ANALISIS DAN PERANCANGAN SISTEM
3.4. Normalisasi Data
Data yang digunakan dalam penelitian ini merupakan database kecelakaan lalu lintas California pada tahun 2007 yang diperoleh dari HSIS (Highway Safety Information System). Data kemudian disusun dan dipilih variabel faktor-faktor kecelakaan lalu lintas dengan record data yang memiliki informasi paling lengkap. Berdasarkan data kecelakaan tersebut, kemudian digunakan sebanyak 400 kasus untuk masing-masing kategori injury severity dari beberapa kasus kecelakaan lalu lintas. Data tersebut kemudian akan di bagi menjadi 2 bagian, yaitu data pelatihan (training), data pengujian (testing). Sebanyak 80% data digunakan untuk proses training dan 20% data digunakan untuk proses testing. Tabel 3.3 adalah tabel pembagian data kecelakaan lalu lintas yang akan digunakan:
Table 3.3 Pembagian data kecelakaan lalu lintas
No Kategori Jumlah data Set training (80%) Set testing (20%) 1 Fatal 400 320 80 2 Severe Injury 400 320 80 3 Other Injury 400 320 80 4 Complaint of pain 400 320 80 5 PDO (Property Demage Only) 400 320 80 Total 2.000 1.600 400
Data yang telah dianalisis kemudian dinormalisasi sehingga dapat dikenali oleh fungsi aktifasi yang akan digunakan. Pada penelitian ini, data di normalisasi kedalam range [0-1] berdasarkan rumus:
x′ =0.8 x−min
max−min + 0.1
(Siang, 2004) Dengan:
x’ = x yang telah dinormalisasi x = x sebelum dinormalisasi
max = nilai maksimum dari seluruh data
Berikut merupakan contoh beberapa data yang telah di normalisasi dengan nilai minimum = 1 dan nilai maksimum = 23.
Tabel 3.4 Contoh Data Normalisasi
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
0.1 0.209 0.209 0.209 0.282 0.245 0.1 0.464 0.136 0.173 0.355 0.1 0.1 0.1 0.173 0.282 0.136 0.1 0.5 0.391 0.245 0.391 0.173 0.209 0.1 0.318 0.209 0.318 0.1 0.5 0.1 0.245 0.355
3.5. Arsitektur Jaringan Saraf Tiruan
Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer). Berikut adalah rincian arsitektur jaringan saraf tiruan yang digunakan:
1. Lapisan masukan (input layer) terdiri 11 neuron dan ditambah sebuah bias. 2. Lapisan tersembunyi (hidden layer) terdiri dari dua lapis. Banyaknya jumlah
neuron pada hidden layer yang akan digunakan ditentukan berdasarkan percobaan yang dilakukan beberapa kali untuk mendapat arsitektur terbaik, Setiap masing-masing hidden layer akan ditambah dengan sebuah bias.
3. Lapisan keluaran (output layer) yang digunakan sebanyak satu lapis dengan 3 neuron.
Fungsi aktivasi yang akan digunakan dari input layer menuju hidden layer pertama adalah fungsi aktivasi sigmoid, begitu juga dari hidden layer pertama menuju hidden layer kedua menggunakan fungsi aktivasi sigmoid sedangkan pada output layer akan digunakan fungsi aktivasi linier dengan nilai minimal error yaitu 0.01 dengan nilai learning rate yang berada pada range 0.1 sampai dengan 0.9. Rancangan arsitektur secara umum dapat dilihat pada gambar 3.2.
Gambar 3.2 Arsitektur JST
Keterangan:
X = input neuron pada input layer Z = hidden neuron pada hidden layer Y = output neuron pada output layer
V11,..Vn = bobot dari input layer ke hidden layer pertama
W11,..Wn = bobot dari hidden layer pertama ke hidden layer kedua 1 = bias dari input layer ke hidden layer
2 = bias dari hidden layer ke output layer 3 = bias dari hidden layer ke output layer
3.6. Training
Proses training pada JST memerlukan data input dan data target. Training meliputi proses iteratif dari data input yang dimasukkan ke dalam jaringan sehingga jaringan dapat belajar dan menyesuaikan data yang dilatih dengan data target yang diinginkan. Training dilakukan untuk mencari nilai bobot yang menghubungkan semua neuron sehingga meminimalkan error yang dihasilkan oleh output jaringan.
