7
TINJAUAN PUSTAKA
2.1 Elektroensefalografi (EEG)
Elektroensefalografi (EEG) adalah metode pengamatan elektrofisiologis untuk merekam aktivitas listrik dari otak. Hal ini biasanya tidak invasif, dengan elektroda ditempatkan di sepanjang kulit kepala, meskipun invasif elektroda cukup sering digunakan dalam aplikasi tertentu. EEG mengukur fluktuasi tegangan yang dihasilkan dari arus ionik dalam neuron dari otak. (Niedermeyer & da Silva, 2004).
Elektroensefalografi penggabungan dari dua kata yaitu elektro berarti “yang berkaitan atau yang diadakan dengan tenaga listrik”, dan ensefalografi berarti “pemotretan atau perekaman otak”. (http://badanbahasa. kemdikbud.go.id/kbbi/). Dan jika digabungkan, Elektroensefalografi menjadi “sistem yang merekam potensial listrik otak dari elektroda yang menempel di kulit kepala” (William Wilkins,2004).
Psikologi studi mengenai hubungan antara emosi dan otak mengungkapkan implikasi kuat dari proses kognitif dalam emosi (R. Adolphs & D. Tranel,2003 ). Maka hasilnya, Sinyal EEG membawa informasi berharga tentang emosi yg dirasakan para peserta. Sinyal EEG tersebut direkam menggunakan aktif AgCl elektroda, ditempatkan menurut standar internasional dengan system 10-20. Elektroensefalografi adalah prosedur pencatatan aktifitas listrik otak dengan alat pencatatan yang peka sedangkan grafik yang dihasilkannya disebut Electroensefalogram.
Jadi aktivitas otak berupa gelombang listrik, yang dapat direkam melalui kulit kepala disebut Elektroensefalografi (EEG). Amplitudo dan frekuensi EEG bervariasi, tergantung pada tempat perekaman dan aktivitas otak saat perekaman. Saat subyek santai, mata tertutup, gambaran EEG nya menunjukkan aktivitas sedang dengan gelombang sinkron 8-14 siklus/detik, disebut gelombang alfa. Gelombang alfa dapat direkam dengan baik pada daerah visual di daerah oksipital. Gelombang alfa yang sinkron dan teratur akan hilang, kalau subyek membuka matanya yang tertutup. Gelombang yang terjadi adalah gelombang beta (> 14 siklus/detik). Gelombang beta direkam dengan baik di regio frontal,
merupakan tanda bahwa orang terjaga, waspada dan terjadi aktivitas mental. Meski gelombang EEG berasal dari kortek, modulasinya dipengaruhi oleh formasi retikularis di subkortek.
2.2 Emosi
Emosi adalah istilah yang digunakan untuk keadaan mental dan fisiologis yang berhubungan dengan beragam perasaan, pikiran, dan perilaku. Emosi adalah pengalaman yang bersifat subjektif, atau dialami berdasarkan sudut pandang individu. Emosi berhubungan dengan konsep psikologi lain seperti suasana hati, temperamen, kepribadian, dan disposisi (Schacter Daniel L, 2011).
Dari pengertian tersebut, emosi merupakan sebuah reaksi kita ketika berelasi dengan diri sendiri, orang lain dan lingkungan hidup kita. Reaksi tersebut disadari atau tidak mempunyai efek entah bersifat membangun entah merusak. Bisa dikatakan bahwa emosi sebenarnya bukan hanya sebagai reaksi terhadap keadaan pada diri maupun luar diri kita, tetapi juga merupakan upaya pencapaian kearah pembentukan diri menuju hidup yang transendental (spiritual).
