SISTEM REKOMENDASI PEMBELIAN MOBIL BERBASIS METODE NEURO-FUZZY CLASSIFICATION

Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999

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 negaranegara 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 XTrail 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]. http://research.pps.dinus.ac.id, email redaksi: [email protected]

117


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 parameterparameter 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

118

http://research.pps.dinus.ac.id

email redaksi: [email protected]

Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 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 fenomenafenomena 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.

http://research.pps.dinus.ac.id, email redaksi: [email protected]

119


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,

120



Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 3.

4.

5.

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, 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, 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 http://research.pps.dinus.ac.id, email redaksi: [email protected]

121


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.

122




III C1

C2

1

1

1 R1

Output Layer

R2

1

II

R3

Rule Node Layer

R4

I

Input Layer

X1

X1

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 kek, xk, terhadap kelas ke-k, sebagai berikut [30]:


123

Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 F

:1% = ;< =

A

@ ; B = 1, … , E

1&> ?5+ .............................................................................................................................. &-.

$%&

(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

=

.

69 4 .2 3 5 8 67

; 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: .............................................................................................................................. IJK 1 2 L % 1 MA ; 0 ≤ % 1 ≤ 0,5 = A 1 − 2 L1 − % 1 M ; 0,5 ≤ % 1 ≤ 1

G

(4)

Sehingga pola input ke-i, xi, akan memiliki target output ke-k sebagai berikut:

%

HIJK 5 H5

;

;

.........................................................................

(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:

124



Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 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 Harga Ukuran Kapasitas Daya Besar Jumlah Kelas keMobil mobil penumpang maksimum mesin/ service ke(x1) (x2) (x3) (x4) silinder center (x6) (x5) 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


125


Kemudian akan diambil data 30 jenis mobil untuk dilakukan pengujian dengan algoritma pembelajaran backpropagation

Data ke-

Harga Mobil (x1)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

429,3 204,5 212,4 334,5 121 131,7 139,4 169 149,4 1,200 376 415 1,270 129,5 172,5 139 201,5 293,5 144 88 426 705 339 261 348 198,5 239,5 545,5 296,5 139,8

Tabel 2.5: Data yang akan diuji pada pemilihan mobil Ukuran Kapasitas Daya Besar mobil penumpang maksimum mesin/ (x2) (x3) (x4) silinder (x5) 4695 7 0.015 1298 4420 8 0.028 2494 4300 5 0.018 1497 4540 5 0.045 3465 4405 8 0.028 2362 4120 8 0.028 3456 4165 7 0.031 2694 4405 7 0.018 1495 3720 5 0.018 1497 4900 5 0.024 1798 4695 8 0.015 1298 4570 7 0.011 989 4510 8 0.016 1495 3600 7 0.018 1495 3755 5 0.015 1298 3715 7 0.042 3828 4135 7 0.039 2477 4470 5 0.026 1998 4225 5 0.045 1998 3875 5 0.011 988 4935 5 0.017 1490 4935 5 0.014 1197 4540 5 0.017 1490 4395 5 0.023 1955 4566 9 0.018 1493 3900 7 0.013 1493 4215 5 0.028 2354 4800 5 0.044 3471 4630 5 0.023 1799 3780 5 0.018 1497

Jumlah service center (x6) 4 4 4 4 4 4 4 4 4 4 15 15 15 15 15 3 3 3 3 6 6 6 6 6 6 6 5 5 5 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.

