analisis kinerja algoritma clustering fuzzy tsukamoto

90

ANALISIS KINERJA ALGORITMA CLUSTERING FUZZYTSUKAMOTO DENGAN FUZZY C-MEANS

Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3

Magister Teknik Informatika, Universitas Sumatera UtaraJl. Universitas No.9A Kampus USU, Medan, Sumatera Utara-Indonesia

[email protected], [email protected] , [email protected]

Abstract— Efforts to evaluate employees in the work is to assess the performance of eachemployee. For it has been formulated assessment is based upon work objectives according tothe position or job title, and by weighting against six indicators into three groups. The numberof data values and indicators to be used will certainly lead to difficulties in implementation, noteffective and less objective. Therefore we need a clustering process more optimal assessment.This study aims to analyze the performance of FCM algorithm implemented on employeeperformance evaluation PT. Bank Syariah Mandiri into 3 clusters. Some of the steps that mustbe performed before clustering, first performed pretreatment, namely data cleaning and datatransformation for further clustering using the algorithm. The results of the calculations usedto analyze the performance of the algorithm with FCM Tsukamoto. Compatibility calculationvalue data by Tsukamoto algorithm is pretty good and for the FCM algorithm is Very Good. FCMalgorithm can be used in the assessment of grouping data based on the three criteria ofassessment.

Abstrak— Upaya untuk mengevaluasi pegawai dalam bekerja adalah dengan melakukanpenilaian kinerja setiap pegawai. Untuk itu telah dirumuskan penilaian dilakukan berdasarkansasaran kerja sesuai posisi ataupun jabatan dan dengan melakukan pembobotan terhadap 6indikator ke dalam 3 kelompok. Banyaknya data nilai dan indikator yang harus digunakantentunya akan menimbulkan kesulitan dalam pelaksanaannya, tidak efektif dan kurangobyektif. Oleh karena itu diperlukan proses clustering penilaian yang lebih optimal. Penelitianini bertujuan untuk menganalisis kinerja algoritma FCM yang diimplementasikan padapenilaian kinerja pegawai PT. Bank Syariah Mandiri menjadi 3 cluster. Beberapa tahapan yangharus dilakukan sebelum dilakukan clustering, terlebih dahulu dilakukan prapengolahan yaitudata cleaning dan data transformation untuk selanjutnya dilakukan clustering menggunakanalgoritma tersebut. Hasil perhitungan digunakan untuk menganalisa kinerja algoritmaTsukamoto dengan FCM. Kesesuaian hasil perhitungan data nilai dengan algoritma Tsukamotoadalah cukup Baik dan untuk algoritma FCM adalah Sangat Baik. Algoritma FCM dapatdigunakan pada pengelompokan data penilaian berdasarkan ketiga kriteria penilaian.

Keywords— Clustering, Assessment, Fuzzy C-Means, Tsukamoto.

I. PENDAHULUANFuzzy Clustering adalah salah satu teknik untuk

menentukan cluster yang optimal dalam suatu ruangvector yang didasarkan pada bentuk normal euclidianuntuk jarak antar vector. Fuzzy clustering sangatberguna bagi pemodelan fuzzy terutama dalammengidentifikasi aturan-aturan fuzzy[1]. Pemilihanmetode atau algoritma sangat berguna pada tujuan danproses pengelompokan nilai secara keseluruhan. Fuzzyclustering model C-means mampu mengklaster datanilai terbaik. Hasil clustering ini dibuat untukmengelompokkan nilai yang terbaik[2]. Salah satuproses Clustering ini adalah pengelompokan nilaipegawai dari beberapa atribut.

Pengelompokan nilai pegawai merupakan salahsatu teknik untuk menentukan pegawai yangberprestasi berdasarkan sasaran kerja (Tugas Utama),Kompetensi dan Kepatuhan sebagai seorangpegawai[3]. Pengelompokan ini memberikan

kemudahan dalam penilaian pegawai yang diinginkan.Pengelompokan nilai yang dilakukan akan memberikemudahan bagi perusahaan untuk mencari pegawaiyang masuk ke dalam kelas nilai terbaik.