Gambar 2.1 Model emosi oleh Thayer
Dalam sistem ini, mengadopsi model Thayer untuk deskripsi emosi. Seperti yang ditunjukkan pada Gambar 2.1, ruang emosi dua dimensi (2DES) dibagi
menjadi 4 kuadran, dan emosi yang berbeda ditempatkan dan dimisalkan sebagai ruang sedemikian rupa, sehingga setiap emosi (suatu titik dalam 2DES) dapat diwakili oleh vektor 2x1. Ini menghasilkan ruang kepositifan(valence) dan ruang intensitas(arousal). Sisi kanan (kiri) ruang mengacu pada emosi positif (negatif), sedangkan sisi atas (bawah) ruang mengacu pada emosi intens (tidak intens). Untuk konsisten dengan model 2DES, kita mendefinisikan emosi dalam 4 kelas, masing-masing terkait dengan satu kuadran.(R.E. Thayer, 1989)
2.3 Artificial Intelligence
Artificial Intelligence atau AI adalah otomatisasi aktivitas yang diasosiasikan dengan pemikiran manusia, kemampuan menyelesaikan masalah, belajar. Juga mencangkup pembelajaran untuk membuat komputer melakukan banyak hal, yang saat ini orang melakukannya dengan lebih baik. (Rich and Knight 1991).
Implementasi dari artificial intelligence saat ini umum ditemui dalam bidang-bidang seperti berikut :
a. Computer Vision
Computer Vision adalah suatu metode artificial intelligenceyang memungkinkan sebuah sistem komputermengenali gambar sebagai inputnya. Contohnya adalah mengenali dan membaca tulisan yang ada didalam gambar.
b. Fuzzy Logic
Merupakan suatu metode artificial intelligence yang banyak pada alat-alat elektronik dan robotika. Dimana alat-alat-alat-alat elektronik atau robotika tersebut mampu berpikir dan bertingkah laku sebagaimana layaknya manusia.
c. General Problem Solving
Pemecahan masalah umum yang berupa suatu metode artificial intelligence terhubung dengan pemecahan suatu masalah terhadap suatu situasi, yang akan diselesaikan oleh komputer. Biasanya permasalahan tersebut akan diselesaikan secara trial and error sampai sebuah solusi dari masalah tersebut didapatkan. Contohnya adalah program Eureka yang dapat memecahkan model linier programming
2.4 Fungsi EEG
Aktivitas listrik dari otak penderita direkam oleh elektroda perak yang dipasang oleh teknisi yang terlatih pada kulit kepala. Elektroda ini dihubungkan secara berpasangan diatas bagian otak yang berdekatan sehingga arus terdeteksi oleh satu elektroda, akan berbeda yang terdeteksi oleh elektroda pasangannya, perbedaan voltase ini akan menggerakkan pena.Jika pada bagian otak bermuatan negative dan satunya lagi pada bagian otak bermuatan positif, pena akan bergerak ke bawah. Jika situasinya terbalik, pena akan bergerak ke atas. Jika tidak ada arus dari kedua bagian otak di bawah elektroda mempunyai arus yang sama, pena akan menggambar garis datar. Biasanya ada 8 pena berurutan dan rangkaian akhir dari garis ini mengukur baik kekuatan fluktuasi perbedaan voltase maupun frekuensi.
2.5 Tujuan dari EEG
Menurut Jan Nissl(2006), EEG bertujuan untuk: 1. Mendiagnosa dan mengklasifikasikan Epilepsi
2. Mendiagnosa dan lokalisasi tumor otak, Infeksi otak, perdarahan otak, pendarahan otak,Parkinson
3. Mendiagnosa Lesi desak ruang lain 4. Mendiagnosa Cedera Kepala
5. Periode keadaan pingsan atau dementia 6. Memonitor akifitas otak seseorang
7. Mengetahui kelainan metabolic dan elektrolit
2.6 Beberapa Gelombang pada EEG
Pada otak manusia terdapat beberapa macam gelombang yang dihasilkan oleh EEG yakni teta, delta, alfa, gamma, beta (Anna Wise,2009).
2.6.1 Gelombang Delta
Kondisi Delta (0.5-4 Hz), saat gelombang otak semakin melambat, sering dihubungkan dengan kondisi tidur yang sangat dalam. Beberapa frekuensi dalam jangkauan Delta ini diiringi dengan pelepasan hormon pertumbuhan manusia (Human Growth Hormone), yang bermanfaat dalam
penyembuhan. Kondisi Delta, jika dihasilkan dalam kondisi terjaga, akan menyediakan peluang untuk mengakses aktivitas bawah sadar, mendorong alirannya ke pikiran sadar. Kondisi Delta juga sering dihubungkan dengan manusia yang Memiliki perasaan kuat terhadap empati dan intuisi.
