AI
-
Upload
aerapiangin -
Category
Documents
-
view
76 -
download
0
Transcript of AI
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 1/7
Implementasi Jaringan Syaraf Tiruan untuk
Proses Klasifikasi Data Mining
Studi Kasus: Jenis Binatang.
Oleh
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 2/7
I. Pendahuluan
Terdapat 6 buah proses utama dalam data mining. Meliputi klasifikasi (clasiffication),
klustering (clustering ), assosiation rule discovery, sequential pattern discovery,
regresi (regression), dan deviance detection. Tulisan ini akan membahas
implementasi neural network pada proses klasifikasi.
Neural network atau yang lebih dikenal dengan jaringan syaraf tiruan (JST)
merupakan salah satu cabang dari Artificial Intellegence (AI). JST merupakan salah
satu sistem pemrosesan informasi yang didesain untuk menirukan cara kerja otak
manusia untuk menyelesaikan permasalahan [1]. Dalam tahap penyelesaian masalah
ada tahap belajar dengan menggunakan kegiatan berbasis masa lalu. Metode yang
digunakan dalam penulisan makalah ini adalah metode backpropagation.
Dalam makalah ini JST akan diterapkan untuk melakukan proses klasifikasi data
mining dengan studi kasus klasifikasi jenis binatang berdasarkan data-data latih yang
sudah ada. Klasifikasi jenis binatang ini berdasarkan pada lingkungan hidup
binatang-binatang tersebut. Seperti kita ketahui berdasarkan lingkungan hidup
binatang kita bisa mengklasifikasikan binatang dalam 3 jenis, yaitu binatang yang
hidup di udara, darat dan air.
II. Landasan Teori
III.1 Metode Backpropagation
Backpropagation adalah sebuah metode sistemik untuk pelatihan multiplayer jaringan
saraf tiruan. Metode ini memiliki dasar matematis yang kuat dan obyektif. Formulasi
bentuk persamaan dan nilai koefisien didapatkan dengan meminimakan kuadrat error
propagasi melalui model yang dikembangkan.
Langkah-langkah dari metode backpropagation adalah sebagai berikut [2]:
1) Pada lapisan masukan, hitung keluaran dari setiap elemen pemroses
melalui lapisan luar.
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 3/7
2) Hitung kesalahan pada lapisan luar yang merupakan selisih antara data
actual dan target
3) Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi
masukan elemen pemroses
4) Lakukan backpropagation pada kesalahan-kesalahan yang muncul
pada keluaran setiap elemen pemroses ke kesalahan yang terdapat
pada masukan. Ulangi proses ini sampai masukan tercapai.
5) Ubah seluruh bobot dengan menggunakan kesalahan pada sisi elemen
masukan dan elemen keluaran yang terhubung.
III.2 Arsitektur Jaringan Backpropagation
Adapun arsitektur jaringan backpropagation adalah sebagai berikut:
Gambar 1. Arsitektur backpropagation
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 4/7
Arsitektur backpropagation terdiri dari 6 node input, 3 hidden layer dan 3 outputan sesuai
dengan pengelompokan binatang berdasarkan lingkungan hidupnya.
Pemilihan data set didasarkan pada jenis makanan binatang tersebut, cara berkembang biak,
ada tidaknya bulu, jumlah kaki, usia binatang tersebut, dan cara bernafas binatang tersebut.
Implementasi klasifikasi akan menggunakan data set diatas, data set tersebut akan
dikonfersikan ke nilai bilangan asli agar bisa dimengerti oleh mesin. Adapaun konfersi
tersebut adalah sebagai berikut:
y Jenis makanan binatang diklasifikasikan menjadi tiga, yaitu karnivora=0,
omnivora=0.5 dan herbivora=1;
y Cara berkembang biak binatang tersebut dibedakan menjadi 2 yaitu melahirkan=1
dan bertelur=0;
y Ada tidaknya bulu, hanya ada 2 kemungkinan, yaitu ada=1 dan tidak ada=0;
y Jumlah kaki dibedakan menjadi 3 yaitu berkaki 2=0, berkaki 4=0.5 dan berkaki lebih
dari 4 atau kurang dari 2=1;
y Usia binatang dibedakan menjadi 2, yaitu panjang dan pendek. Usia panjang dipilih
untuk binatang dengan usia diatas 2 tahun, untuk konversinya sebagai berikut: usia
panjang = 1 dan usia pendek =0;
y Cara bernafas dibedakan menjadi 3 yaitu paru-paru = 1, insang =0 dan lain-lain =0.5.
Untuk hasil output an nilai konversi yang diberikan adalah untuk binatang udara =1, binatang
darat=0.5 dan binatang air =0.
