232 239 Snsi07 041 Menentukan Nilai Akhir Kuliah Dengan Fuzzy C Means PDF
232 239 Snsi07 041 Menentukan Nilai Akhir Kuliah Dengan Fuzzy C Means PDF
SNSI07-041
1.
Pendahuluan
Dalam proses pendidikan di jenjang universitas, mahasiswa dinilai dengan beberapa parameter. Parameter itu di
antaranya adalah tugas, kuis, kehadiran, ujian tengah semester dan ujian akhir semester. Masing-masing parameter itu
diberi bobot sendiri. Nilai akhir kuliah akan dihitung dari perhitungan parameter-parameter tersebut dikalikan dengan
bobotnya.
Untuk menentukan hasil akhir dalam bentuk huruf, selama ini paling tidak digunakan dua cara. Cara yang pertama adalah
dengan menetapkan nilai tersebut menurut skala-skala tertentu yang sudah pasti. Contoh perhitungan dengan cara ini
dapat dilihat pada Tabel 1.1 :
Tabel 1.1 Contoh Perhitungan Dengan Skala Pasti
Rentang nilai
Nilai akhir huruf
80-100
A
60-80
B
40-60
C
20-40
D
0-20
E
Cara yang kedua adalah dengan menggunakan perhitungan rerata dan standar deviasi. Contoh perhitungan dengan cara
ini dapat dilihat pada tabel berikut:
Tabel 1.2. Contoh Perhitungan Dengan Perhitungan Rerata dan Standar Deviasi
Rentang nilai
Nilai huruf
A
>(
)
B
C
D
E
<(
)
Dalam penelitian ini, akan diajukan alternatif yang bisa digunakan untuk mempermudah perhitungan nilai akhir kuliah.
Metode yang diajukan adalah dengan metode clustering, yaitu dengan menggunakan fuzzy c-means. Metode ini dipilih
karena dengan metode ini, data-data beserta parameter-parameternya dapat dikelompokkan dalam cluster-cluster sesuai
dengan kecenderungannya. Selain itu, metode FCM dipilih karena dengan metode ini, bisa ditentukan jumlah cluster
yang akan dibentuk. Dengan penentuan jumlah cluster di awal, bisa diatur keragaman nilai akhir sesuai dengan
clusternya. Dengan sistem berbasis FCM, bisa didapatkan nilai huruf yang labelnya A, B sampai E, atau juga bisa
didapatkan yang labelnya A, A-, A/B, dan seterusnya.
2.
Tinjauan Pustaka
Berikut ini akan dibahas tentang konsep himpunan fuzzy, dan konsep Fuzzy Clustering.
2.1. Himpunan Fuzzy
Fuzzy adalah salah satu konsep logika matematika yang pertama kali dikenalkan oleh Lotfi A Zadeh pada tahun 1965
(Zimmermann, 1991). Zadeh memberikan definisi tentang himpunan fuzzy sebagai berikut:
232
SNSI07-041
Jika X adalah koleksi objek yang dinotasikan oleh x, maka suatu himpunan fuzzy A dalam X adalah suatu himpunan
pasangan berurutan:
Dengan A(x) adalah derajat keanggotaan x di A yang memetakan X ke ruang keanggotaan M yang terletak pada rentang
[0,1].
2.2. Fuzzy Clustering
Salah satu penerapan logika fuzzy adalah dalam clustering atau pengelompokan. Fuzzy clustering adalah bagian dari
pattern recognition atau pengenalan pola. Fuzzy clustering memainkan peran yang paling penting dalam pencarian
struktur dalam data (Klir, 1995). Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu
ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor (Kusumadewi, 2004)
Ada dua metode dasar dalam fuzzy clustering. Metode pertama disebut dengan fuzzy c-means. Metode ini dinamakan
demikian karena dengan clustering ini akan dibentuk sebanyak c-cluster yang sudah ditentukan sebelumnya. Metode
yang kedua adalah metode yang banyaknya cluster tidak ditentukan sebelumnya. Metode ini dinamakan dengan fuzzy
subtractive clustering (Kusumadewi, 2004) atau fuzzy Equivalence Relation (Klir, 1995).
Metode clustering yang akan digunakan dalam penelitian ini adalah fuzzy c-means. Metode ini pertama kali dikenalkan
oleh Jim Bezdek pada tahun 1981 (Kusumadewi, 2004). Fuzzy c-means adalah salah satu teknik pengklusteran data yang
mana keberadaan tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotan.
Algoritma dari fuzzy c-means adalah sebagai berikut:
- Input data yang akan dicluster X, berupa matrix berukuran n x m (n=jumlah sampel data, m=atribut setiap data).
Xij data sampel ke-I (i=1,2,n), atribut ke-j (j=1,2,..m)
- Tentukan jumlah cluster (c), pangkat (w), maksimum iterasi (MaxIter), error terkecil yang diharapkan (),
fungsi objektif awal (Po = 0), dan iterasi awal (t=1).
- Bangkitkan bilangan random ik, i=1,2,n; k=1,2,c sebagai elemen matriks partisi awal U.
Hitung jumlah setiap kolom (atribut)
Dengan j=1,2..n, hitung:
c
Qi = ik
k =1
ik =
ik
Qi
((
n
Vkj =
i =1
ik
) w * X ij
(
i =1
ik
)w
w
2
Pt = (X ij Vkj ) (ik )
i =1 k =1 j =1
w 1
m
2
(X ij Vkj )
j =1
ik =
1
c m
w 1
2
(X ij Vkj )
k =1 j =1
dengan: i = 1,2,...,n; dan k =1,2,...,c.
233
SNSI07-041
Gambar 3.1. Diagram Alir Penentuan Nilai Akhir Mahasiswa Dengan FCM.
Selanjutnya akan dibuat diagram data alir (Data Flow Diagram DFD). DFD level-0 atau diagram konteks untuk sistem
tersebut adalah sebagai berikut:
234
SNSI07-041
Form Login
Form ini digunakan untuk login.
Input Kuliah
Form ini digunakan untuk menginputkan kuliah yang ada.
235
SNSI07-041
236
SNSI07-041
237
SNSI07-041
5.
Metode fuzzy c-means bisa digunakan untuk membantu menentukan nilai akhir kuliah dalam bentuk huruf. Dengan
menggunakan metode ini, nilai akhir ditentukan secara lebih alami, karena berdasarkan pada kecenderungan masingmasing data pada cluster-clusternya.
Sistem ini belum diujicobakan untuk pengolahan data yang banyak seperti yang ada pada universitas, di mana ada
banyak mata kuliah dan banyak mahasiswa. Untuk penelitian lebih lanjut, perlu untuk diteliti waktu yang diperlukan
untuk proses FCM untuk data yang besar.
Daftar Pustaka
[1] Klir, George J; Yuan, Bo. 1995. Fuzzy Sets and Fuzzy Logic, Theory and Application. Prentice Hall International, Inc.
[2] Kusumadewi, Sri; Purnomo, Hari. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Penerbit Graha Ilmu
[3] Tudor, Ian. 1996. Learner-centredness as Language Education. Cambridge University Press
238