuai , PERSIAPAN 0, Kurang Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik Baik , Sangat Baik ,

21 40 Entropy Gain WAKTU 0, Lama TL Cepat , Tabel 416 Perhitungan entropy dan gain node 132 Entropy Gain 132 PROSES Agak Sesuai , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap SIKAP 0, Kurang Baik , Baik , Sangat Baik WAKTU 0, Lama , Cepat LULUS Tabel 417 Perhitungan entropy dan gain node 1311 Entropy Gain 1311 WAKTU Cepat , PERSIAPAN 0, Kurang TL Lengkap , Sangat Lengkap , SIKAP 0, Kurang Baik TL Baik , Sangat Baik ,

22 41 Tabel 418 Perhitungan entropy dan gain node 1321 Entropy Gain 1321 WAKTU Lama , PERSIAPAN 0, Kurang , Lengkap , Sangat Lengkap LULUS SIKAP 0, Kurang Baik , Baik , Sangat Baik LULUS Berdasarkan perhitungan entropy dan gain percabangan node 13, dihasilkan decision tree seperti pada Gambar 44 Gambar 44 Percabangan node 13 Setelah mendapatkan node 12 sampai node 1232, maka terbentuklah rule : IF HASIL Sangat Tinggi AND PROSES Sesuai THEN Nilai_Ket = LULUS IF HASIL Sangat Tinggi AND PROSES Sangat Sesuai THEN Nilai_Ket = LULUS

23 42 IF HASIL Sangat Tinggi AND PROSES Belum Sesuai AND WAKTU Lama THEN Nilai_Ket = TL IF HASIL Sangat Tinggi AND PROSES Belum Sesuai AND WAKTU Cepat AND PERSIAPAN Kurang THEN Nilai_Ket = TL IF HASIL Sangat Tinggi AND PROSES Belum Sesuai AND WAKTU Cepat AND SIKAP Kurang Baik THEN Nilai_Ket = TL IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Cepat THEN Nilai_Ket = LULUS IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Lama AND PERSIAPAN Sangat Lengkap THEN Nilai_Ket = LULUS IF HASIL Sangat Tinggi AND PROSES Agak Sesuai AND WAKTU Lama AND SIKAP Sangat Baik THEN Nilai_Ket = LULUS 42 Pembentukan IF-THEN Rule berdasarkan Decision Tree Setelah dilakukan klasifikasi rule menggunakan algoritma C45, maka terbentuklah rule / aturan sebanyak 52 aturan Terdapat 30 aturan yang berhasil diklasifikasikan, dan sisa aturan setelah diklasifikan adalah sebanyak 22 aturan Dari keseluruhan rule yang akan digunakan adalah sebagai berikut : Tabel 419 Rule fuzzy menggunakan algoritma C45 Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai KET Nilai Z 1 Rendah TL 60,56 2 Belum Sesuai Sedang TL 59,48 3 Agak Sesuai Sedang TL 65,91 4 Sesuai Sedang TL 71,27 5 Belum Sesuai Tinggi TL 69,48 6 Sesuai Sangat Tinggi LULUS 88,77 7 Sangat Sesuai Sangat Tinggi LULUS 93,06 8 Sangat Sesuai Sedang Lama TL 73,06 9 Agak Sesuai Tinggi Lama TL 73,41 10 Lengkap Sangat Sesuai Tinggi LULUS 85,83 11 Sangat Lengkap Sangat Sesuai Tinggi LULUS 87,50

24 43 Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai KET Nilai Z 12 Sangat Sesuai Tinggi Baik LULUS 83,33 13 Sangat Sesuai Tinggi Sangat Baik LULUS 85,83 14 Belum Sesuai Sangat Tinggi Lama TL 74,48 15 Agak Sesuai Sangat Tinggi Cepat LULUS 85,91 16 Kurang Sangat Sesuai Sedang Cepat TL 75,83 17 Sangat Sesuai Sedang Kurang Baik Cepat TL 76,67 18 Kurang Agak Sesuai Tinggi Cepat TL 76,19 19 Agak Sesuai Tinggi Kurang Baik Cepat TL 77,02 20 Kurang Sesuai Tinggi Lama TL 76,55 21 Sesuai Tinggi Kurang Baik Lama TL 77,38 22 Lengkap Sesuai Tinggi Cepat LULUS 84,05 23 Sangat Lengkap Sesuai Tinggi Cepat LULUS 85,71 24 Sesuai Tinggi Baik Cepat LULUS 81,55 25 Sesuai Tinggi Sangat Baik Cepat LULUS 84,05 26 Kurang Sangat Sesuai Tinggi Cepat LULUS 83,33 27 Kurang Belum Sesuai Sangat Tinggi Cepat TL 77,26 28 Belum Sesuai Sangat Tinggi Kurang Baik Cepat TL 78,10 29 Sangat Lengkap Agak Sesuai Sangat Tinggi Lama LULUS 82,86 30 Agak Sesuai Sangat Tinggi Sangat Baik Lama LULUS 82,44 31 Kurang Agak Sesuai Sangat Tinggi Kurang Baik Lama TL 76,19 32 Kurang Agak Sesuai Sangat Tinggi Baik Lama TL 78,69 33 Kurang Sesuai Tinggi 34 Kurang Sangat Sesuai Tinggi Kurang Baik Kurang Baik Cepat TL 79,05 Lama TL 78,33 35 Lengkap Belum Sesuai Sangat Tinggi Baik Cepat TL 79,76 36 Lengkap Belum Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 82,26 37 Lengkap Agak Sesuai Tinggi Baik Cepat TL 78,69 38 Lengkap Agak Sesuai Tinggi Sangat Baik Cepat LULUS 81,19 39 Lengkap Agak Sesuai Sangat Tinggi Kurang Baik Lama TL 78,69 40 Lengkap Agak Sesuai Sangat Tinggi Baik Lama LULUS 81,19 41 Lengkap Sesuai Tinggi Baik Lama TL 79,05 42 Lengkap Sesuai Tinggi Sangat Baik Lama LULUS 81,55

