5 

BAB 2

KAJIAN PUSTAKA

2.1. Data Mining

Dalam membuat sebuah keputusan bisnis, dibutuhkan sejumlah pengetahuan

mengenai kondisi pasar sehingga keputusan bisnis tersebut dapat menghasilkan

perkembangan yang bermanfaat dan menguntungkan bagi perusahaan. Pengetahuan

ini dapat diperoleh dengan cara melakukan analisis terhadap data-data yang telah

ada.

Pada awalnya, data mining hadir dengan dilatarbelakangi dengan masalah

pembengkakan data yang dialami oleh organisasi. Dengan adanya data yang terus

menerus bertambah setiap harinya, lama kelamaan data tersebut akan menjadi

bertumpuk dan tidak menghasilkan sesuatu yang berguna. Oleh karena itu

muncullah sebuah pemikiran untuk “menambang” emas (informasi) dengan

memanfaatkan data dalam jumlah banyak tersebut.

Berdasarkan pendapat Han dan Kamber (2006, p5) data mining dapat

didefinisikan sebagai proses mengekstrak atau menambang pengetahuan yang

dibutuhkan dari sejumlah besar data. Pada prosesnya data mining akan mengekstrak

informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun

hubungan keterkaitan tertentu dari data-data yang berukuran besar.

Data mining sering kali disamakan dengan Knowledge Discovery Data

(KDD), akan tetapi sebenarnya data mining merupakan salah satu langkah yang

penting dalam penemuan pengetahuan itu sendiri. Proses penemuan pengetahuan

meliputi tujuh langkah (Han dan Kember, 2006, p7), sebagai berikut:

1. Data cleaning (menghilangkan noise dan data yang tidak konsisten).

      6 

 

2. Data integration (menggabungkan data dari berbagai sumber data).

3. Data selection (memilih data yang relevan dengan analisis).

4. Data transformation (transformasi atau konsolidasi data ke dalam bentuk yang

tepat untuk mining).

5. Data mining (mengekstrak pola data dengan mengaplikasikan metode intelijen).

6. Pattern evaluation (mengidentifikasi pola menarik dan merepresentasikan basis

pengetahuan).

7. Knowledge presentation (penggunaan teknik representasi visual untuk

menyajikan pengetahuan yang telah diperoleh kepada user).

Langkah 1 hingga 4 merupakan bentuk dari data preprocessing. Data

preprocessing ini dibutuhkan dikarenakan data yang ada pada umumnya sering kali

tidak konsisten, memiliki noise, atau terdapat bagian dari data yang hilang. Melalui

data preprocessing, data yang ada kemudian dapat dipergunakan untuk

menghasilkan pengetahuan yang akurat melalui tahap data mining.

Pada dasarnya data mining digunakan untuk menyelesaikan tugas yang

berkaitan dengan masalah prediktif dan deskriptif. Pada tugas prediktif, sejumlah

variabel akan digunakan untuk memprediksikan nilai yang belum diketahui dari

variabel lainnya, sedangkan untuk tugas deskriptif, akan dilakukan

penginterpretasian pola untuk mendeskripsikan data tersebut.

Dari kedua jenis tugas di atas, Berry dan Linnof (2004, p8-p12) kemudian

membagi menjadi beberapa jenis tugas-tugas yang lebih detail, di antaranya adalah

klasifikasi, estimasi, prediksi, affinity grouping, clutering, dan description and

profilling. Berikut ini merupakan penjelasan dari masing-masing tugas tersebut:

      7 

 

1. Klasifikasi

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang

mendeskripsikan dan membedakan data ke dalam kelas-kelas atau konsep-

konsep. Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek dan

memasukkan objek ke dalam salah satu kelas yang sudah didefinisikan

sebelumnya. Sebagai contoh, sebuah bank ingin menganalisis data pengaju dana

pinjaman apakah peminjam dana tersebut masuk ke dalam kategori beresiko

dalam artian dana yang dipinjamkan akan sulit dikembalikan atau dalam

kategori aman, mengkategorikan apakah sebuah sel tumor termasuk dalam

kategori ganas atau jinak, dan lain-lain.

2. Estimasi

Estimasi digunakan untuk memprediksikan hasil keluaran berupa sebuah

nilai kontinu. Estimasi juga sering digunakan untuk melakukan tugas klasifikasi.

Contoh penggunaan data mining untuk tugas estimasi adalah memperkirakan

minimum, maksimum, dan rata-rata temperatur harian (Kotsiantis, 2007).

3. Prediksi

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data

diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa

yang akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan

adanya pengurangan jumlah pelanggan dalam waktu dekat.

4. Affinity grouping

Affinity group digunakan untuk menentukan hal-hal yang terjadi

bersamaan. Affinity group disebut juga dengan dependency modeling. Affinity

group merupakan pendekatan sederhana untuk menghasilkan aturan-aturan dari

      8 

 

data. Sebagai contoh sebuah retail ingin merencanakan pengaturan tampilan

katalog, maka produk-produk yang sering dibeli pada waktu yang bersamaan

akan ditampilkan bersama-sama. Affinity group juga dapat digunakan untuk

mengidentifikasi kesempatan cross-selling.

5. Pengelompokan (Clustering)

Clustering merupakan proses untuk melakukan segmentasi atas sebuah

populasi yang heterogen menjadi sub kelompok atau cluster yang homogen.

Berbeda dengan klasifikasi dan prediksi, clustering membagi objek data tanpa

mengetahui jumlah label kelas.

Cluster dapat digunakan untuk menghasilkan label-label. Objek-objek

dikelompokkan berdasarkan prinsip maksimalisasi kemiripan dalam satu kelas

dan minimalisasi kemiripan antar kelas. Kelak sebuah cluster akan memiliki

tingkat kemiripan yang tinggi dan berbeda jauh dari objek pada cluster lainnya.

Contoh penggunaan dari tugas clustering antara lain untuk

mengelompokkan protein dengan fungsi yang sama atau pengelompokkan stok

saham yang memiliki fluktuasi sama.

6. Description and Profilling

Tujuan dari penggunaan data mining untuk menyelesaikan tugas

deskripsi adalah untuk mendeksripsikan apa yang terjadi pada sebuah database

yang dimiliki. Dengan demikian diharapkan pemahaman mengenai pelanggan,

produk atau jasa, penjualan, dapat ditingkatkan.

      9 

 

2.2. Peramalan (Forecasting)

Terdapat beberapa faktor yang memegang peranan penting dalam

kesuksesan suatu perusahaan atau organisasi seperti waktu, sumber daya, dan biaya.

