Vol 07.2 117-138

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

http://research.pps.dinus.ac.id, email redaksi: [email protected] 117

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 negara-

negara 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 X-

Trail 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].


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

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 parameter-

parameter 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



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 fenomena-

fenomena 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.



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,



3. 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,

4. 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,

5. 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



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.



III Output Layer

II Rule Node Layer

I Input Layer

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 ke-

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

C1 C2

R1 R2 R3 R4

X1 X1

1 1 1

1



.............................................................................................................................. (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� = ..2 34 567 869; 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:

.............................................................................................................................. (4)

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

......................................................................... (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:

:1% = ;< =�1&> ?5+$%& @A ; B = 1, … , EF&-.

G%�HIJK�5�� ;H5�� ;

�IJK��1�= � 2 L�%��1�MA ; 0 ≤ �%��1� ≤ 0,5 1 − 2 L1 − �% � �1�MA ; 0,5 ≤ �%��1� ≤ 1



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

ke-

Harga

Mobil

(x1)

Ukuran

mobil

(x2)

Kapasitas

penumpang

(x3)

Daya

maksimum

(x4)

Besar

mesin/

silinder

(x5)

Jumlah

service

center (x6)

Kelas

ke-

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



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

pembelajaran backpropagation

Tabel 2.5: Data yang akan diuji pada pemilihan mobil

Data

ke-

Harga

Mobil

(x1)

Ukuran

mobil

(x2)

Kapasitas

penumpang

(x3)

Daya

maksimum

(x4)

Besar

mesin/

silinder

(x5)

Jumlah

service

center

(x6)

1 429,3 4695 7 0.015 1298 4

2 204,5 4420 8 0.028 2494 4

3 212,4 4300 5 0.018 1497 4

4 334,5 4540 5 0.045 3465 4

5 121 4405 8 0.028 2362 4

6 131,7 4120 8 0.028 3456 4

7 139,4 4165 7 0.031 2694 4

8 169 4405 7 0.018 1495 4

9 149,4 3720 5 0.018 1497 4

10 1,200 4900 5 0.024 1798 4

11 376 4695 8 0.015 1298 15

12 415 4570 7 0.011 989 15

13 1,270 4510 8 0.016 1495 15

14 129,5 3600 7 0.018 1495 15

15 172,5 3755 5 0.015 1298 15

16 139 3715 7 0.042 3828 3

17 201,5 4135 7 0.039 2477 3

18 293,5 4470 5 0.026 1998 3

19 144 4225 5 0.045 1998 3

20 88 3875 5 0.011 988 6

21 426 4935 5 0.017 1490 6

22 705 4935 5 0.014 1197 6

23 339 4540 5 0.017 1490 6

24 261 4395 5 0.023 1955 6

25 348 4566 9 0.018 1493 6

26 198,5 3900 7 0.013 1493 6

27 239,5 4215 5 0.028 2354 5

28 545,5 4800 5 0.044 3471 5

29 296,5 4630 5 0.023 1799 5

30 139,8 3780 5 0.018 1497 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.



Tabel 2.6: Pola pelatihan klasifikasi fuzzy pemilihan mobil

Data Pola input Pola Output

ke- X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6

1 0 0 0.5 0 0 0 0,996 0.766 0.587 0.148 0.107 0.059

2 0 0 0.5 0 0 0.5 0.957 0.909 0.827 0.139 0.124 0.078

3 0 0 0.5 0 0 1 0.607 0.766 0.778 0.102 0.113 0.087

4 0 0 0.5 0 0.5 0 0.957 0.909 0.633 0.139 0.139 0.078

5 0 0 0.5 0 0.5 0.5 0.895 0.999 0.875 0.13 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 0.607 0.766 0.426 0.102 0.142 0.087

