Jurnal
ILMU KOMPUTER
Volume XII Nomor 2, September 2019
Daftar Isi
Analysis of Sales Pattern Determination System and Drug Stock Recommendation ... 53-60
Made Dinda Pradnya Pramita, Made Sudarma, Ida Bagus Alit Swamardika
Aplikasi Pemantauan Posisi Anak-Anak Menggunakan Smart Watch dan Database
Firebase ... 61-72 I N E Indrayana, I Putu Sutawinaya, Kadek Amerta Yasa , N M Wirasyanti D P
Penerapan Educational Data Mining Untuk Memprediksi Hasil Belajar Siswa SMAK
Ora et Labora ... 73-82 Daniel David, Sani M. Isa
Sistem Perolehan Citra Piercing Berdasarkan Pendekatan Codebook Dan Keyblock ... 83-92
I Gusti Agung Gede Arya Kadyanan
Implementasi SMS Gateway sebagai Media Penyebar Informasi Akademik di
Kampus UPI Cibiru ... 93-100 Fahmi Candra Permana, Feri Hidayatullah Firmansyah, Intan Permata Sari
Modifikasi Algoritma Fisher Yates Shuffle Menggunakan Linear Congruent Method
Untuk Pembangkitan Bilangan Acak ... 101-106 Surya Darma Nasution, Suginam
Implementasi JST dalam Proses Revisi pada Metode Penalaran Berbasis Kasus ... 107-111 I Gede Santi Astawa
TEKNIK INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
Halaman ini sengaja dikosongkan
SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER
Teknik Informatika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana
Pengarah
Drs. Ida Bagus Made Suaskara, M.Si
Penanggung Jawab Drs. I Made Satriya Wibawa, M.Si Anak Agung Bawa Putra, S.Si., M.Si
Drs. I Wayan Santiyasa, M.Si
Dr. I Ketut Gede Suhartana, S.Kom., M.Kom
Redaktur
I Gede Santi Astawa, ST., M.Cs
Penyunting/Editor Dr. A A Istri Ngurah Eka Karyawati, S.Si., M.Eng
Cokorda Rai Adi Pramartha, ST, MM, PhD Dr. Ngurah Agus Sanjaya ER, S.Kom., M.Kom.
Agus Muliantara, S.Kom., M.Kom I Made Widiartha, S.Si., M.Kom I Gusti Agung Gede Arya K., S.Kom., M.Kom I Dewa Made Bayu Atmaja D., S.Kom., M.Cs Luh Arida Ayu Rahning Putri, S.Kom., M.Cs Ida Bagus Made Mahendra, S.Kom., M.Kom
Ida Bagus Gede Dwidasmara, S.Kom., M.Cs I Gede Arta Wibawa, ST., M.Cs
I Putu Gede Hendra Suputra, S.Kom., M.Kom I Komang Ari Mogi, S.Kom., M.Kom
Made Agung Raharja, S.Si., M.Cs Dra. Luh Gede Astuti, M.Kom I Wayan Supriana, S.Si., M.Cs I Gusti Anom Cahyadi Putra, ST., M.Cs Gst Ayu Vida Mastrika Giri, S.Kom., M.Cs
Alamat Redaksi
Program Studi Teknik Informatika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana
Kampus Bukit Jimbaran – Badung Telpon. 0361 – 701805 Email : [email protected] Website : www.cs.unud.ac.id
ISSN: 1979-5661, e-ISSN: 2622-321X
Halaman ini sengaja dikosongkan
Jurnal Ilmu Komputer VOL. XII No. 2 p-ISSN: 1979-5661 e-ISSN: 2622-321X
107
Implementasi JST Dalam Proses Revisi pada Metode Penalaran Berbasis Kasus
I Gede Santi Astawaa1
a Program Studi Informatika, FMIPA, Universitas Udayana
Abstrak
Metode penalaran berbasis kasus (PBK) didefinisikan sebagai sebuah metodelogi penyelesaian masalah dengan memanfaatkan pengetahuan yang terkandung dalam data permasalahan yang pernah terjadi sebelumnya. Namun seringkali penyelesaian tersebut harus disesuaikan kembali dengan karakteristik fakta pada kasus baru (revise). Penelitian ini menggunakan metode Jaringan Syaraf Tiruan (JST) Backpropogation dalam mempelajari pengaruh perubahan nilai parameter pada dua buah kasus terhadap nilai penyelesaiannya. Dari hasil penelitian didapatkan bahwa penggunaan metode JST dalam memperbaiki kesimpulan kasus terpilih memberikan penurunan nilai RMSE dari tiga kasus uji yang digunakan. Penurunan nilai RMSE menunjukkan terjadi perbaikan akurasi dari PBK pada ketiga kasus uji tersebut.
