REVIEW DATA MINING

Oleh :
I Komang Tri Edi Wardana
1929101001

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS PASCASARJANA
UNIVERSITAS PENDIDIKAN GANESHA
TAHUN 2020
MATERI 1 : DATA MINING I

I. DEFINISI
Data Mining Data mining adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Turban, Efraim, Jay E. Aronson, Ting-Peng, 2007). Data
Mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik
dari pembelajaran mesin, pengenalan pola, statistic, database, dan visualisasi untuk
penanganan permasalahan pengambilan informasi dari database yang besar. (Larose,
2005). Manusia menghasilkan banyak sekali data yang sangat besar baik dalam
bidang bisnis, kedokteran, cuaca, olahraga, politik, akademik dan sebagainya. Sebagai
contoh pada bidang akademik berapa jumlah calon mahasiswa baru Sekolah Tinggi
Agama Hindu Negeri Mpu Kuturan dari tahun 2006 sampai tahun 2020, pada bidang
olahraga dapat mengetahui jumlah gol dari pemain sepak bola Cristiano Ronaldo,
pada bidang bisnis dapat mengetahui harga saham / bursa efek dan lain-lain.

Latar belakang terbentuknya data mining adalah (1) melimpahnya data

(overload data) yang dialami oleh berbagai institusi, perusahaan atau organisasi, (2)
melimpahnya data ini merupakan akumulasi data transaksi yang terekam bertahun-
tahun, (3) data–data tersebut merupakan data transaksi yang umumnya diproses
menggunakan aplikasi komputer yang biasa disebut dengan OLTP (On Line
Transaction Processing).

Data mining terkait database merupakan ekstraksi informasi atau pola yang
penting atau menarik dari data yang ada di database yang besar sehingga menjadi
informasi yang sangat berharga. Dalam proses penemuan yang efisien dari sebuah
pola yang terbaik sehingga menghasilkan sesuatu yang berniai dari suatu koleksi data
yang sangat besar. Sebagai contoh ekstraksi pola dari sebuah mini market dalam
menentukan tata letak barang, memprediksi hujan berdasarkan pola. Adapun langkah-
langkah untuk melakukan data mining sebagai berikut
 Gambar 1. Langkah-langkah data mining

II. OPERASI DATA MINING

1. Metode Prediksi
Dengan menggunakan beberapa variabel untuk memprediksi nilai yang belum
diketahui (unknown) atau nilai selanjutnya (future) dari variabel lain. Contoh
dari metode prediksi yaitu :

a. Clasification
Digunakan untuk membuat dugaan awal tentang class yang spesifik
untuk setiap record dalam database dari satu setnilai class yang mungkin
b. Regression
Bertujuan untuk mecari pola dan menentukan sebuah nilai numerik
c. Deviation Detection
Teknik ini sering kali merupakan sumber dari penemuan yang benar
karena teknik ini mengidentifikasi outlier yang mengekspresikan deviasi
dari ekspektasi yang telah diketahui sebelumnya.

2. Metode Deksripsi
Menemukan pola pendeskripsian data yang dapat diinterpresentasikan oleh
manusia. Deskripsi dari pola kecendrungan sering memberikan kemungkinan
penjelasan untuk suatu pola atau kecendrungan. Contoh dari metode
deskripsi seperti :
 a. Clustering
lebih ke arah pengelompokan record, pengamatan, atau kasus dalam
kelas yang memiliki kemiripan.

b. Association Rule Discovery

menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis
lebih umum disebut analisis keranjang belanja (market basket analisys)

c. Sequential Pattern Discovery

Sebuah algoritma baru untuk penemuan cepat pola sekuensial dalam
sebuah database besar.

[Link] DATA MINING

Adapun contoh dari aplikasi data mining diantaranya :

a. Analisis dan manajemen pasar

Target pemasaran, customer relation management (CRM), market basket
analysis, cross selling, segmentasi pasar
b. Analisis dan manajemen resiko
Forecasting, customer retention, quality control, analisis kompetisi
c. Deteksi dan manajemen fraud (kecurangan)
d. Text mining (news group, email, dokumen) dan Analisis Web.
e. Intelligent query answering
MATERI 2 : DATA MINING DATA

IV. DEFINISI DAN TIPE DATA

Atribut merupakan sifat atau karakteristik dari suatu objek. Contohnya : Warna
mata seseorang, suhu, [Link] juga dikenal sebagai variabel, field, karakteristik
atau fitur. Kumpulan dari atribut menggambarkan sebuah Objek. Objek juga disebut
dengan record, titik, kasus, sample, entitas atau instance.