8 0 0 0.5 0 1 0.5 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

10 0 0 0.5 0.5 0 0 0.957 0.703 0.543 0.184 0.121 0.073

11 0 0 0.5 0.5 0 0.5 0.895 0.85 0.778 0.171 0.142 0.1

12 0 0 0.5 0.5 0 1 0.54 0.703 0.729 0.122 0.128 0.112

13 0 0 0.5 0.5 0.5 0 0.895 0.85 0.778 0.171 0.142 0.1

14 1 1 0.5 1 1 0 0.097 0.112 0.163 0.424 0.627 0.437

15 1 1 0.5 1 1 0.5 0.092 0.126 0.21 0.379 0.805 0.843

16 1 1 0.5 1 1 1 0.071 0.112 0.199 0.234 0.691 0.97

17 1 1 1 0 0 0 0.184 0.141 0.3 0.824 0.422 0.144

18 1 1 1 0 1 0.5 0.115 0.161 0.32 0.379 0.885 0.514

19 1 1 1 0 1 1 0.087 0.141 0.3 0.234 0.772 0.648

20 1 1 1 0.5 0 0 0.171 0.133 0.281 0.996 0.538 0.203

21 1 1 1 0.5 0 0.5 0.159 0.152 0.395 0.957 0.707 0.35

22 1 1 1 0.5 0 1 0.115 0.133 0.367 0.607 0.597 0.437

23 1 1 1 0.5 0.5 0 0.159 0.152 0.3 0.957 0.838 0.35

24 1 1 1 0.5 0.5 0.5 0.148 0.175 0.426 0.895 0.986 0.696

25 1 1 1 0.5 0.5 1 0.108 0.152 0.395 0.54 0.901 0.843

26 1 1 1 0.5 1 0 0.115 0.133 0.222 0.607 0.854 0.437

27 1 1 1 0.5 1 0.5 0.108 0.152 0.3 0.54 0.993 0.843

28 1 1 1 0.5 1 1 0.083 0.133 0.281 0.308 0.915 0.97

29 1 1 1 1 0 0 0.122 0.099 0.189 0.957 0.422 0.214

30 1 1 1 1 1 1 0.065 0.099 0.189 0.28 0.772 0.994

Selanjutnya akan digunakan algoritma pembelajaran backpropagation menggunakan parameter-parameter

sebagai berikut:



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:



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



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 2.6 menunjukan grafik koefisien korelasi antara target data input dengan output jaringan

pada kelas ke-4 pada pemilihan mobil. Grafik tersebut memmperlihatkan kesamaan antara target dan

output jaringan, hal ini diperlihatkan dengan nilai R=1


Gambar 2.7 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




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



∑ 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

Relevant Not Relevant

Retrieved A B

Not Retrieved C 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: P = TT2U ............................................................. (7)

sedangkan recall dapat dihitung dengan menggunakan rumus: Q = TT2V ............................................................ (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



