Akurasi… - LANDASAN TEORI - ANALISIS AKURASI LEARNING VECTOR QUANTIZATION (LVQ) DAN PARTICLE SW

BAB 2 LANDASAN TEORI

2.6. Akurasi…

min ^!_!^!

! , ^!_!^!

! > 𝑠, 𝑑𝑖𝑚𝑎𝑛𝑎 𝑠 = ^!!!_!!! (2.8) W adalah lebar window, yang nilainya berada diantara 0,2 sampai 0,3.

𝜔_! 𝑡 + 1 = 𝜔_! 𝑡 − 𝛼[𝑥 𝑡 − 𝜔_! 𝑡 ] (2.9) 𝜔_! 𝑡 + 1 = 𝜔_! 𝑡 + 𝛼[𝑥 𝑡 − 𝜔_! 𝑡 ] (2.10)

Persamaan 2.9 jika bobot dan input berada dalam kelas yang berbeda, dan persamaan 2.10 jika bobot dan input berada dalam kelas yang sama.

2.5.3. LVQ3

LVQ3 merupakan modifikasi dari LVQ2.1, dimana kedua vektor bobot diupdate secara bersamaan dan nilai x ditentkan oleh besar ukuran window w. Formula untuk window w pada LVQ3 sedikit berbeda.

𝜔_! 𝑡 + 1 = 𝜔_! 𝑡 + 1 + 𝜀. 𝛼(𝑡)[𝑥 𝑡 − 𝜔_! 𝑡 ] (2.11)

Untuk k dalam {i,j}, jika x, 𝜔_!, 𝜔_! berada dalam kelas yang sama. Dalam beberapa percobaan nilai efsilon berkisar antara 0.1 dan 0.5.

2.5.4. Optimized-Learning Rate LVQ1 (OLVQ1)

Pada algoritma OLVQ1 ini, learning rate alpa diberikan pada tiap-tiap bobot 𝝎_𝒊. Persamaan 2.12 Jika x diklasifikasikan dengan benar.

𝜔_! 𝑡 + 1 = 𝜔_! 𝑡 + 1 + 𝛼(𝑡)[𝑥 𝑡 − 𝜔_! 𝑡 ] (2.12) 𝜔_! 𝑡 + 1 = 𝜔_! 𝑡 + 1 − 𝛼(𝑡)[𝑥 𝑡 − 𝜔_! 𝑡 ] (2.13)

Sedangkan persamaan 2.13 jika x diklasifikasikan dengan salah.

2.6. Akurasi

Training sample diasumsikan sebagai distribusi dari testing sampel termasuk distribusi dari data baru (unclassifies sample) yang ingin diduga kelas labelnya. Untuk mendapat akurasi yang baik saat mengklasifikasi testing data, training set harus

merepresentasikan keadaan data tes. Jika tidak, maka akurasi biasanya rendah.

(Figliola, 2011).

Dari proses pengenalan pola jaringan syaraf tiruan Learning Vector Quantization (LVQ) menggunakan algoritma genetika, dapat dianalisa dengan persamaan berikut :

% 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = !"! !"#$ !"#$ !"#$%&'" !"#$%

!"! !"#$ !"#$ !"#$" ×100% (2.14)

BAB 3

METODOLOGI PENELITIAN

3.1. Pendahuluan

Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk memberikan informasi. Pola merupakan bentuk atau model yang dapat dipakai untuk membuat atau menghasilkan suatu bagian dari sesuatu yang ingin dikenal. Salah satu pendekatan pengenalan pola adalah dengan menggunakan jaringan syaraf tiruan, yang mana jaringan syaraf tiruan memiliki cara kerja yang menyerupai cara kerja otak manusia.

Salah satu metode jaringan syaraf tiruan adalah Learning Vector Quantiztion (LVQ), yang metode pelatihannya pada lapisan kompietitf terawasi yang akan belajar secara otamatis. Untuk meningkatkan akurasi pembelajaran pada LVQ perlu dilakukan optimalisasi pada LVQ sebelum dilakukan pengujian.

