47
Klasifikasi Kinerja Pegawai Universitas X
dengan pendekatan Neuro-Fuzzy
Ronald Dwi Nompunu1), Purnomo Budi Santosa2), Erni Yudaningtyas3)
 kurang sesuai surat keputusan Rektor (0031/UX/SK-
Abstrak– Klasifikasi kinerja pegawai universitas x
adalah dasar kebijakan rekomendasi sistem karir, hal ini
dilakukan setiap tahun dengan metode tertentu,
penggunaan metode ini pada memperkirakan klasifikasi
kinerja pegawai masih memiliki tingkat ketidakpastian
tinggi, karena bobot dan sub-variabel penilaian bersifat
fluktuatif. Sehingga dibutuhkan sistem klasfikasi kinerja
pegawai untuk peramalan yang lebih mendekati
kepastian. dalam penelitian ini dibuat sistem klasifikasi
dengan menggunakan gabungan jaringan syaraf tiruan
dan logika fuzzy (Neuro-Fuzzy) dengan 15 variabel input,
agar tingkat akurasi lebih baik, melalui optimasi Hybrid
Neuro Fuzzy diperoleh nilai RMSE 0.002322355 dengan
data latih 165 dan uji 6, berdasarkan perbandingan
Neuro-Fuzzy dan metode lain dengan evaluasi diperoleh
nilai accuracy 89%
Kata Kunci—Klasifikasi, Kinerja pegawai, Neuro-Fuzzy,
Hybrid.
I. PENDAHULUAN
P egawai merupakan aset berharga yang dimiliki oleh
setiap organisasi, karena sangat memberikan
pengaruh pada banyak aspek penentu keberhasilan
kerja. Suatu organisasi akan dapat menjalankan semua
proses usahanya dengan terarah jika semua pegawai
dapat diorganisasi dengan baik oleh unit sumber daya
manusia. Dengan pengorganisasi yang baik maka unit
sumber daya manusia memiliki aturan yang jelas
untuk semua pegawai demi tertib dan lancarnya proses
administrasi. Aturan yang jelas dapat memberikan
kepastian bagi semua pegawai untuk memperoleh hak
dan kewajibannya tanpa dipengaruhi diskriminasi
berdasarkan suku agama dan ras. Aturan yang jelas
juga bertujuan untuk mengetahui penelitian lain pada
kinerja pegawai dalam sistem karir serta memperoleh
bahan-bahan pertimbangan yang obyektif dalam
pembinaan pegawai berdasarkan sistem karir dan
pencapaian kinerja. Penelitian dilakukan disalah satu
organisasi pendidikan universitas x, hasil kinerja di
universitas x dinyatakan dalam angka dan huruf yaitu
istimewa, sangat baik, baik, cukup, kurang, sangat
1)
Ronald Dwi Nompunu adalah staf di Universitas Machung dan
Mahasiswa Program Studi Magister Teknik Elektro, Fakultas
Teknik, Universitas Brawijaya (UB) Malang-Indonesia (email:
ronald.dwi@machung.ac.id ).
2)
Purnomo Budi Santosa adalah dosen Program Magister Teknik
Elektro Fakultas Teknik Universitas Brawijaya Malang (email
pbs3@ub.ac.id ).
3)
Erni Yudaningtyas adalah dosen Program Magister Teknik
Elektro Fakultas Teknik Universitas Brawijaya Malang
(email:erni@ub.ac.id )
REK/VI/2009). Selama ini metode evaluasi yang
digunakan adalah perhitungan rata-rata terbobot
deterministik, perhitungan ini mengalami kesulitan
ketika memperkirakan klasifikasi potensi kinerja
pegawai dimasa depan, perkiraan ini sangat penting
dilakukan karena sifat organisasi yang selalu
menyesuaikan dengan kebijakan-kebijakan baru
sehingga berpengaruh terhadap perubahan bobot, dan
variabel yang ditambahkan sehingga proses klasifikasi
yang memerlukan waktu lebih dari 1 hari sebagai
alternatif diperlukan pendekatan lain, pendekatan yang
mampu mengakomodasi fenomena tersebut yaitu