Gambar 2.2 Gelombang Delta (Hugo Gamboa, Ana Fred, Dirk Elias, 2015) 2.6.2 Gelombang Teta
Relaksasi mendalam,Meditasi,Peningkatan Memori. Lebih lambat dari Beta, kondisi gelombang otak Teta (4-8 Hz) muncul saat kita bermimpi pada tidur ringan. Atau juga sering dinamakan sebagai mengalami mimpi secara sadar. Frekuensi Teta ini dihubungkan dengan pelepasan stress dan pengingatan kembali memori yang telah lama. Kondisi “senjakala” (twilight) dapat digunakan untuk menuju meditasi yang lebih dalam, menghasilkan peningkatan kesehatan secara keseluruhan, kebutuhan kurang tidur, meningkatkan kreativitas dan pembelajaran.
Gambar 2.3 Gelombang Teta (Hugo Gamboa, Ana Fred, Dirk Elias, 2015) 2.6.3 Gelombang Alfa
Berperan dalam kreativitas, relaksasi, visualisasi. Gelombang otak Alpha (8-13 Hz) sangat kontras dibandingkan dengan kondisi Beta. Kondisi relaks mendorong aliran energi kreativitas dan perasaan segar, sehat. Kondisi
gelombang otak Alplha ideal untuk perenungan, memecahkan masalah, dan visualisasi, bertindak sebagai gerbang kreativitas kita.
Gambar 2.4 Gelombang Alfa(Hugo Gamboa, Ana Fred, Dirk Elias, 2015) 2.6.4 Gelombang Beta
Kondisi di mana seseorang dalam keadaan waspada dan konsentrasi. Gelombang beta (13-30 Hz) menjaga pikiran kita tetap tajam dan terfokus. Dalam kondisi Beta, otak Anda akan mudah melakukan analisis dan penyusunan informasi, membuat koneksi, dan menghasilkan solusi-solusi serta ide-ide baru. Beta sangat bermanfaat untuk produktivitas kerja, belajar untuk ujian, persiapan presentasi, atau aktivitas lain yang membutuhkan konsentrasi dan kewaspadaan tinggi.
Gambar 2.5 Gelombang Beta (Hugo Gamboa, Ana Fred, Dirk Elias, 2015) 2.6.5 Gelombang Gamma
Gelombang Gamma(30-100 Hz) cenderung merupakan yang terendah dalam amplitude dan gelombang yang paling cepat. Gelombang Gamma zadalah gelombang otak yang terjadi pada seseorang mengalami aktifitas mental yang tinggi, misalnya berada di arena pertandingan, perebutan kejuaraan, tampil di muka umum, sangat panik, dan takut.
2.7 Waterfall Model
Model Waterfall Menurut Whitten & Bentley( 2007, p. 92).adalah pendekatan desain dan analisa sistem yang menyelesaikan setiap tahapan sekali saja secara berurutan. Berikut ini merupakan gambaran dari waterfall model. Fase-fase dalam model waterfall menurut referensi Whitten & Bentley:
Gambar 2.7 Strategi Waterfall Development berurutan 1.System Initiation
Langkah ini merupakan analisis terhadap kebutuhan software, dan tahap untuk mengadakan pengumpulan data dengan melakukan pertemuan dengan customer, maupun mengumpulkan data-data tambahan baik yang ada di jurnal, artikel, maupun dari internet. Untuk itu sebagai tahapan pertama dalam merancang sebuah sistem hal yang perlu ditentukan adalah batasan-batasan masalah, tujuan, jadwal serta anggaran (bila ada). (Whitten & Bentley, 2007, p. 32)
2.System Analysis
Proses model ini akan menerjemahkan syarat kebutuhan ke sebuah perancangan yang dapat diperkirakan sebelum dibuat coding. Proses ini berfokus pada rancangan struktur data, arsitektur software, representasi interface, dan detail (algoritma) sequential. Tahapan ini juga mempelajari seluruh permasalahan lebih lanjut agar dapat menyediakan solusi yang lebih baik dibanding pada tahap sebelumnya.
