BAB 1
PENDAHULUAN
1.1. Latar Belakang Masalah
Jaringan syaraf tiruan (JST) merupakan salah satu sistem pengolahan informasi yang diadopsi dari cara kerja otak manusia, yaitu belajar melalui contoh. Sebuah JST dapat diimplementasikan untuk aplikasi tertentu seperti pengenalan pola atau klasifikasi data, melalui proses pembelajaran (Sutojo et al, 2010). JST dapat mengenali proses pembelajaran dengan berbasis masa lalu. Data masa lalu tersebut akan dipelajari oleh jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari (Kusumadewi, 2003).
Hingga saat ini banyak sekali peneliti yang telah mengembangkan proses Jaringan Syaraf Tiruan ke dalam bentuk algoritma seperti Hebb Rule, Delta Rule, Backpropagation, Learning Vector Quantization dan lain-lain. JST Learning Vector Quantizaton (LVQ) merupakan metode klasifikasi data adaptif berdasarkan pada data pelatihan dengan informasi kelas yang diinginkan. LVQ memiliki sifat kompetitif yang terawasi dalam proses pembelajaran yang terdiri atas unit masukan dan unit keluaran. Sifat kompetitif tersebut berada pada lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input ke dalam kelas-kelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input (T Kohonen, 1995). LVQ sendiri memiliki tingkat akurasi dan waktu yang baik dalam proses pengenalan wajah jika dibandingkan dengan JST Backpropagtion (Maharani & Irawan, 2012). LVQ juga memiliki kelebihan dalam hal tingkat error yang dihasilkan namun memiliki kekurangan yaitu bila jumlah datanya besar maka waktu yang digunakan untuk proses pelatihan menjadi sangat lama dan akurasi model sangat bergantung pada penentuan vektor bobot awal serta paramenter (learning rate dan iterasi) yang digunakan (Itje & Hartati, 2011).
Dalam algoritma LVQ, cara menentukan vektor bobot awal tersebut biasanya menggunakan vektor yang diambil dari data yaitu data pertama dan data kedua dari
2
sekumpulan dataset dengan kelas yang berbeda apabila hanya terdapat dua kelas dalam sekumpulan data kasus. Namun apabila dua vektor bobot awal tersebut memiliki nilai yang hampir sama, maka akan mengalami proses pembelajaran yang lama untuk mengenali data pada setiap kelas (Arida Ayu, 2016). Oleh karena itu penelitian yang dilakukan Luh Arida Ayu menggunakan Self Organization Maps (SOM) untuk mengatasi kekurangan LVQ tersebut yaitu dengan cara mengkombinasikan LVQ dengan SOM pada klasifikasi genre musik. Dari hasil pengujian yang telah dilakukan menunjukkan bahwa kombinasi LVQ dan SOM memberikan hasil yang lebih baik dibandingkan dengan LVQ standar.
Metode Entropy merupakan metode yang dapat digunakan untuk menentukan suatu bobot dan mengambil keputusan dari sekumpulan altenatif. Entropy mampu menyelidiki keserasian dalam diskriminasi diantara sekumpulan data yang beratirbut banyak. Dengan menggunakan Entropy kriteria dengan variasi nilai tertinggi akan mendapatkan bobot tertinggi (Abbas, 2004). Penelitian lain menyebutkan bahwa
Entropy dapat mengambil keputusan dalam pemilihan subkontrak produksi sarung tangan (Jamila, 2012). Pada penelitian tersebut, dilakukan pembobotan setiap kriteria dan penentuan subkontrak mana yang menjadi pilihan terbaik.
Untuk itu penulis tertarik untuk melakukan penelitian tentang sejauh mana kinerja metode Entropy dalam menentukan vektor bobot awal pada JST LVQ. Metode
Entropy akan mencari vektor bobot awal dari dataset, kemudian vektor bobot awal tersebut akan digunakan dalam pelatihan dan pengujian pada LVQ. Maka dengan metode Entropy tersebut dapat menghasilkan suatu vektor bobot awal yang dapat mewakili setiap kelas sehingga mempercepat proses pembelajaran dan memilkiti tingkat akurasi yang baik bila dibandingkan dengan LVQ standar. Oleh karena itu
judul penelitian tesis yang diusulkan adalah “Analisis Kinerja Metode Entropy dalam
Penentuan Bobot Awal Learning Vector Quantization pada Proses Klasifikasi”. Untuk melakukan proses pelatihan dan pengujian pada LVQ diaplikasikan pada dataset kanker yang diperoleh dari data benchmark UCI Machine Learning Repository.
1.2. Perumusan Masalah
Pada LVQ untuk menentukan vektor bobot awal biasanya diambil dari data pertama dan data kedua dan membutuhkan pembelajaran yang lama apabila kedua vektor tersebut memiliki kemiripan nilai yang hampir sama walaupun berbeda kelas.
3
Penentuan bobot awal pada proses klasifikasi menggunakan metode LVQ akan mempengaruhi kinerja (akurasi) dari metode tersebut.
1.3. Tujuan Penelitian
Penelitian ini bertujuan untuk mendapatkan tingkat akurasi yang lebih baik dalam klasifikasi menggunakan metode Entropy dalam penentuan vektor bobot awal pada Jaringan Syaraf Tiruan Learning Vector Quantization.
1.4. Batasan Masalah
Dalam penelitian ini telah ditentukan batasan-batasan dari topik yang dibahas sehingga cakupan pembahasan tidak terlalu luas dan fokus utama penelitian tidak menjadi kabur. Beberapa batasan masalah yang ditentukan pada penelitian ini dijabarkan sebagai berikut:
1. Dalam menormalisasi data dan penentuan bobot awal dilakukan dengan metode Entropy.
2. Implementasi penelitian dilakukan pada JST LVQ dengan dataset breast cancer yang diperoleh dari UCI Machine Learning Repository, yaitu terdiri dari jumlah data 699 dengan 10 atribut serta 2 kelas (kanker jinak dan kanker ganas).
1.5. Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut: 1. Dapat mengetahui dan memahami metode Entropy pada LVQ.
2. Menjadi landasan untuk penelitian-penelitian selanjutnya dan memberikan kontribusi bagi ilmu pengetahuan, khususnya bidang ilmu komputer.