melalui soft computing, soft computing merupakan
inovasi baru untuk membangun sistem cerdas, sistem
cerdas ini merupakan sistem yang memiliki keahlian
seperti manusia pada domain tertentu, unsur-unsur
dalam soft computing yaitu sistem fuzzy
(mengakomodasi ketidaktepatan), jaringan syaraf
(menggunakan pembelajaran), mampu beradaptasi dan
belajar agar dapat bekerja lebih baik jika terjadi
perubahan lingkungan [1]. Beberapa penelitian telah
dilakukan dengan pendekatan logika fuzzy dan jaringan
syaraf diantaranya, penentuan estimasi harga mobil
menggunakan pendekatan logika fuzzy [2], pendekatan
bahasa fuzzy untuk menentukan keputusan kinerja
pegawai melalui kondisi yang kurang pasti [3]. Prediksi
kebangkrutan perusahaan menggunakan Jaringan syaraf
tiruan bacpropagasi keluaran output eksak 1dan 0 [4],
dari beberapa pendekatan diatas metode logika fuzzy
memiliki kelemahan tidak dapat belajar namun dapat
menarik kesimpulan sebaliknya jaringan syaraf tiruan
mampu belajar tetapi tidak dapat menarik kesimpulan,
sehingga jika dikombinasikan maka kedua metode ini
akan saling memperkuat dan kombinasi ini dinamakan
neuro-fuzzy, ANFIS (Adaptive Network Based Fuzzy
Inference System ) diperkenalkan oleh Jyh-Shing Roger
Jang yang memiliki kemampuan dan mengindetifikasi
sistem non linier [5], penelitian lain menggunakan
Neuro-Fuzzy struktur ANFIS untuk menentukan
klasifikasi pilihan jurusan di Sekolah Menengah
Kejuruan dengan menggunakan data sampel [6].
Dalam penelitian Neuro-Fuzzy ANFIS digunakan untuk
optimasi klasifikasi potensi pegawai universitas.
Diharapkan dengan penelitian ini akan didapatkan
suatu model klasifikasi potensi pegawai yang akurat.
II. METODE
Terdiri dari pembahasan metode yang relevan dan
Arsitektur ANFIS yang digunakan
Jurnal EECCIS Vol. 12, No. 1, April 2018
48
2.1. Metode yang relevean
a. Klasifikasi
Klasifikasi adalah bagaimana mempelajari sekumpulan
data sehingga dihasilkan aturan yang bisa
mengklasifikasi atau mengenali data-data baru yang
belum pernah dipelajari, klasifikasi dapat didefinisikan
sebagai proses untuk menyatakan suatu objek data
sebagai salah satu kategori (kelas) yang telah
didefinisikan sebelumnya
b. Normalisasi
Normalisasi diperlukan untuk mengolah data awal
dari data populasi kinerja pegawai PSDM Universitas
x agar dapat di klasifikasikan dengan Neuro–Fuzzy
Normalisasi dinyatakan dengan persamaan matematis
sebagai berikut [7]
0.8 (𝑥 𝑎 ) (1)
𝑥= +0.1
(𝑏 𝑎) (1)
Dimana
= Data baris ke n setiap attribut
= adalah data minimun
= data maksimum
c. Klastering
Klasterisasi adalah teknik mengelompokkan data
secara otomatis tanpa perlu diberitahu label kelasnya.
Tetapi, klasterisasi tentu saja bisa juga digunakan untuk
himpunan data dengan label kelas yang diketahui.
Konsep dasar klasterisasi adalah dengan cara
mengelompokkan himpunan data tersebut kedalam
dua klaster, ide sederhana adalah yang paling mudah
adalah mencari dua titik pusat secara acak, lalu
perbaiki secara iteratif sampai kedua titik pusat tersebut
stabil atau konvergen [8]. Dalam penelitian ini
klastering data awal menggunakan fuzzy C- Means yang
digunakan untuk mencari nilai mean (a) dan standar
deviasi (c). Metode ini juga memberikan hasil yang
