MAKALAH KECERDASAN BUATAN

cx

PERCEPTRONA. BackgroundKonsep utama pemakaian pengenalan pola adalah diskriminan. Idenya adalah system pengenalan pola secara adaptif belajar dari pengalaman dan menyaring berbagai diskriminan yang masing-masing sesuai untuk tujuannya. Misalnya, jika yang menjadi perhatian utama hanyalah keanggotaan kelas, system akan belajar dari pengamatan pola yang diidentifikasi oleh kelas dan menghasilkan diskriminan untuk klasifikasi.Salah satu pengembangan pengenalan pola adalah Perceptron yang ditemukan oleh Rosenblatt (1962) dan Minsky-Papert (1969).Pembuktian teorema belajar perceptron oleh Rosenblatt (1962) menunjukkan bahwa perceptron dapat mempelajari apa saja yang dapat dipresentasikannya. Representasi teracu pada kemampuan perceptron untuk mensimulasikan sebuah fungsi tertentu.B. Definisi

Perceptron merupakan bentuk paling sederhana dari JST yang digunakan untuk pengklasifikasian pola khusus yang biasa disebut Linearly separable, yaitu pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang.Fungsi dari perceptron adalah untuk mengklasifikasikan himpunan stimulus yang diaplikasikan secara eksternal x1, x2, , xp kedalam salah satu dari dua kelas K1 atau K2. Aturan keputusan untuk klasifikasi adalah berdasarkan nilai yang dipresentasikan oleh input x1, x2, , xp ke kelas K1 jika outputnya dari perceptron y adalah +1, dank e kelas K2 jikia outputnya dari perceptron y adalah -1 Decision Boundary

w1x1 + w2x2 = 0

Gambar 1C. Model Perceptron1. Model dasar dari perceptron itu sendiri terdiri dari neuron tunggal dengan bobot-bobot sinaptik dan threshold yang dapat diatur.Inputs Output (y)

Treshold ()

Xp

Gambar22. Model lainnya dari perceptron terdiri dari linier combiner dan diikuti oleh hard limiter

X1

X2

(Vi)Inputs Output (yi)

Hard Limiter

Treshold ()

XpGambar 3

D. Algoritma Pelatihan Perceptron1. Inisialisasi semua bobot dan bias (biasanya =0)

Set learning rate : (0 < 1). Untuk penyederhanaan set sama dengan 1

Set nilai threshold () untuk fungsi aktivasi

2. Untuk setiap pasangan pembelajaran s-t, kerjakan :

a. Set aktivasi unit input xi = sib. Hitung respons untuk unit output: y_in = b + ixiwic. Masukkan ke dalam fungsi aktivasi :

1, jika y_in > Y = 0,jika y_in -1, jika y_in < -

d. Bandingkan nilai output jaringan y dengan target t: Jika y t, lakukan perubahan bobot dan bias dengan cara berikut :

wi (baru) = wi (lama) + *t*xi b(baru)= b(lama) + *t

jika y = t, tidak ada perubahan bobot dan bias

wi (baru) = wi (lama)

b(baru)= b(lama)

3. Lakukan iterasi terus-menerus hingga semua pola memiliki output jaringan yang sama dengan targetnya. Artinya bila semua output jaringan sama dengan target maka jaringan telah mengenali pola dengan baik dan iterasi dihentikan.

INFOAlgoritma pelatihan perceptron dapat digunakan baik untuk biner maupun bipolar dengan tertentu dan bias yang dapat diatur.

Satu siklus pelatihan yang melibatkan seluruh data input disebut satu epoch

Contoh 1:Buatlah JST (Jaringan Saraf Tiruan) untuk melakukan pembelajaran terhadap fungsi logika And dengan input biner dan target bipolar sebagai berikut :

X1X2Target (t)

0

0

1

10

1

0

1-1

-1

-1

1

Menggunakan algoritma pelatihan perceptron bila ditentukan nilai learning rate () = 0.8 dan nilai treshold () = 0.5

Algoritma Pelatihan PerceptronBobot Awal= w1 = w2 = 0Bias Awal

= b = 0

Learning rate ()= 0.8

Treshold () = 0.5

Epoch ke 1 Data ke-1 (x1=0, x2=0, t=-1)

y_in = b + ixiwi = 0+0*0+0*0=0

1, jika y_in > 0.5

Fungsi Aktivasi : Y = 0,jika 0.5 y_in 0.5 -1, jika y_in < - 0.5Hasil aktivasi y = 0