Gambar 2. Relasi Pegawai dan devisi

Atribut dapat dibedakan dalam tipe-tipe yang berbeda bergantung pada tipe
domainnya, yaitu bergantung pada tipe nilai yang diterima. Atribut katagorikal
(categorical attribute) adalah salah satu tipe yang domainnya merupakan sebuah
himpunan simbol berhingga. Contoh :Ienis kelamin, status, dan pendidikan, dimana
domainUenis kelamin) = {L, P}, domain(status) = {Menikah, Belum Menikah} dan
domain(Pendidikan) = {SD: SMP, SMA, D3, 51, 52, S3, lainnya}. tribut katagorikal
dibedakan menjadi dua tipe,yaitu :

a. Nominal: Sebuah atribut dikatakan nominal j ika nilai-nilainya tidak dapat

diurutkan Contoh: Jenis kelamin, warna mata. Atribut nominal mempunyai
sifat pembeda (distinctness).
b. Ordinal: Disebut atribut ordinal jika nilai-nilainya dapat diurutkan dalam
beberapa cara, contoh: ranking (misal, rasa dari keripik kentang pada skala
1-10), grade, tinggi dalam {tinggi, medium, pendek} atau'pendidikan
(karena kita dapat mengatakan bahwa pendidikan Sl lebih tinggi dari SMA
maupun D3). Sifat dari ordinal atribut adalah pembeda dan urutan (order).

Tipe atribut kedua adalah atribut numerik (numeric attribute) yang domainnya
berupa bilangan riil atau [Link] umur dan [Link](umur) =
domain(gaji) = bilangan riil positif. Atribut numerik juga dibedakan menjadi
dua,yaitu :

a. Interval: Untuk jenis atribut ini mempunyai sifat bahwa perbedaan antara
nilai-nilainya sangat berarti. Contoh: tanggal, suhu dalam Celsius atau
Fahrenheit, karena tidak ada bedanya jika kita menyatakan bahwa 20°C = dua
kali dinginnya 10°C.
b. Rasio: Dalam atribut jenis ini, baik beda maupun rasio sangat berarti. Contoh
atribut rasio: suhu dalam Kelvin, panjang, waktu, jumlah, Kita dapat
menyatakan bahwa orang berumur 20 tahun dua kali lebih tua dari yang
berusia 10 tahun. 

Atribut berdasarkan jumlah nilainya dibedakan menjadi dua yaitu :

a. Atribut Diskrit (Discrete Attribute) yaitu atribut yang hanya menggunakan

sebuah himpunan nilai berhingga atau himpunan nilai tak berhingga yang
dapat dihitung. Contoh: zip codes, jumlah, atau himpunan kata dalam
kumpulan dokumen. Sering dinyatakan sebagai variabel bilangan bulat
(integer). Catatan: atribut biner merupakan kasus khusus dari atribut diskrit.
b. Atribut Kontinyu (Continudus Attribute) yaitu atribut yang menggunakan
bilangan riil sebagai nilai atribut. Contoh: suhu, ketinggian atau berat. Pada
kenyataannya, nilai riil hanya dapat diukur dan dinyatakan menggunakan
sejumlah digit yang berhinggaAtribut kontinyu secara khusus dinyatakan
sebagai variabel decimal (floating-point).

Dataset adalah koleksi atau kumpulan data dalam suatu media penyimpanan
digital (memory) yang memiliki nilai, setiap nilai mewakili variabel tertentu dan
setiap variabel memiliki tujuan sesuai dengan data yang dimaksud.

a. Data matrix merupakan objek data yang memiliki himpunan atribut numerik
yang sama, objek data tersebut dapat dianggap sebagai titik-titik dalam ruang
multi dimensi dimana masing-masing dimensi menyatakan suatu atribut yang
berbeda.
b. Data dokumen ini, tiap dokumen menjadi satu vector “term”. Tiap term
merupakan suatu komponen (atribut) dari vector tersebut. Nilai data dari tiap
komponen dinyakan dengan beberapa kali kemunculan terms dalam suatu
dokumen.
 c. Data transaksi merupakan tipe khusus dari record atau transaksi data, di mana
tiap record mewakili suatu set produk. Contoh penjualan supermarket.
Himpunan produk yang dibeli oleh pelanggan dalam satu kali belanja
merupakan satu transaksi, selama produk yang dibeli tersebut adalah produk
yang berada dalam satu toko.
d. Data graph merupakan data yang berbentuk graph, data ini terdiri dari simpul
(node) dan rusuk (edge) atau tepi. Contoh data graph diantaranya adalah
HTML, link (dalam www) dan struktur molekul dalam jaringan