Kata Kunci: Bacpropogation, JST, PBK, Revise, RMSE
1. Pendahuluan
Metode penalaran berbasis kasus (PBK) didefinisikan sebagai sebuah metodelogi penyelesaian masalah dengan memanfaatkan pengetahuan yang terkandung dalam data permasalahan yang pernah terjadi sebelumnya [Main dkk, 2001]. Di dalam PBK, penalaran dapat dilakukan dengan menyelesaikan masalah baru dengan memperhatikan kesamaannya dengan satu atau beberapa penyelesaian dari permasalahan sebelumnya. Aamodt dan Plaza [Aamodt dan Plaza, 1994] menjelaskan sebuah CBR sebagai sebuah siklus yang terdiri dari 4 kegiatan utama yaitu, pengambilan kasus lama yang memiliki kemiripan dengan kasus baru yang terjadi(Retrieve), pengambilan keputusan penggunaan kembali penyelesaian dari kasus lama yang terbaik (Reuse), perbaikan penyelesaian dengan memperhatikan perbedaan antara karakter kasus lama terpilih dengan kasus baru yang terjadi (Revise), dan penyesuaian penyelesaian kasus baru serta memvalidasinya menjadi data kasus pada system PBK (Retain).
Pada beberapa kasus penelitian, proses revise merupakan hal yang penting untuk dibahas secara mendalam, karena dalam proses ini peneliti berusaha mencari aturan atau penalaran dalam menyesuaikan jarak yang ada antara kasus lama terpilih dengan kasus baru. Seringkali proses ini membutuhkan aturan kepakaran pada topik dimana metode PBK ini diterapkan.
Sehingga penggunaan metode machine learning sangat dibutuhkan pada proses retrieve ini.
Metode Jaringan Syaraf Tiruan (JST) merupakan metode machine learning yang mampu mempelajarai aturan dengan mempelajari pola data yang dimiliki. Sehingga JST sering digunakan untuk topik permasalahan yang aturan-aturan nya belum jelas namun memiliki cukup banyak data untuk dipelajari pola hubungan antara input dan outputnya [Kurt dkk, 1989].
Melihat keunggulan metode JST dalam mempelajari pola data, maka dalam penelitian ini, JST digunakan sebagai sebuah metode dalam mempelajari aturan-aturan yang berlaku pada sebuah topik permasalahan, sehingga memungkinkan adanya adaptasi penyelesaian kasus terpilih dalam tahap retrieve. Penelitian dilakukan pada tiga topik permasalahan berbeda untuk melihat performa metode JST dalam mengadaptasi penyelesaian pada kasus terpilih.
2. Metode Penelitian
Penelitian ini bertujuan untuk mengetahui performa metode JST dalam mengadaptasi penyelesaian kasus terpilih pada PBK. Metode JST yang digunakan dalam penelitian ini adalah
Astawa, Implementasi JST Dalam Proses Revisi pada Metode Penalaran Berbasis Kasus
108
metode JST Backpropogation dengan model jaringan multilayer perceptron. Penelitian dilakukan dengan mencari pola data jarak antar kasus, dengan mencari hubungan data jarak disetiap parameter input dengan data jarak parameter hasil dari satu topik kasus, hal ini diilustrasikan seperti pada Gambar 1.
Gambar 1. Pembangkitan data jarak antar data
Pola data jarak antar kasus selanjutnya akan dipelajari menggunakan metode JST Backpropogation, sehingga selanjutnya pola data ini digunakan sebagai dasar dalam melakukan adaptasi dari hasil kasus terpilih, sehingga mampu lebih mendekati karakter kasus baru yang terjadi.
Data Penelitian
Dalam penelitian ini digunakan tiga topik data yaitu Data Set Wisconsin Breast Cancer dengan jumlah 699 record dengan 10 atribut dan dua kelas keluaran. Dataset Indian Liver Patient Dataset yang terdiri atas 583 record dengan status pasien 414 memiliki status sakit, dan 169 pasien dengan status sehat, dan jumlah atribut sebanyak 10 buah. Data Set Kasus Bedah Cesar yang terdiri dari 80 record dengan 5 buah parameter input. Dimana pada ketiga topik data tersebut memiliki parameter berupa data numerik dan katagorik.