(Tidak sama dengan target t=-1, maka harus dilakukan perubahan bobot dan bias)

Perubahan Bobot dan bias :w1(baru) = w1 (lama) + *t*x1 = 0 + 0.8*(-1)*0 = 0

w2(baru) = w2 (lama) + *t*x1 = 0 + 0.8*(-1)*0 = 0 b(baru)= b(lama) + *t = 0 + 0.8*(-1) = -0.8

Data ke-2 (x1=0, x2=1, t=-1)

y_in = b + ixiwi = -0.8+0*0+1*0= -0.8

1, jika y_in > 0.5

Fungsi Aktivasi : Y = 0,jika 0.5 y_in 0.5 -1, jika y_in < - 0.5

Hasil aktivasi y = -1

(Sama dengan target t=-1, maka tidak dilakukan perubahan bobot dan bias)

Bobot dan bias tetap :

w1(baru) = w1 (lama) = 0

w2(baru) = w2 (lama) = 0 b(baru)= b(lama) = -0.8 Data ke-3 (x1=1, x2=0, t=-1)

y_in = b + ixiwi = -0.8+1*0+0*0= -0.8

1, jika y_in > 0.5

Fungsi Aktivasi : Y = 0,jika 0.5 y_in 0.5 -1, jika y_in < - 0.5

Hasil aktivasi y = -1

(Sama dengan target t=-1, maka tidak dilakukan perubahan bobot dan bias)

Bobot dan bias tetap :

w1(baru) = w1 (lama) = 0

w2(baru) = w2 (lama) = 0 b(baru)= b(lama) = -0.8

Data ke-4 (x1=1, x2=1, t=1)

y_in = b + ixiwi = -0.8+1*0+1*0= -0.8

1, jika y_in > 0.5

Fungsi Aktivasi : Y = 0,jika 0.5 y_in 0.5 -1, jika y_in < - 0.5

Hasil aktivasi y = -1

(Tidak sama dengan target t=1, maka harus dilakukan perubahan bobot dan bias)

Perubahan Bobot dan bias :

w1(baru) = w1 (lama) + *t*x1 = 0 + 0.8*(1)*1 = 0.8w2(baru) = w2 (lama) + *t*x1 = 0 + 0.8*(1)*1 = 0.8 b(baru)= b(lama) + *t = -0.8 + 0.8*(1) = 0

Catt :

Karena Pola Data ke-1, Data ke-2, Data ke-3, dan Data ke-4 tidak sama pada Epoch 1, maka dilakikan iterasi sampai semua pola bernilai sama sehingga nilai yang sama terjadi pada Epoch 9 dimana Nilai bobot yang dihasilkan adalah :

Nilai bobot w1 = 2.4 ; w2 = 1.6, dan bias = -3.2Contoh 2:

Diketahui Sembilan buah pola masukan berupa huruf A, E, dan F berikut.

Buatlah model perceptron untuk mengenali huruf A

Jawab :Setiap titik dalam pola merupakan input satu variabel input. Oleh karena satu pola terdiri dari 25 titik (5 baris x 5 kolom) maka setiap pola terdiri dari 25 variabel input berikut.

X1X2X3X4X5

X6X7X8X9X10

X11X12X13X14X15

X16X17X18X19X20

X21X22X23X24X25

Tanda hitam diberi simbol 1 dan putih diberi simbol -1 kemudian dibuat pasangan antara pola dan target sebagai berikut:Pola MasukanTarget

Pola 11

Pola 21

Pola 31

Pola 4-1

Pola 5-1

Pola 6-1

Pola 7-1

Pola 8-1

Pola 9-1

Disini terlihat bahwa target = 1 hanya berlaku untuk huruf A saja, sedangkan huruf selain A target = -1

Misalkan bobot awal : w1 = w2 = = w25 = 0 dan bias b = 0, learning rate () = 1 dan nilai ambang = 0.5. Pelatihan algoritma perceptron dilakukan untuk 25 input.