V. KUALITAS DATA
Permasalahan kualitas data ditinjau dari aspek pengukuran data dan
pengumpulan data:

1. Kesalahan Pengukuran (Measurement Error)

Yaitu kesalahan hasil dari proses pengukuran. Permasalahan yang sering
terjadi adalah nilai yang dicatat berbeda dari nilai yang sebenarnya. Pada
atribut kontinyu, beda numerik dari hasil pengukuran dengan nilai sebenarnya
disebut dengan error. Yang termasuk dalam jenis kesalahan pengukuran
sebagai berikut.

a. Noise (sampah) yaitu modifikasi dari nilai asli atau komponen error dari
data (harus dihitung dulu). Co: dari data sensus penduduk, diminta range
umur antara 1 s/d 10 tahun, kemudian ada data yang perbedaannya
terlalu jauh seperti 55 tahun.
b. Bias, adalah suatu variasi pengukuran dari kuantitas yang sedang diukur
dengan pengurangan antara mean dan nilai kuantitas yang diketahui.
c. Precision, adalah kedekatan dari pengukuran berulang (dari kuantitas
yang sama) satu dengan yang lainnya.
d. Accuracy, kedekatan pengukuran terhadap nilai sebenarnya dari
kuantitas yang sedang diukur.
 2. Kesalahan Pengumpulan (Collection Error)

Berkaitan dengan pengolahan data diawal atau yang mengacu pada kesalahan-
kesalahan (error) seperti hilangnya objek data atau nilai atribut, atau lingkup
objek data yang tidak tepat. Yang termasuk dalam jenis kesalahan
pengumpulan sebagai berikut.

a. Outliers : sama dengan noise, salah satu ada yang berbeda sekali dengan
yang lainnya (dapat terlihat secara kasat mata) atau objek data dengan
sifat yang berbeda sekali dari kebanyakan objek data dalam data-set.
b. Missing Value : data yang kosong atau nilai dari suatu atribut yang tidak
ditemukan.

VI. DATA PROCESING

Data processiong adalah pemrosesan data yang dilakukan dengan

memanipulasi data oleh komputer. Data prosesing digunakan untuk mengurangi
tingkat gangguan dalam suatu data, baik berupa noise, data hilang atau tidak lengkap,
redudansi data, tidak konsisten. Data prosesing diperlukan karena apabila kualitas
data awal rendah maka kualitas data miningpun menjadi rendah. Adapun metode data
processing sebagai berikut.

a. Data cleaning digunakan untuk mengurangi atau menghilangkan noise dan

memperbaiki data yang tidak konsisten.
b. Integrasi data digunakan untuk menggabungkan beberapa sumber kedalam
penyimpanan data.
c. Data reduction digunakan untuk mengurangi ukuran data dan menghilangkan
redudansi data atau data yang sama (duplikat).
d. Transformasi data digunakan untuk mengubah atribut data agar memiliki skala
yang kecil.

VII. CONFUSION MATRIX

Confusion matrix merupakan salah satu metode yang dapat digunakan untuk
mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix
mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh
sistem dengan hasil klasifikasi yang seharusnya.
a. True Positif(TP) menyatakan sebuah data dengan kategori positif dan
terklasifikasi benar sebagai data data positif.

b. False negative (FN) menyatakan sebuah data yang terklasifikasi salah, namun
data tersebut adalah data kategori positif.

c. False positive(FP) juga menyatakan data yang terklasifikasi salah, data

tersebut adalah data negatif namun dinyatakan sebagai data positif, sedangkan

d. True negative (TN) menyatakan data negatif yang terklasifikasi secara benar
sebagai data negatif

Contoh penerapan confusion matrix

Gambar 3. Confusion Matrik

MATERI 3 : KLASIFIKASI

VIII. KLASIFIKASI
Klasifikasi adalah suatu proses pengelompokan data dengan didasarkan pada ciri-
ciri tertentu ke dalam kelas-kelas yang telah ditentukan pula.

