KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM)
Oleh :
Dhanang Fitra Riaji
(NRP : 2208205737)
P E N D A H U L U A N
Latar Belakang
Fungsi standard perangkat bergerak (mobile device) belum mampu menyediakan informasi konteks ruang yang akurat kepada user
Lokasi adalah satu bentuk konteks yang paling sering digunakan karena mudah dalam mengumpulkan data
Dari data lokasi akan diklasifikasikan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.
P E N D A H U L U A N
Perumusan Masalah
Permasalahan yang diangkat pada penelitian ini adalah menentukan data lokasi yang dikunjungi pengguna (user) yang akurat sesuai dengan koordinat lokasi (latitude dan longitude) pada saat user berada. Kemudian mengelompokkan lokasi yang dikunjungi dengan menggunakan metode Self-Organizing Map (SOM) untuk mendapatkan tempat yang paling sering dikunjungi (important plce) dan tempat yang jarang dikunjungi (not important place).
P E N D A H U L U A N
Tujuan Penelitian
Tujuan utama dilakukan penelitian ini adalah untuk membuat sebuah kerangka kecerdasan buatan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengklasifikasikan lokasi sering dikunjungi.
Dari hasil pengklasifikasian tersebut diharapkan akan diperoleh sebuah pola yang dapat digunakan untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.
P E N D A H U L U A N
Batasan Masalah
Perancangan sistem menggunakan platform J2ME
Aplikasi berjalan pada handphone yang memiliki fasilitas Java ME dengan profil MIDP 2.0 atau lebih, konfigurasi CLDC 1.0 atau lebih, perangkat GPS internal dan koneksi wireless GRPS atau lebih
Lokasi penelitian yang digunakan adalah daerah Malang Kota
Penelitian ini tidak membahas tentang keamanan (security) jaringan dalam aplikasi yang dibuat
Data yang digunakan adalah diambil dari data lokasi
P E N D A H U L U A N
Manfaat Penelitian
Dari penelitian yang dilakukan diharapkan diperoleh manfaat diantaranya adalah memperoleh sebuah model klasifikasi lokasi yang dikunjungi pada waktu dan lokasi tertentu serta menjadi kerangka untuk mengembangkan sistem kecerdasan transportasi (Intelligent Transportation System) dalam aplikasinya.
TINJAUAN PUSTAKA
Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusumadewi, 2003)
TINJAUAN PUSTAKA
Self-Organizing Map (SOM)
Jaringan Self- Organizing Map merupakan salah satu model jaringan saraf tiruan yang menggunakan metode pembelajaran tanpa supervisi (unsupervised learning)
Salah satu keunggulan dari algoritma Self- Organizing Map adalah mampu untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah.
Proses pemetaan terjadi apabila sebuah pola berdimensi bebas diproyeksikan dari ruang masukan ke posisi pada array berdimensi satu atau dua
TINJAUAN PUSTAKA
Pembelajaran Self-Organizing Map (SOM)
dimana Wij adalah fungsi tetangga yang nilainya berubah sesuai dengan jarak neuron tersebut dengan neuron pemenang dan β adalah learning rate. Nilai fungsi aktifasi menentukan besarnya berubahan nilai bobot dari neuron pemenang dan neuron tetangganya.
TINJAUAN PUSTAKA
Euclidean Distance
Euclidean distance pada dasarnya adalah jarak antara dua titik yang dapat diukur dengan menggunakan penggaris, yang juga dapat dilakukan dengan menggunakan teori phytagoras. Dengan menggunakan metode ini untuk menghitung jarak antar neuron ruang euclidean dapat diubah menjadi ruang metrik. Untuk n dimensi, P = (p1, p2,…,pn) dan Q = (q1, q2, …,qn) euclidean distance diberikan dengan persamaan :
TINJAUAN PUSTAKA
Algoritma Pembelajaran SOM
1. inisialisasi : bobot vektor lapisan output (Wij) dengan nilai acak, learning rate, fungsi tetangga yang digunakan
2. hitung tingkat kemiripan atara bobot neuron pada lapisan output dengan data yang dimasukan dan pilih neuron pemenangnya (BMU)
3. update learning rate dan hitung fungsi tetangganya
4. lakukan langkah 2 sampai 3 hingga nilai interasi (epoch) tercapai
TINJAUAN PUSTAKA
Global Positioning System (GPS)
Sistem radio navigasi penentuan posisi dengan menggunakan satelit
GPS dapat memberikan posisi suatu objek di muka bumi dengan akurat dan cepat (tiga dimensi koordinat x, y, z) dan memberikan informasi waktu serta kecepatan bergerak secara kontinyu di seluruh dunia
Satelit GPS mempunyai konstelasi 24 satelit dalam enam orbit yang mendekati lingkaran. Setiap orbit ditempati oleh 4 buah satelit dengan interval antara yang tidak sama
TINJAUAN PUSTAKA
Global Positioning System (GPS)
METODOLOGI PENELITIAN
Perancangan Sistem
Studi literatur
Membuat aplikasi Mobile LBS
Pengambilan data Latitude dan
Longitude
Pengolahan data dengan metode SOM
Melakukan Analiasa data
METODOLOGI PENELITIAN
Arsitektur Sistem Mobile LBS
METODOLOGI PENELITIAN
Prinsip Kerja Sistem
METODOLOGI PENELITIAN
Proses Pengambilan Data
METODOLOGI PENELITIAN
Metode Klasifikasi Data
METODOLOGI PENELITIAN
Proses Klasifikasi Data (clustering)
HASIL DAN PEMBAHASAN
Pengiriman Data Lokasi
HASIL DAN PEMBAHASAN
Grafik Data Lokasi Aktifitas User
HASIL DAN PEMBAHASAN
Mobile LBS java
Mulai
Inisialisasi Data GPS
Setup Timer Setiap 1 Menit
Tunggu Timer
Data GPS Valid?