Preprocessing
Pada tahap preprocessing dilakukan pengolahan data set menggunakan aplikasi SPSS untuk mencari besarnya pengaruh antar setiap parameter terhadap keluarannya, beberapa fitur dengan tingkat pengaruh yang cukup kecil akan dipertimbangkan untuk digunakan dalam proses penelitian selanjutnya. Dari proses ini didapatkan pengurangan parameter pada dataset kasus bedah cesar menjadi 9 parameter input yaitu Clump Thickness, Uniformity of Cell Size, Uniformity of Cell Shape, Marginal Adhesion, Single Epithelial Cell Size, Bare Nuclei, Bland Chromatin, Normal Nucleoli, Mitoses. Sedangkan kasus lainnya tidak terdapat pengurangan jumlah parameter.
Proses Pembelajaran JST
Tahap ini bertujuan untuk mencari nilai bobot JST setelah pembelajaran. Pada proses ini diambil secara acak 70% dari data set dan dilakukan pairing data untuk menemukan data jarak antar masing-masing fitur input dan dan fitur output. Proses pairing dilakukan secara random yang bertujuan mendapatkan data latih JST sebanyak 100% dari data set yang digunakan dalam proses pembelajaran. Pembelajaran JST menggunakan algoritma Backpropogation dengan jumlah hiden layer ditentukan satu sampai tiga hiden layer dan jumlah neuron sebanyak dua kali neuron input.
Algoritma backpropagation terdiri dari tiga tahapan [2] :
a. Input nilai data parameter sehingga diperoleh nilai output JST sementara dan dapat dihitung perbedaannya dengan nilai output sebenarnya (error)
b. Backpropagation dari nilai error yang diperoleh untuk menghitung perbaikan bobot JST
c. Penyesuaian bobot koneksi untuk meminimalkan nilai error.
Ketiga tahapan tersebut diulangi terus menerus sampai mendapatkan nilai error yang dapat ditoleransi. Penerapan metode JST dalam penelitian ini menggunakan bantuan aplikasi MatLab dengan tampilan seperti terlihat pada Gambar 2.
Jurnal Ilmu Komputer VOL. XII No. 2 p-ISSN: 1979-5661 e-ISSN: 2622-321X
109
Gambar 2. Tampilan aplikasi MatLab dalam penerapan metode JST Pengujian
Pengujian pertama dilakukan terhadap arsitektur jaringan JST, untuk mencari nilai jumlah hiden layer yang paling sesuai untu setiap kasus uji. Setelah data pengujian dan juga arsitektur jaringan JST dirasa siap, selanjutnya dilakukan pengujian yang diawali dengan proses retrieve menggunakan metode Euclidian distance untuk mencari kasus lama yang paling mendekati kasus uji. Selanjutnya kesimpulan dari kasus lama terpilih ini diadaptasi dengan metode JST yang sudah dipersiapkan sebelumnya, dan dilakukan penyesuaian bahwa hasil kasus baru adalah penjumlahan dari hasil kasus lama dengan hasil keluaran metode JST.
3. Hasil dan Pembahasan
Data hasil pengujian jumlah hiden layer pada JST
Tabel 1. Data hasil pengujian jumlah hiden layer
Data Kasus Uji Jumlah Hiden Layer
1 2 3
Wisconsin Breast Cancer 98,90% 99,26% 98,53%
Indian Liver Patient Dataset 69,71% 68,57 % 71,42 %
Data Set Kasus Bedah Cesar 87,5% 88,2% 87,8%
Dari data pada table 1, terdapat perbedaan hasil jumlah hiden layer yang memiliki nilai akurasi terbaik, dimana untuk data Wisconsin Breast Cancer diperoleh jumlah hiden layer terbaik adalah 2 hiden layer, sedangkan untuk data Indian Liver Patient Dataset diperoleh jumlah hiden layer terbaik adalah 3 hiden layer, dan pada data kasus bedah cesar jumlah hiden layer terbaik adalah 2 hiden layer.