smooth (halus) karena pembobotan yang digunakan
berdasarkan himpunan fuzzy [9].
d. Confusion Matrix
Confusion Matrix atau disebut juga matrix klasifikasi
adalah suatu alat visual yang biasanya digunakan dalam
Supervised Learning. Matrix klasifikasi berisi jumlah
kasus–kasus yang diklasifikasikan dengan benar dan
kasus–kasus yang salah diklasifikasikan. Pada kasus
yang diklasifikasikan dengan benar muncul pada
diagonal, karena kelompok prediksi dan kelompok
actual adalah sama
(2)
(3)
(4)
Root Means Square Error (RMSE) merupakan
Variabel yang digunakan untuk mengevaluasi nilai hasil
dari klasifikasi terhadap nilai sebenarnya atau nilai
dianggap benar. Semakin kecil nilai RMSE, maka
semakin besar tingkat keberhasilan proses pembelajaran
[10].
√∑ ( )
(5)
Jurnal EECCIS Vol. 12, No. 1, April 2018
e. Logika Fuzzy
Pada himpunan tegas (crips) nilai keanggotaan suatu
data dalam suatu himpunan A, yang sering ditulis
dengan μ(x) memiliki dua kemungkinan yaitu:
Satu (1) yang berarti bahwa suatu item menjadi
anggota dalam suatu himpunan atau
Nol (0) yang berarti bahwa suatu item tidak menjadi
anggota dalam suatu himpuan Jika pada himpunan
crips, nilai keanggotaan hanya ada kemungkinan, yaitu
0 dan 1 pada himpunan fuzzy nilai keanggotaan terletak
pada rentang 0 sampai 1
himpunan fuzzy memiliki 2 variabel yaitu :
1. Liguistik yaitu penamaan suatu grup yang
mewakilik suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alamiah
2. Numerik yaitu suatu nilai (angka) yang
menunjukkan ukuran dari suatu Variabel
f. Jaringan syaraf tiruan
Hubungan antara neuron dalam jaringan syaraf
mengikuti pola tertentu tergantung pada arsitektur
jaringan syarafnya pada dasarnya ada 3 macam
arsitektur jaringan saraf (kusumadewi, 2006)
Arsitektur jaringan dengan lapisan tunggal (Single
Layer Net) a. Arsitektur jaringan dengan banyak
lapisan (Multilayer Net) b. Arsitektur jaringan dengan
lapisan kompetitif (Competitive Layer Net) Pada kasus
klasifikasi ini arsitektur jaringan yang digunakan adalah
Multilayer Net ciri khas layer ini adalah memiliki 3
jaringan layer yaitu layer input, layer output dan layer
tersembunyi kelebihan arsitektur ini adalah dapat
menyelesaikan permasalahan yang lebih kompleks
dibanding dengan lapisan tunggal, namun pelatihan
sering membutuhkan waktu yang cenderung lama.
2.2. Neuro-Fuzzy Struktur ANFIS
a. Adaptive Neuro-Fuzzy Inference System (ANFIS) atau
biasa dikenal dengan Neuro–Fuzzy adalah gabungan
dari dua sistem yaitu logika fuzzy dan jaringan syaraf
tiruan. Dimana arsitektur yang secara fungsional sama
dengan fuzzy rule base mode sugeno. Biasanya
dikatakan bahwa ANFIS adalah suatu metode yang
mana dalam melakukan penyetelan aturan digunakan
algoritma pembelajaran terhadap sekumpulan data hal
ini membuat basis aturan-aturan untuk beradaptasi [5]
Berikut gambar struktur jaringan ANFIS.
x1 , x2
A1
W1
x11 W1
π N W1 f1
A2
∑ y
B1 W2
W2 W2 f2
x22 π N
B2 x1 , x2
Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4 Lapisan 5
Gbr. 1. Anfis Structure, (Jyh-Shing Roger Jang, 1993)
Dimana :
x1, x2, xn = adalah variabel input
A1, A2, B1 dan B2 = adalah variabel linguistik seperti
sangat tinggi, tinggi, cukup tinggi, dan rendah, selain itu
 49

