FEBRYANTI STHEVANIE /21310007

MODELLING AND OPTIMIZATION - TUGAS 4

PASCA SARJANA IT TELKOM - SEMESTER GENAP - TA 2010/2011
Soal

Terdapat data kelulusan mahasiswa dihubungkan dengan jumlah jam kehadirannya. Data
tersebut adalah sebagai berikut :

1. Mahasiswa-1 : 3 Jam (Tidak Lulus)

2. Mahasiswa-2 : 34 Jam (Lulus)
3. Mahasiswa-3 : 17 Jam (Tidak Lulus)
4. Mahasiswa-4 : 6 Jam (Tidak Lulus)
5. Mahasiswa-5 : 12 Jam (Tidak Lulus)
6. Mahasiswa-6 : 15 Jam (Lulus)
7. Mahasiswa-7 : 26 Jam (Lulus)
8. Mahasiswa-8 : 29 Jam (Lulus)
9. Mahasiswa-9 : 14 Jam (Tidak Lulus)
10. Mahasiswa-10 : 58 Jam (Lulus)
11. Mahasiswa-11 : 2 Jam (Tidak Lulus)
12. Mahasiswa-12 : 31 Jam (Lulus)
13. Mahasiswa-13 : 26 Jam (Lulus)
14. Mahasiswa-14 : 11 Jam (Tidak Lulus)

Berikut data kelulusan setelah diploting :

Dari data di atas diinginkan sebuah model matematis yang dapat memisahkan antara yang lulus
dengan yang tidak lulus berdasarkan data yang ada.
Pemodelan
Untuk memodelkan secara matematis untuk tipe data seperti di atas digunakan fungsi logistik
(persamaan 1)
1
y= ............................................................................(1)
1+e− z
Dimana z merupakan suatu persamaan linier (persamaan 2) sehingga jika di subtitusi ke
peraamaan 1 maka akan dihasilkan persamaan y yang baru (persamaan 3)

z=θ 0+θ 1 x ............................................................................(2)

1
y= −θ 0−θ 1 x .......................................................................(3)
1+e
Persamaan 3 di atas masih persamaan awal, untuk dapat memodelkan data di atas harus di cari
nilai θ0 dan θ1 yang tepat. Caranya adalah dengan meminimumkan persamaan fungsi logistik
atau dalam arti menyelesaikan persamaan 4 di bawah ini.
N 2
1 1
Arg Min R ( θ 0 , θ1 ) = ∑ y i−
θ0 , θ1 2 i=1 1+e−θ −θ x (
.......................................(4)
0 1 i )
Pada metode Gradient, untuk mendapatkan nilai θ0 dan θ1 yang optimal, maka dilakukan iterasi
untuk setiap nilai θ0 dan θ1hingga ditemukan nilai R paling minimun untuk θ0 dan θ1 tsb. Proses
iterasi berhenti jika telah menemukan R yang paling minimum atau sudah mencapai iterasi ke-n
yang merupakan inetarasi terakhir (didefinisikan). Untuk meminimumkan persamaan 4 maka

dicari turunan pertamanya terhadap θ0 atau ( ddRθ )

0
dan turunannya terhadap θ1 atau (
dR
d θ1
).

Berikut bentuk penurunannya ( persamaan 5 dan persamaan 6 )

N
dR 1 e−θ −θ x 0 1 i

=∑
d θ 0 i=1 (( y i−
1+e
−θ0−θ1 x i ) (1+e
. −θ0−θ1 x i 2
) ) ....................................... (5)

dR
N
1 x i . e−θ −θ x
0 1 i

=∑
d θ 1 i =1 (( y i−
1+ e−θ −θ x 0 1 i ) ( 1+ e
. −θ 0−θ 1 x i 2
) ) ........................................(6)

Selama proses iterasi, maka nilai θ0 dan θ1diinisialisasi dengan nilai sembarang. Untuk nilai
θ0 dan θ1selanjutnya didapatkan dengan cara mengurangi θ0 dan θ1lama dengan turunan R
terhadap θ0 dan θ1 yang dikalikan dengan α (persamaan 7 dan 8), dimana α adalah faktor
pengali untuk menentukan perubahan nilai θ0 dan θ1 selanjutnya. Nilai α cenderung kecil
dikarenakan data yang ada rangenya pendek dan diinginkan agar lebih detail dalam proses
penelusuran.
dR
θ0baru =θ0lama −α ...........................................................(7)
d θ0
 dR
θ1baru =θ1lama−α ...........................................................(8)
d θ1
Untuk menyelesaikan permasalah di atas maka digunakan tools MatLab. Pada kasus ini proses
iterasi akan dilakukan hingga 1000 iterasi dengan nilai θ0 dan θ1yang digunakan adalah random
dan nilai α 0,01 serta nilai threshold antar data adalah 1 x 10−10 .

Hasil: θ0 = 1,5628 dan θ0 = 0,2884

Model: y = 1,5628 + 0,2884x