5/12/2018 IV Metode Learning Part 1 - slidepdf.com

http://slidepdf.com/reader/full/iv-metode-learning-part-1 1/5

 

Universitas Islam Majapahit Mojokerto 1

MODUL IVMETODE LEARNING (Part 1)

Kompetensi Dasar : Menempatkan metode learning  dalam menyelesaikan suatu

masalah dengan tepat dan baik.

Materi Pokok :

1. Pengertian Metode Learning 

2. Macam-macam Metode Learning 

3. Contoh penggunaan Metode Learning

4.1 Pengertian Metode Learning

Metode ini berbeda dengan metode-metode yang sebelum-sebelumnya. Di mana

metode yang sebelum-sebelumnya dalam menyelesaikan suatu masalah harus

mendefinisikan aturan-aturan yang perlu dipakai. Padahal terkadang pada masalah

tertentu kita tidak atau kesulitan dalam mendefinisikan aturan secara benar dan lengkap.

Metode Learning merupakan metode pembelajaran dari data-data yang sudah ada

dan bisa secara otomatis menemukan aturan yang diharapkan dapat berlaku umum

untuk data-data yang belum pernah diketahui. Secara garis besar setiap program

computer dapat meningkatkan performansinya melalui experience. Terdapat contoh data

penerimaan pegawai:

Diketahui:

∑ Pelamar = 11 Orang

∑ Parameter/Atribut= 3 Item (IPK, Psikolog, Wawancara) 

∑ Hasil IPK = 3 Item (Bagus, Cukup, Kurang)

∑ Hasil Psikolog = 3 Item (Tinggi, Sedang, Rendah)

∑ Hasil Wawancara = 2 Item (Baik, Buruk)

∑ Kelas = 2 Kelas (Ya dan Tidak)Berikut table data pegawai:

KECERDASAN BUATAN/ AIOleh:Yesi Diah Rosita, S.Kom.

5/12/2018 IV Metode Learning Part 1 - slidepdf.com

http://slidepdf.com/reader/full/iv-metode-learning-part-1 2/5

 

Universitas Islam Majapahit Mojokerto 2

Pelamar IPK Psikolog Wawancara Diterima

P1 Bagus Tinggi Baik Ya

P2 Bagus  Sedang Baik Ya

P3 Bagus  Sedang Buruk Ya

P4 Bagus  Rendah Buruk Tidak

P5 Cukup Tinggi Baik Ya

P6 Cukup Sedang Baik Ya

P7 Cukup Sedang Buruk Ya

P8 Cukup Rendah Buruk Tidak

P9 Kurang Tinggi Baik Ya

P10 Kurang Sedang Buruk Tidak

P11 Kurang Rendah Baik Ya

Tabel 4.1 Data Penerimaan Pegawai

Semestinya jika data dikatakan lengkap dengan sudah diketahui jumlah parameter

beserta hasilnya, maka hasil kombinasinya dapat diperoleh dari:

3 (∑ Hasil IPK) * 3 (∑ Hasil Psikolog) * 2 (∑ Hasil Wawancara) = 18 Kombinasi 

4.2 Macam-macam Metode Learning

Terdapat 3 macam metode learning :

1.  Decision Tree Learning 

2.  Jaringan Syaraf Tiruan 

3.  Algoritma Genetika 

4.2.1 Decision Tree Learning  Merupakan metode yang berusaha menemukan fungsi-fungi pendekatan yang

bernilai diskrit dan tahan terhadap noisy data serta mampu mempelajari ekspresi-ekspresi

disjunctive (OR). Pada bahasan ini akan mempelajari salah satu jenis DTL yang sangat

terkenal yakni Iterative Dychotomizer version 3 atau dikenal dengan ID3.

ID3 membangun sebuah DTL secara Top-Down, maksudnya atribut mana yang

pertama kali harus dicek dan diletakkan pada root. Maka dengan adanya hal ini

digunakan suatu ukuran statistic yakni Information Gain untuk mengukur efektivitas suatu

5/12/2018 IV Metode Learning Part 1 - slidepdf.com

http://slidepdf.com/reader/full/iv-metode-learning-part-1 3/5

 

Universitas Islam Majapahit Mojokerto 3

atribut dalam mengklasifisikan kumpulan sampel data. Tetapi sebelum menghitung

Information Gain, harus memahami ukuran Entropy untuk mengukur heterogenitas dari

kumpulan sampel data.

Entropy (S) ∑  dimana :

c = ∑ Parameter/Atribut 

pi  = ∑ Sampel Data untuk Kelas i 

maka :

p1 = 8 sampel (untuk kelas ‘Ya’) 

p2 = 3 sampel (untuk kelas ‘Tidak) 

Selanjutnya dapat dihitung Entropy-nya :

Entropy (S) = -(8/11)(8/11) -(3/11)(3/11)

= 0.8454

Untuk sampel data yang dikelompokkan dalam 2 kelas,maka entropy-nya adalah 1. Jika

lebih dari 2 kelas, maka dapat diperoleh dengan menggunakan rumus:

 c 

Berikut ini graik fungsi entropy untuk kumpulan data dengan 2 kelas.

1

0.5

0 0.5 1p1

Entropy (S)

5/12/2018 IV Metode Learning Part 1 - slidepdf.com

http://slidepdf.com/reader/full/iv-metode-learning-part-1 4/5

 

Universitas Islam Majapahit Mojokerto 4

Setelah mengetahui nilai entropy-nya, maka dapat diukur efektivitas suatu

parameter/atribut (Information Gain). Adapun rumusnya sebagai berikut:

 

di mana:

A = parameter/atribut

V = menyatakan suatu nilai yang mungkin untuk atribut A

Values(A) = himpunan nilai-nilai yang mungkin untuk atribut A

|Sv| = jumlah sampel untuk nilai v 

|S| = jumlah seluruh sampel data

Entropy(Sv) = entropy untuk sampel-sampel yang memiliki nilai v

  Menghitung Information Gain untuk IPK

Lihat pada table 4.1.

Dimisalkan:

-  Atribut ‘Ya’ dikatakan sampel positif (+) 

-  Atribut ‘Tidak’ dikatakan sampel negative (-)

Diketahui:

-  Values(IPK) = Bagus, Cukup, Kurang; maka:

-  S = [8+,3-]; |S| = 11

SBagus  = [3+, 1-]; |SBagus| = 4

SCukup  = [3+, 1-]; |SCukup| = 4

SKurang  = [2+, 1-]; |SKurang| = 3

Dihitung Information Gain IPK:

Entropy(S) = -(8/11)(8/11) -(3/11)(3/11)

= 0.8454 

Entropy(SBagus) = -(3/4)(3/4) -(1/4)(1/4)

= 0.8113 

Entropy(SCukup) = -(3/4)(3/4) -(1/4)(1/4)

5/12/2018 IV Metode Learning Part 1 - slidepdf.com

http://slidepdf.com/reader/full/iv-metode-learning-part-1 5/5

 

Universitas Islam Majapahit Mojokerto 5

= 0.8113

Entropy(SKurang) = -(2/3)(2/3) -(1/3)(1/3)

= 0.9183

Jadi, Gain(S,IPK) =  ∑ *+  

= ( )

( )

( ) 

=0.8454 – ((4/11)*0.8113) - ((4/11)*0.8113) – 

((3/11)*0.9183)

= 0.8454 – 0.2950 - 0.2950 – 0.2504

= 0.0049

Gain(S,Psikolog) & Gain(S,Wawancara) ???