Hitung :

y_in = b + ixiwi 1, jika y_in > 0.5

Fungsi Aktivasi : Y = 0,jika 0.5 y_in 0.5 -1, jika y_in < - 0.5

Lakukan perubahan bobot dan bias selama keluaran jaringan y target. Proses pelatihan dihentikan jika pada suatu epoch ditemukan bahwa untuk semua data input maka keluaran jaringan y = target.

E. Case Study1. De Perceptron Aplikasi Market Basket Analysis berbasis web menggunakan PerceptronMarket Basket Analysis, atau MBA, merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran (Megaputer, 2007). Tujuan dari MBA adalah untuk menentukan produk-produk (jasa) apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelangganPenggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang. Dengan bantuan komputer, analisis kuantitatif yang dihasilkan akan lebih cepat dan tepat ketimbang menggunakan kemampuan manusia. Dalam dunia data mining yang memiliki kaitan sangat erat dengan market basket Dalam dunia data mining yang memiliki kaitan sangat erat dengan market basket analysis, perceptron merupakan alat yang akan digunakan untuk mempelajari data yang akan dianalisis. Dengan menggunakan konsep perceptron, kami berharap agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat ketimbang tanpa perceptron (lampiran 1)2. Penerapan Multi Layer Perceptron Dalam Anotasi Image Secara OtomatisPenentuan anotasi terhadap suatu image (image annotation) merupakan topik penelitian yang berkembang pesat akhir-akhir ini. Permasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna. Dalam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. Penentuan fitur suatu image dilakukan dengan menggunakan metode color quantization dan multi-level wavelet transform. Dalam melakukan prediksi anotasi suatu image, dilakukan dengan mengimplementasikan metode Multi Layer Perceptron (MLP). Untuk mengevaluasi performance dari model yang diimplementasikan digunakan data image sebanyak 453. Hasil penelitian yang telah dilakukan menunjukkan bahwa tingkat akurasi untuk prediksi anotasi oleh MLP adalah sebesar 81%. (Lampiran 2)Lampiran 1

PENERAPAN MULTI LAYER PERCEPTRON

DALAM ANOTASI IMAGE SECARA OTOMATIS

ABSTRAK

Penentuan anotasi terhadap suatu image (image annotation) merupakan topik penelitian yang berkembang pesat akhir-akhir ini. Permasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna.

Dalam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. Penentuan fitur suatu image dilakukan dengan menggunakan metode color quantization dan multi-level wavelet transform. Dalam melakukan prediksi anotasi suatu image, dilakukan dengan mengimplementasikan metode Multi Layer Perceptron (MLP).

Untuk mengevaluasi performance dari model yang diimplementasikan digunakan data image sebanyak 453. Hasil penelitian yang telah dilakukan menunjukkan bahwa tingkat akurasi untuk prediksi anotasi oleh MLP adalah sebesar 81%.

A. PENDAHULUAN

Dalam melakukan pencarian terhadap suatu image seseorang biasanya akan berpatokan pada suatu kata kunci yang menjadi deskripsi dari image yang dicari. Deskripsi sebuah image dalam hal ini disebut dengan anotasi. Dalam image yang berhubungan dengan produk tekstil,

terdapat beberapa anotasi yang dapat dijadikan penilaian tentang suatu produk, diantaranya natural, romantis, klasik, modern, elegan, dan lain sebagainya. Penilaian/anotasi ini dapat dilakukan secara manual, baik dari para ahli maupun survei yang dilakukan ke sejumlah pelanggan. Apabila suatu data tekstil berjumlah cukup besar dan selalu bertambah maka penilaian secara manual ini tidak efisien lagi. Hal ini menuntut kita untuk membuat sebuah sistem dengan teknologi yang ada saat ini untuk dapat melakukan anotasi terhadap suatu image secara otomatis.

Dalam menentukan anotasi diperlukan ekstraksi terhadap image yang dijadikan obyek. Ekstraksi image ini dapat dilakukan dalam beberapa level seperti yang diperlihatkan dalam Gambar 1. Dalam Gambar 1 terlihat bahwa fitur visual seperti warna, tekstur, dan bentuk dapat diekstrak dari suatu tekstil sehingga image yang mimiliki kesamaan pada fitur ini dapat di-retrieve. Metode ini disebut sebagai content-based image retrieval (CBIR). Dalam implementasi metode ini, masih terdapat perbedaan antara informasi image yang diminta pengguna dan fitur yang diekstrak oleh sistem. perbedaan ini disebut dengan semantic gap. Hal inilah yang sampai saat ini masih menjadi tantangan dalam penelitian di dunia komputer vision. Untuk mengatasi perbedaan (gap) ini maka diperlukan high-level semantic yang mencakup kedua atribut fisik nama obyek/orang dan atribut abstrak seperti emosi (seperti yang digambarkan pada Gambar 1). Atribut abstrak sangat penting untuk membedakan image tekstil satu dengan yang lainnya.