III. Implementasi
Untuk implementasi akan digunakan framework Encog
http://www.heatonresearch.com/encog dengan pemrograman Java J2SE. Spesifikasi
yang digunakan adalah sebagai berikut:
y Input ( x) : 6 node (jenis makanan, cara berkembang biak, bulu, jumlah kaki,
usia binatang, cara bernafas)
y 3 hidden layer ( z)
y Output ( y) ada 3 yaitu binatang udara, binatang darat atau binatang air.
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 5/7
y Learning rate : 0.6. Learning yang terlalu kecil menyebabkan proses
pembelajaran terlalu lama. Sedangkan learning rate yang tinggi menyebabkan
JST tidak bisa belajar.
y Momentum yang digunakan adalah 0.7. Momentum ini adalah batasan agar
JST keluar dari local minimal.
y Epoch sebanyak 5000 kali atau dibawah 0.001.
Sebagai pengujian digunakan data latih dan data uji dalam bentuk file csv. Sebelum
melakukan pengujian sistem diberi training set untuk mentraining JST. Skema sistem
ditunjukkan gambar berikut ini :
Gambar 2. Skema pemrosesan sistem
Adapun data-data yang dipakai adalah seperti table dibawah ini.
Tabel 1. Data training
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 6/7
no makanan berkembang biak bulu jumlah kaki usia cara bernafas jenis
1 karnivora melahirkan tidak 4 panjang paru-paru darat
2 karnivora bertelur tidak lebih 4/kuran panjang insang air
3 omnivora bertelur iya 2 panjang paru-paru udara
4 omnivora melahirkan iya 2 panjang paru-paru darat5 herbivora bertelur tidak 4 panjang paru-paru udara
6 herbivora bertelur tidak lebih 4/kuran pendek lain-lain udara
7 karnivora melahirkan tidak 4 panjang paru-paru air
8 omnivora bertelur tidak lebih 4/kuran panjang paru-paru air
9 omnivora melahirkan tidak 2 panjang paru-paru udara
10 herbivora bertelur tidak 4 panjang lain-lain air
Dengan m elakukan konversi didapatkan hasil konversi sebagai berikut:
Tabel 2. K onversi data training
no makanan berkembang biak bulu jumlah kaki usia cara bernafas jenis
1 0 1 0 0.5 1 1 0.5
2 0 0 0 1 1 0 0
3 0.5 0 1 0 1 1 1
4 0.5 1 1 0 1 1 0.5
5 1 0 0 0.5 1 1 1
6 1 0 0 1 0 0.5 1
7 0 1 0 0.5 1 1 08 0.5 0 0 1 1 1 0
9 0.5 1 0 0 1 1 1
10 1 0 0 0.5 1 0.5 0
IV. Analisis
Untuk analisis dilakukan pengecekan antara data yang diproses dengan sistem JST
yang menerapkan metode backpropagation dengan analisa manual. Sebagai inputandigunakan data berikut ini:
Table 3. Data uji
5/8/2018 AI - slidepdf.com
http://slidepdf.com/reader/full/ai5571fbc3497959916995c0f2 7/7
no makanan berkembanbulu jumlah kaki usia cara bernaf jenis
1 omnivora melahirkan tidak 2 panjang paru-paru ?
2 karnivora bertelur tidak lebih 4/kur pendek lain-lain ?
3 karnivora bertelur tidak lebih 4/kur panjang insang ?
4 karnivora bertelur iya 2 panjang paru-paru ?5 herbivora bertelur tidak lebih 4/kur pendek lain-lain ?
Dengan menggunakan sistem dan pengujian manual, dimana pengujian manual
dilakukan dengan membuat pohon pengujian diperoleh hasil sebagai berikut:
Tabel 4. Hasil pengujian dengan sistem dan hasil manual
no makanan berkemba bulu jumlahkaki usia carabernafas hasil darisistem hasil manual
1 omnivora melahirkantidak 2 panjang paru-paru darat darat
2 karnivora bertelur tidak lebih4/kurang pendek lain-lain air air
3 karnivora bertelur tidak lebih4/kurang panjang insang air air
4karnivora bertelur iya 2 panjang paru-paru udara udara
5 herbivora bertelur tidak lebih4/kurang pendek lain-lain udara udara
Hasil perbandingan antara pengujian dengan sistem dan pengujian dengan manual
didapatkan hasil yang sama dalam pengkategorisasian jenis binatang. Sehingga bisa
disimpulkan bahwa JST yang dibangun sudah bisa melakukan klasifikasi dengan
benar pada data uji yang diberikan.
V. Daftar Pustaka
[1]. Dayhoff, Judith.E. N eural N etwork Architectures. Van Nostrand Reinhold, New
York, 1990.
[2]. Fausset, Laurence. F undamental of N eural N etwork : Architecture, Algorithm,
and Application. New Jersey : Prentice-Hall, 1994.