Algoritma optimasi yang digunakan pada penelitian ini adalah algoritma Paticle Swarm Optimization (PSO). Algoritma PSO, pada dasarnya mencari sebuah solusi optimal yang direpresentasikan dalam sekumpulan partikel. Pada penelitian ini, PSO akan melakukan pelatihan pada jaringan saraf tiruan LVQ sehingga mampu meningkatkan akurasi dalam pengklasifikasikan data. Proses klasifikasi data masuk kedalam domain supervised learning, dimana input dan target diketahui. Sehingga dataset yang digunakan untuk eksperimen ini adalah dataset yang sudah pernah diklasifikasikan oleh peneliti sebelumnya. Gambar 3.1a merupakan alur pengklasifikasian data menggunakan PSO dan gambar 3.1b merupakan pengklasifikasian data menggunakan LVQ.

3.2. DataSet

Dataset yang digunakan dalam penelitian ini adalah data Iris Plants Database. Dataset dapat dilihat di repositori UCI Machine Learning pada website https://archive.ics.uci.edu/ml/machine-learning/databases/iris/iris.names.

Jumlah atribut 4 atribut numerik, dan 1 atribut polinominal (atribut label/kelas).

Adapun atribut-atribut pada dataset iris, sebagai berikut:

1. Sepal length dalam centimeter 2. Sepal width dalam centimeter 3. Petal length dalam centimeter 4. Petal width dalam centimeter 5. Kelas:

- Iris Setosa - Iris Versicolor - Iris Virginica

Tabel 3.1 Deskripsi Statistik Dataset Iris

Atribut Min Max Mean SD Class Correlation Sepal length 4.3 7.9 5.84 0.83 0.7826

Sepal Width 2.0 4.4 3.05 0.43 -0.4194 Petal Length 1.0 6.9 3.76 1.76 0.9490 Petal Width 0.1 2.5 1.20 0.76 0.9565

Banyak data (jumlah instance) dataset iris adalah 150.

Gambar 3.1. Diagram Blok Penelitian

3.3. Pembelajaran LVQ

Algoritma LVQ adalah langkah-langkah yang dilakukan untuk proses pembelajaran sehingga menghasilkan keluaran berupa vektor bobot yang akan diuji untuk pengenalan pola.

Tahap pertama algoritma pembelajaran LVQ yaitu menentukan bobot awal (initial vector references). Bobot awal pada pembelajaran LVQ diambil secara random dari dataset yang akan dilatihkan. Bobot awal mewakili tiap kelas yang menjadi target pembelajaran. Dataset klasifikasi terdiri dari 3 (tiga) buah kelas. Vektor bobot (referensi awal) diambil secara random dari datalatih. Tiap-tiap kelas terdiri satu instans bobot yang mewakili yang ada pada tabel 3.3, kemudian sisanya dijadikan data latih. Dengan kata lain, dari 150 instan diambil 3 instan untuk bobot referensi maka jumlah data latih sebanyak 147 instan seperti yang terlihat pada tabel 3.2.

Tabel 3.2 Data Latih

Tabel 3.3 Vektor bobot awal No Atr1 Atr2 Atr3 Atr4 Kelas

1 5,1 3,5 1,4 0,2 Iris-setosa 2 7 3,2 4,7 1,4 Iris-versicolor 3 6,3 3,3 6 2,5 Iris-virginica

Berikut ini disajikan contoh pembelajaran yang dilakukan oleh LVQ.

Misalkan besar alpha 𝛼 = 0,05, dan penurunannya 0,1, sehingga update apha tiap iterasi seperti pada persamaan 3.1.

𝛼 𝑡 = 𝛼 𝑡 − 1 − 0,1 ∗ 𝛼(𝑡 − 1) (3.3) Epoch = 1 :

Untuk data latih ke -1 sampai data latih ke-147

Hitung jarak (Euclidean distance) 𝐶_! dengan persamaan 3.1 berikut ini.