Data Penilaian yang telah dikelompokkan akantersusun rapi sesuai dengan kemiripan nilai tersebut.Nilai yang akan dikelompokkan dalam prosespengelompokan ini adalah nilai derajat keanggotaanyang menjadi ciri utama dalam penalaran denganlogika fuzzy tersebut[4].

Pengelompokan ini dikelompokkan menggunakanmetode Fuzzy C-Means clustering dan Tsukamoto.Metode Tsukamoto merupakan teknik aturan yangmembentuk suatu himpunan samar dengan fungsikeanggotaan yang menghasilkan nilai rata-ratahimpunan. Sedangkan Konsep Fuzzy C-Means adalahpengklasteran data yang dilakukan yaitu denganmenentukan pusat cluster yang akan menandai lokasirata-rata untuk tiap cluster. Pada kondisi awal pusatcluster masih belum akurat. Agar pusat cluster

InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600Vol 1, No 2, Maret 2017 p-ISSN : 2540-7597

91

semakin akurat maka dibutuhkan perbaikan pusatcluster secara berulang-ulang hingga pusat clusterakan berada pada titik yang tepat. Setiap data akanmemiliki derajat keanggotaan untuk tiap-tiap cluster[5]. Untuk memperoleh derajat keanggotaan yang tepatdibutuhkan perbaikan nilai keanggotaan sehingga dataakan menempati cluster yang tepat.

Penilaian kinerja (Performance Appraisal) adalahproses mengevaluasi seberapa baik pegawaimelakukan pekerjaan mereka jika dibandingkandengan seperangkat standart, dan kemudianmengkomunikasikan informasi tersebut kepadapegawai. Penilaian kinerjajuga disebut pemeringkatanpegawai, evaluasi pegawai, tinjauan kerja, evaluasikinerja dan penilaian hasil[6].

Pengelompokan ini dilakukan dengan menganalisakinerja dari dua metode tersebut. Parameter yangdigunakan untuk analisis kinerja metode tersebutadalah Tsukamoto dan C-Means. Tsukamotomenghitung nilai rata-rata dengan aturan rule yangmenghasilkan pusat claster secara random[7]. Setelahitu dilakukan perhitungan secara berulang-ulang(iterasi) dalam satu klaster.

II. METODOLOGI PENELITIANPenelitian ini dilakukan di PT. Bank Syariah

Mandiri kota Pematangsiantar Provinsi SumateraUtara. dimulai Agustus 2016 sampai Januari 2017.Identifikasi data dilakukan untuk menganalisis kinerjaalgoritma model Tsukamoto untuk menghitung nilaidengan aturan rule dan inferensi sebagai bilanganrandom dan dengan model c-means untukmengklastering nilai atau bilangan random dilakukandengan cara berulang-ulang (tahap iterasi), lalu prosesclustering nilai pegawai tersebut, dilakukanberdasarkan aturan dari algoritma c-means denganmenentukan parameter derajat keanggotaan untukmencapai pusat cluster dan akan menghasilkan nilaimatriks yang baru. Proses perhitungan pusat clusterakan berhenti saat nilai error telah ditemukan, denganbatas nilai ξ = 0,0001 dan maksimal Iterasi = 50, danCek kondisi Berhenti dengan Jika: (|Pt – Pt – 1 |< )atau (t > maxlter) maka berhenti atau : t=t+1, ulangiiterasi ke -5.

Pengolahan dan analisis data dilakukan denganperhitungan model Tsukamoto yang hasil fuzzifikasi-nya akan diekstrak kedalam model Fuzzy c-meanssebagai data random berupa matriks U untuk diclusterdengan maksimal iterasi 30.