3.System Design
System Design merupakan proses membuat kode. Coding atau pengkodean merupakan penerjemahan desain dalam bahasa yang bisa dikenali oleh komputer. Programmer akan menerjemahkan transaksi yang diminta oleh user. Tahapan inilah yang merupakan tahapan secara nyata dalam mengerjakan suatu software, artinya penggunaan komputer akan dimaksimalkan dalam tahapan ini. Setelah pengkodean selesai maka akan dilakukan testing terhadap sistem yang telah dibuat tadi. Tujuan testing adalah menemukan kesalahan-kesalahan terhadap sistem tersebut untuk kemudian bisa diperbaiki .
4.System Implementation
Tahapan. ini bisa dikatakan final dalam pembuatan sebuah software atau sistem. Setelah melakukan analisis, desain dan pengkodean maka sistem yang sudah jadi akan digunakan oleh user.
Pada Pada tahap ini semua perangkat keras dan perangkat lunak dipasang dan diuji. Untuk memastikan bahwa sistem berjalan dengan baik, perlu dilakukan uji coba individual terhadap setiap perangkat keras maupun perangkat lunak, kemudian kembali dilakukan uji coba secara keseluruhan sistem.
2.7.1 Tentang Metode Waterfall
Kelebihan dari model ini adalah kesederhanaan dalam pengaplikasian menggunakan model ini. Selain itu model ini dijalankan ketika semua kebutuhan sistem dapat didefinisikan secara utuh, eksplisit, dan benar di awal proyek. Maka Software Engineering (SE) dapat berjalan dengan baik dan tanpa masalah. Meskipun seringkali kebutuhan sistem tidak dapat didefinisikan se-eksplisit sesusai yang diinginkan, tetapi paling tidak problem pada kebutuhan sistem di awal proyek lebih ekonomis dalam hal anggaran, usaha, dan waktu yang terbuang lebih sedikit jika dibandingkan problem yang muncul pada tahap-tahap selanjutnya. Kekurangan yang utama dari model ini adalah kesulitan dalam mengakomodasi perubahan setelah proses dijalani.
Fase sebelumnya harus lengkap dan selesai sebelum mengerjakan fase berikutnya.
Masalah dengan waterfall:
1.Perubahan sulit dilakukan karena sifatnya yang kaku.
2.Karena sifat kakunya, model ini cocok ketika kebutuhan dikumpulkan secara lengkap sehingga perubahan bisa ditekan sekecil mungkin. Tapi pada kenyataannya jarang sekali konsumen/pengguna yang bisa memberikan kebutuhan secara lengkap, perubahan kebutuhan adalah sesuatu yang wajar terjadi.
3.Waterfall pada umumnya digunakan untuk rekayasa sistem yang besar yaitu dengan proyek yang dikerjakan di beberapa tempat berbeda, dan dibagi menjadi beberapa bagian sub-proyek.
2.8 Unified Modelling Language (UML)
Menurut (Whitten & Bentley, 2007, p. 371), Unified Modeling Language (UML) dikembangkan oleh Grady Brooch, James Rumbaugh dan Ivar Jacobson. Mereka menggabungkan pekerjaan dan metode pengembangan object-oriented masing- masing untuk menciptakan satu bahasa pemodelan objek yang simple dan padat.
UML tidak menentukan sebuah metode untuk mengembangkan sistem, hanya menentukan sebuah notasi yang diterima secara luas sebagai standar pemodelan objek. adalah sekumpulan model konvensional yang digunakan untuk mendeskripsikan sebuah sistem piranti lunak. Versi terbaru dan stabil dari Unified Modeling Language adalah 2.0. Versi ini digunakan dalam skripsi penulis, juga buku Whitten & Bentley yang menjadi referensinya. Namun beberapa kontributor telah mengembangkannya hingga 2.5.
2.8.1 Use Case Diagram
Menurut (Whitten & Bentley, 2007, p. 246), use case diagram adalah grafik yang menggambarkan sekumpulan kasus penggunaan, aktor, dan hubungan antara keduanya.
Gambar 2.8 Contoh Use Case Diagram (Whitten & Bentley, 2007, p. 246)
Hubungan antar use case digambarkan dengan sebuah garis antara dua simbol yang terdapat pada diagram. Arti dari hubungan tersebut bergantung kepada cara garis tersebut digambarkan dan simbol yang dihubungkannya.