𝐶 = ^!_!!! 𝑥_!− 𝜔_! ^! (3.4)

Data ke-1 :

𝐶_! = 4,9 − 5,1 ^!+ 3 − 3,5 ^!+ 1,4 − 1,4 ^!+ 0,2 − 0,2 ^! = 0,538 𝐶_! = 4,9 − 7 ^!+ 3 − 3,2 ^!+ 1,4 − 4,7 ^! + 0,2 − 1,4 ^! = 4,096 𝐶_! = 4,9 − 6,3 ^!+ 3 − 3,3 ^!+ 1,4 − 6 ^! + 0,2 − 2,5 ^! = 5,338 Dari perhitungan jarak diatas, maka yang memiliki jarak terkecil adalah 𝐶_!. Kemudian 𝐶_! akan diupdate dengan ketentuan, jika 𝐶_! dan T berada pada kelas yang sama maka diudate dengan persamaan 3.1.

𝑤_!! 𝑡 + 1 = 5,1 + 0,05 4,9 − 5,1 = 5,09 𝑤_!" 𝑡 + 1 = 3,5 + 0,05 3 − 3,5 = 3,475 𝑤_!" 𝑡 + 1 = 1,4 + 0,05 1,4 − 1,4 = 1,4 𝑤_!" 𝑡 + 1 = 0,2 + 0,05 0,2 − 0,2 = 0,2

4,9 3 1,4 0,2 Iris-setosa

Sehingga bobot baru yang terbentuk ada pada tabel 3.4.

Tabel 3.4 Bobot baru ke-1 Kemudian 𝐶_! akan diupdate dengan ketentuan, jika 𝐶_! dan T berada pada kelas yang sama maka diudate dengan persamaan 3.1.

𝑤_!! 𝑡 + 1 = 5,09 + 0,05 4,7 − 5,09 = 5,07 𝑤_!" 𝑡 + 1 = 3,475 + 0,05 3,2 − 3,475 = 3,461

𝑤_!" 𝑡 + 1 = 1,4 + 0,05 1,3 − 1,4 = 1,395 𝑤_!" 𝑡 + 1 = 0,2 + 0,05 0,2 − 0,2 = 0,2 Sehingga bobot baru yang terbentuk ada pada tabel 3.5.

Tabel 3.5 Bobot baru ke-2

Sampai pada data ke-147 berakhir, maka berakhir pula epoch ke-1. Kemudian learning rate alpa di update menggunakan persamaan 3.3.

𝛼 𝑡 = 2 = 0,05 − 0,1 0,05 = 0,005

Selanjutnya dilakukan epoch ke -2 (atau t = 2) dengan nilai alpa 0,005

Sama seperti perhitungan pada iterasi ke-1 (epoch ke-1), hitung nilai jarak tiap data dengan referensi vektor bobot yang digunakan adalah vektor bobot perhitungan terakhir yakni data ke-147, kemudian cari jarak minimum, lalu lakukan update dengan ketentuan persamaan 3.1 atau 3.2.

3.4 Klasifikasi Particle Swarm (PS).

Pada penelitian ini, penulis melakukan klasifikasi data berdasarkan partikel swarm yang diadaptasi menggunakan algoritma PSO. Particle Swarm akan menyesuaikan posisi prototipe yang dihasilkan oleh algoritma. Proses pembelajaran PS terdiri dari memilih posisi partikel (prototype) yang bagus secara iteratif. Setelah proses pembelajaran selesai akan dihasilkan prototype (partikel) yang digunakan untuk memprediksi kelas mana yang sesuai untuk masing-masing data input (object input) yang berasal dari dataset.