III. HASIL DAN PEMBAHASANA. Pengujian Algoritma C-Means

Proses Pengelompokan data, yang dilakukanselanjutnya menggunakan hasil inferensi fuzzifikasisebelumnya, dimana proses cluster dapat dilakukandengan tahap pertahap yaitu:

1. Proses input data dilakukan untuk membangkitkanbilangan acak (random) sebagai data awal, sepertipada tabel 1 berikut:

TABEL IDATA INPUT MODEL C-MEANS

Tabel diatas merupakan data input penilaian.Setelah kriteria dicocokkan maka diperoleh hasil nilaiuntuk mendapatkan bobot penilaian

2. Proses Cleaning Data Cleaning data adalah prosespengecekan data untuk penetapan dan pemulihandata yang hilang, dengan nilai-nilai tidakterdefinisi, sedangkan pemulihan data yang hilangadalah nilai dari suatu variabel yang tidakdiketahui, sehingga nilai yang value tersebut tidakdapat digunakan.

TABEL IIPROSES PENENTUAN PARAMETER AWAL

Setelah menetapkan nilai parameter awal, datasiap untuk diklaster lalu dilakukan prosesclustering menggunakan algoritma clusteringfuzzy c-means, yaitu dengan melakukan tahap-tahap sebagai berikut:


92

a) Bangkitkan nilai acakNilai acak atau nilai random yaitu µik, i=26;k=1; sebagai elemen-elemen matriks partisiawal (U). Matriks partisi awal (u) dilakukansecara random dengan batas 0 hingga 1,Matriks partisi awal yaitu sebagai berikut.

U=

b) Pengujian pusat clusterPengujian nilai pusat cluster dihitung denganmenggunakan persamaan berikut:

Vkj =

Dimana : Vkj adalah titik pusat tiap cluster,jumlah Vkj tergantung dari berapa clusteryang akan dibentuk dan n ialah jumlahpegawai.

c) Menghitung fungsi obyektifMenghitung proses perubahan matriks padaiterasi pertama dihitung dengan persamaanberikut:

d) Menghitung Perubahan Matrisk iterasi 1Menghitung proses perubahan matriks padaiterasi pertama dihitung dengan persamaanberikut :

=

Selanjutnya melakukan pengecekan kondisiberhenti. Karena |P1 – P0| = |58,36145429 -0| =58,36145429 > ξ (10-5 ), dan iterasi = 1<MaxItr(=20), maka dilanjutkan ke iterasi ke-2 (t=2).Pada iterasi ke-2, diperoleh kembali pusat clustersebagai berikut:

V= [73,28623619]

Fungsi objektif pada iterasi ke-2 P2 diperolehP2 = 73,28623619 . selanjutnya matriks partisiU setelah diperbaiki diperoleh kondisiberhenti. Karena |P2-P1| = | 73,28623619 -58,36145429|= 14,9247819 > ξ (10-5 ), daniterasi = 2 < MaxIter (=30), maka prosesdilanjutkan ke iterasi ke-3 (t=3). Demikianseterusnya, hingga : |Pt - Pt-1 | < ξ atau t >MaxIter. Untuk contoh kasus ini, proses akanberhenti setelah iterasi ke-24 dengan pusatcluster sebagai berikut:

V = [78,00002597 ]

TABEL IIIHASIL PERUBAHAN MATRIKS PADA ITERASI TERAKHIR

Dari matriks partisi U tersebut dapat diperolehinformasi mengenaii kecendrungan suatu nilai umtukmasuk ke kelompok (cluster) yang mana. Suatu nilaiderajat keanggotaan tertentu untuk menjadi anggotasuatu kelompok. Derajat keanggotaan terbesarmenunjukkan kecendrungan tertinggi suatu nilaikeanggotaan tiap pegawai.


93

TABEL IVHASIL PROSES PERHITUNGAN DERAJAT KEANGGOTAAN

TIAP DATA PADA SETIAP CLUSTER

Dengan mengurutkan pusat cluster dapatmenampilkan bahwa cluster ke-3 merupakan pusatcluster terbesar (cluster yang akan mendapat nilai A)dan selanjutnya yaitu cluster ke-4 (nilai B), danseterusnya. Berikut ini merupakan nilai yang diperolehsetelah data dikelompokkan dengan FCM (Fuzzy C-Means).