Metode klasifikasi :

a. Tabel Keputusan

Tabel keputusan merupakan metode pengambilan keputusan yang cukup

sederhana. Metode ini menggunakan bantuan tabel yang berisi hubungan
antara beberapa atribut yang mempengaruhi atribut tertentu. Umumnya, tabel
keputusan ini digunakan untuk penyelesaian masalah yang tidak melibatkan
banyak alternatif. Pada tabel keputusan, nilai kebenaran suatu kondisi
diberikan berdasarkan nilai logika dari setiap atribut Ek. Hanya ada dua nilai
kebenaran, yaitu Ek = benar atau Ek = salah.

b. Pohon Keputusan

Pohon keputusan atau decision tree merupakan teknik data mining yang
digunakan untuk mengeksplorasi data dengan membagi kumpulan data yang
besar menjadi himpunan record yang lebih kecil dan memperhatikan variabel
tujuannya. Teknik ini dapat diterapkan dalam menentukan tingkat kualitas
mahasiswa yang melibatkan banyak data. Pohon Keputusan dimplementasikan
kedalam algoritma C45, ID3 dan CART.

c. Naïve Bayes
Algoritma Naïve Bayes merupakan suatu algoritma klasifikasi berdasarkan
teorema Bayesian pada statistika
d. K Nearest Neighbours (kNN)
algoritma yang berfungsi untuk melakukan klasifikasi suatu data berdasarkan
data pembelajaran (train data sets), yang diambil dari k tetangga terdekatnya
(nearest neighbors).
 IX. K-NEAREST NEIGHBOURS (K-NN)

1. Definisi K-NN
Konsep dasar dari K-NN adalah mencari jarak terdekat antara data yang akan
dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Penghitungan jarak
dilakukan dengan konsep Euclidean. Jarak Euclidean adalah formula untuk mencari
jarak antara 2 titik dalam ruang dua dimensi. Jumlah kelas yang paling banyak dengan
jarak terdekat tersebut akan menjadi kelas dimana data evaluasi tersebut berada.

2. Langkah-Langkah
Berikut merupakan langkah-langkah konsep K-Nearest Neighbours.
a. Tentukan parameter K = jumlah banyaknya tetangga terdekat.
b. Hitung jarak antara data baru dan semua data yang ada di data training.
c. Urutkan jarak tersebut dan tentukan tetangga mana yang terdekat
berdasarkan jarak minimum ke-K.
d. Tentukan kategori dari tetangga terdekat.
e. Gunakan kategori mayoritas yang sederhana dari tetangga yang terdekat
tersebut sebagai nilai prediksi dari data yang baru.
MATERI 4 : NAÏVE BAYES KLASIFIKASI

X. NAÏVE BAYES
Algoritma Naïve Bayes merupakan suatu algoritma klasifikasi berdasarkan
teorema Bayesian pada statistika. Algoritma Naïve Bayes berguna untuk memprediksi
probabilitas keanggotaan suatu kelas. Naïve Bayes merupakan statistik yang
fundamental pada data mining. Pendekatan ini didasari oleh kuantitatif trade-off pada
berbagai keputusan klasifikasi dengan memakai probabilitas. Teorema tersebut
dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas.
Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah
kelas tidak ada hubungannya dengan ciri dari kelas lainnya.

Persamaan dari teorema Bayes adalah:

P ( E|H )∗P( H )
P ( H| E )=
P( E)

Keterangan:

P(H|E) : Peluang terjadinya hypotesa H jika evidence terjadi

P(E|H) : Peluang evidence E yang terjadi akan mempengaruhi hypotesa H

P(H) : Peluang awal terjadi hypotesa H

P(E) : Peluang awal terjadi evidence E

Adapun aturan untuk menentukan P(Ei|H) adalah sebagai berikut:

a. Apabila diberikan i atribut yang saling bebas (independence), nilai probabilitas

dapat diberikan sebagai berikut.
P ( E1 , … , Ei|H ) =P ( E 1|H )∗…∗P (Ei∨H )
b. Jika atribut ke-i bersifat diskret, maka P(Ei|H) diestimasi sebagai frekwensi
relatif dari sampel yang memiliki nilai Ei sebagai atribut ke-i dalam kelas H.
c. Namun jika atribut ke-i bersifat kontinu, maka P(Ei|H) diestimasi dengan
fungsi densitas Gauss.
− ( x −μ )2
1 2σ 2
f (x )= e
√ πσ
2
dengan  = mean, dan  = deviasi standar.
MATERI 5 : KLASIFIKASI METODE MCDM (Multi Creteria Decision
Making)

XI. KLASIFIKASI METODE MCDM (MULTI CRETERIA DECISION

MAKING)
Multi-criteria decision making (MCDM) merupakan teknik pengambilan
keputusan dari beberapa pilihan alternatif yang ada. Di dalam MCDM ini mengandung
unsur attribute, obyektif, dan tujuan. Ada dua macam kategori dari Multi-criteria decision
making (MCDM), yaitu :

a. Multiple Objective Decision Making (MODM)

b. Multiple Attribute Decision Making (MADM)

1. Metode MODM

Multiple Objective Decision Making (MODM) menyangkut masalah

perancangan (design), di mana teknik-teknik matematik optimasi digunakan,
untuk jumlah alternatif yang sangat besar (sampai dengan tak berhingga) dan
untuk menjawab pertanyaan apa (what) dan berapa banyak (how much).