Neuro-Fuzzy Struktur ANFIS memiliki 5 lapisan yang ∑ ̅̅̅̅

. = overall output = ∑ ̅̅̅ = ∑
atau
disimbolkan dengan kotak bersifat adaptif dan
∑ ̅̅̅̅
lingkaran bersifat tetap setiap keluaran dari masing- . = ∑ ̅̅̅ = ∑
(11)
masing lapisan disimbolkan dengan “ “, dimana b. Algoritma Pembelajaran Hybrid
adalah urutan simpul Berikut adalah penjelasan setiap ANFIS dilatih dengan algoritma pembelajaran hybrid
lapisan yaitu : algoritma pembelajaran hybrid terdiri dari dua langkah
Lapisan 1 : Fuzzifikasi yaitu (Jang, 1993) mengemukan algoritma hybrid yang
Setiap simpul i pada lapisan ini adalah simpul yang akan menggabungkan antara steepest descent dan least
berfungsi untuk membangkitkan derajat keanggotaan : square estimation langkah maju (feed forward) dan
( )
( ) ..... (6) langkah balik (back forward). Pada langkah maju,
Dimana : input jaringan akan merambat maju sampai ke lapisan
dan : masukkan bagi sinyal ke – keempat dimana consequent Variabel
: label bahasa (Linguistik Label) ( . . . . . ), akan diindentifikasi dengan
: tingkat keanggotaan dari himpunan fuzzy menggunakan metode least square estimator.
Untuk menghitung derajat keanggotaan Sedangkan pada langkah mundur error sinyal akan
menggunakan fungsi Generalized-Bell agar diperoleh merambat mundur, dan attribut-variabel a dan c akan
parameter premis adaptif dengan persamaan diperbaiki dengan menggunakan metode gradient
descent atau backpropagation.
( )= (7)
( ) ]
1. Metode Least Square Estimator (LSE)
dimana
dan : himpunan attribut/Variabel premis Kondisi awal
( ) (12)
( ) : derajat keanggotaan [11], dan [12]
) (13)
Lapisan 2 : perkalian fuzzy
Recursif ket = = jumlah data ke (n+1); = matrik
Setiap simpul pada lapisan ini diberi label π, bersifat
data, = jumlah parameter sebanyak n; T =invers
non adaptif. Berfungsi untuk membangkitkan kuat
matriks
penyulutan (firing strength) setiap node pada lapisan ini
adalah node tetapi dengan keluarannya adalah produk (14)
fungsi logika fuzzy AND dari sinyal yang datang ( ) (15)
( ) ( ) . (8)
Dimana : firing strength/kuat penyulutan 2. Metode Gradien (Steppest Descent)
( ) : derajat keanggotaan himpunan
Proses perhitungan error dilakukan mundur yaitu
( ) : derajat keanggotaan himpunan
Lapisan 5 ( ) (16)
Lapisan 3 : Pembobotan
Lapisan 4 (17)
Setiap simpul pada lapisan ini diberi label N, yang juga Lapisan 3 (18)
bersifat non adaptif. Berfungsi untuk menormalkan
firing strength masing-msing simpul menampilkan Lapisan 2 ( ( )
)) (19)
derajat pengaktifan ternormalisasi dengan bentuk : Lapisan 1 (20)
̅̅̅ . . . (9) (hitung perubahan bobot a dan c (da & dc ) (21)
Bobot a dan c merupakan nilai parameter input lapisan 1
Dimana : Neuro-Fuzzy yang akan diperbaiki sehingga perubahan
̅̅̅ : Firing – Strength ini menjadi da dan dc, perbaikan ini dilakukan dengan
dan w2 : Output; ̅̅̅ : Normalized Firing Strength metode hybrid
Lapisan 4 : Penjumlahan
Berfungsi untuk menghitung keluaran kaidah III. METODOLOGI
berdasarkan variabel consequent. Tiap simpul pada
lapisan ini berupa simpul adaptif, dengan fungsi simpul Dalam metodologi penelitian dibahas mengenai
: bentuk data, variabel, praproses data, proses klasifikasi,
= ̅̅̅ ̅̅̅ ( ) (10) perancangan prototype dan pengujian.
atau 3.1. Identifikasi variabel input
= ̅̅̅ ̅̅̅ ( ... ) Identifikasi variabel dilakukan melalui tahap
Dimana : wawancara dengan kabag PSDM dan personalia mrs A
̅̅̅ : Derajat pengaktifan/kuat penyulutan yang berlatar belakang pendidikan sarjana psikologi,
ternormalisasi Berikut data yang diperoleh melalui wawancara yang
ix , : Himpunan variabel simpul akan menjadi input Neuro-Fuzzy. Data ini diperoleh
: Output dari pihak PSDM universitas x dan melalui, data dapat
( . . . . . ) : Consequent Variabel dilihat dari tabel dibawah ini
Lapisan 5 : Defuzzifikasi
Simpul pada lapisan ini diberi label Σ node tunggal
pada lapisan ini adalah node tetap yang menghitung
keluaran keseluruhan sebagai penjumlahan semua sinyal
yang datang