Pada proses kluster particel berinteraksi satu dengan lainnya dan lingkungannya. Kriteria konvergensi dari algoritma ditentukan oleh stabilitas path dari tiap particle dan jumlah particle yang diinisialiasasi secara empirik. Dimensi particle diberikan sesuai dimensi data input, dimana masing-masing posisi vektor adalah atribut data input. Fungsi evaluasi tidak dijabarkan secara eksplisit, tetapi kualitas

particle diukur dengan menggunakan Euclidean Distance untuk mengetahui similaritas antara particle dengan input. Pada algoritma ini partikel yang diupdate tergantung pada data input, hanya pemenang yang memiliki kemiripan dengan data input yang diupdate menggunakan persamaan.

3.5 Algortima Klasifikasi PS

Ada dua langkah penting dalam algoritma klasifikasi PSO:

1. Menempatkan posisi partikel kedalam input space yang merepresentasikan kluster data.

2. LVQ1 melakukan penyesuai kelas sehingga error dalam klasifikasi kecil.

Setiap objek j dalam dataset, ada partikel i yang memiliki similaritas tinggi dengan objek j, atau dengan kata lain objek j dan partikel i berada dalam kelas yang sama, Partikel tersebut kemudian diupdate menggunakan berikut ini.

𝑥

𝑡 + 1 = 𝑥

𝑡 + 𝑣

𝑡 + 1 (3.5)

Jika objek j dan partikel i tidak berada dalam kelas yang sama, update partikel tersebut menggunakan persamaan berikut ini.

𝑥

𝑡 + 1 = 𝑥

𝑡 − 𝑣

𝑡 + 1 (3.6)

Sedangkan untuk update kecepatan 𝑣_!(𝑡 + 1) digunakan persamaa berikut ini.

𝑣_! 𝑡 + 1 = 𝜔 ∗ 𝑣_! 𝑡 + 𝑐_! 𝑃_!^!− 𝑥_!(𝑡) + 𝑐_! 𝑔^! 𝑡 − 𝑥_! 𝑡

+ 𝑐_! 𝑦^!− 𝑥_! 𝑡 (3.7) 𝜔 disebut sebagai moment inertia, yang bertanggung jawab mengontrol konvergensi algoritma. 𝜑_! 𝑃_!^!− 𝑥_!(𝑡) disebut sebagai cognitive term, yang berkaitan dengan pengalaman masing-masing partikel. Personal best position (𝑃_!^!) yaitu jarak terkecil antara objek input (𝑦^!) dengan partikel pemenang (𝑥_!). 𝜑_! 𝑔^! 𝑡 − 𝑥_! 𝑡 disebut sebagai social term yaitu berkaitan dengan partikel 𝑔^! 𝑡 yang terdekat dengan objek input (𝑦^!) sejauh ini. 𝜑_!(𝑦^!− 𝑥_! 𝑡 ) disebut sebagai self-organizing term.

Berikut ini Algoritma PS klasifikasi yang digunakan.

1. Lakukan kluster terhadap dataset. Dalam hal ini digunakan 3 kluster, karena dataset terdiri dari 3 kelas. Pilih 3 titik centroi cluster sebagai target dari masing-masing partikel untuk menyesuaikan kecepatan dan posisinya.

2. Tetapkan kondisi awal: nilai 𝜔 (learning rate), maksimum epoch (maxEpoch), nilai Vmax (kecepatan maksimum),𝑐_! dan 𝑐_!, Kecepatan awal (𝑣 0 , Pbest 𝑃_!^!, dan Gbest 𝐺^!

3. Inisialisasi posisi partikel dengan cara random (dari nilai minimum ke maksimum posisi partikel) masing-masing dimensi.

4. Hitung jarak tiap partikel 𝑥_! dengan target (titik centroid, 𝑦^!) masing-masing kluster.

5. Pilih jarak terkecil dari tiap partikel ke titik centroid masing-masing kluster.

a. Jika 𝛿 𝑥_!, 𝑦^! < 𝛿 𝑃_!^!, 𝑦^! maka 𝑃_!^! = 𝑥_! b. Jika 𝛿 𝑥_!, 𝑦^! < 𝛿(𝐺^!, 𝑦^!) maka 𝐺^!=𝑥_!