Proses training JST menggunakan sebanyak 80% jumlah data yang terdiri dari input data dan output target, kemudian data training dinormalisasi sebelum diproses kedalam jaringan. Pada proses ini akan dilakukan pelatihan dengan arsitektur JST dari jumlah hidden neuron yang berbeda-beda. Setiap arsitektur yang diuji tersebut akan menghasilkan bobot pelatihan yang nantinya akan digunakan sebagai bobot awal pada proses testing. Kemudian inisialisasi bobot dan bias untuk menghitung nilai output dari setiap neuron yang akan dikalikan dengan fungsi aktivasi dan learning rate.
Setelah nilai output jaringan pada lapisan output diperoleh, hitung nilai error dari jaringan, kemudian nilai error dibandingkan dengan nilai error target yang telah ditetapkan. Jika error jaringan yang dihasilkan tidak lebih kecil atau sama dengan nilai error yang telah ditetapkan, maka akan dilakukan proses backprop dengan memodifikasi bobot jaringan dan bias pada iterasi tertentu hingga didapatkan nilai error minimum mendekati error target yang telah ditetapkan sebelumnya. Ketika kondisi error lebih kecil daripada error target maka bobot tersebut akan disimpan sebagai bobot terpilih dalam proses training. Berikut adalah flowchart training Backpropagation:
Mulai
Jlh neuron;lr; jlh layer =4; maxEpoch=10000;
minError=0.01 Inisialisasi bobot dan bias
e =1 e e+1 Data pelatihan Data = n Langkah maju (Feed forward) Langkah mundur (back forward) Data <= jlh data pelatihan Hitung error pelatihan Update bobot dan
bias dengan metode resilient backpropagation Error <= target Bobot terbaik Selesai Ya Tidak Tidak Ya
Load Data Pelatihan
Data = normalisasi?
ya
normalisasi tidak
3.7. Perhitungan Error
Perhitungan error digunakan untuk menguji keakurasian jaringan. Tujuannya yaitu memperoleh nilai error seminimal mungkin dengan cara mengganti nilai bobot yang terhubung pada semua neuron secara iteratif. Pada penelitian ini, perhitungan error yang digunakan adalah Mean Square Error (MSE) yang merupakan rata-rata kuadrat dari selisih antara output jaringan dengan output target. Rumus dari MSE sebagai berikut:
��= 1 − 2
=1 Keterangan:
= nilai output target = nilai output jaringan N = jumlah output dari neuron
3.8. Testing
Proses testing JST menggunakan sebanyak 20% dari jumlah kasus kecelakaan lalu lintas yang telah dipilih untuk masing-masing kategori. Pada tahap ini jaringan akan di testing dengan data baru yang belum pernah dilatih kedalam jaringan untuk mengetahui kemampuan jaringan melakukan generalisasi kasus yang dihadapi dan kemudian menarik kecenderungan terhadap output tertentu.
Proses testing hanya akan menerapkan tahap propagasi maju. Secara umum proses testing JST dapat dilihat pada gambar 3.4:
Mulai Selesai JlhNeuron; lr; jlhLayer =4; maxEpoch=10000; minError=0.01 Bobot terbaik, Data pengujian Load data testing
Normalisasi
Data = n
Langkah maju (feed forward) Data <= data pengujian Hitung MSE Output jaringan Ya Tidak
Gambar 3.4 Flowchart Testing
Adapun tahapannya adalah sebagai berikut:
1. Masukkan nilai input dari data testing.
= 0 + . 11
=1
3. Hitung hasil output dari masing-masing hidden layer dengan menerapkan kembali fungsi aktivasi.
= ( )
= 1 1 + − _
Sinyal tersebut kemudian akan diteruskan kesemua neuron pada lapisan berikutnya yaitu output layer.
4. Setiap neuron pada output layer (Yk, k=1,..,5) menjumlahkan sinyal-sinyal output beserta bobotnya:
= 0 + . 5
=1
5. Menerapkan kembali fungsi aktivasi untuk menghitung sinyal output
= ( _ )
= 1 1 + − _
Setelah proses testing selesai, maka kemampuan generalisasi jaringan dapat diukur dari berapa banyak pola yang dikenali. Hal tersebut dihitung menggunakan rumus berikut:
= 100% (3.1)
Hasil proses testing berupa matriks yang bentuknya sesuai dengan output targetnya. Output jaringan kemudian akan ditentukan pada suatu pola tertentu. Jika hasil keluaran jaringan lebih besar atau sama dengan 0,5 maka jaringan dianggap meniliki hasil keluaran 1 dan jika jaringan memiliki keluaran kurang dari 0,5 maka akan dianggap memiliki hasil keluaran 0. Data yang dikatakan dikenali adalah apabila data hasil normalisasi yang digunakan sebagai nilai input dapat menghasilkan nilai output jaringan yang sama dengan nilai target yang diinginkan.
BAB IV