Jurnal EECCIS Vol. 12, No. 1, April 2018

 50

TABEL I TABEL III

DENTIFIKASI VARIABEL KINERJA PEGAWAI DATA VARIABEL KINERJA PEGAWAI
No Variabel Variabel Bobot Tipe data Jenis data No Pegawai Kom Pelaksanaan Kedisi Penga Nilai
Penilaian Input (%) peten Pekerjaan plinan bdian Total
1 Kompetensi Kompetensi Angka Angka Sekunder si Univer
IT ( dan Text sitas
Microsoft 1 Pegawai1 19.9 38.39285714 10.5 11.225 80.06786
Office 5
Exell), 2 Pegawai2 15.3 41.42857143 12.75 10.35 79.85784
Power 2926
Point, Word 829
) 3 Pegawai3 18.9 43.21428571 15 9.85 87.04762
2 Kompentesi Angka Sekunder 8333
Bahasa dan Text 333
Inggris 4 Pegawai4 40 12.79591837 28.125 4.75 85.67092
TOEIC 5 Pegawai5 31.7 12.73469388 20.025 5.15 69.65969
3 Pelatihan Angka Sekunder
5
Wajib dan Text sampai dengan
4 Pelaksanaan Pelaksanaan Angka Sekunder
Pekerjaan Pekerjaan
5 Kesetiaan Angka Sekunder 78 Pegawai 39.5 12.26014286 15.937 4.65 72.34764
dan Text 78 5
6 Prestasi Angka Sekunder 79 Pegawai 20.9 40.6547619 14.062 9.85 85.53118
Kerja dan Text 79 6392 5
7 Tanggung Angka Sekunder 276
Jawab dan Text 80 Pegawai 48 12.87244898 23.906 5.7 90.4787
8 Ketaatan Angka Sekunder 80 25
dan Text
9 Kejujuran Angka Sekunder Tabel 3 kemudian dirubah menjadi rentang nilai ( 0,10-
dan Text 0,90) karena fungsi aktivasi menggunakan sigmoid
10 Kerjasama Angka Sekunder
dan Text
biner, perubahan ini menggunakan persamaan (1)
11 Prakarsa Angka Sekunder
dan Text TABEL IV
VARIABEL YANG TELAH DINORMALISASI
12 Kehadiran Kedisplinan Angka Angka Sekunder
Pegawai dan Text Pelaksan Penga
13 Laporan Angka Sekunder Kedi
Kompet aan bdian Nilai
pelaksanaan dan Text No Pegawai siplin
ensi Pekerjaa Unive Total
Pekerjaan an
n rsitas
14 jurnal Angka Sekunder
rekaman dan Text 1 Pegawai1 0.419 0.654 0.297 0.833 0.644
pekerjaan
15 Pengabdian Pengabdian Angka Angka Sekunder 2 Pegawai2 0.345 0.718 0.367 0.757 0.641
Universitas Universitas dan Text 3 Pegawai3 0.404 0.756 0.436 0.714 0.74
4 Pegawai4 0.74 0.111 0.842 0.273 0.721

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

3.2. Praproses data

Berikut adalah tahap awal praproses yang terdiri dari
data variabel sekunder tabel 3 dirubah kedalam tabel 4
melalui tahap normalisasi

