Perpustakaan Digital ITB

Pengukuran ketidakpastian merupakan aspek penting dalam berbagai bidang ilmu pengetahuan dan kehidupan sehari-hari, seperti pengukuran curah hujan dan suhu, penentuan keamanan serta dosis obat, identifikasi genetik, hingga karakterisasi objek astronomi seperti planet dan bintang. Penelitian ini bertujuan mengembangkan model pembelajaran untuk klasifikasi data tabular secara linguistik dengan mengintegrasikan mekanisme atensi pada arsitektur Fuzzy Neural Network (FNN) melalui pendekatan rule attention, serta menganalisis hasilnya melalui visualisasi klasifikasi. Model diuji pada dua skenario ukuran data, yaitu data sederhana dan data berskala besar, untuk mengevaluasi kinerja dan stabilitas model pada kondisi yang berbeda. Proses pemodelan meliputi pengaturan hyperparameter, penerapan teknik resampling, serta pemanfaatan fitur diskrit, disertai analisis fitur untuk mengidentifikasi faktor yang paling berpengaruh terhadap performa model. Selain itu, dilakukan perbandingan antara FNN dan metode K-Nearest Neighbours melalui plot hasil klasifikasi dan evaluasi metrik kinerja. Hasil penelitian menunjukkan bahwa FNN dengan mekanisme rule attention mampu melakukan klasifikasi linguistik secara efektif dengan pemisahan kelas yang lebih jelas dan stabil dibandingkan KNN, serta memberikan interpretabilitas yang lebih baik melalui representasi berbasis aturan dan analisis fitur dibandingkan dengan pembelajaran mesin.