Namun demikian, untuk dapat menentukan seberapa banyak waktu, sumber daya,

ataupun biaya yang dibutuhkan merupakan hal yang sulit dilakukan karena situasi

pasar yang senantiasa berubah-ubah menimbulkan ketidakpastian.

Tujuan diadakannya peramalan atau forecasting adalah untuk

meminimalisasi resiko serta faktor ketidakpastian tersebut. Dengan adanya hasil

peramalan, diharapkan tindakan atau keputusan dari suatu perusahaan dapat

memberi dampak lebih baik pada jangka yang akan datang.

Oleh karena itu, peramalan dapat dikatakan sebagai bagian awal dari suatu

proses pengambilan suatu keputusan. Namun, sebelum melakukan peramalan harus

diketahui terlebih dahulu apa sebenarnya persoalan dasar dalam pengambilan

keputusan itu.

Peramalan atau forecasting sendiri dapat didefinisikan sebagai suatu proses

memperkirakan apa yang akan terjadi di masa yang akan datang, dengan melihat

pola–pola yang terbentuk dari fakta–fakta yang sudah ada sebelumnya.

2.2.1. Sifat Peramalan

Dalam melakukan peramalan, terdapat beberapa sifat peramalan yang

harus dipertimbangkan, yaitu:

a) Peramalan pasti mengandung unsur kesalahan, artinya peramalan hanya

dapat mengurangi unsur ketidakpastian yang akan terjadi, namun tidak

untuk menghilangkan unsur ketidakpastian tersebut.

      10 

 

b) Peramalan seharusnya memberikan informasi mengenai seberapa besar

ukuran kesalahan dari model peramalan yang telah dibentuk, sehingga

pengguna dapat mengetahui kurang lebih jumlah akurasi peramalan

tersebut untuk kemudian pengguna dapat menentukan tindakan

selanjutnya berdasarkan pada hasil peramalan.

c) Peramalan jangka pendek memiliki akurasi yang lebih baik daripada

peramalan jangka panjang. Hal ini disebabkan karena pada peramalan

jangka pendek, faktor yang mempengaruhi relatif masih konstan

sedangkan pada semakin panjang periode peramalan, maka semakin

besar kemungkinan terjadinya perubahan faktor-faktor yang

mempengaruhi peramalan.

2.2.2. Metode Peramalan

Berdasarkan rentang waktu pada peramalan, peramalan dapat

diklasifikasikan menjadi tiga kategori:

1. Peramalan jangka pendek

Peramalan jangka pendek mencakup jangka waktu 3 hingga 6 bulan.

Peramalan dengan jangka pendek umumnya memiliki ketepatan yang

lebih tepat, dikarenakan faktor-faktor yang mempengaruhi hasil

peramalan cenderung berubah setiap harinya. Contoh penggunaan

peramalan jangka pendek adalah untuk perencanaan produksi, distribusi

dan penjadwalan kerja.

2. Peramalan jangka menengah.

      11 

 

Peramalan jangka menengah mencakup jangka waktu lebih dari 6 bulan

hingga 2 tahun. Contoh penggunaan peramalan jangka menengah adalah

untuk penyewaan lokasi dan peralatan, perencanaan anggaran kas, dan

perencanaan anggaran produksi.

3. Peramalan jangka panjang.

Peramalan jangka panjang mencakup jangka waktu lebih dari 2 tahun.

Contoh penggunaan peramalan jangka panjang adalah untuk penelitian

dan pengembangan untuk akuisisi dan merger dan perencanaan

pembuatan produk baru.

Tabel 2.1 Rentang Waktu dalam Peramalan

Rentang Waktu Tipe Keputusan Contoh

Jangka Pendek

( 3 – 6 bulan) Operasional

Perencanaan Produksi,

Distribusi

Jangka Menengah

( 2 tahun) Taktis

Penyewaan Lokasi dan

Peralatan

Jangka Panjang

(Lebih dari 2 tahun) Strategis

Penelitian dan

Pengembangan untuk

akuisisi dan merger

Atau pembuatan produk

baru

Sedangkan berdasarkan cara peramalan dilakukan, terdapat dua

klasifikasi dari metode peramalan yang ada, antara lain:

1. Metode kualitatif

      12 

 

Metode ini digunakan tanpa adanya model matematik karena data

yang ada dinilai kurang representatif untuk dapat digunakan meramalkan

masa yang akan datang. Peramalan kualitatif didasarkan pada penilaian

dan pertimbangan pendapat dari para ahli pada bidangnya.

Kelebihan dari penggunaan peramalan dengan metode ini adalah

cepat diperoleh serta biaya yang dikeluarkan relatif lebih murah karena

tidak perlu menggunakan data. Akan tetapi, kekurangan metode ini

adalah dinilai kurang ilmiah dan bersifat subjektif dalam artian hasil dari

peramalan sangat bergantung kepada orang yang menyusunnya. Salah

satu metode peramalan kualitatif yang cukup sering digunakan adalah

metode Delphi.

Pada metode Delphi, sekelompok pakar akan mengisi kuisioner,

moderator kemudian membuat simpulan dari hasil pengisian tersebut dan

menformulasikan menjadi sebuah kuisioner baru yang kemudian akan

diisi kembali oleh kelompok tersebut. Hal tersebut akan diulangi

seterusnya dalam beberapa tahap yang berulang.

2. Metode kuantitatif

Peramalan kuantitatif dapat didefinisikan sebagai suatu metode

peramalan yang didasarkan atas data kuantitatif pada masa lalu.

Peramalan kuantitatif hanya dapat digunakan apabila terdapat informasi

mengenai data masa lalu, informasi tersebut juga harus dapat diwujudkan

dalam bentuk angka serta dapat diasumsikan bahwa pola masa lalu akan

berlanjut ke masa yang akan datang.

      13 

 

Berdasarkan pola pendekatan digunakan untuk memprediksikan

hasil peramalan metode kuantitatif dapat diklasifikasikan menjadi dua

jenis, yaitu:

1) Deret Waktu (Time Series)

Data time series dapat didefinisikan sebagai data yang sudah

dikumpulkan ataupun diobservasi berdasarkan urutan waktu, yang

bertujuan untuk menemukan bentuk pola variasi umum dari data di

masa lampau, sehingga dapat digunakan untuk melakukan peramalan

terhadap sifat–sifat data di masa yang datang.