Gambar 1. Level Semantik Image

Dalam penelitian ini akan dilakukan implementasi terhadap suatu model anotasi image yang dikembangkan oleh Shin. Model anotasi ini ditujukan untuk image tekstil. Dasar yang digunakan untuk untuk mendapatkan anotasi dengan model ini adalah konsep emosi manusia (human emotional concepts) yang kemudian akan diproses melalui suatu mechine learning untuk mendapatkan hasil anotasi. Agar dapat melakukan prediksi secara otomatis maka terlebih dahulu akan dilakukan pemilihan fitur yang digunakan dalam proses prediksi. Fitur yang akan diambil didasarkan pada penelitian sebelumnya dimana kinerja/performance dari prediksi emosi dapat ditingkatkan dengan menggunakan fitur yang terintegrasi antara fitur warna dan tekstur. Metode color quantization akan diterapkan untuk mendapatkan fitur warna, dan transformasi wavelet multi-level akan diterapkan untuk mendapatkan fitur ekstur. Fitur-fitur yang telah diekstraksi ini kemudian akan dijadikan input classifier yaitu multi-layered perceptron (MLP).

Implementasi model anotasi image ini menggunakan 453 image yang terbagi kedalam delapan anotasi. Hasil penelitian 11 ini menunjukkan bahwa metode MLP sebagai classifier memiliki kinerja relatif baik. Hal ini dibuktikan dengan tingkat akurasi MLP yang mencapai 81%.

B. PENELITIAN TERKAIT

Suatu anotasi dapat saja berbeda jika dibandingkan antara orang yang satu dengan lainnya. Adanya perbedaan interpretasi ini yang membuat suatu sistem anotasi memiliki banyak tantangan. Hal ini menunjukkan pentingnya pengetahuan tentang relasi antara emosi manusia dengan informasi visual. Secara umum, suatu image mengandung warna, tekstur, bentuk dan informasi pattern. Berbagai penelitian telah dilakukan untuk mempelajari hubungan antara fitur visual dengan konsep emosi dan melakukan identifikasi fitur visual yang mempengaruhi konsep emosi. Sebagai hasil, dua poin penting telah didapat yaitu skala warna (color scale) dan peta pattern (pattern maps). Kobayashi melakukan survey untuk meneliti bagaimana suatu warna mempengaruhi emosi manusia, yang kemudian mendefinisikan skala image berwarna tersebut untuk memprediksi emosi dari kombinasi warna dari sebuah image yang diberikan. Di lain pihak, Kim melakukan survei untuk meneliti bagaimana suatu informasi pattern mempengaruhi emosi manusia, yang kemudian membuat suatu peta pattern untuk mentransformasikan pattern kedalam konsep emosi. Peta pattern lainnya juga telah dibuat oleh Park.

Berdasarkan survei-survei yang telah dilakukan tersebut maka berbagai metode untuk memprediksi anotasi image secara otomatis telah dibangun. Metode anotation ini dapat dikelompokkan ke dalam beberapa kategori yaitu color-based, pattern-based, and color- and pattern-based berdasarkan jenis fitur yang digunakan.

Color-based prediction system : metode dengan jenis ini menprediksi anotasi hanya dengan menggunakan warna dari image tekstil. Metode Kim menggunakan fuzzy rule-based system dalam mencari anotasi image

Pattern-based prediction system : metode ini hanya menggunakan informasi pattern dalam proses anotasinya. Soen dan coworker pertama kali membangun sistem prediksi anotasi menggunakan pattern. Properti dari tekstur diekstrak dengan menggunakan wavelet transform dan persamaan regresi untuk memprediksi emosi. Kim membangun sebuah neural network classifier dengan menggunakan relasi antara emosi dan informasi pattern dasar.