6. Update kecepatan masing-masing partikel sesuai Pbest dan Gbest nya menggunakan persamaan 3.7.

7. Update Posisi patikel dengan ketentuan

a. Jika 𝑙𝑎𝑏𝑒𝑙 𝑥_! = 𝑙𝑎𝑏𝑒𝑙 (𝑦^!) update dengan persamaan 3.5.

b. Jika 𝑙𝑎𝑏𝑒𝑙 𝑥_! ≠ 𝑙𝑎𝑏𝑒𝑙 (𝑦^!) update dengan persamaan 3.6.

8. Update learning rate (𝜔) misalnya dengan 𝜔 𝑡 + 1 = 0.95 ∗ 𝜔 𝑡

9. Ulangi langkah ke- 4 sampai langkah ke-8, sampai kriteria berhenti terpenuhi, bisa dengan maksimum Epoch atau dengan maksimumError, dibandingkan dengan nilai learning rate-nya.

Dari proses pelatihan yang dilakukan menggunakan Partikel Swarm, maka akan diperoleh nilai-nilai yang akan dijadikan acuan pada pengujian data. Nilai-nilai tersebut adalah, seperti 𝜔 (learning rate), Pbest 𝑃_!^!, Gbest (𝐺^!) dan maksimum Epoch yang ideal.

Misal, data latih yang digunakan adalah dataset iris pada tabel 3.2 dan partikel diinisialisasi dengan cara random dari

3.6 Akurasi

Perhitungan akurasi (ketepatan) dalam memprediksi kelas mana yang sesuai untuk data uji yang dilakukan, maka sejumlah dataset uji diambil sampelnya kemudian dilakukan perhitunga jarak terdekat menggunakan Euclidean Distance.

Nilai akurasi didapat dari persamaan 3.8.

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑥100% (3.8) Vektor bobot yang dipakai sebagai referensi pada pengujian algoritma LVQ berasal dari vektor bobot yang terpilih sebagai bobot yang paling ideal (convergen).

Sedangkan pada algoritma PSO, Pbest dan Gbest menjadi acuan perhitungan jarak Euclidean Distance-nya.

BAB 4

HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Dalam tahapan ini penulis akan memaparkan hasil dan pembahasan penelitian ini tentang analisis akurasi pembelajaran LVQ dan analisis akurasi pembelajaran PSO terhadap data uji untuk proses klasifikasi data. Penyajian hasil pengujian akan ditampilkan dalam bentuk table dan grafik.

4.2. Hasil Pembelajaran LVQ

Untuk melakukan pembelajaran pada pengenalan pola data iris, terlebih dahulu memenentukan bobot vektor awal (w), iterasi maksimum (epoch maksimum), error minimum (eps), dan learning rate (α). Pengujian berhenti apabila learning rate (α) mencapai nilai yang cukup kecil. Hasil dari pelatihan ini berupa vektor bobot (prototype) yang akan dipakai untuk pengujian.

Tabel 4.1 Data Latih

No Atr1 Atr2 Atr3 Atr4 Kelas 1 5.1 3.5 1.4 0.2 Iris-setosa 2 4.9 3.0 1.4 0.2 Iris-setosa .. .. ... ... ... ...

150 ... ... ... ... ...

Parameter input pembelajaran LVQ yang diinisialisasi sangat menentukan hasil akhir dari vektor bobot untuk pengujian. Tabel 4.2 merupakan hasil dari pelatihan dimana nilai epoch = 50, alpa = 0,02 dan jumlah neuron = 3.

