MAKALAH

DATA MINING PENENTUAN BEASISWA MENGGUNAKAN

JARINGAN SYARAF TIRUAN PADA MATLAB

Disusun oleh :
HAMDI
MASDI
RIDHO SAPUTRA
M.YUSUF BACHTIAR

FAKULTAS TEKNIK DAN ILMU KOMPUTER

PROGRAM STUDI SISTEM INFORMASI
UNIVERSITAS ISLAM INDRAGIRI
TEMBILAHAN
2017

1
 KATA PENGANTAR

Puji syukur atas kehadirat Allah swt. karena dengan rahmad dan hidayah nya
jualah kami bisa menyusun makalah Pelaksanaan Pengujian Sistem ini untuk
memenuhi tugas yang di berikan oleh dosen pembimbing kepada kami. Shalawat
beserta salam tidak lupa tercurahkan kepada roh junjungan alam nabi besar
Muhammad saw yang mana beliaulah yang telah membawa kita dari alam
kegelapan kepada alam yang terang benderang.
Makalah Klasifikasi ini kami susun berdasarkan beberapa sumber yang
kami dapati dan berisi tentang pembahasan Klasifikasi. Semoga dengan adanya
penyusunan makalah ini kita bisa mempelajari lebih dalam tentang bagaimana
Klasifikasi, semoga pembaca bisa mengerti lebih dalam memahami Klasifikasi.
Makalah ini kami buat dengan semaksimal mungkin dan jika di dalam makalah ini
terdapat beberapa kesalahan, baik dari penulisan atau tatacara penyusunan yang
salah kami selaku penulis memohon ma’af yang sebesar besar nya. Harapan kami
selaku penulis Kiranya makalah Klasifikasi ini dapat memberi manfaat khusus
nya kepada para pembaca yang baik. Amin ya robbal alamin.

Tembilahan, Mei 2017

Penulis

2
Penentuan Beasiswa Menggunakan Jaringan Syaraf Tiruan Pada Matlab

Jaringan syaraf tiruan adalah system

pemroses informasi dengan karakteristik
dan performa yang mendekati jaringan
syaraf biologis. JST memiliki beberapa
asumsi dasar antara lain :
 Pemrosesan informasi terletak
pada sejumlah komponen yang dinamakan
neuron
Gambar 1.
 Sinyal merambat antara satu neuron ke neuron-neuron lainnya melalui jalur
penghubung
 Tiap jalur penghubung memiliki bobot dan mengalikan besar nilai sinyal yang
masuk (jenis neuron tertentu, seperti pada JST Backpropagation)
 Tiap neuron menerapkan fungsi aktivasi yang menjumlahkan semua masukan
untuk menentukan sinyal keluaran.

Sebagaimana yang saya ketahui, JST memiliki berbagai macam jenis yang
berbeda, JST Perceptron, LVQ, Backpropagation dll. Namun, yang sangat popular
dewasa ini adalah backpropagation karena memiliki kelebihan tersendiri. Bahkan,
JST sempat vakum belasan tahun lamanya akibat belum ditemukannya metode
backpropagation. Begitu pentingkah metode backpro? Saya harap teman-teman
mencari tahu sendiri karena saya tidak akan membahas algoritma backpro yang
panjang dan rumit itu. Pun dengan teori JST yang lain, silakan mencari referensi
yang lebih detail untuk membahasnya.

Saya akan mencoba bereksperimen untuk mencoba implementasi jaringan syaraf

tiruan pada studi kasus penentuan beasiswa. Saya akan mengajak teman-teman
mencoba toolbox JST yang telah tersedia pada Matlab, agar proses berjalan
mudah dan simple tanpa membuat source code JST satu persatu.

3
Metode JST pasti membutuhkan data training dan target dari training. Masih
ingatkan, bahwa JST terbagi menjadi supervised yang membutuhkan target atau
unsupervised yang tanpa target? Saya lebih tertarik untuk memakai metode
supervised JST karena studi kasus kita membutuhkan pelatihan yang menargetkan
JST memiliki mekanisme untuk memutuskan beasiswa berdasarkan target
pengalaman sebelumnya. Jadi, JST jenis supervised yang kita gunakan adalah
backpropagation.