Buka Koneksi GPRS Dan Kirim Melalui
HTTP Ya
Ya
Tidak
Selesai Tidak
Baca data GPS
HASIL DAN PEMBAHASAN
Mobile LBS Server
HASIL DAN PEMBAHASAN
Mobile LBS Server
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
Parameter Pelatihan SOM Keterangan
Inisialisasi bobot Acak
Algoritma pelatihan Batch
Bentuk jaring Shape
Bentuk topologi jaring Hexa
Jumlah neuron jaring 60
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN
Hasil Pelatihan SOM
KESIMPULAN DAN SARAN
Kesimpulan
1. Pengelompokan dari 1085 data yang dilakukan secara manual diperoleh hasil untuk lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi jalan sebanyak 601 atau 55.39%, lokasi yang dikunjungi rumah makan sebanyak 249 atau 22.95% dan lokasi yang dikunjungi tempat kerja sebanyak 196 atau 18.06%.
2. Dari hasil pengelompokan data (clustering) dengan menggunakan metode Self-Organizing Map (SOM) berdasarkan peta SOM neighbor weight distances diperoleh empat kelompok yaitu lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi rumah
KESIMPULAN DAN SARAN
Kesimpulan
1. Terdapat perbedaan antara penghitungan secara manual dan dengan metode Self-Organizing Map (SOM) yaitu lokasi yang dikunjungi jalan yaitu 601 data atau 55.39% dan 602 atau 55.48%, dan pada saat lokasi yang dikunjungi rumah makan yaitu 249 data atau 22.95% dan 248 atau 22.86%.
2. Metode Self Organizing Map (SOM) dapat digunakan untuk mengelompokkan data (clustering) untuk mencari lokasi yang paling sering dikunjungi berdasarkan data lokasi (latitude dan longutude).
3. Diperoleh model klasifikasi terhadap lokasi yang dikunjungi yaitu rumah, jalan, rumah makan dan tempat kerja, sehingga diperoleh lokasi yang paling sering dikunjungi (important place) berdasarkan peta SOM neighbor weight distances yaitu rumah makan.
Sedangkan jalan dan rumah digolongkan ke dalam klasifikasi tempat yang dianggap tidak penting (not important place) karena berdasarkan peta SOM neighbor weight distances tidak menunjukkan warna yang sama (uniform).
KESIMPULAN DAN SARAN
Saran
1. Untuk mendapatkan data lokasi (latitude dan longitude) yang lebih baik diperlukan perangkat GPS reciever yang memiliki akurasi tinggi.
2. Menggunakan banyak user (multi user) dalam pengambilan data lokasi untuk pengembangan selanjutnya
3. Pengembangan selanjutnya dapat digunakan digunakan untuk pengembangan Sistem Transportasi Cerdas (Inteligent Transportation System)
DAFTAR PUSTAKA
1. Ahmed El-Rabbany, (2002), Introduction to GPS: the Global Positioning System. by, Artech House mobile communications series
2. Edi S. Mulyanta, S.Si, (2005), Pengenalan Protokol Jaringan Wireless Komputer, Penerbit ANDI, Jogjakarta
3. Fauset, L, (1994), Fundamental of Neural Network. Prentice Hall
1. http://code.google.com/apis/maps/documentation/, Google Maps documentation, (Akses : 29 Juni 2010)
2. http://developers.sun.com/mobility/reference/techart/index.jsp , J2ME and Location-Based Services, (Akses : 6 Februari 2010)
3. http://en.wikipedia.org/wiki/Global_Positioning_System , GPS, (Akses : 6 Februari 2010)
DAFTAR PUSTAKA
1. http://www.ittelkom.ac.id/, Location-Based Services (Akses : 6 Februari 2010)
1. Kohonen, T, (1995), Self-Organizing Map, 2nd ed.
Springer-Verlag, Berlin
2. Kusumadewi, Sri, (2003), Artificial Intellegence (Teknik dan Aplikasinya). Jogjakarta: Graha Ilmu
3. Liman, J, (2005). Feedforward Neural Network. www.ukrida.co.id, diakses tanggal 27 November 2005
4. Mauridhi Hery P, Agus Kurniawan, (2006).
DAFTAR PUSTAKA
1. Suparman dan Marlan, (2005), Komputer Masa Depan Pengenalan Artificial Intelligence, Penerbit ANDI, Jogjakarta
2. Suyanto, (2007), Artificial Intelligence Searching, Reasoning, Planning, dan Learning. Bandung:
Informatika