Tabel 4.2 Bobot dengan neuron = 3

Atr1 Atr2 Atr3 Atr4 Kelas

5.0047 3.4158 1.4646 0.2446 Iris-Setosa 5.8870 2.76352 4.0881 1.21105 Iris-Versicolor 6.70078 3.01831 5.7072 2.09942 Iris-Virginica

Jika jumlah neuron di naikkan menjadi 4, maka bobot yang dihasilkan akan berbeda.

Tabel 4.3 Bobot dengan neuron = 4 Atr1 Atr2 Atr3 Atr4 Kelas 5.250 3.667 1.505 0.288 Iris-Setosa 4.717 3.117 1.412 0.191 Iris-Setosa 5.887 2.764 4.088 1.211 Iris-Versicolor 6.701 3.018 5.707 2.099 Iris-Virginica

Dengan perbedaan jumlah neuron tentu akan mempengaruhi nilai akurasi pada klasifikasi data. Berikut ini disajikan beberapa tingkat akurasi yang dihasilkan dengan berbagai variasi parameter masukan pada LVQ.

Tabel 4.4 Akurasi dengan menaikkan nilai neuron

Iterasi Alpha Neuron Akurasi

Setosa Versicolor Virginica Total

50 0,02 3 100% 88,6% 91,67% 93,33%

50 0,02 6 100% 97,96% 96,08% 98,00%

50 0,02 9 100% 97,92% 94,23% 97,33%

Tabel 4.5 Akurasi dengan mengubah nilai alpha

Iterasi Alpha Neuron Akurasi

Setosa Versicolor Virginica Total

50 0,01 6 100% 97,87% 92,45% 96,67%

50 0,02 6 100% 97,96% 96,08% 98,00%

50 0,03 6 100% 97,92% 96,08% 98,00%

50 0,005 6 100% 97,92% 94,23% 97,33%

Tabel 4.6 Akurasi dengan mengubah nilai iterasi

Iterasi Alpha Neuron Akurasi

Setosa Versicolor Virginica Total

10 0,02 6 100% 97,87% 92,45% 96,67%

Dengan menggunakan dataset yang sama, maka hasil yang didapatkan dalam klasifikasi data oleh PSO dengan analisis akurasi seperti yang disajikan pada tabel 4.7. Proses klasifikasi data menggunakan Partikel Swarm (PS) merupakan modifikasi dari algoritma PSO standar. Klasifikasi model PSO hampir mirip dengan layer kompetitif nya LVQ, dimana yang menjadi pemenang yang akan diupdate.

Perbedaannya hanya pada proses update. Pada PSO ada dua proses update yaitu pada kecepatan dan pada posisi partikel. Untuk melakukan prediksi terhadap data klasifikasi oleh PSO terlebih diinisialisai beberapa parameter, seperti 𝜔 = 1, bobot Pbest, Gbest, jumlah partikel, dan jumlah iterasi (epoch).

Misalkan partikel diinisialisasi sebanyak 5 dan kecepatan diinisialiasasi sebanyak 5 juga secara Random, seperti pada tabel 4.7 dan 4.8

Tabel 4.7 Inisialiasi 5 Random Partikel Partikel atr1 atr2 atr3 atr4

Tabel 4.8 Inisialiasi 5 Random Velocity

Tabel 4.9 Data Latih

Dengan data latih sebanyak 20 instance, maka fitness untuk masing-masing partikel ada pada tabel 4.10.

Pbest dan Gbest dari masing-masing partikel, seperti pada tabel 4.11.

Tabel 4.11 Pbest dan Gbest

Min(dist) 5,086 5,065 4,531 4,775 4,810

Pbest 5,086 5,065 4,531 4,775 4,810

Gbest 4,531

Kemudian masing-masing partikel di update kecepatannya menggunakan persamaan 3.7. Nilai c1 = c2 = c3 = 1

Berikut disajikan beberapa tingkat akurasi (ketepatan) prediksi yang dilakukan oleh PSO, dengan mengubah nilai parameternya.

