bab ii kajian pustaka 2.1 state of the art ii.pdf12 ini peneliti menggunakan menggunakan index xie...
TRANSCRIPT
` 11
BAB II
KAJIAN PUSTAKA
2.1 State of the art
State of The Art merupakan pencapaian tertinggi dari sebuah proses
pengembangan sebuah penelitian. Penerapan Kombinasi Fuzzy C-Means dan
ELECTRE (Ellimination and Choice Translation Reality)untuk menentukan
golongan UKT mahasiswa baru belum pernah ada yang melakukan penelitian ini
sebelumnya. Berikut ini adalah beberapa penelitian tentang FCM, ELECTRE ataupu
metode kombinasi clustering dan MADM lainnya.
Penelitian PerbandinganMetode Fuzzy C-Means Clustering Dan Fuzzy C-
Shell Clustering�(Studi Kasus: Kabupaten/Kota Di Pulau Jawa Berdasarkan Variabel
Pembentuk Indeks Pembangunan Manusia) yang dilakukan oleh Agus Widodo dan
Purhadi(2013),dalam penelitian ini ditemukan hasil dengan pembandingan
berdasarkan fungsi objektif, indeks validitas dan waktu komputasinya, didapatkan
bahwa metode FCM merupakan metode terbaik untuk digunakan dengan jumlah
kelompok yang optimum adalah enam kelompok.
Pemilihan Cluster Optimum Pada Fuzzy C-Means(Studi Kasus:
Kabupaten/Kota Di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks
Pembangunan Manusia) yang dilakukan oleh Sarita Budiyani Purnamasari
dkk.(2014) melanjutkan penelitian Agus Widodo dan Purhadi(2013) dalam penelitian
12
ini peneliti menggunakan menggunakan Index Xie Beni untuk menemukancluster
terbaik dari cluster lain yang sudah ditemukan dengan metode FCM.
Penelitian selanjutnya yaitu Segmentasi PelangganPLN Menggunakan Fuzzy
Klustering Short Time Series(2014) yang dilakukan oleh Maria Titah Jatipaningrum,
dari penelitian ini peneliti melakukan modifikasi terhadap FCM dengan
menambahkan Short Time Seriesuntuk menghitung jarak antar data. Hasil akhir
menggunakan index Xie Beni untuk menentukan jumlah cluster yang optimum untuk
segmentasi pelanggan PLN.
Annas Syaiful Rizal dan R.B Fajriya Hakim (2015) melanjutkan
penelitianSarita Budiyani Purnamasari dkk.(2014) dengan judul penelitian Metode K-
Means Cluster dan Fuzzy C-Means Cluster (Studi Kasus: Indeks Pembangunan
Manusia di Kawasan Indonesia Timur tahun 2012), mendapatkan hasil yang
menunjukkan pengelopokkan dengan FCM mendapatkan hasil yang lebih baik jika
dibandingkan K-Meanskarena FCM menghasilkan rasio Sw/Sb yang lebih kecil
dibandingkan metode K Means.
Selanjutnya, Aidina Ristyawan dkk.(2015) melakukan penelitiandengan judul
Pemanfaatan Algoritma FCM dalam Pengelompokan Kinerja Akademik
Mahasiswadi tahun 2015, dalam penelitian ini peneliti mengelompokkan mahasiswa
berdasarkan keahlian matakuliah yang terlihat dari nilai mahasiswa dan keahlian
berdasarkan keahlian yang terlihat dari SAP mahasiswa. Sehingga hasil dari
penelitian ini dapat digunakan untuk melihat posisi atau keadaan kinerja akademik
mahasiswa, dan dapat pula dikembangkan sebagai dasar pertimbangan dalam
memilih profesi mahasiswa.
13
Penelitian yang berkaitan dengan MADM ELECTRE berjudul Decision
Support System for the Selection of Courses in the Higher Education using the
Method of Elimination Et Choix Tranduit La Realite yang dilakukan oleh Made
Sudarma dkk.(2015), penelitian ini membahas tentang penggunaan metode
ELECTRE dalam sistem pengambilan keputusan untuk pemilihan jurusan di
universitas bagi calon mahasiswa yang masih berada dibangku sekolah mengah atas,
dimana variable yang digunakan sebagai penentuannya dibagi menjadi dua yaitu
kemampuan akademik yang terdiri dari : rata-rata nilai bahasa dan sastra Indonesia,
bahasa inggris, matematika, bahasa asing, antropologi, computer sains, dari nilai
raport kelas X semester 1 sampai kelas XII semester 2 dan kemampuan ekonomi dari
siswa yang bersangkutan untuk membayar biaya perkuliahan persemester. Hasil dari
penelitian ini dapat memberikan masukan bagi calon siswa yang ingin memilih
jurusan di universitas sesuai kemampuan akademik dan ekonominya.