Color and pattern-based prediction system : dalam metode ini dilakukan kombinasi antara warna dan pattern sebuah image. Kim membangun sistem prediksi dengan menggunakan warna, tekstur dan pattern dari image yang menghasilkan hibridasi antara fuzzy dengan neural network. Um memperkenalkan model evaluasi emosi berbasis pada adaptive fuzzy logic yang menggunakan rata-rata nilai warna dan frekuensi energi

C. METODE

Dalam penelitian ini, untuk melakukan prediksi anotasi sebuah image, terdapat beberapa hal yang diperhatikan yaitu :

Data image yang dijadikan input dari sistem akan dinormalisasi ke dalam ukuran 64x64. Jumlah data image yang digunakan dalam penelitian ini berjumlah 453 buah. Untuk melihat performansi dari model yang diimplementasikan ini maka jumlah data yang digunakan akan dibagi menjadi dua yaitu 70% digunakan sebagai data training, dan 30% sebagai data testing.

Kategori emosi yang digunakan berdasarkan emosi yang diperkenalkan oleh Kobayashi dimana dalam penelitian ini kategori tersebut diambil sejumlah delapan buah. Jumlah emosi ini merujuk pada penelitian yang dilakukan oleh Shin. Adapun delapan kategori emosi tersebut adalah sebagai berikut:

Tabel .Kategori Emosi Kobayashi Emotional

Penentuan anotasi/emosi pada suatu image ditentukan melalui sederetan langkah yang meliputi pengambilan data image yang akan dianotasi, normalisasi data, ekstraksi fitur, dan klasifikasi pada emosi yang telah didefinisikan.

Tahapan penentuan emosi image ini dapat dilihat pada Gambar 2.

Gambar 2. Tahapan Prediksi Emosi

3.1 Fitur Ekstraksi

Fitur yang digunakan sebagai inputan sistem dalam proses klasifikasi adalah fitur warna dan fitur pattern. Fitur warna didapat dari metode color quatization. Pada penelitian ini metode color quatization akan mengelompokkan prototipe warna-warma yang ada pada sebuah image menjadi enam warna dominan. Adapun langkah-langkah color quantization yang dilakukan adalah sebagai berikut :

1. Rezise image kedalam ukuran 64x64

2. Lakukan fungsi histeq (dengan matlab) untuk mendapatkan enam warna dominan, vektor X dan Map.

X (nilai histogram untuk setiap warna dominan

Map ( nilai RGB untuk setiap warna dominan

3. Urutkan warna dari yang paling dominan ke yang paling minimum dari warna-warna yang dihasilkan sehingga menghasilkan X dan Map yang telah terurut.

4. Simpan nilai X dan Map ke dalam vector fitur (6x3)

Berikut ini adalah gambaran dari proses untuk mendapatkan fitur warna dengan metode color quantization :

Gambar 3. Ekstraksi Warna denganColor Quantization

Setelah mendapatkan fitur warna, langkah dilanjutkan dengan mencari fitur pattern dari image. Pada penelitian ini, fitur pattern diperoleh dengan menggunakan ransformasi wavelet multi-level. Dari transformasi ini akan dihasilkan sebanyak 12 fitur yang berasal dari dekomposisi image dengan level 3 dan jumlah rotasi sebanyak 3 kali.

3.2 Klasifikasi Emosi

Tahapan terakhir dalam penentuan emosi dari suatu image adalah melakukan klasifikasi/prediksi emosi image berdasarkan fitur yang dimiliki. Dari tahapan fitur ekstraksi (warna dan pattern) maka diperoleh sebanyak 30 fitur (18 warna, dan 12 pattern) yang menjadi inputan dalam proses klasifikasi emosi sedangkan jumlah kemungkinan output klasifikasi emosi adalah sebanyak 8 buah emosi. Pada tahapan ini akan dilakukan implementasi classifier yaitu MLP.

Algoritma MLP merupakan algoritma yang mengadopsi cara kerja jaringan saraf pada mahluk hidup. Algoritma ini terkenal handal karena proses pembelajaran yang mampu dilakukan secara terarah. Pembelajaran algoritma ini dilakukan dengan peng-update-an bobot balik (backpropagation). Penetapan bobot yang optimal akan berujung pada hasil klasifikasi yang tepat. Adapun arsitektur neural networknya adalah seperti gambar 4. Algoritma yang dijalankan oleh MLP untuk mendapatkan bobot yang optimal adalah sebagai berikut :

1. Inisialisasi semua bobot dengan bilangan acak kecil.

2. Jika kondisi penghentian belum dipenuhi, lakukan langkah 2-8. 3.

3. Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

4. Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya.