Hubungan yang terdapat pada sebuah use case diagram adalah: 1. Associations
Associations adalah relasi antara aktor dengan use case dimana terjadi sebuah interaksi antara mereka. Associations digambarkan dengan sebuah garis lurus yang menghubungkan aktor dengan use case. Associations yang menggunakan tanda panah pada ujung garis dan menyentuh use case disebut sebagai hubungan satu arah atau unidirectional, sedangkan Associations yang tidak menggunakan tanda panah disebut sebagai hubungan dua arah atau bidirectional.
Gambar 2.9 Contoh Associations (Whitten & Bentley, 2007, p. 248) 2. Extends
Extends digunakan pada use case yang kompleks, terdapat beberapa langkah dan sulit untuk dimengerti. Untuk menyederhanakannya, use case dapat dipecah menjadi beberapa use case terpisah yang lebih sederhana, yang disebut sebagai extension use case. Relasi antar extension use case dengan use case tersebut dinamakan extends. Extends digambarkan dengan garis panah yang dimulai pada extension use case menuju use case dan selanjutnya diberi label “<<extends>>”.
Gambar 2.10 Contoh Extends (Whitten & Bentley, 2007, p. 249) 3. Uses (or Include)
Digunakan apabila terdapat dua atau lebih use case yang melakukan sebuah fungsionalitas yang sama. Fungsionalitas tersebut kemudian dipisahkan menjadi sebuah use case terpisah yang disebut sebagai abstract use case. Hal ini dilakukan untuk mengurangi redundansi pada use case. Relasi ini digambarkan dengan garis panah yang dimulai pada use case menuju abstract use case kemudian diberi label “<<uses>>”.
Gambar 2.11 Contoh Uses (Whitten & Bentley, 2007, p. 249) 4. Depends On
Relasi ini menggambarkan bahwa sebuah use case tidak dapat dijalankan sampai use case yang lain selesai dilakukan. Relasi ini digambarkan dengan garis panah yang dimulai pada use case menuju use case yang harus diselesaikan prosesnya terlebih dahulu, kemudian diberi label “<<depends on>>”.
Gambar 2.12 Contoh Depends on (Whitten & Bentley, 2007, p. 250)
5. Inheritance
Relasi ini digunakan apabila terdapat dua atau lebih aktor melakukan hal yang sama (use case yang sama). Use case tersebut kemudian dipisahkan dan dihubungkan dengan abstract actor. Relasi ini bertujuan untuk mengurangi redundansi relasi antara aktor dengan use case. Inheritance digambarkan dengan garis panah yang dimulai dari actor menuju abstract actor.
Gambar 2.13 Contoh Inheritance (Whitten & Bentley, 2007, p. 250) 2.8.2 Activity Diagram
Menurut Whitten dan Bentley(Whitten & Bentley, 2007, p. 390) adalah diagram yang dapat digunakan untuk menggambarkan secara grafis aliran dari sebuah proses bisnis, langkah-langkah pembuatan use case dan perilaku objek.
Setidaknya ada satu activity diagram yang dapat dibangun dari setiap use case. Lebih dari satu yang dapat dibuat jika use case tersebut panjang atau mengandung logika yang kompleks.
Notasi-notasi yang digunakan pada activity diagram adalah: 1. Initial node
Sebuah lingkaran padat yang menggambarkan awal dari sebuah proses.
Kotak dengan sudut bulat yang menggambarkan langkah setiap individu proses.
3. Flow
Sebuah panah yang melambangkan gerak maju antara setiap actions. 4. Decision
Sebuah bentuk wajik dengan sebuah flow yang mengarah masuk dan dua atau lebih flow yang mengarah keluar menggambarkan setiap kondisi.
5. Merge
Sebuah bentuk wajik dengan dua atau lebih flow yang mengarah masuk dan sebuah flow yang mengarah keluar.
6. Fork
Sebuah batangan hitam dengan sebuah flow yang mengarah masuk dan dua atau lebih flow yang mengarah keluar. Action pada flow paralel yang berada di bawah fork dapat terjadi pada urutan apapun ataupun secara bersamaan.
7. Join
Sebuah batangan hitam dengan dua atau lebih flow yang mengarah masuk dan sebuah flow yang mengarah keluar menandakan berakhirnya proses yang terjadi secara bersamaan. Seluruh actions yang datang menuju join harus selesai terlebih dahulu sebelum proses dapat dilanjutkan.