Jurnal EECCIS Vol. 12, No. 1, April 2018

 51

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

Gbr. 2. Model Arsitektur Jaringan Klasifikasi Kinerja Pegawai

Pertama Data yang telah dinormalisasi dicari terlebih

dahulu standar deviasi (a) dan rata-rata (mean)
menggunakan klastering Fuzzy C-Means yang
berfungsi agar himpunan derajat keanggotaan lebih
terarah tidak random. Kedua setelah nilai a dan c
diperoleh maka dapat ditentukan derajat keanggotaan
lapisan 1 dengan persamaan 7. setelah itu dilanjutkan Gbr. 3. Tampilan Input Prototype
kelapisan ke 2 melalui perkalian fuzzy dengan fungsi
AND dimana dihasilkan kuat penyulutan (firing Setelah itu selanjutnya Uji coba dilakukan dengan 10
strength) dengan persamaan 8, Selanjutnya dilapisan ke skenario kombinasi menggunakan prototype pada
3 Setiap simpul pada lapisan ini diberi label N, yang gambar 4, dan berikut 10 skenario yang tersaji dalam
juga bersifat non adaptif. Berfungsi untuk menormalkan tabel dibawah ini :
firing strength masing-msing simpul menampilkan
derajat pengaktifan ternormalisasi persamaan 9 TABEL V
Lapisan ke 4 Berfungsi untuk menghitung keluaran KOMBINASI UJI DATA LATIH DAN DATA UJI
kaidah berdasarkan variabel consequent. Tiap simpul Data latih Data Uji
pada lapisan ini berupa simpul adaptif, dengan fungsi
simpul persamaan 10 165 6

Lapisan ke 5 Simpul pada lapisan ini diberi label Σ 160 11

node tunggal pada lapisan ini adalah node tetap yang 150 21
menghitung keluaran keseluruhan sebagai penjumlahan 140 31
semua sinyal yang datang persamaan 11.
Tahap pembelajaran diperlukan untuk melakukan 130 41
perbaikan error dari selisih nilai validasi dan nilai 120 51
klasifikasi jaringan Neuro-Fuzzy dengan menggunakan 110 61
persamaan (12-21) dan dievaluasi menggunakan
100 71
persamaan (2),(3),(4) dan (5)
90 81
3.4. Perancangan prototype
80 91
Perancangan prototype sistem klasifikasi pada
penelitian ini menggunakan bahasa pemrograman pada prototype proses klasifikasi dilakukan ketika
Matlab 2017b. version student Dengan spesifikasi
menekan tombol isi data uji dan jalankan proses
Perangkat keras prosesor i5, Hardisk 1 Tera, RAM 4
klasifikasi sehingg akan diperoleh keluaran salah
GB dan perangkat lunak microsoft office excel, word,
satunya keluaran dengan data latih 80 dan data uji 91
dan visio, sistem operasi Windows 10
seperti pada gambar dibawah ini:
3.5. Pengujian
Proses pengujian dilakukan untuk mengukur tingkat
akurasi metode Neuro-Fuzzy yang akan dibandingkan
dengan metode fuzzy sugeno dan backpropagation
melalui confusion matrix dengan nilai accuracy, recall,
precision terbaik menggunakan persamaan (2,3,4) dan
Root Mean Square Error (RMSE) yang terkecil dengan
persamaan (5)

Jurnal EECCIS Vol. 12, No. 1, April 2018

52

mengecil, walaupun demikian nilai RMSE Hybrid

masih lebih kecil dibandingkan metode yang lain.
70

Jumlah data yang terklasifikasi

60
50
40

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

TABEL VI Gbr. 6. Hubungan Kategori Klasifikasi Dan Jumlah Data

HASIL RMSE DENGAN 10 SKENARIO Terklasifikasi Benar
Data Data Fuzzy
Backpropagation Hybrid
Latih Uji Sugeno Grafik diatas menunjukkan perbandingan tingkat
165 6 0.04766905 0.21397128 0.002322355 kemampuan mengklasifikasi output antar metode
160 11 0.081173882 0.165167246 0.001564957 terhadap kategori klasifikasi PSDM dengan akurat
150 21 0.090213284 0.123678017 0.002009738 semakin tinggi jumlah data uji maka tingkat
140 31 0.095629112 0.128395583 0.006720143 kemampuan melakukan peramalan hampir mendekati
130 41 0.180543048 0.114102161 0.007336926 nilai validasi dengan satuan persen.
120 51 0.095615464 0.134814659 0.012127646
110 61 0.095144255 0.105002005 0.01563194 Hasil Klasifikasi dari prototype kemudian diuji dengan
100 71 0.097382823 0.11466344 0.021314186 validasi PSDM menggunakan confusion matrix untuk
90 81 0.111323263 0.12129824 0.024467045 melihat nilai accuracy, recall dan precision dan hasil
80 91 0.112703172 0.114130143 0.037298976 diperlihatkan pada Tabel 7