Peramalan dengan metode time series mendasarkan pada pola

hubungan variabel yang ingin dicari dengan variabel waktu yang

dapat mempengaruhi variabel lainnya. Dalam metode time series

diperlukan mencari alur pola yang bisa didapat dari melihat

pergerakan data dari waktu ke waktu, sehingga pola tersebut dapat

digunakan untuk masa yang akan datang.

Terdapat empat komponen utama yang mempengaruhi analisis

dengan menggunakan metode ini, antara lain:

a) Pola Horizontal atau Stationer

Data deret waktu pada pola ini bersifat stationer atau dapat

dikatakan memiliki nilai kenaikan dan penurunan yang berkisar

pada nilai rata-rata. Hal ini disebabkan pola permintaan yang

mempengaruhi data relatif stabil.

b) Pola Musiman

      14 

 

Sesuai dengan musim, pola ini menggambarkan data yang

berulang setiap periode waktu tertentu, umumnya secara tahunan.

Pola ini terjadi bila nilai data yang digunakan dipengaruhi oleh

musim, sebagai contoh permintaan bahan baku jagung untuk

makanan ternak ayam pada pabrik pakan ternak. Harga jagung

akan menjadi turun ketika masa panen, hal ini disebabkan jumlah

jagung yang tersedia besar. Selama musim panen harga jagung

akan menjadi turun karena jumlah jagung yang dibutuhkan

tersedia dalam jumlah yang besar.

c) Pola Siklus (Cycle)

Pola dalam data memiliki fluktuasi bergelombang di sekitar garis

trend. Naik turunnya fluktuasi jarang berulang pada jarak waktu

yang tetap. Besarnya fluktuasi juga senantiasa berubah-ubah. Oleh

karena ketidakstabilan pola, sulit untuk membuat model dari pola

siklus ini.

d) Pola Trend

Pergerakan data pada pola trend cenderung sedikit demi sedikit

meningkat atau menurun sepanjang suatu periode waktu jangka

panjang. Perubahan pendapatan, populasi, penyebaran umur, atau

pandangan budaya dapat mempengaruhi pergerakan trend.

      15 

 

Gambar 2.1 Empat Komponen Utama Model Time Series

Adapun, metode peramalan yang termasuk model time series antara

lain:

a) Metode Smoothing

Metode smoothing digunakan untuk mengurangi

ketidakteraturan musiman dari data masa lalu dengan cara

membuat keseimbangan rata-rata dari data masa lampau. Metode

ini memiliki ketepatan cukup baik untuk peramalan jangka

pendek, sedangkan kurang akurat untuk jangka panjang.

Pada metode ini, terdapat beberapa cara untuk menentukan

peramalan pada periode ke depan. Cara yang cukup mudah dan

sering dipergunakan antara lain metode rata-rata bergerak (moving

average) dan metode exponential smoothing.

      16 

 

Moving average banyak digunakan untuk menentukan trend

dari suatu deret waktu. Dengan menggunakan metode moving

average ini, deret berkala dari data asli diubah menjadi deret rata-

rata bergerak yang lebih mulus. Metode ini dapat diterapkan pada

data yang memiliki perubahan yang tidak terlalu cepat serta tidak

memiliki karakteristik data musiman. Metode moving average ini

dilakukan dengan mengelompokkan data periode waktu kemudian

melakukan perhitungan berdasarkan rata-rata data masa lalu yang

telah terkumpul yang dinilai dapat mewakili sifat data yang akan

dihitung.

Perbedaan metode moving average dengan metode

exponential smoothing terletak pada pemberian nilai bobot pada

data observasi. Pada metode moving average, semua data

observasi pembentuk nilai rata-rata memiliki bobot yang sama,

sedangkan pada metode exponential smoothing data observasi

terbaru dianggap seharusnya memiliki bobot yang lebih besar

dibandingkan dengan data observasi di masa lalu.

b) Metode Proyeksi Kecenderungan dengan Regresi

Metode kecenderungan dengan regresi merupakan dasar garis

kecenderungan untuk suatu persamaan, sehingga dengan dasar

persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti

pada masa yang akan datang. Untuk peramalan jangka pendek dan

jangka panjang, ketepatan peramalan dengan metode ini sangat

baik. Data yang dibutuhkan untuk metode ini adalah tahunan,

      17 

 

minimal lima tahun. Namun, semakin banyak data yang dimiliki

semakin baik hasil yang diperoleh.

Persamaan regresi merupakan persamaan matematik yang

menunjukkan hubungan antara dua variabel sehingga salah satu

variabel dapat diramalkan dari variabel lainnya. Variabel yang

ingin diramalkan disebut dengan variabel terikat (dependent

variable), sedangkan variabel yang ingin digunakan untuk

melakukan peramalan disebut sebagai variabel bebas

(independent variable).

Persamaan regresi ini kemudian digambarkan dengan

menggunakan diagram pencar (scatter diagram) yaitu diagram

yang menggambarkan nilai-nilai observasi dari kedua variabel

tersebut. Umumnya variabel bebas digambarkan pada sumbu X

sedangkan variabel terikat digambarkan pada sumbu Y.

Gambar 2.2 Contoh Scatter Diagram

Hubungan linier antara kedua variabel tersebut dapat

dituliskan sebagai Y = a + bX, dimana a dan b adalah parameter

      18 

 

yang menggambarkan konstanta dan kemiringan dari garis

regresi.

∑+∑ = XbnaY dan ∑∑ ∑ += XbXaXY 2

Dengan mempergunakan kedua persamaan di atas nilai a dan

b dapat diperoleh,

∑ −

∑ −= 22 XnX

YXnXYb dan XbYa −=

Dari nilai a dan b baru yang dihasilkan, sebuah persamaan

akan diperoleh dan kemudian dapat digunakan untuk melakukan

prediksi terhadap nilai Y yang baru.

2) Analisa Kausal atau Asosiatif

Analisa kausal dapat didefinisikan sebagai suatu peramalan yang

menggunakan pendekatan sebab-akibat, dan bertujuan untuk

meramalkan keadaan di masa yang akan datang dengan menemukan

dan mengukur beberapa variabel bebas yang penting beserta

pengaruhnya terhadap variabel terikat yang akan diramalkan.

Contoh metode peramalan yang menggunakan analisa kausal ini

adalah ekonometrik dan penggunaan koefisien korelasi.

a) Ekonometrik

Ekonometrik merupakan kombinasi dari teori ekonomi,

analisa statistik serta model matematis yang dipergunakan untuk

menjelaskan hubungan-hubungan ekonomi. Model ini kemudian

dimanfaatkan untuk memperoleh ramalan untuk variabel utama

      19 

 

seperti pengeluaran untuk konsumsi, inflasi, tingkat harga,

permintaan barang, dan variabel ekonomi lainnya.