8. Activity final
Sebuah lingkaran padat yang terdapat dalam sebuah lingkaran kosong menandakan berakhirnya sebuah proses.
Gambar 2.14 Contoh Activity Diagram (Whitten & Bentley, 2007, p. 392)
2.9 Fast Fourier Transform
Fast Fourier Transform (FFT) adalah algoritma Transformasi Fourier Diskrit yang mengurangi jumlah perhitungan yang diperlukan oleh dari menjadi , dimana adalah logaritma basis 2, seperti yang diungkapkan oleh pendapat Weisstein, Eric W. (2003). Jika fungsi yang akan diubah tidak berhubungan dengan frekuensi sampling, respon dari FFT akan tampak seperti fungsi sinc (meskipun daya integrasi masih benar). Aliasing dapat dikurangi dengan apodization menggunakan fungsi tapering. Meskipun, pengurangan aliasing mengorbankan perluasan respon spektra.
FFT pertama kali dibahas oleh Cooley dan Tukey pada tahun 1965, meskipun Gauss menggambarkan langkah faktorisasi kritisnya tahun 1805. Transformasi Fourier Diskrit dapat dihitung menggunakan FFT dengan harga N merupakan perpangkatan dua. Jika harga N bukanlah perpangkatan dua, transformasi dapat dilakukan pada set poin yang sesuai dengan faktor-faktor prima yang sedikit rusak dalam kecepatan. Algoritma Fourier Transform yang nyata dan efeisien memberikan peningkatan lebih lanjut dalam kecepatan untuk sekitar dua faktor. Base-4 dan Base-8 FFT menggunakan kode yang dioptimalkan, dan dapat 20-30% lebih cepat dari Base-2 FFT.
Algoritma Fast Fourier Transform umumnya terbagi dua kelas: pengurangan waktu, dan pengurangan frekuensi. Algoritma Cooley-Tukey FFT pertama menata kembali elemen masukan dalam rangka bit-terbalik, kemudian membangun output transformasi (pengurangan dalam waktu). Ide dasarnya adalah untuk membelah transform of length N menjadi dua transform of length N/2 dengan menggunakan identitas.
Persamaan diatas dapat disederhankan dengan menggunakan diagram kupu-kupu algoritma radix-2 pengurangan waktu seperti gambar berikut.
2.10 Artificial Neural Networks
Fausett (1994, p. 3-19) mendefinisikan neural networks sebagai sebuah sistem pemrosesan informasi yang bekerja seperti neural networks biologis. Neural networks dikembangkan sebagai generalisasi dari model matematika pada sistem kognisi manusia dan saraf biologis dengan asumsi sebagai berikut:
1. Pemrosesan informasi terjadi pada neuron.
2. Sinyal pada neuron diteruskan lewat connection link.
3. Setiap connection link memiliki weight yang pada umumnya akan menjadi faktor perkalian pada sinyal yang ditransmisikan.
4. Setiap neuron memiliki fungsi aktivasi yang akan menentukan sinyal output pada neuron tersebut.
Artificial neural networks memiliki karakter khusus yang dapat dibedakan melalui: 1. Pola (arsitektur) dari connection link antar neuron.
Ada beberapa pola umum yang sering digunakan antara lain: a. Single-Layer Net
Sebuah single-layer net hanya memiliki satu lapisan connection link. Karena hanya memiliki satu lapisan connection link, maka neuron-neuron yang dihubungkan oleh connection link adalah input neuron dan output neuron. Setiap input neuron terhubung dengan output neuron tetapi tidak terhubung pada input neuron lainnya dan output neuron tidak terhubung dengan input neuron. X(0 X(1 X(2 X(3 X(4 X(5 X(6 X(7 x(0) x(1) x(2) x(3) x(4) x(5) x(6) x(7) N/2 point DFT N/2 point DFT
Gambar 2.16 Ilustrasi Single-Layer Net (Fausett, 1994, p. 13)
b. Multilayer Net
Multilayer net adalah artificial neural networks yang memiliki satu atau lebih lapisan hidden neuron di antara input neuron dan output neuron. Multilayer net dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan dengan single-layer net akan tetapi proses training pada multilayer net lebih rumit.