TABEL VHASIL PENGELOMPOKAN NILAI

Berdasarkan tabel diatas dapat diketahui bahwa cluster1 memiliki matriks input (total nilai) antara 0,9 sampai1,76. Cluster 2 memiliki matriks input (total nilai)antara 0,8 sampai 0,9. Cluster 3 memiliki matriks input(total nilai) antara 0,7 sampai 0,8. Cluster ke 4memiliki matriks input (total nilai) 0,6 sampai 0,7.Cluster 5 memiliki matriks input (total nilai) 0,5sampai 0,4. Cluster 6 memiliki matriks input (totalnilai) 0,4 sampai 0,1.

Berdasarkan pengujian yang telah dilakukan dapatdiambil kesimpulan, yaitu sebagai berikut:

1. Pengujian Fuzzy C-Means telah dilakukansebanyak 23 kali pengujian (iterasi)membeikan hasil bahwa sistem mampumengklasifikasikan nilai pegawai denganhasil nilai akhir diurutkan berdasarkan pusatcluster. Akan tetapi sistem tidak mampumengelompokkan pegawai ketika datadikelompokkan merupakan data yang sama(tidak memiliki rentang nilai)

2. Pengujian berdasarkan metode Tsukamotomemberikan hasil keluaran sistem tidaksesuai yang diharapkan yaitu dapatmemberikan kelompok pegawai yangmemiliki nilai sesuai dengan jumlahkelompok yang diharapkan.

3. Pengujian berdasarkan model Tsukamoto danC-Means, dari segi implementasi dan segialgoritma, sistem ini sudah dikatakan layakdigunakan dalam pengklasifikasian pegawaiberdasarkan kinerja.

IV. HASIL DAN PEMBAHASANKesimpulan yang dapat diambil dari hasil

clustering pada data penilaian menggunakan metodefuzzy c-means antara lain :1. Fuzzy C-Means tidak mengelompokkan data jika

data memiliki total nilai yang sama. Dengandemikian Fuzzy C-Means hanya mampumengelompokkan data yang total nilainyamemiliki rentang nilai.

2. Pada Fuzzy C-Means, pengelompokan data dapatmenghasilkan kelompok pegawai yang standartpenilaiannya bersifat dinamis.

3. Hasil klasifikasi berdasarkan kinerja Tsukamotodan FCM telah berhasil dibangun untukmenghasilkan kelompok sesuai dengan jumlahkelompok yang diinginkan.

REFERENCE[1] Kusumadewi, S.and Purnomo, H. 2010. Aplikasi Logika Fuzzy

Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta.[2] Hamzah, Amir, et al. "Studi kinerja fungsi-fungsi jarak dan

similaritas dalam clustering dokumen teks berbahasaindonesia." Seminar Nasional Informatika (SEMNASIF). Vol.1. No. 1. 2015.


94

[3] Koesmono, H. Teman. "Pengaruh budaya organisasi terhadapmotivasi dan kepuasan kerja serta kinerja karyawan pada subsektor industri pengolahan kayu skala menengah di jawatimur." Jurnal Manajemen dan Kewirausahaan (Journal ofManagement and Entrepreneurship) 7.2 (2006): pp-171.

[4] Suprihanto. J. (2006) Penilaian Kinerja dan Pengembangankaryawan. Yogyakarta: BPFE UGM.

[5] Luthfi, Emha Taufiq. "Fuzzy C-Means untuk Clustering Data(studi kasus: data performance mengajar dosen)." ProsidingSeminar Nasional Teknologi, Yogyakarta. 2007.

[6] A Wisnujati, Inu. "Pembentukan sistem inferensi fuzzymamdani dengan fuzzy C-means untuk data mahasiswa baruIPB tahun 2000-2004." (2006).

[7] Kaswidjanti, Wilis. "Implementasi Fuzzy Inference SystemMetode Tsukamoto Pada Pengambilan Keputusan PemberianKredit Pemilikan Rumah." Telematika 10.2 (2014).

analisis kinerja algoritma clustering fuzzy tsukamoto

Documents