5. Hitung semua keluaran di unit tersembunyi zj (j = 1, 2,..., p).

Gambar 4 Contoh Arsitektur MLP

6. Hitung semua keluaran jaringan di unit keluaran yk (k = 1, 2,...,m).

7. 8. Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran yk

(k = 1, 2,..., m).

k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya. Hitung perubahan bobot wkj dengan laju pemahaman .

9. Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1,

Faktor unit tersembunyi.

Hitung suku perubahan bobot vji.

10. Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu: Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu:

Setelah tahapan training untuk penentuan bobot selesai dilakukan, maka tahapan selanjutnya adalah melakukan uji klasifikasi emosi terhadap image testing. Proses testing ini dilakukan sama halnya pada fase training, hanya saja pada fase testing tidak dilakukan pembelajaran karena boot yang digunakan adalah bobot tetap hasil training.

D. HASIL

Pada penelitian yang kami lakukan, digunakan konfigurasi data 70% data training dan 30% data testing dari total data sebanyak 453 buah citra. Dengan menggunakan data-data tersebut didapatkan hasil nilai akurasi yang relatif tinggi, berkisar 82% seperti tampak pada gambar 6.

Pada klasifikasi menggunakan MLP ini, digunakan learning rate sebesar 0.01, threshold 0.2, jumlah iterasi maksimal adalah 6000 iterasi. Perlu diketahui untuk menghentikan program digunakan jumlah iterasi maksimum. Saat iterasi sudah mencapai 6000 maka program berhenti melakukan penghitungan bobot. Hal ini berbeda dengan beberapa metode stoping lainnya seperti misalnya yang menggunakan Sum Square Error (SSE) ataupun Means Square error (MSE).

Adapun pertimbangan peneliti memilih stoping kriteria menggunakan jumlah iterasi adalah, karena dalam beberapa percobaan didapatkan iterasi yang tidak berujung saat digunakan stoping kriteria SSE ataupun MSE. Berawal dari hal ini maka ditentukan stoping kriteria adalah menggunakan jumlah iterasi.

Gambar 6. Proses testing menggunakan MLP

E. PEMBAHASAN

Dari hasil percobaan yang dilakukan, didapatkan hasil MLP relatif baik jika dinilai dari akurasinya. Dimana akurasi MLP adalah 82%. Walaupun MLP memberikan hasil yang relatif baik, penentuan Learning rate, threshold dan jumlah iterasi maksimal dapat menyebabkan penurunan ataupun peningkatan akurasi. Dalam penelitian ini, dicobakan beberapa kali nilai Learning rate, threshold dan jumlah iterasi maksimum yang berbeda-beda sehingga didapatkan nilai yang optimal sebesar 0.02, 0.2, 6000.

Disamping itu pula, penentuan jumlah Hidden layer dan jumlah node masing-masing hidden layer juga berpengaruh terhadap hasil. Pada penelitian ini dicobakan beberapa jumlah hidden layer dan jumlah nodenya. Dan didapatkan jumlah hidden layer yang optimal adalah 1 hidden layer dengan jumlah node hidden layer adalah 13 node.

Lampiran 2

Aplikasi Market Basket Analysis berbasis web

menggunakan Perceptron

A. Pendahuluan

Penggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang. Dengan bantuan komputer, analisis kuantitatif yang dihasilkan akan lebih cepat dan tepat ketimbang menggunakan kemampuan manusia.

Situs amazon.com menjadi contoh kasus yang baik untuk melihat implementasi langsung dari analisis yang memanfaatkan komputer. Ketika kita berkunjung ke situs ini, kita sebagai pengunjung sekaligus pembeli akan melihat informasi mengenai kecenderungan beli konsumen yang terjadi di sana (Hobbs dkk, 2003). Misalnya informasi berikut: buyer who bought the book The Lord Of The Ring also bought the book The Hobbit. Dengan informasi seperti ini, seorang pembeli yang melakukan transaksi di situs amazon secara tidak langsung akan dirangsang untuk ikut-ikutan membeli produk yang biasanya dibeli bersama produk yang sudah dibelinya. Motif utama di balik informasi semacam ini sudah jelas, yakni untuk meningkatkan laba amazon.com melalui peningkatan penjualan produk-produknya. Analisis semacam inilah yang dikenal dengan istilah market basket analysis.