Model ekonometrik menggunakan variabel masukkan (input)

ke dalam sistem. Variabel yang ditentukan dari luar model

meliputi variabel-variabel kebijakan (policy variable) dan

peristiwa-peristiwa yang tidak dapat diatasi, variabel-variabel

tersebut dikenal sebagai “exogenous variable”. Selain itu, model-

model ekonometri juga berisi variabel yang ditentukan dari dalam

sistem yang dikenal dengan “endogenous variables”.

Dalam mengformulasikan peramalan dengan metode ini,

terdapat empat tahapan, yaitu:

a. Membangun suatu model teori

b. Mengumpulkan data

c. Memilih bentuk persamaan fungsi yang diestimasi

d. Mengestimasi dan menginterpretasi hasil

b) Koefisien Korelasi

Umumnya penggunaan koefisien korelasi ini digabungkan

dengan metode regresi seperti yang telah dijelaskan sebelumnya.

Koefisien korelasi digunakan untuk menentukan hubungan antara

dua variabel tersebut. Ketika nilai dari sebuah variabel

berhubungan dengan nilai lainnya, variabel-variabel tersebut

dikatakan berkorelasi.

Rumus untuk mencari koefisien korelasi adalah

      20 

 

r∑ Y Y∑ Y Y

n ∑ XY ∑ X ∑ Y

n ∑ X ∑ X n ∑ Y ∑ Y

Apabila nilai dari r = 0, maka dapat dikatakan dari kedua

variabel tidak terdapat pengaruh secara signifikan, sebaliknya jika

nilai koefisien bukan 0, maka dapat dinyatakan kedua variabel

tersebut memiliki pengaruh. Semakin besar nilai variabel

koefisien korelasi, maka dapat dikatakan keterkaitan antara

variabel satu dengan yang lainnya semakin besar (mendekati

angka 1).

2.2.3. Ukuran Ketepatan Peramalan

Sesuai dengan sifat peramalan yang telah disebutkan sebelumnya,

peramalan pasti memiliki unsur kesalahan, sehingga yang penting

diperhatikan adalah usaha untuk memperkecil kemungkinan kesalahannya

tersebut, serta baik tidaknya suatu ramalan tergantung pada faktor data dan

metode yang digunakan.

Dalam melakukan peramalan, suatu hasil dapat dikatakan baik jika

ketepatan meramalnya bernilai yang tinggi. Sebuah model peramalan

dengan kesalahan yang kecil tentunya lebih dapat digunakan untuk

melakukan prediksi atau peramalan untuk masa yang akan datang. Besar

kesalahan yang dibuat oleh model peramalan dapat dihitung dengan

beberapa ukuran kesalahan peramalan:

a. Mean Absolute Percentage Error (MAPE)

      21 

 

MAPE merupakan ukuran akurasi yang memberikan petunjuk

seberapa besar kesalahan peramalan dibandingkan dengan nilai

sebenarnya. MAPE lebih banyak digunakan untuk mengukur akurasi

pada nilai time series, khususnya untuk mengukur trend. Akurasi dari

MAPE umumnya diekspresikan dalam bentuk persentase. Semakin kecil

nilai persentase yang dihasilkan pada perhitungan MAPE, maka semakin

baik akurasi dari peramalan. Berikut ini merupakan rumus perhitungan

MAPE:

1

100

dimana merupakan nilai aktual dan merupakan nilai hasil

peramalan.

Meskipun penggunaan MAPE sebagai ukuran akurasi dapat

dinilai sederhana dan mudah digunakan, MAPE memiliki kelemahan

tersendiri yaitu apabila terdapat nilai 0 pada nilai aktual, maka akan

terdapat sebuah pembagian dengan angka 0. Tentu saja hal ini dapat

memicu terjadinya error.

b. Mean Absolute Deviation (MAD)

MAD mengukur akurasi peramalan dengan merata-ratakan nilai

absolut kesalahan peramalan. Kesalahan diukur dalam unit ukuran yang

sama saperti data aslinya. Berikut ini merupakan rumus perhitungan

MAD:

MAD 1n

|y y |

      22 

 

dimana y merupakan nilai aktual dan y merupakan nilai hasil

peramalan.

c. Mean Squared Error (MSE)

MSE merupakan salah satu cara untuk mengukur perbedaan atau

perbandingan nilai antara nilai aktual dengan nilai hasil prediksi.

Perbandingan nilai MSE yang terjadi selama tahap pencocokan

peramalan mungkin memberikan sedikit indikasi ketepatan model dalam

peramalan. Jika terdapat nilai pengamatan dan ramalan untuk n periode

waktu, maka akan terdapat n buah galat, oleh karena itu perhitungan

tingkat kesalahan dapat dirumuskan sebagai berikut:

1

dimana merupakan nilai aktual dan merupakan nilai hasil

peramalan.

2.3. Machine Learning

Di dalam perkembangan teknologi sekarang ini, dapat terlihat adanya

peralihan yang terjadi di berbagai bidang kehidupan, seperti perindustrian dan

perkantoran. Banyak pekerjaan–pekerjaan yang semulanya dilakukan oleh manusia,

sekarang tergantikan oleh mesin. Otomatisasi membuat perkerjaan menjadi praktis

dan cepat untuk dilakukan sehingga produktivitas pun meningkat. Hal ini bermula

dari pembelajaran yang dilakukan melalui machine learning.

      23 

 

Parrella (2007, p6) menyatakan bahwa machine learning menurut adalah

ilmu yang mempelajari tentang tingkah laku, pola pikir dan teknik pembelajaran

manusia (human learning) ke sebuah mesin.

Menurut Santosa (2007, p10) machine learning adalah suatu area dalam

artificial intelligence atau kecerdasan buatan yang berhubungan dengan

pengembangan teknik–teknik yang bisa diprogramkan dan belajar dari data masa

lalu.

Sehingga dapat diartikan machine learning adalah ilmu yang mempelajari

bagaimana proses pembelajaran manusia dapat diterapkan pada sebuah mesin

dengan mengolah data–data masa lalu untuk menyelesaikan suatu masalah.