Tabel 4.12 Akurasi dengan mengubah nilai iterasi

Iterasi Partikel Omega Akurasi

Setosa Versicolor Virginica Total

5-60 5 1 100% 98% 98% 98,67%

70-180 5 1 100% 98,04% 100% 99,33%

190 5 1 100% 98% 98% 98,67%

Tabel 4.13 Akurasi dengan mengubah nilai Partikel

Iterasi Partikel Omega Akurasi

Setosa Versicolor Virginica Total

30 5 1 100% 98% 98% 98,67%

30 10 1 100% 98,04% 100% 99,33%

30 20 1 100% 98,04% 100% 99,33%

30 30 1 100% 100% 96,15% 98,67%

Tabel 4.14 Akurasi dengan mengubah nilai omega

Iterasi Partikel Omega Akurasi

Setosa Versicolor Virginica Total

30 10 0.2 100% 100% 96,15% 98,67% pembahasan dalam penelitian ini, yaitu :

1. Pada LVQ, jumlah layer kompetitif (neuron) sangat menentukan tingkat akurasi, dengan iterasi yang sama perubahan dari 3 neuron menjadi 6, tingkat akurasi meningkat sebesar 4,7% (dari 93,33% menjadi 98,00%), tetapi jika jumlah neuron dinaikkan menjadi 9 neuron, tingkat akurasi menurun sebesar 0,7% (dari 98,00%

menjadi 97,33%). Sehingga kondisi yang ideal terjadi pada jumlah iterasi 50,

alpha 0,02, dan jumlah neuron sebanyak 6 neuron. Pada kondisi ini akurasi yang didapat sebesar 98,00%.

2. Pada PSO, parameter yang mempengaruhi tingkat akurasi lebih dinamis dan beragam. Tetapi faktor yang paling berpengaruh adalah jumlah partikel, karena jika sangat kecil akan menyebabkan terjadi lokal optima, sedangkan jika partikel dalam jumlah besar, eksekusi time akan meningkat. Pada tabel hasil percobaan yang telah dilakukan, bahwa kondisi ideal dengan akurasi 99,33% tercapai pada saat iterasi sebanyak 30 iterasi dan jumlah partikel sebanyak 10 partikel, dengan learning rate (omega) atau disebut juga momen inertia dimulai dari 1.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan dapat diambil kesimpulan bahwa:

1. Akurasi pembelajaran terhadap Learning Vector Quantization (LVQ) secara umum sudah cukup bagus untuk data iris, yakni sebesar 98,00% dengan 150 data uji. PSO memberikan nilai akurasi sedikit lebih bagus dari LVQ yaitu sebesar 99,33%.

2. Tidak hanya tingkat akurasi PSO saja yang membuat ia lebih baik, tetapi dengan PSO iterasi dapat berkurang, dari 50 iterasi yang dilakukan LVQ menjadi 30 iterasi yang dilakukan PSO.

3. Dengan demikian pilihan untuk PSO sebagai classifier cukup bisa dipertimbangkan dalam pengembangan metode-metode di data mining.

5.2. Saran

Adapaun saran yang diberikan pada penelitian ini adalah sebagai berikut:

1. Bahwa parameter-parameter LVQ, seperti learning rate (alpha) masih bisa dimodifikasi cara mendapatkannya.

2. Sangat memungkinkan bagi PSO untuk melakukan perbaikan-perbaikan akurasi kepada berbagai macam jenis jaringan saraf tiruan dalam hal pelatihan ataupun mengoptimasian parameter jaringan saraf tiruan, misalnya jaringan sraf tiruan berbasis kompetisi LVQ.

3. PSO dan LVQ memiliki sedikit kemiripan dalam hal cara mencapai target, kecepatan belajar dan bersifat kompetitif, yang kuatlah sebagai pemenang. Oleh karena itu, penggabungan dua algoritma PSO dan LVQ sangat mungkin dilakukan.