Penelitian di bidang Artificial Neural Network (jaringan syaraf tiruan) termotivasi oleh sebuah fakta di lapangan yang menunjukkan bahwa otak manusia sebenarnya melakukan proses komputasi dengan teknik yang jauh berbeda jika dibandingkan dengan teknik yang dipakai oleh komputer digital. Otak manusia telah diketahui memiliki kemampuan untuk mengorganisasi komponen-komponennya sehingga 2 dapat menyelesaikan suatu kasus komputasi dengan lebih baik dan lebih cepat ketimbang komputer digital. Contoh-contoh kasus ini diantaranya; pengenalan pola, persepsi, dan kendali motorik (Kantardzic, 2003).

Dalam dunia data mining yang memiliki kaitan sangat erat dengan market basket analysis, perceptron merupakan alat yang akan digunakan untuk mempelajari data yang akan dianalisis. Dengan menggunakan konsep perceptron, kami berharap agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat ketimbang tanpa perceptron.

B. Perumusan Masalah

Adapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut.1. Mengembangkan sebuah aplikasi market basket analysis menggunakan konsep perceptron yang berbasis web (web-based).

2. Output yang akan dihasilkan oleh aplikasi ini adalah beberapa tipe dari association rules yang berkaitan dengan data hasil pembelian, yaitu; support, confidence.

C. Tujuan

Berdasarkan permasalahan yang telah dibahas sebelumnya, maka tujuan dari penelitian ini adalah sebagai berikut.

1. Mengetahui pola pembelian produk atau penggunaan jasa yang biasanya dilakukan oleh mayoritas pembeli produk atau pengguna jasa.

2. Membuat aplikasi market basket analysis yang memanfaatkan konsep perceptron menggunakan bahasa pemrograman PHP.

D. Manfaat

Manfaat yang bisa diambil dalam penelitian ini adalah sebagai berikut.1. Membantu pemilik lembaga bisnis (swalayan, perusahaan jasa asuransi, toko on-line, dsb) untuk menganalisis kecenderungan atau pola konsumsi yang dimiliki oleh pelanggan masing-masing.

2. Memindahkan aplikasi yang sebelumnya berbasis client (client-based) menjadi berbasis web (web-based).

3. Mengetahui manfaat konsep perceptron untuk market basket analysis.

E. Metode PenelitianMetode penelitian yang akan digunakan dalam penelitian ini adalah sebagai berikut.

1. Pengumpulan data, informasi dan teori-teori mengenai market basket analysis dan perceptron diperoleh melalui artikel dan buku yang ada di internet.

2. Data yang akan dianalisis oleh aplikasi ini adalah data yang masih bersifat fiktif. Hal ini kami lakukan dengan alasan bahwa kami lebih fokus untuk mengembangkan aplikasi yang dapat mengimplementasikan gabungan antara market basket analysis dengan perceptron bukan pada analisis data nyata yang terjadi dalam sebuah swalayan atau sejenisnya. Meskipun begitu, tidak tertutup kemungkinan bagi aplikasi ini untuk melakukan analisis terhadap data semacam itu.

3. Setelah aplikasi berhasil diimplementasikan, akan dilakukan analisis terhadap output yang dikeluarkan. Analisis akan lebih menekankan pada berhasil-tidaknya aplikasi ini untuk menghasilkan perhitungan support dan confidence.

F. Tinjauan Pustaka

1. Market Basket Analysis

Market Basket Analysis, atau MBA, merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran (Megaputer, 2007). Tujuan dari MBA adalah untuk menentukan produk-produk (jasa) apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelanggan. Istilah Market Basket Analysis sendiri datang dari kejadian yang sudah sangat umum terjadi di dalam pasar swalayan, yakni ketika para pelanggan memasukkan semua barang yang mereka beli ke dalam keranjang (market basket) yang umumnya telah disediakan oleh pihak swalayan itu sendiri.