Penelitian selanjutnya berjudul A Comprehensive Solution To Automated
Inspection Device Selection Problems Using ELECTRE Methods yang dilakukan oleh
Prasenjit Chatterjee dkk.(2014), penelitian ini bertujuan untuk mengurangi cost dalam
melakukan inspeksi/pengecekkan hasil akhir dari produk manufaktur dengan
menggunakan metode ELECTRE, dan dari hasil penelitian ini peneliti berhasil
mengurangi cost dan human error terhadap pengecekkan barang yang telah jadi di
perusahaan manufaktur.
Penggunaan metode ELECTRE lainnya dilakukan oleh Heri Anggiat
Tambunan (2014) dengan judul penelitian Sistem Pendukung Keputusan Pemilihan
Siswa Berprestasi Dengan Metode Electre (Studi Kasus : SMA Parulian 2 Medan),
14
dalam penelitian ini peneliti merancang suatu sistem pendukung keputusan yang
membantu panitia penerimaan siswa baru kelas unggulan untuk menyeleksi siswa
yang berprestasi berdasarkan beberapa kriteria diantarnya nilai tes Matematika,
Bahasa Indonesia, Bahasa Inggris dan Wawancara.
Penelitian berjudul Electre methods in solving groupDecision support system
Bioinformatics on gene mutation Detection simulation yang dilakukan oleh Ermatita,
Sri Hartati dkk.(2011), penelitian ini menggunakan metode ELECTRE dalam
melakukan analisis dengan mensimulasikan mutasi gen dengan menggunakan
MATLAB untuk memberikan hasil sebagai sistem pendukung keputusan berdasarkan
kriteria-kriteria yang diberikan oleh para pakar untuk mempercepat pembuatan
keputusan atau meningkatkan kualitas keputusan ataupun kedunya apakah gen yang
bermutasi dapat menyebabkan seseorang mengidap penyakit cancer ataukah tidak.
Modifikasi terhadap metode ELECTRE dengan menggunakan fuzzy juga
dilakukan oleh Adel Hatami-Marbini dkk.(2013) dengan judul penelitian fuzzy group
Electre method for safety and health assessment in hazardouswaste recycling
facilities. Dalam penelitian peneliti mengumpulkan data dari hasil penilaian
kemudian peneliti membuat suatu framework menggunakan metode Fuzzy group
ELECTRE untuk penilaian di fasilitas daur ulang limbah berbahaya sehingga
kedepannya untuk menentukan apakah suatu fasilitas daur ulang limbah berbahaya
mempunyai standar keselamatan dan kesehatan yang sesuai dapat menggunakan
framework yang telah dibuat oleh peneliti.
Pengkombinasian FCM dengan beberapa motode khususnya MADM
dilakukan oleh OmarLópez-Ortega dan Marco-Antonio Rosales (2011) dengan judul
15
An agent-oriented decision support system combining fuzzy clustering and the AHP
dilakukan oleh. Penelitian ini dilakukan untuk membuat suatu system pendukung
keputusan untuk top management dengan menggunakan kombinasi metode fuzzy c-
means clustering dan AHP untuk membantu evaluasi kinerja karyawan suatu
perusahaan apakah memenuhi kriteria sesuai yang ditetapkan oleh perusahaan atau
tidak.
Penelitian Tri Sandhika Jaya dkk.(2011) tentang Sistem Pemilihan Perumahan
dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive
Weighting, menggunakan metode FCM sebagai metode untuk menentukan cluster
terbaik dari jenis perumahan yang akan dipilih oleh user dengan beberapa kriteria
yang telah ditentukan, selanjutnya hasil cluster tersebut akan dirangking untuk
mendapatkan tipe rumah yang paling baik sesuai dengan kebutuhan.
Sementara itu, penelitian yang dilakukan oleh Harliana dan Azhari SN (2012)
tentang Penerapan FCM dan TSK Untuk Penentuan Cluster Rawan Pangan di
Kabupaten Cirebon menggabungkan FCM untuk mengelompokkan daerah rawan
pangan dan tahan pangan serta metode Takagi Sugeno Kang (TSK) sebagai rulebase
dalam pemberian rekomendasi bantuannya. Penggunaan kombinasi FCM tidak hanya
digunakan untuk DSS namun juga digunakan dalam Penerapan Segmentasi Citra
Geografis yang dilakukan oleh Herditomo dkk.(2014) dengan menggunakan Metode
Hybrid Fuzzy C-Means dan Particle Swarm Optimization (FCM - PSO)
Berdasarkan pemaparan penelitian sebelumnya mengenai sistem pendukung
keputusan yang menggunakan clustering dan MADM maka penelitian ini mempunyai
suatu nilai kebaharuan dan belum dilakukan penelitian terhadap penggunaan metode
16
dan masalah ini sebelumnya dimana metode yang digunakan untuk sistem pendukung
keputusan dalam menentukan UKT mahasiswa menggunakan kombinasi metode
FCM clustering dan ELECTRE sebagai metode perangkingan untuk mendapatkan
hasil yang lebih ideal.