25 44 Rule PERSIAPAN PROSES HASIL SIKAP WAKTU Nilai KET Nilai Z 43 Lengkap Sangat Sesuai Sedang Baik Cepat TL 78,33 44 Lengkap Sangat Sesuai Sedang Sangat Baik Cepat LULUS 80,83 45 Sangat Lengkap Belum Sesuai Sangat Tinggi Baik Cepat LULUS 81,43 46 Sangat Lengkap Belum Sesuai Sangat Tinggi Sangat Baik Cepat LULUS 83,93 47 Sangat Lengkap Agak Sesuai Tinggi Baik Cepat LULUS 80,36 48 Sangat Lengkap Agak Sesuai Tinggi Sangat Baik Cepat LULUS 82,86 49 Sangat Lengkap Sesuai Tinggi Baik Lama LULUS 80,71 50 Sangat Lengkap Sesuai Tinggi Sangat Baik Lama LULUS 83,21 51 Sangat Lengkap Sangat Sesuai Sedang Baik Cepat LULUS 80,00 52 Sangat Lengkap Sangat Sesuai Sedang Sangat Baik Cepat LULUS 82,50 43 Evaluasi Rule Setelah rule terbentuk, maka dilakukanlah evaluasi rule untuk melihat hasil yang didapat dari FIS metode Sugeno tanpa algoritma C45 dan FIS metode Sugeno yang diintegrasikan dengan algoritma C45 setelah evaluasi rule dilakukan, maka tahap selanjutnya melakukan evaluasi tingkat akurasi fuzzy Sugeno yang diintegrasikan dengan algoritma C45 terhadap fuzzy Sugeno tanpa C45 No NAMA Tabel 420 Hasil evaluasi rule fuzzy KRITERIA PENILAIAN PERSIAPAN PROSES HASIL SIKAP WAKTU HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C45 1 ADINDA NAWANG AINA RAMADHANI DINDA DESTRIYA EKOSYAPUTRA FITRI NURHANDIKA M RIZKY ARFANDI MASYA ARIBIMO MUDZVIRA ALMA J MUTIA MAY P MUTIARA MYA LESTARI

26 45 No NAMA KRITERIA PENILAIAN PERSIAPAN PROSES HASIL SIKAP WAKTU HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C45 12 NURSIAH LUBIS ONNIKE ELAWATI PUTRI ANZALIKA RIZKI KURNIAWAN ZULKARNAEN S AGUNG PRATAMA CINDY SYNTIA HARVINI MUTIA AISYAH REZA HIDAYAT TAMARA DILLA RESTU RAHAYU AMELIA ROSANTI GIO FANNY FITRIA SARI LAILATUL K REZA TIKA HALI CHANDRA G JUANARA S M RISKI FARHAN DAMANIA R MHD SYAHFIZ Tabel 421 Evaluasi tingkat akurasi No NAMA KRITERIA PENILAIAN PERSIAPAN PROSES HASIL SIKAP WAKTU HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C45 1 ADINDA NAWANG LULUS LULUS 2 AINA RAMADHANI TL TL 3 DINDA DESTRIYA LULUS LULUS 4 EKOSYAPUTRA TL TL 5 FITRI NURHANDIKA LULUS LULUS 6 M RIZKY ARFANDI LULUS LULUS 7 MASYA ARIBIMO TL TL 8 MUDZVIRA ALMA J TL TL 9 MUTIA MAY P TL TL 10 MUTIARA LULUS LULUS