Gambar 2.17 Ilustrasi Multilayer Net (Fausett, 1994, p. 13)
c. Competitive Net
Competitive net terdiri dari beberapa neural networks yang saling terhubung satu sama lain. Berbeda dengan 2 pola neural networks sebelumnya, pada competitive net setiap neuron dapat terhubung dengan dirinya sendiri dan neuron yang lain tanpa ada aturan khusus
Gambar 2.18 Ilustrasi Competitive Net (Fausett, 1994, p. 14)
2. Metode dalam menentukan weight pada connection link.
Terdapat dua klasifikasi metode penentuan weight pada connection link antara lain:
a. Supervised Training
Pada supervised training, terdapat sekumpulan input berupa training vectors atau pattern beserta dengan output yang diinginkan. Setiap input akan diteruskan kepada neural networks lalu selisih antara output aktual dan output yang diinginkan dihitung sebagai nilai error. Nilai error kemudian digunakan untuk mengoreksi weight pada connection link.
b. Unsupervised Training
Unsupervised training memiliki mekanisme yang hampir sama dengan supervised training. Pada unsupervised training, data yang digunakan hanya kumpulan dari input vectors tanpa output yang diinginkan. Weight pada connection link akan dikoreksi sehingga kumpulan dari input vectors yang memiliki kesamaan akan memiliki output yang sama.
c. Fixed-weight Nets
Pada fixed-weight nets, weight ditetapkan sedemikian rupa sehingga dapat bekerja pada suatu permasalahan yang spesifik.
3. Fungsi aktivasi pada neuron.
Salah satu fungsi dasar pada sebuah neuron adalah fungsi aktivasi. Terdapat beberapa fungsi aktivasi yang sering digunakan, antara lain:
a. Fungsi Identitas
Fungsi identitas terdapat pada input neuron, dimana sinyal input langsung diteruskan tanpa ada kalkulasi yang terjadi pada neuron. Fungsi identitas dapat dirumuskan sebagai berikut:
b. Fungsi Binary Step
Fungsi binary step biasanya digunakan pada single-layer net. Pada fungsi binary step, sinyal input dikonversi ke dalam bilangan binary 0 atau 1 jika sinyal input tersebut melewati nilai batas tertentu. Fungsi binary step dapat dirumuskan sebagai berikut:
Dimana θ adalah sebuah nilai batas. c. Fungsi Sigmoid
Fungsi sigmoid adalah fungsi aktivasi yang paling sering digunakan. Fungsi ini dapat digunakan pada multilayer net dan artificial neural networks yang dilatih menggunakan metode backpropagation. Terdapat dua jenis fungsi sigmoid yang dibedakan oleh rentang nilai output-nya, yaitu: 1. Binary Sigmoid
Untuk sebuah input vector , fungsi tersebut akan memiliki output yang berada pada rentang 0 sampai 1. Variabel adalah variabel yang mempengaruhi kecuraman dari hyperplane pada fungsi tersebut.
Gambar 2.19 Binary Sigmoid. Ilustrasi σ = 1 dan σ = 3 (Fausett, 1994, p. 18)
2. Bipolar Sigmoid
Fungsi bipolar sigmoid memiliki rentang output dari -1 sampai dengan 1. Fungsi bipolar sigmoid dapat dirumuskan sebagai berikut:
dengan x adalah input vector dan σ adalah variabel yang mempengaruhi kecuraman dari hyperplane pada fungsi tersebut.
Gambar 2.20 Binary Sigmoid. Ilustrasi σ = 1 dan σ = 3 (Fausett, 1994, p. 18)
2.11 Support Vector Machines (SVM)
Support Vector Machines (SVM) pertama kali diperkenalkan oleh Vapnik & Cortes (1995) sebagai konsep baru dalam bidang pengenalan pola. SVM adalah metode machine learning yang bekerja dengan tujuan untuk menemukan hyperplane terbaik yang memisahkan dua kelas pada suatu ruang input.
SVM cenderung bekerja lebih baik apabila berurusan dengan multidimensional dan continuous features. Namun apabila berurusan dengan data diskrit dan nominal, lebih baik menggunakan Decision Trees dan algoritma berbasis rule. Menurutnya, SVM memerlukan adanya ketersediaan data yang besar untuk mendapatkan akurasi prediksi yang maksimum, serta SVM sangat cocok untuk berurusan dengan jumlah features yang banyak.