Machine learning dikembangkan untuk menyelesaikan berbagai permasalahan

programming yang tidak dapat terselesaikan dengan teknik yang umum. Beberapa

contoh permasalahan yang dapat diselesaikan:

• Pengenalan karakter, manusia dapat dengan mudah membedakan huruf abjad

atau kata untuk membuat sebuah kata-kata dan memberinya arti. Sedangkan

komputer melihat karakter sebagai sebuah rangkaian perintah 0 dan 1, tanpa

adanya pemahaman mengenai arti kata (semantic). Machine learning

memungkinkan untuk mengenali sebuah karakter, memberikan arti kata dan

membedakan satu sama lain dengan melakukan tahap pelatihan terlebih dahulu.

• Prediksi untuk penjualan, dengan melihat pola penjualan yang telah dilakukan

sebelumnya dapat terlihat barang apa yang perlu diproduksi lebih dan yang

tidak. Hal ini dapat dimudahkan dengan menerapkan machine learning di mana

      24 

 

pola–pola tersebut akan dipelajari yang kemudian diolah menjadi formulasi

yang menghasilkan sebuah prediksi yang baik.

Secara garis besar, machine learning dibagi menjadi 2 bagian yaitu

supervised learning dan unsupervised learning.

2.3.1. Unsupervised Learning

Unsupervised learning merupakan teknik dari machine learning yang

diterapkan tanpa adanya latihan (training) dan tanpa ada label dari data.

Unsupervised learning menghilangkan guru dan menuntut pembentukan dan

pengevaluasian konsep sendiri. Apabila terdapat sekelompok pengamatan

atau data tanpa label, maka pada unsupervised learning, data akan

dikelompokkan ke dalam beberapa kelas yang dikehendaki.

Pola input akan diberikan pada sistem, kemudian sistem akan

diperintahkan untuk mencari keteraturan pola. Sebagai contoh, misalkan

sekelompok pelanggan ingin dibagi berdasarkan dengan status ekonomi.

Maka dengan teknik unsupervised, pelanggan sebagai objek dapat

dikelompokkan berdasarkan tingkat kepemilikan properti tertentu atau dapat

juga berdasarkan penghasilan per tahunnya. Pengelompokkan ini dilakukan

dengan mengasumsikan bahwa, dalam satu kelompok anggota-anggotanya

harus memiliki kesamaan yang tinggi dibandingkan dengan kelompok lain.

Beberapa teknik popular yang termasuk memiliki metode pembelajaran

unsupervised learning adalah teknik Clustering dan Self Organizing Map.

2.3.1.1. Clustering dalam Machine Learning

      25 

 

Teknik clustering memiliki tujuan utama untuk

mengelompokkan sejumlah data/objek ke dalam cluster atau grup

sehingga setiap cluster akan berisikan data yang semirip mungkin.

Ini berarti data dalam cluster yang sama (intracluster) diharapkan

memiliki jarak seminimal mungkin dan dalam cluster yang berbeda

(intercluster) akan memiliki jarak semaksimal mungkin.

Teknik clustering ini termasuk ke dalam unsupervised learning

dikarenakan pelatihan dari metode ini tidak membutuhkan label atau

pun keluaran dari setiap data yang diinvestigasi.

Gambar 2.3 Jarak Intracluster Minimal dan Jarak Intercluster

Maksimal

Terdapat dua pendekatan dalam clustering yaitu:

1. Pendekatan partiosioning. Pada pendekatan partisioning,

awalnya ditetapkan pengelompokan dari x1, x2, … xn ke dalam

sejumlah cluster. Selanjutnya dilakukan realokasi objek

berdasarkan kriteria tertentu hingga pengelompokan optimum

tercapai.

      26 

 

2. Pendekatan hirarki, akan membuat n cluster dimana setiap

cluster hanya beranggotakan sebuah objek pada awalnya.

Selanjutnya pada setiap tahap prosedur, sebuah cluster akan

digabungkan dengan sebuah cluster lain.

Berikut merupakan beberapa algoritma clustering yang umum

digunakan:

a. Hierarchical Clustering

Tugas hierarchical clustering adalah mengatur sekumpulan

objek menjadi sebuah hirarki hingga terbentuk kelompok yang

memiliki kesamaan. Berikut merupakan langkah-langkah yang

untuk melakakukan hierarchical clustering:

1. Kelompokkan setiap objek dalam sebuah cluster.

2. Temukan pasangan yang paling mirip untuk dimasukkan ke

dalam cluster yang sama dengan melihat data dalam matriks

kemiripan.

3. Kedua objek kemudian digabungkan dalam satu cluster.

4. Ulangi dari langkah kedua dan ketiga hingga tersisa sebuah

cluster.

Untuk mengukur kemiripan dari objek-objek ini dapat dengan

menggunakan cosinus, kovarian, dan korelasi (Santosa, 2006,

p35). Sedangkan untuk ukuran ketidakmiripan digunakan

perhitungan untuk jarak seperti Euclidean sebagai berikut:

      27 

 

,

b. K-means

Pada K-means, objek data dikelompokkan ke dalam k cluster.

Jumlah cluster harus ditentukan terlebih dahulu, oleh karena itu

umumnya pengguna telah memiliki informasi awal mengenai

objek dan jumlah cluster yang paling tepat. Selanjutnya dengan

menggunakan perhitungan jarak, maka pengelompokkan objek-

objek tersebut dapat dibentuk.

Langkah-langkah yang untuk melakakukan clustering dengan

menggunakan algoritma K-means adalah:

1. Menentukan jumlah cluster k.

2. Menentukan pusat dari cluster. Penentuan pusat dari cluster

dapat dilakukan dengan berbagai cara, namun yang paling

sering digunakan adalah dengan random.

3. Setiap objek yang dekat satu sama lain akan dikelompokkan.

Kedekatan ditentukan dengan menghitung jarak tiap data

dengan pusat cluster.

4. Tentukan kembali pusat cluster melalui perhitungan rata-rata

dari semua objek dibagi dengan objek dalam cluster. Selain

dari rata-rata, perhitungan pusat cluster juga dapat

menggunakan median.

      28 

 

5. Tugaskan setiap objek dengan menggunakan pusat cluster,

hingga pusat cluster tidak berubah lagi.

c. Fuzzy K-means

Fuzzy k-means merupakan pengembangan dari teknik K-means.

Perbedaan dari clustering fuzzy K-means dengan k-means adalah

pada K-means objek hanya dapat menjadi anggota dari satu

cluster, sedangkan pada fuzzy K-means, sesuai dengan namanya,

setiap objek dapat saja menjadi anggota beberapa cluster.