27 46 No NAMA KRITERIA PENILAIAN PERSIAPAN PROSES HASIL SIKAP WAKTU HASIL FUZZY SUGENO HASIL FUZZY SUGENO DAN ALGORITMA C45 11 MYA LESTARI LULUS LULUS 12 NURSIAH LUBIS TL TL 13 ONNIKE ELAWATI LULUS LULUS 14 PUTRI ANZALIKA LULUS LULUS 15 RIZKI KURNIAWAN TL TL 16 ZULKARNAEN S LULUS LULUS 17 AGUNG PRATAMA TL TL 18 CINDY SYNTIA LULUS LULUS 19 HARVINI LULUS LULUS 20 MUTIA AISYAH LULUS LULUS 21 REZA HIDAYAT LULUS LULUS 22 TAMARA DILLA LULUS LULUS 23 RESTU RAHAYU LULUS TL 24 AMELIA ROSANTI TL TL 25 GIO FANNY LULUS LULUS 26 FITRIA SARI LULUS LULUS 27 LAILATUL K LULUS LULUS 28 REZA TIKA HALI LULUS LULUS 29 CHANDRA G TL TL 30 JUANARA S LULUS LULUS 31 M RISKI FARHAN TL TL 32 DAMANIA R LULUS LULUS 33 MHD SYAHFIZ TL TL 44 Evaluasi Kinerja Metode Dari data tabel 421 menunjukkan bahwa hasil yang didapat dengan rule yang telah dioptimasi menggunakan algoritma C45 memiliki tingkat akurasi sebagai berikut: = 100% = % = 96,97%

28 47 Dengan tingkat akurasi sebesar 96,97%, maka FIS metode Sugeno yang diintegrasikan dengan algoritma C45 dapat digunakan sebagai metode dalam pemangkasan rule fuzzy Selain menganalisis tingkat keakuratan, dilakukan juga analisis terhadap waktu dari kedua metode yang diukur dalam milisekon (ms) Tabel 422 Lama waktu proses No NAMA SISWA LPS LPSC45 1 ADINDA NAWANG W 0,312 0,187 2 PUTRI ANZALIKA HUKUL 0,562 0,234 3 MASYA ARIBIMO 0,500 0,203 4 ONNIKE ELAWATI Br S 0,328 0,140 5 ZULKARNAEN SIREGAR 0,218 0,109 Keterangan : LPS : lama proses metode fuzzy Sugeno LPSC45 : lama proses metode fuzzy Sugeno dan algoritma C45 Dari data tabel 422 menunjukkan bahwa lama waktu proses yang dibutuhkan FIS metode Sugeno tanpa algoritma C45 lebih lama dibandingkan dengan FIS metode Sugeno yang diintegrasikan dengan algoritma C45 Grafik perbandingan FIS Sugeno (FS) dan FIS Sugeno yang dintegrasikan menggunakan algoritma C45 (FSC45) menunjukkan bahwa hasil defuzzifikasinya FIS Sugeno dengan algoritma C45 mendekati hasil defuzzifikasi FIS Sugeno tanpa algoritma C45 Grafik tersebut ditampilkan pada Gambar 45 FS FSC X1 X3 X5 X7 X9 X11 X13 X15 X17 X19 X21 X23 X25 X27 X29 X31 X33 Gambar 45 Grafik perbandingan

29 48 45 Tampilan Aplikasi Gambar 46 Form menu utama Gambar 47 Form input nilai siswa

30 49 Gambar 48 Form rule Sugeno Gambar 49 Form update data dan waktu proses fuzzy Sugeno

31 50 Gambar 410 Form update data dan waktu proses fuzzy Sugeno dan algoritma C45

32 BAB 5 KESIMPULAN DAN SARAN 51 Kesimpulan Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, maka kesimpulan dari penelitian ini adalah : 1 Tingkat akurasi metode fuzzy Sugeno yang diintegrasikan dengan algoritma C45 mendapatkan hasil akurasi sebesar 96,97 % 2 Jumlah aturan yang awalnya 288 rule menjadi hanya 52 rule, hal tersebut menyebabkan beban komputsi berkurang 3 Lama waktu yang diperlukan selama proses perhitungan defuzzifikasi antara metode Sugeno yang diintegrasikan menggunkan algoritma C45 lebih cepat dibandingkan dengan metode Sugeno tanpa algoritma C45 4 Jumlah rule yang sedikit, menyebabkan lama waktu proses menjadi lebih cepat 52 Saran Meskipun metode yang dikembangkan oleh peneliti merupakan solusi yang mendekati nilai optimum untuk studi penentuan jumlah aturan Kedepannya, tingkat akurasi dan pengurangan jumlah aturan dapat dikembangkan lagi Untuk penelitian selanjutnya, metode pemangkasan jumlah atura fuzzy dapat dikembangkan menggunakan metode klasifikasi yang lain seperti k-nearest neighbor dan jaringan saraf tiruan