ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR
QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA
GENETIKA DALAM PENGENALAN
POLA ALFANUMERIK
TESIS
FADHILLAH AZMI
137038027
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR
QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA
GENETIKA DALAM PENGENALAN
POLA ALFANUMERIK
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
FADHILLAH AZMI
137038027
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
PERSETUJUAN
Judul Tesis : ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK
Kategori : TESIS
Nama Mahasiswa : FADHILLAH AZMI
NIM : 1370380 27
Program Studi : MAGISTER TEKNIK INFORMATIKA
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
Pembimbing 2, Pembimbing 1,
Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Opim Salim Sitompul, M.Sc
Diketahui/disetujui oleh
Program Studi S2 Teknik Informatika Ketua,
Prof. Dr. Muhammad Zarlis, M.Sc NIP: 19570701 198601 1 003
PERNYATAAN
ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM
PENGENALANPOLA ALFANUMERIK
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Agustus 2016
Fadhillah Azmi NIM. 1370380 27
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini:
Nama : Fadhillah Azmi
NIM : 1370380 27
Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul:
ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA
GENETIKA DALAM PENGENALAN POLA ALFANUMERIK
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, Agustus 2016
Fadhillah Azmi
Telah diuji pada
Tanggal: 26 Agustus 2016
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Opim Salim Sitompul, M.Sc Anggota : 1. Dr. Erna Budhiarti Nababan, M.IT
2. Prof. Dr. Muhammad Zarlis, M.Sc 3. Dr. Poltak Sihombing, M.Kom
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : Fadhillah Azmi Tempat dan Tanggal Lahir : Medan, 29 Juli 1985
Alamat Rumah : Jln. Puyuh 8 No. 152 Perumnas Mandala Telepon/Fax/HP : 085296633 571
Email : [email protected] Instansi Tempat Bekerja : Universitas Potensi Utama Alamat Kantor : Jln. Kol. Yos Sudarso Medan
DATA PENDIDIKAN
SD : SD Swastwa Al-Ittihadiyah Medan TAHUN : 1997
SMP : SMP Negeri 4 Medan TAHUN : 2000
SMA : SMA Negeri 5 Medan TAHUN : 2003
D3 : Teknik Telekomunikasi Politeknik Negeri Medan TAHUN : 2007 S1 : Teknik Elektro Universitas Negeri Medan TAHUN : 2012 S2 : Teknik Informatika Universitas Sumatera Utara TAHUN : 2016
UCAPAN TERIMA KASIH
Puji syukur kepada Allah SWT memberikan anugrah yang luar biasa sehingga penulis dapat menyelesaikan tesis dengan judul: ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK. Penulis menyampaikan terima kasih yang sebesar-besarnya kepada :
1. Bapak Prof.Dr Runtung Sitepu SH, M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, sekaligus Pembimbing I yang telah banyak memberikan bimbingan dan arahan dalam menyelesaikan tesis ini.
3. Bapak Prof. Dr. Muhammad Zarlis, Ketua Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara Medan, sekaligus pembanding I yang telah memberikan saran dan kritik dalam menyelesaikan tesis ini.
4. Bapak Dr.Poltak Sihombing, M.Kom, selaku pembanding II yang telah banyak memberikan saran dan kritik dalam menyelesaikan tesis ini.
5. Bapak Dr. Erna Budhiarti. Nababan M.IT, Pembimbing II yang telah banyak memberikan bimbingan dan arahan dalam menyelesaikan tesis ini.
6. Bapak/Ibu Dosen Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan ilmunya selama masa perkuliahan.
7. Segenap sivitas akademika Program Studi Pascasarjana Teknik Informatika Sumatera Utara.
Ucapan terimakasih juga penulis sampaikan kepada :
1. Kedua Orangtua penulis Ayahanda Abdul Azis Arsyad dan Ibunda Mardiana tercinta yang telah memberikan kasih sayangnya, doa yang tak pernah putus serta dorongan moril maupun materil kepada saya sehingga dapat menyelesaikan tesis ini dengan baik.
2. Kakak penulis Syafitri Azmi, adik saya Elly Azmi dan Badrul Aini yang telah banyak memberikan dorongan dan bantuan kepada saya sehingga dapat menyelesaikan tesis ini.