Berikut ini akan saya sajikan data pelatihan yang akan digunakan untuk training
backpro. Saran saya, untuk implementasi nyata, gunakan data training yang
berjumlah banyak (big data) agar pengalaman JST juga akan semakin banyak.
Contoh data berikut adalah mahasiswa yang memperoleh beasiswa berdasarkan
tingkat kemiskinan dan IPK, akan dijadikan sebagai data training.

Gambar2. Rancangan data pada exel

Data training diatas merupakan data kasar yang belum dipilah antara input dan
target. Oleh karenanya, data tersebut akan saya pindahkan pada notepad menjadi
dua file training, yaitu file data input dan file data target, yang keduanya harus

4
saya simpan dalam ekstensi .dat, agar dapat dikenali oleh Matlab. Perhatikan,
bahwa data yang saya pindah dalam notepad tersebut haruslah dilakukan
transpose (baris menjadi kolom dan kolom menjadi baris). Seperti gambar
berikut :

Gambar 3. Datataining.dat

Gambar 4. Target.dat

Simpan kedua file .dat tersebut ke dalam sebuah folder yang menjadi directory
projek Matlab kita. (default :C/document/matlab

Buka Command Window Matlab dan load kedua file diatas agar dikenali sebagai
variabel aktif dan dapat difungsikan untuk mendukung proses selanjutnya.

5
Tahap persiapan selesai, kita lanjutkan untuk proses JST pada Matlab berdasarkan
inputdatatrain.dat dan target target.dat, ketikkan nntool pada command
window untuk menampilkan jendela tool JST Matlab. Maka muncul jendela
berikut :

Gambar 5. jendela tool JST Matlab

Klik import sesuai petunjuk arah panah. Import disini bertujuan untuk mengambil
data input dan data target.

class="separator" style="clear: both; text-align: center;">

Gambar 6. Mengimport data

Klik datatrain lalu pada kolom Destination, pilih Import As: Input Data.
Lanjutkan dengan klik import. Begitu pula dengan target, klik target lalu

6
pilih Target Data kemudian Import. Pilih close untuk kembali pada jendela
utama :

Gambar 7. Form new training

Pilih new untuk melakukan proses training baru pada JST. Lantas tampil jendela
training berikut :

Gambar 8.

7
Nama default training JST adalah network1, tidak perlu diganti walaupun dapat
diganti sesuai keinginan kita. Sesuai petunjuk anak panah, cocokkan Input data
dan Target data sesuai yang di import tadi. Klik create, lalu klik close untuk
kembali pada jendela utama.

Gambar 9
Pada jendela utama, muncul nama network1, klik open untuk melanjutkan proses
pelatihan. Muncul jendela berikut :

Gambar 10
Buka tab Train, pilih sub tab Training Info, jangan lupa sesuaikan Input dan
target. Lanjutkan untuk Train Network. JST secara otomastis melakukan proses
training. Proses training JST dapat terlihat melalui tampilan berikut :

8
 Gambar 11. Proses training
Proses training akan berhenti setelah pelatihan mencukupi. Keluarlah dari jendela
Training, manuju jendela utama kembali :

Gambar 12

9
Dengan berakhirnya proses training JST, kita dapat menyimpan hasil training
untuk kemudian diuji oleh data testing. Klik Export :

Gambar 13
Pilih nama training JST, (network1), klik Save. Simpan hasil training ditempat
kedua file.dat berada.

Gambar 14
Keseluruhan proses training JST telah selesai. Saya simpan dengan nama jst.mat,
namun variabel training tetap seperti pada proses, yaitu network1. Panggil data
JST.mat pada command Window dengan mengetikan load jst.mat. Yuk, kita coba
JST baru ini, bagaimana kita melakukan testing. Ikuti langkah berikut :

10
Fungsi bawaan Matlab untuk testing JST adalah sim(nama_training,input). Hasil
testing akan memberikan keputusan berupa output tertentu sesuai dengan target
pelatihan. Pada gambar, input yang saya ujikan adalah datatrain, harusnya JST
akan memberikan output sama persis dengan data target. Ternyata hasil JST
memberikan keakurasian yang tinggi, yaitu nyaris 100 persen.

11