Dari tabel terungkap nilai RMSE secara berurutan TABEL VII

dimulai dari Fuzzy sugeno 0.112703172, PERBANDINGAN METODE
Backpropagation 0.114130143 dan Hybrid sebesar Metode
0.037298976, nilai RMSE terkecil diperoleh oleh Pengujian Fuzzy
metode Optimasi Hybrid dengan data uji sebesar 91 Sugeno Backpropagation Hybrid
data jumlah data latih 80 untuk data latih 165 dan data Accuracy (%) 48 78 89
uji 6 diperoleh nilai RMSE terkecil ada pada optimasi Recall (%) 63 88 94
Hybrid dengan nilai sebesar 0,002322355, Fuzzy Precision (%) 67 88 93
sugeno 0.04766905 dan Backpropagation sebesar
0,213297128, dan untuk memahami perbedaan dari Proses belajar yang dilakukan dengan menggunakan
tabel ini maka akan ditampilkan dalam bentuk grafik Hybrid diperoleh seperti gambar berikut proses belajar
0.25 mengalami peningkatan dalam melakukan proses
0.2 pembelajaran
RMSE

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
diperoleh data bahwa nilai RMSE Fuzzy Sugeno dan
Backpropagation mengalami perubahan dan
ketidakstabilan dengan melakukan kombinasi data uji
yang beragam mulai 6,11,21,31,41,51,61,71,81,91 dan
diperoleh bahwa metode hybrid memiliki tingkat
stabilitas yang tinggi diperlihatkan dengan semakin
rendah nilai data uji maka tingkat RMSE akan semakin
Pada gambar ini mengungkapkan informasi tentang
proses belajar yang dilakukan oleh Hybrid dengan data
latih 80 data uji 90 diperoleh error konvergen pada
iterasi ke 3 dari parameter error toleransi sebesar 0.001,
iterasi 100 telah tercapai dengan proses belajar (t) yang
sangat singkat yaitu 00:00:14:02.

