Akurasi

BAB 3 METODOLOGI PENELITIAN

3.6. Akurasi

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.

23

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%

24

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

25

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.

26

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.

27

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,

28

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.