Langkah-langkah yang untuk melakakukan clustering dengan

menggunakan algoritma Fuzzy K-means adalah:

1. Tentukan k jumlah pusat cluster.

2. Tempatkan setiap data ke cluster terdekat.

3. Hitung pusat cluster lalu pindahkan pusat cluster ke hasil yang

baru tersebut. Pada Fuzzy K-means pusat cluster dihitung

dengan mencari rata-rata dari semua titik dalam suatu cluster

dengan diberi bobot berupa tingkat keanggotaan (degree of

belonging) dalam cluster tersebut.

4. Tempatkan kembali setiap data ke cluster terdekat. Evaluasi

data mana yang berubah cluster.

5. Hitung kembali pusat cluster, dan ulangi langkah ketiga dan

seterusnya.

Dengan tingkat keanggotaan, dapat dilihat data mana yang

sebenarnya berada dalam daerah abu-abu. Dengan nilai tingkat

keanggotaan harus diambil keputusan ke cluster mana suatu data

      29 

 

akan dimasukkan, Hasil dari Fuzzy K-means ini sangat bergantung

pada penentuan nilai awal dari pusat cluster.

2.3.1.2. Self Organizing Map (SOM)

Self-organizing map (SOM) merupakan sebuah tipe dari

artificial neural network yang menggunakan metode training data

unsupervised learning untuk memproduksi representasi diskrit dari

sampel data training, yang disebut dengan peta (map).

Self-organizing map terdiri dari komponen-komponen yang

disebut dengan node atau neuron. Setiap node berasosiasi dengan

sebuah weight vector yaitu sebuah vector yang memiliki bobot.

Neuron-neuronnya biasanya dibuat beberapa dimensi, tapi yang

sering di pakai adalah 1 dimensi atau 2 dimensi.

Proses dari self-organizing map mirip dengan artificial neural

network yaitu mengubah bobot pada neuron. Setalah memasukkan

input dan melakukan proses pembelajaran (learning), neuron-neuron

dengan bobot yang mirip akan berkumpul membentuk cluster.

Langkah algoritma dari self-organizing map antara lain:

1. Tentukan bobot awal dari vektor secara random.

2. Set jumlah tetangga yang memberi pengaruh dan kadar

pembelajaran.

3. Hitung jarak antara input pada setiap node, dapat dengan

menggunakan rumus jarak Eucledian.

4. Tentukan node yang memiliki jarak paling kecil.

      30 

 

5. Ubah nilai bobot pada node dengan jarak terkecil tersebut serta

node tetangga yang berada pada radius jumlah tetangga yang

memberikan pengaruh.

6. Ulangi langkah 3 sampai 5 untuk setiap nilai x.

7. Kurangi nilai kadar pembelajaran serta jumlah tetangga yang

memberi pengaruh.

8. Selama syarat menghentikan proses belajar belum terpenuhi

ulang langkah 3 hingga 7.

2.3.2. Supervised Learning

Supervised learning merupakan teknik pembelajaran untuk membuat

suatu pembagian atau klasifikasi dari suatu data yang ada. Misalkan dari

suatu program diharapkan dapat membedakan apakah itu bus atau mobil

ketika diberi suatu gambar. Output yang diinginkan adalah program tersebut

dapat memilah–milah objek tersebut ke dalam klasifikasi yang cocok.

Pembelajaran ini memerlukan beberapa langkah yang perlu dilakukan

yaitu menentukan set training dan set testing. Set training merupakan

kumpulan contoh data yang digunakan untuk keperluan analisa. Dari set

training ini diolah untuk mendapatkan pembagian yang tepat. Classifier ini

perlu diuji ketepatannya dengan menggunakan set testing sehingga akan

tampak presentase keberhasilannya. Semakin tinggi persentasenya maka

program tersebut semakin baik dan layak untuk digunakan untuk prediksi.

      31 

 

Beberapa algoritma yang menerapkan supervised learning ini yaitu

Decision Tree, Artificial Neural Networks, Support Vector Machine dan

Support Vector Regression.

2.3.2.1. Decision Tree

Sering kali dalam kehidupan sehari–hari ditemukan berbagai

masalah yang tak terduga terjadi. Ketika suatu masalah telah

terselesaikan, muncul masalah yang lain lagi dan ini berlangsung

secara terus–menerus. Banyak hal yang berkaitan sehingga masalah

tersebut muncul. Misalkan seorang siswa mendapatkan nilai buruk,

setelah ditinjau lagi, nilai buruk tersebut didapat karena anak itu

malas belajar, penyebab dari malas berlajar itu pun dapat dijabarkan

lagi karena terlalu banyak bermain game, pergi dengan teman dan

setelah kelelahan langsung tidur dan tidak belajar. Untuk menangani

hal itu, diciptakan solusi tentang suatu pemikiran yang dapat

membantu manusia untuk mengambil sebuah keputusan.

Dengan menggambarkan dan menguraikan permasalahan yang

ada dengan faktor–faktor yang mendukungnya maka akan

didapatkan suatu solusi untuk memecahkan masalah tersebut. Pohon

keputusan atau decision tree ini akan membantu untuk menjabarkan

setiap permasalahan yang ada sehingga keputusan pun akan dengan

mudah dipilih.

Menurut Berson and Smith (2000, p56), decision tree

merupakan sebuah predictive model yang terlihat seperti pohon di

      32 

 

mana masing–masing cabangnya mengklasifikasikan pertanyaan dan

daun–daunnya merupakan bagian dari set data dengan klasifikasinya.

Konsep dasar dari decision tree adalah mengubah data menjadi

sebuah pohon keputusan dan aturan-aturan.

Gambar 2.4 Konsep Dasar Decision Tree

Pada decision tree pertanyaan pertama menjadi simpul akar

yang jawabannya akan menjadi cabang–cabang, yang kemudian

cabang tersebut akan menjadi simpul bagi cabang–cabang di

bawahnya lagi. Setiap cabang merepresentasikan kumpulan dari

alternatif keputusan, pada setiap langkah, hanya satu keputusan yang

dapat diambil. Langkah ini berakhir ketika suatu simpul merupakan

objek yang dicari.

      33 

 

Gambar 2.5 Contoh Model Decision Tree

Hal yang menarik pada decision tree:

a) Decision tree membagi data pada setiap leaf tanpa kehilangan

data satupun (total record pada parent sama dengan jumlah total

record yang dimiliki anak - anaknya).

b) Label atau output data biasanya bernilai diskrit.

c) Data mempunyai missing value. Terkadang nilai dari suatu

atribut tidak diketahui, dalam keadaan seperti ini decision tree

masih dapat memberikan solusi yang baik.

d) Decision tree memiliki konsep yang mudah untuk dimengerti.