Tabel 2.1 State Of The Art
No Jurnal
( Penulis, Judul, Publikasi)
Variabel dan indikator penelitian
FCM Metode
Clustering lainnya
ELECTRE Metode MADM lainnya
Metode Hybrid
(Clustering + MADM)
1
Agus Widodo1, Purhadi2,“Perbandingan Metode Fuzzy C-Means Clustering Dan Fuzzy C-Shell Clustering�(Studi Kasus: Kabupaten/Kota Di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks Pembangunan Manusia)” IndoMS Journal on Statistics Vol. 1, No. 2 (2013), Page. 61-71.
√ √ - - -
2
Sarita Budiyani Purnamasari1, Hasbi Yasin2, Triastuti Wuryandari3 “Pemilihan Cluster Optimum Pada Fuzzy C-Means (Studi Kasus: Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah Berdasarkan Indikator Indeks Pembangunan Manusia) “JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 491 - 498
√ - - - -
3
Maria Titah Jatipaningrum1,”Segmentasi Pelanggan PLN Menggunakan Fuzzy Klustering Short Time Series” Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST)2014 ISSN: 1979-911X Yogyakarta, 15 November
√ - - - -
17
2014
4
Annas Syaiful Rizal1, R.B Fajriya Hakim2, “Metode K-Means Cluster Dan Fuzzy C-Means Cluster(Studi Kasus: Indeks Pembangunan Manusia di Kawasan Indonesia Timur tahun 2012)” Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015 ISBN : 978.602.361.002.0
√ √ - - -
5
Aidina Ristyawan1, Kusrini2, Andi Sunyoto3, “Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa”Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 – 10 Oktober 2015
√ - - - -
6
Made Sudarma1, Anak Agung Kompiang Oka Sudana2, Irwansyah Cahya3,”Decision Support System for the Selection of Courses in the Higher Education using the Method of Elimination Et Choix Tranduit La Realite”. International Journal of Electrical and Computer Engineering”(IJECE) Vol. 5, No. 1, February 2015, pp. 129~135 ISSN: 2088-8708
- - √ - -
7
Prasenjit Chatterjee, Suprakash Mondal, Shankar Chakraborty., “Comprehensive Solution To Automated Inspection Device Selection Problems Using ELECTRE Methods”. International Journal of Technology (2014) 2: 193-208
- - √ - -
8
Heri Anggiat Tambunan1”Sistem Pendukung Keputusan Pemilihan Siswa Berprestasi Dengan Metode
- - √ - -
18
ELECTRE (Studi Kasus : SMA Parulian 2 Medan)” Pelita Informatika Budi Darma, Volume : VII, Nomor: 2, Agustus 2014 ISSN : 2301-9425
9
Ermatita *1, Sri Hartati*2, Retantyo Wardoyo*2, Agus Harjoko*2,. “Electre methods in solving group Decision support system Bioinformatics on gene mutation Detection simulation”. International Journal of Computer Science & Information Technology (IJCSIT), Vol 3, No 1, Feb 2011
- - √ - -
10
Adel Hatami-Marbini, Madjid Tavana, Masoumeh Moradi and Fatemeh Kangi., “A fuzzy group Electre method for safety and health assessment in hazardous waste recycling facilities”.Safety Science 51 (2013) 414–426
- - √ - -
11
Omar López-Ortega and Marco-Antonio Rosales., “An agent-oriented decision support system combining fuzzy clustering and the AHP”.
- √ - √ √
12
Tri Sandhika Jaya1 , Kusworo Adi2, Beta Noranita3,”Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting”Jurnal Sistem Informasi Bisnis 03(2011)
√ - - √ √
13
Harliana1, Azhari SN2, “Penerapan FCM dan TSK Untuk Penentuan Cluster Rawan Pangan di Kabupaten Cirebon”, IJCCS, Vol.6, No.2, July 2012, pp. 1~10 ISSN: 1978-1520
√ - - - -
19
14
Herditomo1, Sunaryo2, dan Agus Naba3, “ Penerapan Metode Hybrid Fuzzy C-Means dan Particle Swarm Optimization (FCM - PSO) untuk Segmentasi Citra Geografis” Jurnal EECCIS Vol. 8, No. 1, Juni 2014
√ - - - -
15
Penelitian Ini: Penerapan Kombinasi Fuzzy C-Means dan Electre (Ellimination And Choice Translation Reality) untuk Sistem Pendukung Keputusan Penentuan Besar Uang Kuliah Tunggal Mahasiswa Baru
√ - √ - √
2.2 Sistem Pendukung Keputusan (SPK)
Sistem Pendukung Keputusan merupakan Sistem berbasis komputer yang
interaktif, yang membantu pengambil keputusan denganmemanfaatkan data dan
model untuk menyelesaikan masalah-masalah yang tak terstruktur (Surbakti,
2002).Ada yang mendefinisikan bahwa sistem pendukung keputusan merupakan
suatu pendekatan untuk mendukung pengambilan keputusan.Sistem pendukung
keputusan menggunakan data, memberikan antarmuka pengguna yang mudah, dan
dapat menggabungkan pemikiran pengambil keputusan (Turban, 2005).