3. Teman seperjuangan Ibu Erma Julita, Pak Indra, Kak Winda, Bang Aidil, Kak Ari Sellyana, dan rekan-rekan mahasiswa Program Studi Pascasarjana Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara khususnya angkatan reguler tahun 2013, dan semua pihak yang tidak dapat penulis sebutkan satu persatu pada tesis ini. Semoga Allah SWT Tuhan Semesta Alam membalas segala kebaikan dan bantuan yang telah diberikan. Medan, Agustus 2016 Penulis, Fadhillah Azmi 1370380 27 vii
ABSTRAK
Pembelajaran metode LVQ berada pada lapisan kompetitif yang mana lapisan tersebut akan belajar secara otomatis untuk mengklasifikasikan (clustering) vektor input ke dalam kelasnya. Di mana kelas yang dihasilkan tersebut tergantung pada jarak vektor input yang akan dihitung dan diambil jarak minimum-nya, selanjutnya akan dijadikan sebagai vektor bobot dan vektor input baru. Apabila ada ditemukan 2 vektor yang hampir sama maka lapisan kompetitif tersebut akan mengklasifikasikan vektor input ke dalam kelas yang sama. Di dalam metode LVQ, memiliki kelemahan yang menyangkut tentang perhentian learning error (α), dimana LVQ sering melewati solusi optimal (clustering), dalam hal ini tingkat kesalahan error rate minimal yang cukup jelas. sehingga diperlukan suatu metode pendekatan tertentu untuk meningkatkan akurasi pembelajaran pada jaringan syaraf tiruan metode LVQ. Pendekatan teknik atau metode yang akan dilakukan ke dalam jaringan syaraf tiruan metode Learning Vector Quantization (LVQ) menggunakan algoritma genetika, studi permasalahannya adalah pengenalan pola karakter alfanumerik berupa pola matriks biner [0, 1]. Parameter yang digunakan dalam algoritma genetika yaitu pembentukkan populasi, seleksi, crossover, dan mutasi yang dilakukan secara acak. Tujuan penelitian ini adalah untuk meningkatkan akurasi pembelajaran (accurate learning) Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada pengenalan pola alfanumerik.
ANALYSIS OF ACCURATE LEARNING IN LEARNING VECTOR QUANTIZATION (LVQ) USING ALGORITHM GENETICS IN
ALPHANUMERIC PATTERN RECOGNITION
ABSTRACT
Training LVQ lies in the competitive layer, where the layer will automatically learn to classify (clustering) vector input into the class. Where the generated class the input vector depends on the distance to be calculated, and taken the minimum distance, will now serve as vectors of weights and a new input vector. If there are two or more vectors are almost the same, the competitive layer will classify input vectors into the same class. In the LVQ, have drawbacks concerning the stop learning error (α), which often pass LVQ optimal solution (clustering), in this case the error rate minimal is quite clear. So that we need a specific approach to improve the accuracy learning in neural network LVQ. Approach techniques or methods to be carried into the neural network of Learning Vector Quantization (LVQ) using a genetic algorithm, with the study of the problems that used pattern recognition alphanumeric characters in the form of a binary matrix pattern [0, 1]. In the genetic algorithm has several phases, namely the formation of a population, selection, crossover, and mutation were done randomly. The purpose of this research is to improve the accurate learning of Learning Vector Quantization (LVQ) using a genetic algorithm on the introduction of alphanumeric patterns.
DAFTAR ISI
Hal.