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

Ke-

X Y Z P R F1 Akurasi

1 7 2 0 0.78 1 0.87 Tinggi

2 3 4 2 0.43 0.60 0.50 Rendah

3 6 1 1 0.86 0.86 0.86 Tinggi

4 5 1 0 0.83 1 0.90 Tinggi

5 6 2 0 0.75 1 0.86 Tinggi

6 6 2 0 0.75 1 0.86 Tinggi

7 10 2 1 0.83 0.91 0.87 Tinggi

8 5 1 0 0.83 1 0.91 Tinggi

9 10 2 1 0.83 0.91 0.87 Tinggi

10 5 0 0 1 1 1 Tinggi

11 5 1 0 0.83 1 0.91 Tinggi

12 3 1 1 0.75 0.75 0.75 Sedang

13 4 5 4 0.44 0.50 0.47 Rendah

14 9 1 1 0.90 0.89 0.89 Tinggi

15 3 4 2 0.43 0.60 0.50 Rendah

16 7 1 0 0.87 1 0.93 Tinggi

17 6 0 0 1 1 1 Tinggi

18 3 2 0 0.60 1 0.75 Sedang

19 7 4 2 0.64 0.78 0.70 Sedang

20 9 2 0 0.82 1 0.90 Tinggi

21 7 2 0 0.78 1 0.88 Tinggi

22 3 3 2 0.50 0.60 0.54 Rendah

23 5 1 0 0.83 1 0.91 Tinggi

24 4 1 0 0.80 1 0.89 Tinggi

25 7 5 2 0.58 0.78 0.66 Sedang

26 4 4 3 0.50 0.57 0.53 Rendah

27 7 2 0 0.78 1 0.88 Tinggi

28 6 1 1 0.86 0.86 0.86 Tinggi

29 3 2 1 0.60 0.75 0.67 Sedang

30 3 1 1 0.75 0.75 0.75 Sedang

31 7 4 2 0.64 0.78 0.70 Sedang

32 10 1 0 0.90 1 0.95 Tinggi

33 7 2 0 0.78 1 0.88 Tinggi

34 7 2 0 0.78 1 0.88 Tinggi

35 5 1 0 0.83 1 0.91 Tinggi

36 4 1 0 0.80 1 0.89 Tinggi

37 6 4 3 0.60 0.67 0.63 Sedang

38 9 2 0 0.82 1 0.90 Tinggi

39 7 2 0 0.78 1 0.88 Tinggi



40 6 1 1 0.86 0.86 0.86 Tinggi

41 5 1 0 0.83 1 0.91 Tinggi

42 4 1 0 0.80 1 0.89 Tinggi

43 6 6 1 0.50 0.85 0.63 Sedang

44 9 1 1 0.90 0.90 0.90 Tinggi

45 7 1 1 0.87 0.87 0.87 Tinggi

46 6 1 1 0.86 0.86 0.86 Tinggi

47 2 3 1 0.40 0.67 0.50 Rendah

48 2 2 1 0.50 0.67 0.57 Rendah

49 10 2 1 0.83 0.91 0.87 Tinggi

50 9 1 1 0.90 0.90 0.90 Tinggi

51 7 2 0 0.78 1 0.88 Tinggi

52 6 1 1 0.86 0.86 0.86 Tinggi

53 5 1 0 0.83 1 0.91 Tinggi

54 4 1 0 0.80 1 0.88 Tinggi

55 7 5 1 0.58 0.87 0.69 Sedang

56 9 2 0 0.82 1 0.90 Tinggi

57 7 1 1 0.87 0.87 0.87 Tinggi

58 7 1 0 0.87 1 0.93 Tinggi

59 6 0 0 1 1 1 Tinggi

60 4 1 0 0.80 1 0.89 Tinggi

61 7 3 3 0.70 0.70 0.70 Sedang

62 9 1 1 0.90 0.90 0.90 Tinggi

63 5 4 0 0.55 1 0.71 Sedang

64 6 2 0 0.75 1 0.86 Tinggi

65 4 3 2 0.57 0.67 0.61 Sedang

66 4 1 0 0.80 1 0.89 Tinggi

67 10 2 1 0.83 0.91 0.87 Tinggi

68 9 1 1 0.90 0.90 0.90 Tinggi

69 7 1 1 0.87 0.87 0.87 Tinggi

70 3 4 1 0.43 0.75 0.54 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



Tingkat akurasi sistem rekomendasi pembelian mobil dapat dilihat melalui diagram lingkaran dibawah ini :

Gambar 2.9: Tingkat akurasi sistem rekomendasi

5. KESIMPULAN Dari hasil penelitian, maka dapat diambil kesimpulan bahwa klasifikasi mobil berbasis metode neuro-

fuzzy 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.

Sedang

19%

Tinggi

70%

Rendah

11%

Akurasi Sistem Rekomendasi Pembelian

Mobil (F1)

Sedang

Tinggi

Rendah

Akurasi Rendah = 8 x 100% = 11%

70

Akurasi Sedang = 13 x 100% = 19%

70



[5] Kusumadewi. S dan Hartati. S (2006). Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf.

Yogyakarta: Graha Ilmu.

[6] Suyanto (2008). Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika.

[7] G. Castellano, A.M. Fanelli, M.A. Torsello (2008). “Recommendation rule extraction by a neuro-

fuzzy approach”, Eighth International Conference on Hybrid Intelligent Systems, pp. 758-763,

IEEE Computer Society.

[8] G. Setlak (2008). “The Fuzzy-Neuro Classifier For Decision Support, “International Journal

Information Theories & Applications”, Vol. 15, pp. 21-26.

[9] 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.

[10] 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.

[11] 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.

[12] Chengcui Zhang, Xin Chen, Wei-bang Chen (2006). “A PCA-based Vehicle Classification

Framework” Proceedings of the 22nd International Conference on Data Engineering Workshops,


[13] 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.

[14] 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.

[15] 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.

[16] 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.

[17] 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.

[18] 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,


[19] 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.

[20] Aniruddha Kembhavi, David Harwood and Larry S. Davis (2010). “Vehicle Detection using

Partial Least Squares”, IEEE Transactions On Pattern Analysis And Machine Intelligence, pp. 1-

15, IEEE Computer Society.

[21] 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.

[22] 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.



[23] A.N. Tossi, M. Kahani, R. Monsevi (2006). “Network Intrusion Detection Based on Neuro-Fuzzy

Classification“,Iran Telecommunication Research Center, IEEE Computer Society.

[24] 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.

[25] R. Benali, M.A. Chikh (2009). “Neuro-Fuzzy Classifier For Cardiac Arrythmias Recognition”,

Journal of Theoretical and Applied Information Technology, pp. 577-583.

[26] 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.

[27] Kusumadewi. S (2006). “Fuzzy Backpropagation untuk klasifikasi pola”, Seminar Nasional

Aplikasi Teknologi Informasi, pp.37-41, Yogyakarta.

[28] 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.

[29] 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.

[30] 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.

[31] Departemen Of Health and Human Services (2008). Data Collection Methods for Program

Evaluation: Questionnaires.

[32] Jonathan L. Herlocker (2004). “Evaluating Collaborative Filtering Recommender Systems”, ACM

Transactions on Information Systems, Vol. 22, No. 1, pp. 5–53.

Vol 07.2 117-138

Documents

Transcript of Vol 07.2 117-138