2. Metode MADM

Multiple Attribute Decision Making (MADM), menyangkut masalah

pemilihan, dimana analisa matematis tidak terlalu banyak dibutuhkan atau
dapat digunakan untuk pemilihan hanya terhadap sejumlah kecil alternatif
saja. Metode Analytical Hierarchy Process (AHP), Simple Additive Weight
Methods (SAW), Weight Product (WP), ELECTRE, Technique for Order
Preference by Similarity to Ideal Solutions (TOPSIS) Analytical Hierarcy
Proses (AHP)s merupakan bagian dari teknik MADM.

XII. METODE SAW (Simple Additive Weighting Method)

1. Definisi SAW

Simple Additive Weighting Method (SAW) sering juga dikenal istilah metode
penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan
terbobot dari rating kinerja pada setiap alternatif dari semua atribut. metode SAW
membutuhkan proses normalisasi matrik keputusan (X) ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif yang ada (Kusumadewi, 2006).

2. Langkah-langkah SAW sebagai berikut :

a. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam
pengambilan keputusan, yaitu Ci.
b. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
c. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian
melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan
dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga
diperoleh matriks ternormalisasi R.
d. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari
perkalian matriks ternormalisasi R dengan vektor bobot sehingga
diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai
solusi.

Adapun formula yang digunakan untuk melakukan normalisasi seperti berikut.

Dimana :

rij : rating kinerja ternormalisasi

maxij nilai maksimum dari setiap baris dan kolom

minij : nilai minimum dari setiap baris dan kolom

xij : baris dan kolom dari matriks

dengan rij adalah rating kinerja ternormalisasi dari alternatif Ai pada atribut Cj; i-1,2,
…m dan j = 1,2,…n.

Nilai preferensi untuk setiap alternatid (Vi) diberikan sebagai :

Dimana :

Vi : nilai akhir dari alternatif

Wj : bobot yang telah ditentukan

rij : normalisasi matriks, nilai Vi yang lebih besar mengindikasi bahwa

alternatif Ai lebih terpilih

XIII. METODE AHP (Analytical Hierarchy Process)

1. Definisi AHP

AHP merupakan suatu model pendukung keputusan yang dikembangkan oleh

Thomas L. Saaty. AHP merupakan metode untuk membuat urutan alternatif
keputusan dan pemilihan alternatif terbaik pada saat pengambil keputusan dengan
beberapa tujuan atau kriteria untuk mengambil keputusan tertentu.

2. Tahapan AHP :
a. Identifikasi Masalah
b. Decomposition
c. Comparative Judgement
d. Synthesis Of Priority
e. Logical Consistency
MATERI 6 : KLASIFIKASI BERBASIS FUZZY LOGIC

XIV. METODE FUZZY

1. Definisi Logika Fuzzy
Logika fuzzy diperkenalkan pertama kali pada tahun 1965 oleh Prof Lutfi A.
Zadeh seorang peneliti di Universitas California di Barkley dalam bidang ilmu
komputer. Perbedaan antara logika tegasdan logika fuzzy terletak pada keanggotaan
elemen dalam suatu himpunan. Jika dalam logika tegas suatu elemen mempunyai dua
pilihan yaitu terdapat dalam himpunan atau bernilai 1 yang berarti benar dan tidak
pada himpunan atau bernilai 0 yang berarti salah. Sedangkan dalam logika fuzzy,
keanggotaan elemen berada di interval [0,1]. Logika fuzzy memiliki beberapa
komponen yang harus dipahami seperti himpunan fuzzy, fungsi keanggotaan, operator
pada himpunan fuzzy, inferensi fuzzy dan defuzzifikasi.
Himpunan tegas adalah suatu kumpulan dari obyek-obyek yang didefinisikan
secara jelas. Artinya obyek-obyek tersebut dapat ditentukan dengan jelas
keberadaannya. Obyek yang ada dalam himpunan itu disebut elemen atau anggota
himpunan. Pada umumnya, himpunan disimbolkan dengan alfabet kecil. Notasi “α ∈
A ” dibaca α anggota himpunan A dan notasi “α ∉ A ” α bukan anggota himpunan A.
Himpunan fuzzy merupakan perkembangan dari himpunan tegas. Himpunan tegas
adalah himpunan yang nilai keanggotaan dari elemennya hanya mempunyai dua
kemungkinan derajat keanggotaan yaitu :