HALAMAN JUDUL ………. i
PERSETUJUAN ……… ii
PERNYATAAN ORISINALITAS ……… iii
PERSETUJUAN PUBLIKASI ………. iv
PANITIA PENGUJI ……… v
RIWAYAT HIDUP ……….. vi
UCAPAN TERIMA KASIH .………..……. vii
ABSTRAK ……… viii
ABSTRACT ………. ix
DAFTAR ISI ………... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ………. xiv
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah ……… 1
1.2. Rumusan Masalah ……… 2
1.3. Batasan Masalah ………. 2
1.4. Tujuan Penelitian ……… 3
1.5. Manfaat Penelitian ……….. 3
BAB 2 LANDASAN TEORI 2.1. Accurate Learning …………..……… 4
2.2. Lerarning Vector Quantitation (LVQ) ……… 4
2.2.1. Arsitekrtur Jaringan ……… 5
2.2.2. Alogaritma LVQ ……….…… 5
2.3. Alogaritma Genetika ……….…… 6
2.3.1. Struktur Alogaritma Genetika……….… 8
2.3.3. Pengenalan Pola (Pattern Recognition) ……….. 10
2.4. Penelitian-penelitian Terkait.. ……… 10
2.4.1. Penelitian Terdahulu .……….… 10
2.4.2. Perbedaan Peneltian ……… 13
BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan ……….. 14
3.2 Data yang digunakan ……….………. 14
3.3. Analisa Data ……….………. 15
3.3.1. Learning Vector Quantization (LVQ) ……… 17
3.3.1.1. Arsitektur Jaringan ..………..…… 17
3.3.1.2. Alogaritma Learning Vector Quantization (LVQ) ……….………..……… 18
3.3.2. Pembelajaran Learning Vector Quantization (LVQ) dengan Alogaritma Genetik …….……….. 24
BAB 4 HASIL DAN PEMBAHASAN 4.1. Pendahuluian ……… 34
4.2. Hasil Pelatihan ……….………… 34
4.2.1. Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Pada Pengenalan Pola Alfanumerik ……… 34
4.2.2. Hasil Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika Pada Pengenalan Pola Alfanumerik ……….……..… 40
4.3. Pembahasan Penelitian ………..……… 47
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan……….. …....………... 51
5.2. Saran ... 52
DAFTAR PUSTAKA ……….……… 53 xii
DAFTAR GAMBAR
Hal.
Gambar 2.1 Arsitektur Jaringan Learning Vector Quantization (LVQ) ……… 5 Gambar 2.2. Proses Algoritma Genetika ……… 7 Gambar 2.3. Struktur Umum Algoritma Genetika ………. 8 Gambar 3.1. Tahap I Pembelajaran dengan
Learning Vector Quantization (LVQ) ……….. 15 Gambar 3.2. Tahap II Pembelajaran Learning Vector Quantization (LVQ)
dengan Menggunakan Algoritma Genetika ……….. 16 Gambar 3.3. Arsitektur Jaringan LVQ ….………..….. 17 Gambar 3.4. Algoritma LVQ ……….. 18 Gambar 3.5. Pembelajaran LVQ dengan Menggunakan Algoritma Genetika …. 23 Gambar 4.1. Grafik Pengujian Pengenalan Pola Alfanumerik dengan
Learning Vector Quantization (LVQ) ……….. 40 Gambar 4.2. Grafik Pengujian Pengenalan Pola Alfanumerik Learning Vector
Quantization (LVQ) deng Menggunakan Algoritma Genetika..….. 47 Gambar 4.3. Akurasi Pembelajaran LVQ dan LVQ Menggunakan
Algoritma Genetika ……… 49
DAFTAR TABEL
Hal.
Tabel 2.1. Perbedaan penelitian yang dilakukan oleh
peneliti yang lain ………. 11
Tabel 3.1. Pola matriks input alfanumerik………. 19
Tabel 3.2. Inisialisasi bobot dan data input proses training LVQ ……… 19
Tabel 3.3. Data Bobot ……….. 20
Tabel 3.4. Data Pelatihan ………. 20
Tabel 3.5. Perhitungan data berikutnya untuk epoch ke – 1 ………. 22
Tabel 3.6. Pembentukkan populasi awal ………. 25
Tabel 3.7. Proses crossover data pelatihan……… 27
Tabel 3.8. Generasi baru yang dibentuk dari crossover ……… 27
Tabel 3.9. Generasi baru yang dibentuk dari mutasi ……… 28
Tabel 3.10. Inisialisasi Bobot dan Data Input Proses Training LVQ .………… 29
Tabel 3.11 Data Bobot ………. 29
Tabel 3.12. Data Pelatihan ……… 29
Tabel 3.13. Perhitungan data berikutnya untuk epoch ke – 1 ……… 32
Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ ……… 35
Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika……….. 41
Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika ……… 48
27