Tujuan utama dari decision tree sebenarnya adalah untuk

mengeksplorasi, kemudian dikembangkan untuk keperluan prediksi.

Dengan membangun sebuah predictive model, diharapkan decision

tree dapat memiliki data standar untuk forecasting. Hal ini dapat

bermanfaat untuk menentukan peluang yang ada dengan melihat

      34 

 

kondisi–kondisi yang terjadi sehingga mendukung keputusan yang

perlu diambil.

Beberapa contoh penggunaan decision tree antara lain untuk

mendiagnosa penyakit tertentu, seperti kanker, stroke, dan lain-lain,

deteksi gangguan pada komputer atau jaringan komputer seperti

deteksi virus, pemilihan pegawai teladan.

2.3.2.2. Artificial Neural Network (ANN)

Mengetahui cara kerja otak merupakan tantangan bagi para

ilmuwan untuk dapat mengetahuinya. Hal ini berkembang dengan

dibuatnya kecerdasan buatan yang kemudian diterapkan dengan

menanamkan kecerdasan ke dalam suatu sistem. Analoginya seperti

mengajarkan seorang anak untuk belajar berjalan, dimulai dari

belajar merangkak. Setelah beberapa waktu berlalu anak tersebut

akan dapat berjalan sendiri ke arah yang diinginkan. Pembelajaran

yang dilakukan ini disebut Artificial Neural Network.

Neural Network menurut Berson and Smith (2000, p167)

merupakan biological system yang dapat mendeteksi pola, membuat

prediksi dan belajar.

Contoh penerapan ANN ini dilakukan untuk sistem sekuriti

seperti Intrusion Detection System (IDS). Aplikasi ini dapat

mendeteksi hal-hal yang mencurigakan pada sebuah sistem atau

jaringan. Pendeteksian tersebut berguna untuk mencegah

penyusupan dan serangan. Pembelajaran tersebut dilakukan dengan

      35 

 

mengimplementasikan pendeteksian pola dan algoritma machine

learning ke dalam mesin untuk membuat sebuah predictive model

dari data–data yang ada.

Untuk proses prediksi neural network memerlukan sebuah nilai

yang disebut input node. Secara sederhana proses kerjanya sebagai

berikut, nilai ini dikalikan dengan nilai yang disimpan dalam link

yang menghubungkan dengan satu node dengan node lain yang

kemudian dihitung sehingga menghasilkan sebuah nilai prediksi. Di

mana nilai 0 merupakan nilai yang baik (non default) dan nilai 1

merupakan nilai yang buruk (default).

Gambar 2.6 Contoh Model Artificial Neural Network

      36 

 

Kelebihan dari artificial neural network adalah kemampuannya

dalam memprediksi di mana ANN mempunyai toleransi yang tinggi

terhadap data yang mengandung noise dan mampu menangkap

hubungan yang sangat kompleks antara variabel–variabel prediktor

dan outputnya. Sedangkan kekurangannya pada hasil prediksinya,

ANN harus membutuhkan data training yang cukup.

2.3.2.3. Support Vector Machine (SVM)

Konsep dasar dari support vector machine sebenarnya

merupakan penggabungan dari teori–teori komputasi yang telah ada

seperti hyperplane, kernel, dan konsep–konsep pendukung lain.

Konsep ini diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun

1992.

Penerapan dari metode ini telah dilakukan untuk pengolahan

citra dan pengenalan wajah. Sistem classifier diciptakan untuk dapat

mendeteksi citra yang merupakan wajah. Sehingga hasilnya akan

dapat membedakan antara wajah dan bukan wajah.

Tujuan utama dari proses training dengan tujuan klasifikasi data

adalah memakai set training untuk menemukan garis pemisah dua

buah class, yang memiliki generalisasi baik. Generalisasi baik

maksudnya mampu memberikan keputusan yang benar terhadap data

baru yang tidak dilibatkan dalam proses training, dengan kata lain

meminimalisasi tingkat error model yang dihasilkan terhadap test-

sample.

      37 

 

Support vector machine menerapkan structural risk

minimization untuk meminimalisasi kesalahan yang ada tersebut.

Teori SVM bertujuan untuk mencari hyperplane atau garis pemisah

terbaik dengan memaksimalkan margin. Margin sendiri dapat

didefinisikan sebagai jarak terdekat dari hyperplane ke data sebuah

class.

Terdapat dua jenis data yang dapat diklasifikasikan dengan

menggunakan SVM, yang pertama adalah linearly separable data

yaitu data yang dapat dipisahkan secara linier dan nonlinearly

separable data yaitu data yang tidak dapat dipisahkan secara linier.

Pada umumnya data-data pada dunia real jarang yang berbentuk

linearly separable. Oleh karena itu, dengan adanya metode kernel,

perhitungan fungsi pemisah (classifier) digunakan untuk

mengklasifikasikan non linear pun dapat dilakukan. Untuk

mendapatkan hasil yang lebih sempurna maka perlu dilakukan

optimasi dengan quadratic programming sehingga pola yang ada

akan semakin mudah untuk dikenali.

Gambar 2.7 Pengenalan Pola dalam Support Vector Machine

      38 

 

Seperti yang dapat dilihat pada gambar di atas, terdapat 2 buah

kelas yang dipisahkan oleh sebuah hyperplane yaitu: class +1 dan

class -1. Masalah klasifikasi digambarkan pada hyperplane yang

memisahkan 2 kelompok tersebut. Semakin jelas pembagian

kelasnya maka tujuan dari support vector machine ini tercapai.

SVM sendiri sebenarnya pertama kali diperkenalkan oleh

Vapnik, hanya dapat mengklasifikasikan data ke dalam dua kelas.

Akan tetapi dengan diadakannya pengembangan lebih lanjut, maka

saat ini SVM telah memiliki kemampuan untuk mengklasifikasikan

data lebih dari dua kelas. Terdapat dua cara untuk

mengimplementasikan multi class SVM ini yaitu dengan metode

“one-against-all” dan “one-against-one”.

2.3.2.4. Support Vector Regression (SVR)

Support vector regression (SVR) merupakan pengembangan

dari support vector machine (SVM) yang bisa menghasilkan

performansi yang lebih baik dan mengatasi masalah overfitting.