μ A ( X )= 1; jika x ∈ A
{ 0 ; jika x ∉ A
dengan μ A adalah fungsi karakteristik dari himpunan A. Sedangkan pada himpunan fuzzy
derajat keanggotaan untuk setiap elemennya terletak dalam interval [0,1].

2. Fungsi Keanggotaan
Fungsi keanggotaan merupakan fungsi yang memetakan elemen suatu himpunan ke
nilai keanggotaan pada interval [0,1]. Fungsi keanggotaan yang membedakan himpunan
fuzzy dengan himpunan tegas. Fungsi keanggotaan dapat direpresentasikan dengan
berbagai cara, namun yang paling umum dan banyak dipakai dalam sistem yang dibuat
berdasarkan logika fuzzy adalah representasi secara analitik. Terdapat berbagai jenis
pendeskripsian himpunan fuzzy seperti berikut.
a. Representasi kurva linier
Representasi paling sedeharna dalam fungsi keanggotaan yaitu representasi
linier yang digambarkan sebagai suatu garis lurus. Keadaan himpunan fuzzy
linier ada dua. Pertama, himpunan mengalami penurunan dari derajat
keanggotaan satu bergerak ke kanan menuju derajat keanggotaan yang lebih
rendah menuju nol.

Keterangan :
a = nilai domain terkecil saat derajat keanggotaan terkecil
b = derajat keanggotaan terbesar dalam domain

kedua, himpunan mengalami kenaikan dari derajat keanggotaan nol bergerak

ke kanan menuju derajat keanggotaan yang lebih tinggi menuju satu.

b. Representasi kurva segitiga

Representasi kurva segitiga merupakan gabungan dari representasi linier.
 Fungsi keanggotaan dari representasi segitiga, adalah :

0 , x ≤ α atau x ≥ c

{ x−a
μ ( x )= b−a , a ≤ x ≤ b
c−x
c−b
Keterangan :
,b≤ x≤c

α = nilai domain terkecil saat derajat keanggotaan terkecil

b = derajat keanggotaan terbesar dalam domain
c = nilai domain terbesar saat derajat keanggotaan terkecil
c. Representasi Kurva Trapesium
Representasi kurva trapesium pada dasarnya seperti bentuk segitiga, hanya
saja ada beberapa titik yang memiliki nilai keanggotaan 1.

3. Operator Metode Fuzzy

Terdapat Operator dasar pada metode fuzzy seperti komplemen, gabungan dan
irisan seperti berikut.

a. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. a-
predikat sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunan-
himpunan yang bersangkutan.
 b. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan a-
predikat sebagai hasil operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunan-
himpunan yang bersangkutan

c. Operator NOT
Operator ini berhubungan dengan operasi komplemen himpunan. a-
predikat operator AND iperoleh dengan mengambil nilai keanggotaan
terkecil antar elemen pada himpunan-himpunan yang bersangkutan

4. Metode Penalaran
Terdapat lima langkah pada sistem inferensi fuzzy menggunakan metoda
Mamdani yaitu :
a. Langkah 1 : Fuzzifikasi masukan
b. Langkah 2 : Aplikasi operasi fuzzy
c. Langkah 3 : Aplikasi metode implikasi
d. Langkah 4 : Komposisi seluruh aturan
e. Langkah 5 Defuzzifikasi

XV. REFERENSI

Kusumadewi, S. (2006). Fuzzy Multi Atribute Decision Making. Graha Ilmu.

Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition.
In Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition (Vol.
9780470908). [Link]

Turban, Efraim, Jay E. Aronson, Ting-Peng, L. (2007). Decision Support Systems And Intelligent
Systems.
[Link]
elligent+System+7th+Edition-+Turban_Aronson_Liang_2005.pdf
 DAFTAR PERTANYAAN

1. Dalam Data Mining dan SPK (Sistem Pendukung Keputusan) terdapat

persamaan metode-metode yang digunakan dalam pemrosesan (SAW,
TOPSIS, AHP, FUZZY, dll). Apakah perbedaan penerapan keduanya dalam
penggunaan metode tersebut?