126




Tabel 2.6: Pola pelatihan klasifikasi fuzzy pemilihan mobil Data

Pola input

Pola Output

ke-

X1

X2

X3

X4

X5

X6

X1

1

0

0

0.5

0

0

0

0.059

0

0

0.5

0

0

0.5

0,996 0.957

0.766 0.587 0.148 0.107

2

0.909 0.827 0.139 0.124

0.078

0.766 0.778 0.102 0.113

0.087

X2

X3

X4

X5

X6

3

0

0

0.5

0

0

1

0.607

4

0

0

0.5

0

0.5

0

0.909 0.633 0.139 0.139

0.078

5

0

0

0.5

0

0.5

0.5

0.957 0.895

0.999 0.875

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

0.766 0.426 0.102 0.142

0.087

8

0

0

0.5

0

1

0.5

0.607 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

0

0.957

0.703 0.543 0.184 0.121

0.073

0.5

0.895

0.85

0.703 0.729 0.122 0.128

10 11

0 0

0 0

0.5 0.5

0.5 0.5

0 0

0.13

0.778 0.171 0.142

0.1

12

0

0

0.5

0.5

0

1

0.54

13

0

0

0.5

0.5

0.5

0

0.895

0.85

14

1

1

0.5

1

1

0

0.097

0.112 0.163 0.424 0.627

0.437

0.5

0.092

0.126

0.379 0.805

0.843

1

0.071

0.112 0.199 0.234 0.691

0.97

0.141

0.3

0.824 0.422

0.144

15 16

1 1

1 1

0.5 0.5

1 1

1 1

0.778 0.171 0.142 0.21

0.112 0.1

17

1

1

1

0

0

0

0.184

18

1

1

1

0

1

0.5

0.115

0.161

0.32

0.379 0.885

0.514

1

0.087

0.141

0.3

0.234 0.772

0.648

0.133 0.281 0.996 0.538

0.203

19

1

1

1

0

1

20

1

1

1

0.5

0

0

0.171

21

1

1

1

0.5

0

0.5

0.159

0.152 0.395 0.957 0.707

0.35

0.133 0.367 0.607 0.597

0.437

22

1

1

1

0.5

0

1

0.115

23

1

1

1

0.5

0.5

0

0.159

0.152

0.957 0.838

0.35

0.5

0.148

0.175 0.426 0.895 0.986

0.696

0.152 0.395

0.901

0.843 0.437

24

1

1

1

0.5

0.5

0.3

25

1

1

1

0.5

0.5

1

0.108

26

1

1

1

0.5

1

0

0.115

0.133 0.222 0.607 0.854

0.5

0.108

0.152

0.993

0.843

1

0.083

0.133 0.281 0.308 0.915

0.97

0.099 0.189 0.957 0.422

0.214

0.099 0.189

0.994

27 28

1 1

1 1

1 1

0.5 0.5

1 1

29

1

1

1

1

0

0

0.122

30

1

1

1

1

1

1

0.065

0.3

0.54 0.54

0.28

0.772

Selanjutnya akan digunakan algoritma pembelajaran backpropagation menggunakan parameter-parameter sebagai berikut: http://research.pps.dinus.ac.id, email redaksi: [email protected]

127


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:

128




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 http://research.pps.dinus.ac.id, email redaksi: [email protected]

129


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


130









131


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

132



Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 ∑ 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

Retrieved Not Retrieved

Relevant A C

Not Relevant B 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: T P = T2U ............................................................. (7)

sedangkan recall dapat dihitung dengan menggunakan rumus: T Q = T2V ............................................................ (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


133


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 Ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

134

X

Y

Z

P

R

F1

Akurasi

7 3 6 5 6 6 10 5 10 5 5 3 4 9 3 7 6 3 7 9 7 3 5 4 7 4 7 6 3 3 7 10 7 7 5 4 6 9 7

2 4 1 1 2 2 2 1 2 0 1 1 5 1 4 1 0 2 4 2 2 3 1 1 5 4 2 1 2 1 4 1 2 2 1 1 4 2 2

0 2 1 0 0 0 1 0 1 0 0 1 4 1 2 0 0 0 2 0 0 2 0 0 2 3 0 1 1 1 2 0 0 0 0 0 3 0 0

0.78 0.43 0.86 0.83 0.75 0.75 0.83 0.83 0.83 1 0.83 0.75 0.44 0.90 0.43 0.87 1 0.60 0.64 0.82 0.78 0.50 0.83 0.80 0.58 0.50 0.78 0.86 0.60 0.75 0.64 0.90 0.78 0.78 0.83 0.80 0.60 0.82 0.78

1 0.60 0.86 1 1 1 0.91 1 0.91 1 1 0.75 0.50 0.89 0.60 1 1 1 0.78 1 1 0.60 1 1 0.78 0.57 1 0.86 0.75 0.75 0.78 1 1 1 1 1 0.67 1 1

0.87 0.50 0.86 0.90 0.86 0.86 0.87 0.91 0.87 1 0.91 0.75 0.47 0.89 0.50 0.93 1 0.75 0.70 0.90 0.88 0.54 0.91 0.89 0.66 0.53 0.88 0.86 0.67 0.75 0.70 0.95 0.88 0.88 0.91 0.89 0.63 0.90 0.88

Tinggi Rendah Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Sedang Rendah Tinggi Rendah Tinggi Tinggi Sedang Sedang Tinggi Tinggi Rendah Tinggi Tinggi Sedang Rendah Tinggi Tinggi Sedang Sedang Sedang Tinggi Tinggi Tinggi Tinggi Tinggi Sedang Tinggi Tinggi



Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

6 5 4 6 9 7 6 2 2 10 9 7 6 5 4 7 9 7 7 6 4 7 9 5 6 4 4 10 9 7 3

1 1 1 6 1 1 1 3 2 2 1 2 1 1 1 5 2 1 1 0 1 3 1 4 2 3 1 2 1 1 4

1 0 0 1 1 1 1 1 1 1 1 0 1 0 0 1 0 1 0 0 0 3 1 0 0 2 0 1 1 1 1

0.86 0.83 0.80 0.50 0.90 0.87 0.86 0.40 0.50 0.83 0.90 0.78 0.86 0.83 0.80 0.58 0.82 0.87 0.87 1 0.80 0.70 0.90 0.55 0.75 0.57 0.80 0.83 0.90 0.87 0.43

0.86 1 1 0.85 0.90 0.87 0.86 0.67 0.67 0.91 0.90 1 0.86 1 1 0.87 1 0.87 1 1 1 0.70 0.90 1 1 0.67 1 0.91 0.90 0.87 0.75

0.86 0.91 0.89 0.63 0.90 0.87 0.86 0.50 0.57 0.87 0.90 0.88 0.86 0.91 0.88 0.69 0.90 0.87 0.93 1 0.89 0.70 0.90 0.71 0.86 0.61 0.89 0.87 0.90 0.87 0.54

Tinggi Tinggi Tinggi Sedang Tinggi Tinggi Tinggi Rendah Rendah Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Sedang Tinggi Tinggi Tinggi Tinggi Tinggi Sedang Tinggi Sedang Tinggi Sedang Tinggi Tinggi Tinggi Tinggi 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 http://research.pps.dinus.ac.id, email redaksi: [email protected]

135


Akurasi Sedang = 13 x 100% = 19% 70 Akurasi Rendah = 8 x 100% = 11% 70 Tingkat akurasi sistem rekomendasi pembelian mobil dapat dilihat melalui diagram lingkaran dibawah ini :

Akurasi Sistem Rekomendasi Pembelian Mobil (F1) Rendah 11%

Sedang 19% Sedang Tinggi Rendah

Tinggi 70%

Gambar 2.9: Tingkat akurasi sistem rekomendasi 5. KESIMPULAN Dari hasil penelitian, maka dapat diambil kesimpulan bahwa klasifikasi mobil berbasis metode neurofuzzy 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. 136



Jurnal Teknologi Informasi, Volume 7 Nomor 2, Oktober 2011, ISSN 1414-9999 [5] [6] [7]

[8] [9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17] [18]

[19]

[20]

[21]

[22]

Kusumadewi. S dan Hartati. S (2006). Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu. Suyanto (2008). Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika. G. Castellano, A.M. Fanelli, M.A. Torsello (2008). “Recommendation rule extraction by a neurofuzzy approach”, Eighth International Conference on Hybrid Intelligent Systems, pp. 758-763, IEEE Computer Society. G. Setlak (2008). “The Fuzzy-Neuro Classifier For Decision Support, “International Journal Information Theories & Applications”, Vol. 15, pp. 21-26. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Aniruddha Kembhavi, David Harwood and Larry S. Davis (2010). “Vehicle Detection using Partial Least Squares”, IEEE Transactions On Pattern Analysis And Machine Intelligence, pp. 115, IEEE Computer Society. 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. 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.


137


[23] [24]

[25] [26]

[27] [28]

[29]

[30] [31] [32]

138

A.N. Tossi, M. Kahani, R. Monsevi (2006). “Network Intrusion Detection Based on Neuro-Fuzzy Classification“,Iran Telecommunication Research Center, IEEE Computer Society. 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. R. Benali, M.A. Chikh (2009). “Neuro-Fuzzy Classifier For Cardiac Arrythmias Recognition”, Journal of Theoretical and Applied Information Technology, pp. 577-583. 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. Kusumadewi. S (2006). “Fuzzy Backpropagation untuk klasifikasi pola”, Seminar Nasional Aplikasi Teknologi Informasi, pp.37-41, Yogyakarta. 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. 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. 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. Departemen Of Health and Human Services (2008). Data Collection Methods for Program Evaluation: Questionnaires. Jonathan L. Herlocker (2004). “Evaluating Collaborative Filtering Recommender Systems”, ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5–53.



SISTEM REKOMENDASI PEMBELIAN MOBIL BERBASIS METODE NEURO-FUZZY CLASSIFICATION

Recommend Documents