2.2.1 Karakteristik dan Kemampuan Sistem Pendukung Keputusan (SPK)
Di bawah ini adalah karakteristik dan kemampuan ideal dari suatu SPK (Surbakti,
2002) :
20
Gambar 2.1 Karakteristik Sistem Pendukung Keputusan (Surbakti, 2002)
Keterangan :
1. SPK menyediakan dukungan bagi pengambil keputusan utamanya pada situasi
semi terstruktur dan tak terstruktur dengan memadukan pertimbangan
manusia dan informasi terkomputerisasi. Berbagai masalah tak dapat
diselesaikan (atau tak dapat diselesaikan secara memuaskan) oleh sistem
terkomputerisasi lain, seperti Electronic Data Processing atau Management
Information System, tidak juga dengan metode atau tool kuantitatif standar.
2. Dukungan disediakan untuk berbagai level manajerial yang berbeda, mulai
dari pimpinan puncak sampai manajer lapangan.
3. Dukungan disediakan bagi individu dan juga bagi grup. Berbagai masalah
organisasional melibatkan pengambilan keputusan dari orang dalam grup.
21
Untuk masalah yang strukturnya lebih sedikit seringkali hanya membutuhkan
keterlibatan beberapa individu dari departemen dan level organisasi yang
berbeda.
4. SPK menyediakan dukungan ke berbagai keputusan yang berurutan atau
saling berkaitan.
5. SPK mendukung berbagai fase proses pengambilan keputusan: intelligence,
design, choice dan implementation.
6. SPK mendukung berbagai proses pengambilan keputusan dan style yang
berbeda-beda; ada kesesuaian diantara SPK dan atribut pengambil keputusan
individu (contohnya vocabulary dan style keputusan).
7. SPK selalu bisa beradaptasi sepanjang masa. Pengambil keputusan harus
reaktif, mampu mengatasi perubahan kondisi secepatnya dan beradaptasi
untuk membuat SPK selalu bisa menangani perubahan ini. SPK adalah
fleksibel, sehingga user dapat menambahkan, menghapus,
mengkombinasikan, mengubah, atau mengatur kembali elemen-elemen dasar
(menyediakan respon cepat pada situasi yang tak diharapkan). Kemampuan
ini memberikan analisis yang tepat waktu dan cepat setiap saat.
8. SPK mudah untuk digunakan. User harus merasa nyaman dengan sistem ini.
User-friendliness, fleksibelitas, dukungan grafis terbaik, dan antarmuka
bahasa yang sesuai dengan bahasa manusia dapat meningkatkan efektivitas
SPK. Kemudahan penggunaan ini diimplikasikan pada mode yang interaktif.
22
9. SPK mencoba untuk meningkatkan efektivitas dari pengambilan keputusan
(akurasi, jangka waktu, kualitas), lebih daripada efisiensi yang bisa diperoleh
(biaya membuat keputusan, termasuk biaya penggunaan komputer).
10. Pengambil keputusan memiliki kontrol menyeluruh terhadap semua langkah
proses pengambilan keputusan dalam menyelesaikan masalah. SPK secara
khusus ditujukan untuk mendukung dan tak menggantikan pengambil
keputusan. Pengambil keputusan dapat menindaklanjuti rekomendasi
komputer sembarang waktu dalam proses dengan tambahan pendapat pribadi
atau pun tidak.
11. SPK mengarah pada pembelajaran, yaitu mengarah pada kebutuhan baru dan
penyempurnaan sistem, yang mengarah pada pembelajaran tambahan, dan
begitu selanjutnya dalam proses pengembangan dan peningkatan SPK secara
berkelanjutan.
12. User harus mampu menyusun sendiri sistem yang sederhana. Sistem yang
lebih besar dapat dibangun dalam organisasi user tadi dengan melibatkan
sedikit saja bantuan dari spesialis di bidang Information Systems (IS).
13. SPK biasanya mendayagunakan berbagai model (standar atau sesuai
keinginan user) dalam menganalisis berbagai keputusan. Kemampuan
pemodelan ini menjadikan percobaan yang dilakukan dapat dilakukan pada
berbagai konfigurasi yang berbeda. Berbagai percobaan tersebut lebih lanjut
akan memberikan pandangan dan pembelajaran baru.
14. SPK dalam tingkat lanjut dilengkapi dengan komponen knowledge yang bisa
memberikan solusi yang efisien dan efektif dari berbagai masalah yang pelik.
23
2.2.2 Komponen Sistem Pendukung Keputusan
Sistem pendukung keputusan memiliki 4 komponen yaitu (Surbakti, 2002) :
1. Data Management. Termasuk database, yang mengandung data yang relevan
untuk berbagai situasi dan diatur oleh software yang disebut Database
Management Systems (DBMS).