Jurnal EECCIS Vol. 12, No. 1, April 2018


4.2 Pembahasan
Dari perbandingan hasil penelitian dengan penelitian
terdahulu. Diantaranya dilakukan oleh peneliti untuk
mengukur kinerja pegawai diperoleh tingkat akurasi
ANFIS diperoleh akurasi sebesar 65% [13], dengan 7
variabel dan output baik sekali, baik, cukup [14],
penelitian berikutnya adalah Development of
INPLANS: An Analysis on Students’ Performance
using Neuro-Fuzzy [15] dengan 2 variabel nilai GPA
dan CPA dengan jumlah 26 siswa.
maka dalam penelitian ini, dengan parameter
penelitian antara lain:
1. Pendekatan fungsi menggunakan generilized bell,
2. Jumlah iterasi 100 epoch, dengan error toleransi
0.001
3. Jumlah variabel input awal adalah 15 variabel
yang diambil 4 variabel rata-rata, variabel output
berjumlah 6 istimewa, sangat baik, baik, cukup,
kurang, sangat kurang.
4. Data penelitian berupa data sekunder populasi
pegawai berjumlah 171 dari tahun 2011-2015,
5. Konvergen error diperoleh pada iterasi ke-3
6. Clustering Fuzzy C-Means untuk menghasilkan
himpunan fuzzy nilai a dan c dilapisan 1
7. Faktor kunci yang penting dalam metode
pembelajaran menggunakan hybrid adalah
penggunaan LSE untuk mencari parameter-
parameter p, q dan r serta Steppest Descent
yang melakukan perbaikan error secara
berulang –ulang hingga diperoleh error yang
paling kecil).
8. Proses penetapan aturan dilakukan secara otomatis
melalui pembelajaran Hybrid
9. Prototype dapat menampilkan nilai seluruh
pegawai dalam bentuk kolom dan baris dengan
identifikasi nomor induk pegawai.
10. Melalui pengujian confusion matrix diperoleh
tingkat akurasi klasifikasi kinerja pegawai sebesar
89 %.
V. KESIMPULAN
Berdasarkan pembahasan mengenai model neuro-
fuzy yaitu struktur ANFIS yang diimplementasikan
untuk klasifikasi kinerja pegawai universitas Uji coba
dilakukan dengan prototype dan menghasilkan
perbandingan output jaringan antara fuzzy sugeno,
bacpropagation, dan hybrid melalui uji confusion matrix
dengan nilai accuracy, recall dan Precison, masing-
masing adalah 48%-63%-67% , 78%-88%-88%, 89%-
94%-93%, dan RMSE terbaik dari 10 data uji diperoleh
pada data latih 165 dan data uji 6 dengan metode Neuro-
Fuzzy hybrid sebesar 0,002322355.
Rekomendasi dari hasil penelitian, Neuro-Fuzzy
merupakan metode gabungan jaringan syaraf tiruan dan
logika fuzzy sugeno yang dapat dijadikan solusi untuk
menyelesaikan kasus ketidakpastian yang perubahan
ketidakpastian selalu meningkat dengan ingkat akurasi
yang tinggi, namun hingga kini ada kendala yang
dimiliki oleh neuro-fuzzy yaitu pada proses belajar yang
masih memerlukan waktu yang lama, penelitian
selanjutnya dapat dikembangkan beberapa metode
53
gabungan dari algoritma evolusi dan algoritma perilaku
untuk mempercepat proses optimasi pembelajaran.
REFERENSI
[1] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya ),
Yogyakarta: Graha Ilmu, 2003.
[2] O. H. K. Hendry Setiawan, “USED CAR PRICE ESTIMATION
USING FUZZY LOGIC APPROACH,” AN ANTHOLOGY OF
SCIENTIFIC ARTICLES V, vol. V, no. Ma Chung Press, pp. 107-
113, 2012.
[3] P. S. S. Nisha Macwan, “ Nisha Macwan, Priti Srinivas Sajja,” A
Linguistic Fuzzy Approach for Employee Evaluation Nisha
Macwan, 2014, pp. 975-980, 2014.
[4] C. G. Y. Putri, “PREDIKSI KEBANGKRUTAN PERUSAHAAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK,”
http://www.digilib.its.ac.id/detil.php?id=9167&q=Angka%20ratio,
Surabaya, 2010.
[5] J.-S. R. Jang, “ANFIS: Adaptive-Network-Based Fuzzy Inference
System,” IEEE Transactions on system, man and cybernetics, vol.
23, pp. 665-685, 1993.
[6] Andi Pranolo dkk, "A Decision Support System Using ANFIS to
Determine the major of Prospective Student in A Vocational
School of Indonesia," International Journal of Computer Trends
and Technology, pp. 100-105, 2015.
[7] M. Drs. Jong Jek Siang, “Jaringan Syaraf Tiruan & Pemograman
menggunakan Matlab,” Internasional Symposium On
Telecommunications ( BIHTEL ), p. 121, 2016.
[8] S. M. Suyanto, “Data Mining,” dalam Data Mining, Bandung,
Penerbit INFORMATIKA, 2017, pp. 115-116.
[9] d. Prabowo, Penerapan Data Mining Dengan Matlab,
INFORMATIKA, 2013.
[10] C. Dewi, “Prediksi Tingkat Pengangguran menggunakan Adaptif
Neuro-Fuzzy Inference System ( ANFIS ),”
www.researchgate.net/publication, p. 230, 2016.
[11] S. K. d. S. Hartati, Neuro-Fuzzy Integration of Fuzzy Systems and
Neural Networks, Yogyakarta: Graha Ilmu, 2010.
[12] S. Kusumadewi, Artificial Intelligence (Technique and Its
Application), Yogyakarta: Graha Ilmu, 2003.
[13] N. Afni, “Performance Measurement Measurement Using
Adaptive Neuro Fuzzy Inference System (Anfis) Method,” journal
of Computing and Information System, vol. XII. No 2, pp. 140-
152, 2016.
[14] d. Banon Tri Kuncahyo, “Penentuan nilai post test mahasiswa
jurusan teknik informatika,” ITS, 2007.
[15] S. M. Z. T. Khalid Isa, “Development of INPLANS: An Analysis
on Student's Performance using Neuro-Fuzzy,” IEEE, 2008.
Jurnal EECCIS Vol. 12, No. 1, April 2018