Pengaruh penambahan proses revise pada hasil keluaran metode PBT data Wisconsin Breast Cancer dapat dilihat dari data pada Gambar 3. Gambar 3 menunjukkan hasil pengujian menggunakan data Wisconsin Breast Cancer, terlihat bahwa proses penambahan perbaikan nilai similaritas menggunakan proses revise dengan metode JST mampu memberi pendekatan yang lebih baik. Walaupun secara keseluruhan dengan menggunakan cutoff 0,5, diperoleh hanya satu buah data yaitu data ke 20 yang memberi kesimpulan kelas berbeda yaitu sebelum proses revise PBK memberi hasil kelas 0 dan setelah proses revise PBK memberi kelas 1.
Astawa, Implementasi JST Dalam Proses Revisi pada Metode Penalaran Berbasis Kasus
110
Gambar 3. Perbandingan nilai similaritas hasil pada data pengujian kasus 1
Secara keseluruhan terjadi perubahan nilai similaritas diukur menggunakan RMSE dari ketiga tipe data perti terlihat pada table 2 berikut
Tabel 2. Perbandingan nilai RMSE dari ketiga data uji
Data Euclidian Distance Penambahan Rivise JST
Wisconsin Breast Cancer 0.297459 0.164606
Indian Liver Patient Dataset 0.353717 0.211078
Data Set Kasus Bedah Cesar 0.167128 0.138721
Dari table 2 terlihat bahwa penambahan proses revise menggunakan metode JST dapat memperbaiki hasil PBK, terlihat dari penurunan nilai RMSE.
4. Kesimpulan
Dari hasil pengujian yang dilakukan, dapat ditarik kesimpulan bahwa penggunaan metode JST sebagai alat untuk mempelajari pengaruh perbedaan nilai parameter terhadap perbedaan nilai hasil, memberikan penurunan nilai RMSE dari 3 kasus data uji yang digunakan dalam penelitian ini yaitu dari 0.297 menjadi 0.165 (44%) pada data kasus Wisconsin Breast Cancer, dari 0.354 menjadi 0.211(40%) pada data Indian Liver Patient Dataset, dan dari 0.1671 menjadi 0.1387 (17%) pada data kasus bedah cesar.
Ketiga data uji merupakan data yang memiliki nilai kelas pada kesimulan sebanyak dua kelas, selanjutnya disarankan dilakukan penelitian lebih lanjut terhadap data yang memiliki kelas lebih dari dua kelas.
Referensi
Aamodt, Plaza., 1994., Case Based Reasoning: Foundational Issue Methodological Variations and System Approach., AI Communication., IOS Press., Vol 7:1., pp. 39-59.
Kurt Hornik, Maxwell Stinchcombe, Halbert White., 1989., Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, Pages 359-366, ISSN 0893- 6080, http://dx.doi.org/10.1016/0893-6080(89)90020-8.
0 0.2 0.4 0.6 0.8 1 1.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
nilai similaritas
tanpa JST dengan JST nilai kelas seharusnya
Jurnal Ilmu Komputer VOL. XII No. 2 p-ISSN: 1979-5661 e-ISSN: 2622-321X
111
Main J, Dillon T, Shiu S., 2001., A Tutorial on Case Based Reasoning, Soft Computing in Case Based Reasoning, Hal 1-28., Springer-Verlag London.
Jik1
by Santi Astawa
Submission date: 22-Jan-2020 08:37AM (UTC+0700) Submission ID: 1244693920
File name: JST_Dalam_Proses_Revisi_pada_Metode_Penalaran_Berbasis_Kasus.pdf (268K) Word count: 1542
Character count: 9272
17 %
SIMILARITY INDEX
13 %
INTERNET SOURCES
8 %
PUBLICATIONS
12 %
STUDENT PAPERS
1 3 %
2 2 %
3 2 %
4 2 %
5 1 %
6 1 %
7 1 %
Jik1
ORIGINALITY REPORT
PRIMARY SOURCES
Submitted to Udayana University
Student Paper
digilib.uinsby.ac.id
Internet Source
mesin-belajar.blogspot.com
Internet Source
www.scribd.com
Internet Source
FJ Serrano Rodriguez, B Curto Diego, V
Moreno Rodilla, JF Rodriguez-Aragon, R Alves Santos, C Fernandez-Carames. "The complete integration of MissionLab and CARMEN",
International Journal of Advanced Robotic Systems, 2017
Publication
web.media.mit.edu
Internet Source
tugasdenny.wordpress.com
Internet Source
8 1 %
9 1 %
10 1 %
11 1 %
12 1 %
13 < 1 %
14 < 1 %
Exclude quotes Off Exclude bibliography Off
Exclude matches Off