2. Model Management. Melibatkan model finansial, statistikal, management
science, atau berbagai model kuantitatif lainnya, sehingga dapat memberikan
ke sistem suatu kemampuan analitis, dan manajemen software yang
diperlukan.
3. Communication (dialog subsystem). User dapat berkomunikasi dan
memberikan perintah pada SPK melalui subsistem ini. Ini berarti
menyediakan antarmuka.
4. Knowledge Management. Subsistem optional ini dapat mendukung subsistem
lain atau bertindak sebagai komponen yang berdiri sendiri.
24
Gambar 2.2 Desain Konseptual Sistem Pendukung Keputusan (Surbakti, 2002)
2.2.3 Keuntungan Sistem Pendukung Keputusan
Keuntungan yang akan didapat adalah sebagai berikut (Surbakti, 2002) :
1. Mampu mendukung pencarian solusi dari masalah yang kompleks.
2. Respon cepat pada situasi yang tak diharapkan dalam kondisi yang berubah-
ubah.
3. Mampu untuk menerapkan berbagai strategi yang berbeda pada konfigurasi
berbeda secara cepat dan tepat.
4. Pandangan dan pembelajaran baru.
5. Memfasilitasi komunikasi.
6. Meningkatkan kontrol manajemen dan kinerja.
7. Menghemat biaya.
25
8. Keputusannya lebih tepat.
9. Meningkatkan efektivitas manajerial, menjadikan manajer dapat bekerja lebih
singkat dan dengan sedikit usaha.
10. Meningkatkan produktivitas analisis.
2.3 Uang Kuliah Tunggal (UKT)
Dasar hukum penentuan uang kuliah tunggal (UKT) mahasiswa:
1. Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi
(Lembaran Negara Republik Indonesia Tahun 2012 Nomor 158, Tambahan
Lembaran Negara Republik Indonesia Nomor 5336);
2. Peraturan Menteri Pendidikan dan Kebudayaan Republik Indonesia
No.55tahun 2013, tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal
padaPerguruan Tinggi Negeri di Lingkungan Kementerian Pendidikan dan
Kebudayaan
Hakekat dari UKT adalah guna meringankan beban mahasiswa terhadap
pembiayaanpendidikan, oleh karena itu pemerintah melalui Menteri Pendidikan dan
Kebudayaan(Mendikbud) pada tanggal 23 Mei 2013 telah mengeluarkan ketetapan
mengenaibesarnya Biaya Kuliah Tunggal (BKT) dan Uang Kuliah Tunggal (UKT)
pada PerguruanTinggi Negeri (PTN) di lingkungan Kementerian Pendidikan dan
Kebudayaan(Kemdikbud). Ketentuan itu tertuang dalam Peraturan Menteri
Pendidikan dan Kebudayaan (Permendikbud) No. 55 Tahun 2013 tertanggal 23 Mei
2013. Dalam Permendikbud disebutkan bahwa:
26
1. Biaya Kuliah Tunggal (BKT) merupakan keseluruhan biaya operasional
permahasiswa per-semester pada program studi di perguruan tinggi negeri.
2. Biaya Kuliah Tunggal (BKT) digunakan sebagai dasar penetapan biaya
yangdibebankan kepada mahasiswa, masyarakat dan Pemerintah.
3. Uang Kuliah Tunggal (UKT) merupakan sebagian biaya kuliah tunggal
yangditanggung setiap mahasiswa berdasarkan kemampuan ekonominya.
4. Uang Kuliah Tunggal ditetapkan berdasarkan biaya kuliah tunggal dikurangi
biayayang ditanggung oleh Pemerintah (Pasal 1 Ayat 1).
5. Uang Kuliah Tunggal sebagaimana dimaksud ditentukan berdasarkan
kelompok kemampuan ekonomi masyarakat yang dibagi dalam 5(lima)
kelompok dari yang terendah hingga yang tertinggi, yaitu Kelompok I, II, III,
IV, dan V.
6. Uang Kuliah Tunggal kelompok I dan kelompok II diterapkan paling sedikit
5(lima) persen dari jumlah mahasiswa yang diterima setiap Perguruan Tinggi
Negeri (diatur dalam Permendikbud Pasal 4 Ayat 1, dan Ayat 2).
7. Perguruan Tinggi Negeri dapat memungut di luar ketentuan uang kuliah
tunggaldari mahasiswa baru program Sarjana (S1) dan program diploma non
regular paling banyak 20 (dua puluh) persen dari jumlah mahasiswa baru
(Pasal 6Permendikbud).
2.4 Fuzzy C-Means Clustering (FCM)
Dalam teori himpunan fuzzy akan memberikan jawaban terhadap sesuatu
masalah yang mengandung ketidakpastian. Pada beberapa kasus khusus, seperti nilai
27
keanggotaan yang kemudian akan menjadi 0 atau 1, teori dasar tersebut akan identik
dengan teori himpunan biasa, dan himpunan fuzzy akan menjadi himpunan crisp
tradisional. Ukuran fuzzy menunjukkan derajat kekaburan dari himpunan fuzzy.