DAFTAR PUSTAKA

D. W. van der Merwe and A. P. Engelbrecht, “Data clustering using particle swarm optimization,” in Proceedings of IEEE Congress on Evolutionary Computation (CEC '03), pp. 215–220, Canberra, Australia, 2003

Andries P.Englebrech. An Intoduction: Computational Intelligence. Second Edition.

John Wiley & Sons,Ltd, Wiley, 2007.

James Kennedy and Russel C. Eberhart. Swarm Intelligence. Morgan Kaufmann Publisher. 2001.

Yuji Mizuno and Hiroshi Mabuchi. Initialization method of reference vectors for improvement of recognition accuracy in LVQ. World Academy of Science, Engineering and Technology Vol:5 2011-08-22

Balochian, Saeed., Abbasi, Emad. Seidbad., & Rad, Zahiri. Saman. 2013. Neural Network Optimization bye Genetic Algorithms for The Audio Classification to Speech and Music. International Journal of Signal Processing, Image Processing and Pattern Recognition6: 3.

Blachnik, Marcin., & Duch, Wlodzislaw. 2011. Improving Accuracy of LVQ Algorithm by instance Weighting. pp. 256 – 265. Springer-Verlag: Berlin.

Cagnoni, Stefano., Lutton, Evelyne., & Olague, Gustavo. 2007. Genetic and Evolutionary for Image Processing and Analysis. EURASIP Book Series on Signal Processing and Communacation. Vol. 8. Hindawi Publishing Coorperation: USA.

Hollmen, Jaakko., Tresp, Volker., & Simula, Olli. 2000. A Learning Vector Quantization Algrithm for Probabilistic Models. In Proceedings of EUSIPCO – X European Signal Processing Conference. Vol II. pp. 721-724.

Johannes, Okko. Räsänen., Laine, Laine. Unto., & Altosaar, Toomas. 2009. Self-learning Quantization for Pattern Discovery from Speech. International Speech. Brighton – UK. pp. 6 – 10

Kasabov., K. Nikola. 1998. Foundation of Neural Network, Fuzzy System, and Knowledge Engineering. The MIT Press: London – England.

Kumar, Javant., Bhattacharyya, Debnath & Kim, Tai-hoon. 2010. Use of Artificial Neural Network in Pattern Recognition. International Journal of Software Engineering and Its Applications. Vol 4. No 2.

Munjal, Geetika. 2011. ANN Paradigms for Audio Pattern Recoginition. International Journal of Computer Science and Information Technologies (IJCSIT). Vol 2(4). pp. 1555 – 1558.

Ouyang, Aijia., Li, Kenli., Zhou, Xu., Xul, Yuming., Yue, Guangxue., & Tan, Lizhi. 2014. Improved LDA and LVQ for Face Recognition. Appl. Math.

Inf.Sci8. No. 1L. pp. 301-309.

Rahman, Mijanur. Md., dan Setu, Akter. Tania. 2015. An Implementation for Combining Neural Networks and Genetic Algorithms. International Journal of Computer Science and Information Technologies (IJCSIT). Vol 6. Issue 3.

Ranadhi, Djalu., Indarto, Wawan., & Hidaya, Taufik. 2006. Implementasi Learning Vector Quantization (LVQ) untuk Pengenalan Pola Sidik Jari Pada SIstem Informasi Narapidana NP Wirogunan. Media Informatika. Vol 4. No 1. pp:

51 – 65. Universitas Islam Indonesia. Yogyakarta.

Ginting, Eminta., Zarlis, M., & Situmorang, Zakarias. 2014. Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dan Self Organizing Kohonen pada Kecepatan Pengenalan Pola Tanda Tangan.

Jurnal Penelitian Teknik Informatika. TECHSI4: 1.

Dalam dokumen ANALISIS AKURASI LEARNING VECTOR QUANTIZATION (LVQ) DAN PARTICLE SWARM OPTIMIZATION (PSO) PADA KLASIFIKASI DATA TESIS AWALUDDIN DONGORAN (Halaman 26-0)