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



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.



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



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.



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



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



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.

AI

Documents

Transcript of AI