Derajat / indeks kekaburan merupakan jarak antara suatu himpunan fuzzy A dengan
himpunan crisp C yang terdekat (Kusumadewi dkk, 2010).
Fuzzy C-means Clustering (FCM) adalah suatu teknik pengclusteran data
yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. FCM menggunakan model pengelompokan fuzzy dengan indeks
kekaburan menggunakan Euclidean Distance sehingga data dapat menjadi anggota
dari semua kelas atau cluster yang terbentuk dengan derajat keanggotaan yang
berbeda antara 0 hingga 1 (Luthfi, 2007).
Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan
menandai lokasi rata-rata untuk tiap cluster. Pada kondisi awal, pusat cluster masih
belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap cluster
yang terbentuk. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-
tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan
bergeser menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi
objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster
yang terbobot oleh derajat keanggotaan titik data tersebut. Algoritma FCM adalah
sebagai berikut (Kusumadewi dkk, 2010):
1. Masukkan data yang akan dicluster ke dalam sebuah matriks X, dimana
matriks berukuran m x n, dengan m adalah jumlah data yang akan dicluster
28
dan n adalah atribut setiap data. Contoh Xij = data ke-i (i=1,2,…m), atribut
ke-j (j=1,2,…n).
2. Tentukan
a. Jumlah cluster = c;
b. Pangkat/pembobot = w;
c. Maksimum iterasi = MaksIter;
d. Error yang diharapkan = ξ;
e. Fungsi Objektif awal = P0 = 0;
f. Iterasi awal = t = 1;
3. Bangkitkan bilangan acak µik (dengan i=1,2,…m dan k=1,2,…c) sebagai
elemen matriks partisi awal U, dengan Xi adalah data ke-i.
! =
#$$(&$) #($(&$)#$((&() #($(&$)
… #*$(&$)… #*((&()
⋮ ⋮#$,(&,) #($(&,)
⋮… #*,(&,)
…………… (2.1)
Dengan jumlah setiap nilai elemen kolom dalam satu baris adalah 1 (satu).
#*, = 1*,.$ …………………………….(2.2)
4. Hitung pusat cluster ke-k : Vkj , dengan k=1,2,…,c dan j = 1,2,…,n
/01 =(234)
5∗839:3;<
(234)5:
3;<
…………………………..(2.3)
5. Hitung fungsi objektif pada iterasi ke-t, Pt :
=> = (&,1 −/01)(@
1.$ (#,0)A*
0.,B,.0 ………(2.4)
29
6. Hitung perubahan derajat keanggotaan setiap data pada setiap cluster
(memperbaiki matriks partisi U ) dengan :
#,0 = (839CD49)
EF9;<
G<5G<
(839CD49)EF
9;<H4;<
G<5G<
…………………..... (2.5)
dengan : i = 1,2,…,n dan k = 1,2,…,c .
7. Cek kondisi berhenti :
• Jika : ( |Pt – Pt-1| < ξ ) atau (t>MaksIter) maka berhenti ;
• Jika tidak : t = t+1, ulangi langkah 4
2.5 Indeks XB (Xie-Beni)
Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan
pada tahun 1991. Ukuran kevalidan cluster merupakan proses evaluasi hasil
clustering untuk menentukan cluster mana yang terbaik . Ada dua kriteria dalam
mengukur kevalidan suatu cluster , yaitu (Xie dan Beni, 1991) :
1. Compactness, yaitu ukuran kedekatan antar anggota pada tiap cluster.
2. Separation, yaitu ukuran keterpisahan antar cluster satu dengan cluster yang
lainnya.
Rumus kevalidan suatu cluster atau indeks Xie-Beni (XB) yaitu (Hashimoto
dkk, 2009):
&I =234
5∗ D3C89EF
9;<H3;<
@∗B,@3,9 D3CD9E ………………………(2.6)
30
2.6 Metode ELECTRE (Ellimination and Choice Translation Reality)
Metode ELECTRE merupakan salah satu metode digunakan untuk
menentukan peringkat dan menentukan alternatif terbaik. Konsep dasar metode
ELECTRE adalah untuk menangani hubungan outranking dengan menggunakan
perbandingan berpasangan antara alternatif masing-masing kriteria secara terpisah.
Hubungan outranking menjelaskan bahwa alternatif ke-i tidak mendominasi alternatif
ke-j secara kuantitatif. Alternatif dikatakan didominasi jika ada alternatif lain yang
mengungguli mereka dalam satu atau lebih atribut dan sama dalam atribut yang
tersisa (Made Sudarma dkk, 2015).
