dari klasifikasi terhadap nilai sebenarnya atau nilai Gbr. 1. Anfis Structure, (Jyh-Shing Roger Jang, 1993)
dianggap benar. Semakin kecil nilai RMSE, maka
semakin besar tingkat keberhasilan proses pembelajaran Dimana :
[10]. x1, x2, xn = adalah variabel input
√∑ ( ) A1, A2, B1 dan B2 = adalah variabel linguistik seperti
(5) sangat tinggi, tinggi, cukup tinggi, dan rendah, selain itu
Data ini berjumlah 171 diperoleh dari unit PSDM 5 Pegawai5 0.608 0.11 0.592 0.308 0.5
universitas x, dari 171 data akan diambil 80 data sampai dengan
sebagai data latih dan 91 sebagai data uji. Berdasarkan 78 Pegawai78 0.732 0.1 0.465 0.264 0.537
jenis identifikasi data terdapat empat variabel data yang 79 Pegawai79 0.435 0.702 0.407 0.714 0.719
digunakan pada penelitian ini, yaitu data Kompetensi,
80 Pegawai80 0.868 0.113 0.712 0.355 0.788
data pelaksanaan pekerjaan, data kedisiplinan, data
pengabdian universitas, bentuk penilaian diberikan Setelah diperoleh data normalisasi maka akan
dalam raport dengan huruf dan angka dan disertakan dilanjutkan ketahap berikutnya yaitu proses klasifikasi
dalam tabel dibawah ini
3.3. Proses klasifikasi
TABEL II
KLASIFIKASI KINERJA PEGAWAI BERDASARKAN SURAT Proses klasifikasi dapat dilihat melalui arsitektur
KEPUTUSAN REKTOR NO 0031/SURAT KEPUTUSAN/VI/2009 jaringan Neuro-Fuzzy klasifikasi kinerja pegawai
No Kinerja Pegawai Klasifikasi melalui gambar dibawah ini
1 >=95,3 Istimewa
2 >=90 Sangat Baik
3 >=80 Baik
4 >=69 Cukup
5 >=40 Kurang
6 <40 Sangat Kurang
Istimewa
IV. HASIL DAN PEMBAHASAN
Kompentensi Sangat baik Mundur Steppest Descent
baik
cukup
4.1. Hasil
Kurang
Threshold, Error Toleransi, Epoch Dalam bagian ini akan dibahas terkait hasil uji coba
Pelaksanaan
Istimewa X Y
yang diperoleh melalui perhitungan RMSE dari
Sangat baik
Pekerjaan
baik keluaran prototype, pembahasan dan kesimpulan
ᴨ N
cukup Berikut gambar tampilan prototype klasifikasi kinerja
Kurang
Lapisan 3 Ʃ pegawai dimana output jaringan ini akan digunakan
Istimewa Normalisasi
Layer 5 untuk mencari nilai RMSE agar dapat ditentukan
Sangat baik ᴨ N
Kedisiplinan
baik
Lapisan apakah prototype yang dirancang telah mampu
cukup Lapisan 2 Total
Produk
memenuhi harapan klasifikasi kinerja pegawai
Kurang X Y
Output
Lapisan 4 universitas x,
Istimewa
Sangat baik
Defuzzyfikasi
Pengabdian
Universitas baik Lapisan 1
cukup
Fuzzy Maju LSE
Kurang
benar
30
20
10
0
Istimewa Sangat Baik Cukup Kurang
Baik
Gbr. 4. Tampilan Output Prototype
Setelah prototype menghasilkan angka maka angka ini dapat kategori klasifikasi
diproses untuk mencari perhitungan nilai RMSE Backpropagation Hybrid PSDM Fuzzy Sugeno
0.15
0.1
0.05
0
0 50 100
Data Uji
Fuzzy Sugeno Backpropagation
Hybrid
Gbr. 5. Hubungan Rmse Dan Data Uji Gbr. 7. Hasil uji coba proses belajar Hybrid
Berdasarkan penelitian yang telah dilakukan Pada gambar ini mengungkapkan informasi tentang
diperoleh data bahwa nilai RMSE Fuzzy Sugeno dan proses belajar yang dilakukan oleh Hybrid dengan data
Backpropagation mengalami perubahan dan latih 80 data uji 90 diperoleh error konvergen pada
ketidakstabilan dengan melakukan kombinasi data uji iterasi ke 3 dari parameter error toleransi sebesar 0.001,
yang beragam mulai 6,11,21,31,41,51,61,71,81,91 dan iterasi 100 telah tercapai dengan proses belajar (t) yang
diperoleh bahwa metode hybrid memiliki tingkat sangat singkat yaitu 00:00:14:02.
stabilitas yang tinggi diperlihatkan dengan semakin
rendah nilai data uji maka tingkat RMSE akan semakin