Support Vector Machines biasanya digunakan untuk teknik supervised machine learning dikarenakan SVM membutuhkan data yang sudah diberikan label (class) untuk menentukan hyperplane yang tepat. Akan tetapi menurut Gieseke (2011), idealnya konsep SVM secara supervised membutuhkan data yang sudah diberikan label dalam skala yang cukup besar, sementara keadaan di dunia nyata ketersediaan data-data yang sudah diberikan label susah didapatkan dan hasil hyperplane yang terbentuk menjadi kurang baik. Karena sebab itulah, SVM saat ini sudah dikembangkan dan dapat digunakan untuk metode unsupervised machine learning. Berikut gambar perbedaan SVM pada metode supervised dan unsupervised machine learning:
Gambar 2.21 SVM pada Metode Supervised Machine Learning (Gieseke, 2011)
Gambar 2.22 SVM pada Metode Unsupervised Machine Learning (Gieseke, 2011)
Pada Gambar 2. menerangkan SVM yang digunakan pada metode supervised machine learning, dimana data traning yang sudah diberikan label akan tersedia (kotak berwarna merah dan segitiga berwarna biru) dan tujuan utamanya adalah menemukan hyperplane (garis tengah) yang didapatkan dengan mencari jangkauan maksimal antara class (margin). Sedangkan pada Gambar 2. menjelaskan SVM yang digunakan pada metode unsupervised machine learning, dimana data training tidak memiliki label (titik hitam), akan tetapi tujuannya sama yaitu menemukan hyperplane seperti supervised machine learning.
Penggunaan SVM dalam proses training baik dalam bentuk supervised maupun unsupervised pada prinsipnya hampir sama, akan tetapi terdapat perbedaan yang signifikan dari keduanya mengenai ketersediaan data, dimana SVM unsupervised dapat memperoleh data training dengan sangat mudah, akan tetapi hasil akurasi yang didapatkan pada saat pengujian relatif rendah dikarenakan data training dan data testing yang digunakan merupakan data yang sama, serta dapat juga hanya menggunakan sebagian data dari data testing untuk memperoleh proses waktu training yang lebih singkat. Sedangkan untuk supervised machine learning justru sebaliknya, dapat meningkatkan akurasi pada tahap pengujiannya.
Berikut ini adalah tabel perbandingan antara beberapa algoritma yang dibuat oleh Kotsiantis (2007).
Tabel 2.1 Perbandingan Algoritma Classifier (Kotsiantis, 2007)
Pada tabel 2.1 bisa terlihat bahwa diantara algoritma-algoritma yang lain, SVM merupakan algoritma yang memiliki akurasi yang paling tinggi untuk klasifikasi. Oleh karena itu, pada penelitian mengenai sistem prediksi kepribadian ini akan dibandingkan masing-masing classifier untuk dilihat classifier mana yang paling sesuai untuk diterapkan pada sistem prediksi kepribadian.
2.12 Pearson-Correlation Statistic
Dalam statistika, Pearson-correlation statistic digunakan bersama dengan koefisien. Kedua hal tersebut dapat dimanfaatkan untuk mengukur ketergantungan hubungan linear dari 2 variabel berbeda.(Karl Pearson,1985). Terdapat 2 langkah untuk menghitung Pearson-correlation, salah satu
Neural Networks kNN SVM
Accuracy in general *** ** ****
Speed of learning with respect to number
of attributes and the number of instances * **** *
Speed of classification **** * ****
Tolerance to missing values * * **
Tolerance to irrelevant attributes * ** ****
Tolerance to redundant attributes ** ** ***
Tolerance to highly interdependent
attributes (e.g. parity problems) *** * ***
Dealing with discrete/binary/continuous attributes *** (not discrete) *** (not directly discrete) ** (not discrete) Tolerance to noise ** * **
Dealing with danger of overfitting * *** **
Attempts for incremental learning *** **** **
Explanation ability/transparency of
knowledge/classifications * ** *
diantaranya yaitu mencari nilai covariance dari 2 dan membagi hasil covariance dengan perkalian dari masing-masing standar deviasinya.