Seperti yang diketahui SVM diterapkan untuk kasus klasifikasi dan

output datanya berupa bilangan bulat atau diskrit, sedangkan SVR

sendiri penerapannya pada kasus regresi yang mana output datanya

berupa bilangan riil atau kontinu.

Contoh penerapan SVR yaitu untuk memprediksi besar bonus

untuk karyawan pada perusahaan. Dengan menerapkan fungsi dan

penetapan nilai variabel yang tepat, perhitungan persentase bonus

      39 

 

untuk karyawan menunjukan error yang kecil, fungsi yang tipis dan

banyak support vector (Puspita Sari, 2009, p1).

2.4. Support Vector Regression (SVR)

Tujuan dari support vector regression adalah untuk mendapatkan suatu

fungsi dengan tingkat kesalahan paling kecil sehingga menghasilkan suatu prediksi

yang bagus.

Ide dasar dari support vector regression dengan menentukan set data yang

dibagi menjadi set training dan set validasi. Kemudian dari set training tersebut

ditentukan suatu fungsi regresi dengan batasan deviasi tertentu sehingga dapat

menghasilkan prediksi yang mendekati dari target aktual.

(a) (b)

Gambar 2.8 Batas Error dalam Support Vector Regression

Gambar 2.8 (a) menunjukkan bagaimana error pada SVR dihitung. Sampai

dengan garis batas error , nilai error dianggap sama dengan 0, sedangkan di luar

batas tersebut, nilai error akan dihitung sebagai “error-epsilon”. Solusi pada

      40 

 

masalah ini adalah dari sebuah garis, akan dibentuk sebuah tabung yang memiliki

toleransi terhadap error seperti yang ditunjukkan pada Gambar 2.8 (b).

Fungsi regresi tersebut akan sempurna apabila batas deviasinya sama

dengan 0 sehingga dapat dituliskan sebagai berikut:

f(x) = wT φ(x) + b

di mana φ(x) menunjukan suatu titik di dalam feature space F yang merupakan hasil

pemetaan x di dalam input space. Koefisien w dan b di sini berfungsi untuk

meminimalkan fungsi resiko (risk function).

Dengan meminimalkan fungsi resiko tersebut akan membuat suatu fungsi

menjadi setipis mungkin, sehingga kapasitas fungsi (function capacity) dapat

terkontrol, hal ini dinamakan regularisasi. Faktor lain yang dapat mendukung

ketelitian fungsi ini adalah dengan meperhitungkan kesalahan empirik (empirical

error) yang diukur dengan besarnya ε-insensitive loss function. Menurut Weber dan

Guajardo (2008, p58), nilai e mendefinisikan derajat toleransi terhadap error.

Suatu fungsi dianggap layak dan baik apabila semua titik ada dalam rentang

yang seharusnya, sebaliknya bila ada beberapa titik keluar dari rentang yang

seharusnya maka fungsi tersebut tidak layak digunakan untuk sebuah prediksi.

Untuk mengatasi masalah pembatas yang tidak layak tersebut diperlukan suatu

variabel tambahan yang disebut variabel slack. Sehingga fungsi di atas perlu

dioptimisasi lagi menjadi:

min ||w||2 + C ∑ t t

Konstanta C > 0 menentukan tawar menawar (trade off) antara batas deviasi

yang masih bisa ditoleransi.

      41 

 

Dalam permasalahan dual, optimisasi perlu dilakukan dengan Lagrange

multiplier sehingga didapat rumus sebagai berikut:

f(x) = ∑ α α K x , x b

Dimana K x , x merupakan fungsi kernel. Fungsi kernel ini akan

membantu menghasilkan suatu fungsi dengan hasil yang berbeda–beda dengan

berbagai jenis yang ada pada kasus non-linear. Nilai dari kernel ini sama dengan

inner product dari dua buah vector xi dan pada feature space φ(xi) dan φ(xj).

Keunggulan dari penggunaan fungsi kernel ini adalah kemampuannya untuk

berhubungan dengan feature space tanpa perlu menghitung mapping dari φ(x)

secara eksplisit.

Secara garis besar, terdapat beberapa jenis kernel yaitu linear, polynomial,

radial basis function (RBF), dan exponential RBF.

• Kernel Linear

ii xxxxK ,),( =

• Kernel Polynomial

dii xxxxK ,),( =

Di mana d adalah derajat kernel polynomial.

• Kernel radial basis function

⎟⎟

⎠

⎞

⎜⎜

⎝

⎛ −−= 2

2

2exp),(

σi

i

xxxxK

Di mana σ 2 merupakan bandwith dari Kernel radial basis function.

• Kernel exponential RBF

      42 

 

⎟⎟⎠

⎞⎜⎜⎝

⎛ −−= 22

exp),(σ

ii

xxxxK

Kernel merupakan suatu fungsi untuk memetakan data ke dalam ruang

vektor yang berdimensi lebih tinggi. Kernel trick ini sangat membantu untuk

perhitungan prediksi, dengan hanya menganalisa permasalahan yang ada. Hal yang

perlu dilakukan hanyalah menyesuaikan dengan tipe kernel yang sudah ada tanpa

melakukan perhitungan untuk melakukan pemetaan. Terdapat beberapa tipe kernel

yang sering dijumpai dan setiap tipe kernel tersebut akan menghasilkan nilai output

yang berbeda.

Untuk menangani masalah regresi support vector regression juga

menerapkan loss function, dengan memberikan pinalti pada kesalahan–kesalahan

atau error yang akan terjadi maka kesalahan perhitungan akan semakin kecil.

Loss–function merupakan fungsi untuk menggambarkan bentuk hyperplane

yang akan dihasilkan pada predective model, pada umumnya loss-function yang

banyak digunakan adalah tipe quadratical dan e-insensitive. Loss–function akan

menentukan bentuk garis batas error yang besarnya sesuai dengan nilai e yang telah

di input. Menurut Gunn (p29, 1998), terdapat beberapa macam loss function yaitu

quadratic, Laplace, Huber dan e-insensitive.

      43 

 

Quadratic Laplace

Huber -insensitive

Gambar 2.9 Contoh Loss Function

Dalam support vector regression, data terbagi menjadi 3 kondisi yaitu

support set, error set dan remaining set. Seperti yang diketahui support vector

regression mempunyai batasan error, kondisi di mana data berada di dalam garis

batas disebut remaining set, support set merupakan kondisi di mana data berada

pada garis batas dan apabila data tersebut di luar garis batas dinamakan error set.