1. Pertama yang dilakukan dalam metode ELECTRE adalah membentuk
perbandingan berpasangan setiap alternatif pada setiap kriteria (aij). Nilai
tersebut harus dinormalisasikan ke dalam suatu skala yang dapat
diperbandingkan (xij):
K,1 = L39
L39EM
3;<
……………………………………..(2.7)
Untuk i = 1,2,3,…m dan j=1,2,3,…n
Sehingga didapatkan matriks hasil R hasil normalisasi.
N =
K$$ K$(K($ K((
… K$@… K(@
⋮ ⋮KB$ KB(
⋮… KB@
R adalah matriks yang telah dinormalisasi, dimana m menyatakan alternatif, n
menyatakan kriteria dan rij adalah normalisasi pengukuran pilihan dari
alternatif ke-i dalam hubungannya dengan kriteria ke-j.
31
2. Setelah dinormalisasi, langkah yang dilakukan selanjutnya adalah
memberikan bobot (faktor kepentingan) pada setiap kriteria yang
mengekspresikan kepentingan relatifnya (wi) dengan cara setiap kolom dari
matrik R dikalikan dengan bobot-bobot (wj) yang ditentukan oleh pembuat
keputusan. Sehingga, weighted normalized matrix adalah V=RW yang ditulis
dalam rumus di bawah ini.
/ =
O$$ O$(O($ O((
… O$@… O(@
⋮ ⋮OB$ OB(
⋮… OB@
= NP =
Q$K$$ Q(K$(Q$K($ Q(K((
… Q@K$@… Q@K(@
⋮ ⋮Q$KB$ Q(KB(
⋮… Q@KB@
..(2.8)
Dimana W adalah
P =
Q$ 00 Q(
… 0… 0
⋮ ⋮0 0
⋮… Q@
, dan Q = 1@,.$
3. Langkah ketiga adalah menentukan himpunan dari concordance dan
discordance, untuk setiap pasang dari alternatif k dan l (k,l = 1,2,3,…,m dan
k≠l) kumpulan criteria j dibagi menjadi dua himpunan bagian, yaitu
concordance dan discordance. Bilamana sebuah criteria dalam suatu alternatif
termasuk concordance adalah :
S0T = U|W01 ≥ W,1 ………………………..(2.9)
Untuk j = 123,…,N
Sebaliknya, komplementer dari himpunan bagian ini adalah discordance,
yaitu bila :
32
Y0T = U|W01 < W,1 ………………………..(2.10)
Untuk j = 123,…,N
4. Langkah ke-empat adalah menentukan nilai matriks concordance dan
discordance.
a. Concordance
Untuk menentukan nilai dari elemen-elemen matriks concordance adalah
dengan menjumlahkan bobot-bobot yang termasuk dalam himpunan bagian
concordance, secara matematisnya adalah sebagai berikut :
S0T = Q11∈\4]………………………….(2.11)
Untuk j=1,2,3,…,N
Sehingga matriks concordance yang dihasilkan ialah :
S =
− ^$(^($ −
… ^$@… ^(@
⋮ ⋮^B$ ^B(
⋮… −
b. Discordance
Untuk menetukan nilai dari elemen-elemen pada matriks discordance adalah
dengan membagi maksimum selisih nilai kriteria yang termasuk dalam
himpunan bagian discordance dengan maksimum selisih nilai seluruh kriteria
yang ada, secara matematisnya adalah sebagai berikut (Triantaphyllou dkk,
1998)::
_0T = `ab c49Cc]9 9∈d4]
`ab c49Cc]9 ∀9
……………………(2.12)
33
Sehingga matriks discordance yang dihasilkan ialah :
Y =
− _$(_($ −
… _$@… _(@
⋮ ⋮_B$ _B(
⋮… −
5. Selanjutnya adalah menetukan matriks dominan concordance dan
discordance. Sebagai contoh, Akhanya akan memiliki kesempatan untuk
mendominasi Al jika indeks Ckl concordanceyang sesuai melebihi setidaknya
pada nilai threshold tertentu yaitu (Kusumadewi, 2006).
a. Concordance
Dominasi matriks concordance dibangun dengan menggunakan nilai
threshold untuk indeks concordance, yaitu dengan membandingkan setiap
nilai elemen matriks concordance dengan nilai threshold.
S0T ≥ ^
Dengan nilai threshold ( c ), adalah
^ = $
f(fC$)^0T
fT.$
f0.$ …………………….(2.13)
Berdasarkan nilai threshold, nilai setiap elemen matriks F sebagai matriks
dominan corcodance ditentukan sebagai berikut “
g0T = 1, Uhij^0T ≥ ^
g0T = 0, Uhij^0T < ^
b. Discordance
Untuk membangun matriks dominan discordance juga menggunakan bantuan
nilai threshold, yaitu :
34
_ = $
f(fC$)_0T
fT.$
f0.$ ……………………(2.14)
dan nilai setiap elemen untuk matriksG sebagai matriks dominan discordance
ditentukan sebagai berikut :
k0T = 1, Uhij^0T < _
k0T = 0, Uhij^0T ≥ _
6. Langkah selanjutnya adalah menentukan aggregate dominance matrix sebagai
matriks E, yang setiap elemennya merupakan perkalian antara elemen matriks
F dengan elemen matriks G, sebagai berikut :
l0T = g0T×k0T……………………………..(2.15)
7. Matriks E memberikan urutan pilihan dari setiap alternatif, yaitu bila ekl = 1
maka alternatif Akmerupakan pilihan yang lebih baik daripada Al. Sehingga
baris dalam matriks E yang memiliki jumlah ekl= 1 paling sedikit dapat
dieliminasi. Dengan demikian alternatif terbaik adalah yang mendominasi
alternatif lainnya.