Informasi mengenai produk-produk yang biasanya dibeli secara bersama-sama oleh para pelanggan dapat memberikan wawasan tersendiri bagi para pengelola toko atau swalayan untuk menaikkan laba bisnisnya (Albion Research, 2007). Misalnya, seorang manajer toko bisa saja memanfaatkan informasi seperti ini untuk menempatkan produk-produk yang umumnya dibeli bersama-sama ke dalam sebuah area yang berdekatan jaraknya. Hal ini bertujuan untuk memudahkan mayoritas pembeli agar semakin senang membeli beberapa produk berlainan sekaligus. Atau sebaliknya, informasi seperti ini justru bisa dijadikan alasan oleh sang manajer untuk menjauhkan letak satu produk dengan produk lainnya agar pelanggan secara tidak sadar bisa terpicu untuk membeli produk-produk lain yang biasanya tidak dibelinya.

Informasi-informasi atau pengetahuan seperti di atas tentunya tidak hanya bermanfaat di dalam lingkungan pemasaran untuk pasar swalayan saja. Beberapa bisnis yang bergerak di luar wilayah ini pun bisa menikmati manfaat dari adanya MBA ini. Sebut saja misalnya; toko-toko virtual yang menjual produk-produknya secara on-line, bank-bank yang memberikan fasilitas layanan kartu kredit untuk para nasabahnya, perusahaan penyedia jasa asuransi, restoran fast-food, toko baju, toko buku, dsb.

2. Perceptron

Perceptron adalah program aplikasi yang digunakan untuk mempelajari konsep/pemahaman mengenai sesuatu (Weisman dan Pollack, 1995). Dengan kata lain, perceptron dirancang untuk dapat merespon nilai boolean True (1) atau False (0) yang menjadi masukannya (input).

Secara umum, perceptron merupakan jaringan syaraf tiruan dengan lapisan tunggal (single layer) yang bobot-bobot dan biasnya bisa dilatih untuk menghasilkan vektor target secara tepat ketika akan ditampilkan dengan vektor input yang bersesuaian. Teknik pelatihan yang akan digunakan biasanya disebut the perceptron learning rule. Banyak orang yang tertarik untuk memanfaatkan perceptron dikarenakan kemampuannya dalam melakukan generalisasi dari vektor-vektor latihannya, lalu bekerja dengan koneksi-koneksi tersebar secara acak.

Perceptron menghitung output yang dihasilkannya menggunakan persamaan berikut ini:

P * W + b > 0

Keterangan:

P adalah vektor input yang dimasukkan ke dalam jaringan

W adalah vektor bobot

b adalah bias

Perceptron dilatih untuk memberikan respon terhadap setiap vektor input dengan target output yang bernilai 0 atau 1.

Berikut ini adalah algoritma perceptron.

1. Inisialisasi semua bobot dan bias.

(Agar perhitungan menjadi sederhana, set bobot dan bias sama dengan nol)

Set learning rate () dengan 0 < 1

(Agar sederhana, set = 1)

2. Selama kondisi berhenti bernilai false, lakukan langkah-langkah berikut:

i. Untuk setiap pasangan pembelajaran s-t, Kerjakan:

a) set input dengan nilai yang sama dengan vektor input.

Xi = Si;b) Hitung respon untuk unit output:

c) Perbaiki bobot dan bias jika terjadi error:

Jika y t maka:

wi(baru) = wi(lama) + * t * Xi

b(baru) = b(lama) + * t

Jika tidak, maka

wi(baru) = wi(lama)

b(baru) = b(lama)

ii. Tes kondisi berhenti. Jika tidak terjadi perubahan bobot pada (i) maka kondisi

berhenti akan bernilai true. Namun jika masih terjadi perubahan maka kondisi

berhenti akan bernilai false.

DAFTAR PUSTAKAT.Sutojo,Edi Mulyanto,Vincent Subroto.2010.Kecerdasan Buatan.Yogyakarta:Andi Yogyakarta

Setiawan,Sandi. 1993.Artificial Intelligence.Yogyakarta:Andi Offset Yogyakarta

Suyanto.2011.Artificial Intelligence Searching, Reasoning, Planning dan Learning (Edisi Revisi). Bandung : Informatika bandung

MAKALAH KECERDASAN BUATAN

PERCEPTRON

Oleh

KELOMPOK 2

ISHAQ S HADAQAR

LAILA RAUDATUL FAUZIAH

MUHARYUNO WIZU

NANDA TRI APDIRZA

RANRA PUTRA

RIFELDO PRAGUNA

2014