2.7 Kombinasi Fuzzy C-Means dan ELECTRE
Untuk penyelesaian masalah dilakukan dengan cara mengombinasi 2 metode
yaitu Fuzzy C-Means Clustering dan ELECTRE. Adapun langkah-langkahnya
sebagai berikut:
1. Masukkan data yang akan dicluster ke dalam sebuah matriks X, dimana
matriks berukuran m x n, dengan m adalah jumlah data yang akan dicluster
35
dan n adalah atribut setiap data. Contoh Xij = data ke-i (i=1,2,…m), atribut
ke-j (j=1,2,…n).
2. Tentukan :
a. Jumlah cluster = c;
b. Pangkat/pembobot = w;
c. Maksimum iterasi = MaksIter;
d. Error yang diharapkan = ξ;
e. Fungsi Objektif awal = P0 = 0;
f. Iterasi awal = t = 1;
3. Bangkitkan bilangan acak µik (dengan i=1,2,…m dan k=1,2,…c) sebagai elemen
matriks partisi awal U, dengan Xi adalah data ke-i pada persamaan 1 dengan
syarat bahwa jumlah nilai derajat keanggotaan (µ) pada persamaan 2.2.
4. Hitung pusat cluster ke-k : Vkj , dengan k=1,2,…,c dan j = 1,2,…,n pada
persamaan 2.3.
5. Hitung fungsi objektif pada iterasi ke-t pada persamaan 2.4.
6. Hitung perubahan derajat keanggotaan setiap data pada setiap cluster
(memperbaiki matriks partisi U ) pada persamaan 2.5.
7. Cek kondisi berhenti :
Ø Jika : ( |Pt – Pt-1| < ξ ) atau (t>MaksIter) maka berhenti ;
Ø Jika tidak : t = t+1, ulangi langkah 4
8. Menghitung indeks XB (Xie-Beni) dengan persamaan 2.6.
36
9. Cari nilai indeks XB terkecil sampai terbesar dari cluster yang ada, nilai
terkecil menunjukkan bahwa cluster tersebut adalah cluster dengan level
tertinggi.
10. Data yang telah tercluster akan digunakan dalam proses perhitungan dengan
metode ELECTRE.
11. Membuat normalisasi matriks keputusan R berukuran m x n, dimana m = data
anggota dari tiap cluster dan n = kriteria sesuai dengan persamaan 2.7 .
12. Pembobotan pada matrik yang telah dinormalisasi dengan cara setiap kolom
dari matrik R dikalikan dengan bobot-bobot(wj) yang ditentukan,
menggunakan persamaan 2.8.
13. Menentukan himpunan anggota concordance dengan persamaan 2.9 dan
discordance dengan persamaan 2.10.
14. Hitung nilai matriks concordance dengan persamaan 2.11 dan discordance
dengan persamaan 2.12.
15. Selanjutnya adalah menentukan matriks dominan concordance yaitu dengan
membandingkan setiap nilai elemen matriks concordance dan discordance
dengan nilai threshold menggunakan persamaan 2.13 dan 2.14.
16. Menentukan aggregate dominance matrix dengan persamaan 2.15.
17. Eliminasi alternatif yang less favourable sebagai hasil dari perankingan.
37
Gambar 2.3 Flowchart Algoritma Metode Kombinasi Fuzzy C-Means dan ELECTRE
Mulai
Data yg akan dicluster,
Jumlah Cluster, pangkat/
pembobot, Maksimum
Iterasi, Error terkecil yang
diharapkan, Fungsi
Objektif awal, Iterasi Awal
Membuat
Matriks Partisi
Awal
Menghitung Pusat
Cluster dan
Fungsi Objektif
Memperbaiki
matriks partisi
t>MaksIter) atau ( |Pt – Pt-
1| < ξ )
Tidak
Pengelompokkan data
cluster berdasarkan
derajat keanggotaan
YaMenghitung
Indeks Xie- Beni
Data
Cluster
Membuat matriks
ternormalisasi
Pembobotan
matriks
ternormalisasi
Menentukan himpunan
anggota concordance dan discordiance
Menentukan nilai
anggota concordance dan discordiance
Menentukan Matriks
dominan concordance dan discordiance
Menentukan aggregate dominance matriks
Rangking
tiap clusterselesai