Format PKM SVD
Format PKM SVD
BIDANG KEGIATAN :
PKM ARTIKEL ILMIAH
Diusulkan Oleh :
i
ii
DAFTAR ISI
ii
iii
Menyetujui
Ketua Program Studi Ketua Pelaksana Kegiatan,
iii
1
662016012@student.uksw.edu’*
ABSTRAK
Pada penelitian ini akan ditunjukkan hasil analisis Variabel Penentu Kualitas
Minuman Anggur (Wine) menggunakan metode Singular Value Decomposition
(SVD). Demi mencapai suatu kualitas anggur yang baik, diteliti terdapat beberapa
indikator yang mempengaruhinya. SVD dapat membantu untuk menemukan
indikator yang berpengaruh terhadap kualitas minuman anggur. Dengan cara
memodelkan ke-11 indikator ke dalam bentuk persamaan linear.
ABSTRACT
In this study, an analysis of the determinants of the quality of wine using the SVD
method was shown. In achieving a good wine quality, there were several
indicators that influenced it. Singular Value Decomposition can help to find
indicators that influence the quality of wine. By way of modeling the 11 indicators
into the form of linear equations.
I. PENDAHULUAN
1
2
I.3 Manfaat
II. TUJUAN
2
3
SVD sangat bermanfaat dalam bidang sains secara khusus adalah pada
bidang psikologi dan sosiologi, astronomi bahkan ilmu iklim dan atmosfer. Oleh
karena itu pada pembahasan kali ini dilakukan pencobaan terhadap penyelesaian
persamaan linear menggunakan data anggur. Metode SVD ini akan menguraikan
suatu matriks ke dalam 3 matriks, dimana salah satu matriksnya berisi nilai
singular dari matriks awal tadi (Haidir, 2010). Metode ini menggunakan Python 3
sebagai alat bantu untuk menyelesaikan pengolahan data. Data yang dipakai
tercantum dalam web. Dengan program aplikasi Python 3, akan dilakukan
penghitungan dengan rumus yang ada.
(matriks yang tegak lurus dan nilainya adalah 1). adalah elemen diagonal yang
adalah nilai singular A. bernilai tidak negatif dengan diurutkan secara menurun
Dalam menentukan SVD sangat perlu untuk menentukan vektor eigen dan nilai
eigen dari matriks atau . Vektor eigen matriks Identitas akan
membentuk kolom yang dinotasikan dengan U yang adalah matriks berukuran
adalah matriks berukuran , dan nilai singular adalah akar kuadrat dari nilai
eigen matriks Identitas atau . Dalam bahasan ini akan di bahas mengenai
cara manual dan menggunakan program Python, namun khusus pada kasus ini
kami digunakan Python karena data yang cukup besar serta hasil solusi
pendekatan yang lebih akurat.
3
4
Untuk
Untuk
4. Mencari nilai singular dari matriks A yang adalah akar pangkat dua positif
nilai eigen dari matriks B
Untuk
4
5
Untuk
Untuk
b. Menyusun matriks U dan matriks V
Kolom dari matriks U terbentuk dari normalisasi vektor eigen dari
matriks . Kemudian dicari basis ortonormal dari matriks U :
Dalam kasus ini, data yang digunakan adalah data anggur merah (Ytang,
2017) dimana terdapat 11 variabel yang menyatakan penentu kualitas dari anggur
merah. Kesebelas variabel tersebut yaitu fixed acidity, volatile acidity, citric acid,
residual sugar, chlorides, free sulfur dioxide, total sulfur dioxide, density, pH,
sulphates, dan alcohol. nantinya dengan Python 3.0 akan didefinisikan dalam
bentuk matriks.
Sebelumnya, file Winequality disimpan dalam excel dengan format xls. Untuk
mempermudah, kita memanggil data Winequality red (kualitas anggur merah)
yang disimpan dalam format .xls ke dalam Python 3, dengan mencantumkan
alamat file yang tersimpan di Komputer. Pada penelitian ini akan dilakukan studi
kasus dalam 2 hal, yaitu :
5
6
#Program
import pandas as pd
import numpy as np
import xlrd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
wb=pd.read_csv('12x3.csv')
print(wb)
#Contoh Luaran Program 3 baris pertama
Apabila data tersebut dinyatakan dalam suatu sistem persamaan linear yang terdiri
dari 1600 persamaan linear. Tiga baris persamaan pertama sebagai berikut :
Sebagaimana yang tertera pada Gambar 1, terdapat 11 kolom dan 3 baris yang
mewakili data winequality red. Sehingga akan dibentuk suatu matriks 11 x 3.
Kemudian dengan rumus svd yang sudah diprogramkan di Python 3.0 kita
mencari nilai SVD dari data tersebut
#Program
# Singular-value decomposition
from numpy import array
from scipy.linalg import svd
from scipy import linalg, mat, dot
6
7
# mendefinisikan matriks
A = array(wb)
print(A)
# SVD
U, s, VT = linalg.svd(A)
#Menampilkan matriks U
print(U)
#Contoh Luaran Matriks U
[[ 0.56131659 -0.5852024 -0.5852024 ]
[ 0.5852024 0.78065829 -0.21934171]
[ 0.5852024 -0.21934171 0.78065829]]
Gambar 2. Contoh luaran program untuk data winequality red yang akan diolah
#Program
# Singular-value decomposition
7
8
#menampilkan matriks VT
print(VT)
#Contoh Luaran matriks VT (lampiran)
u, s, v = np.linalg.svd(A)
Dari hasil yang telah diperoleh menggunakan program aplikasi Python, kita
mendapatkan nilai untuk varibel hingga . Kesebelas nilai tersebut
8
9
membantu kita menganalisa indikator apa saja yang perlu diperhatikan takarannya
untuk menjaga kualitas minuman anggur.
V. KESIMPULAN
Pada makalah ini telah ditunjukkan analisa data minuman anggur tentang kualitas
minuman anggur berdasarkan variabel-variabel yang diukur yaitu fixed acidity,
volatile acidity, citric acid, residual sugar, chlorides, free sulfur dioxide, total
sulfur dioxide, density, pH, sulphates, dan alcohol. Jadi terdapat 11 variabel
dengan 1600 jenis minuman anggur. Metode yang digunakan adalah regresi linear
dimana SVD merupakan metode penyelesaian sistem persamaan linear yang
diperoleh. Hasil penelitian menunjukkan variabel penentu kualitas dari minuman
anggur :
Suatu sistem persamaan linear dapat mempunyai penyelesaian tunggal, lebih dari
satu dan tidak punya penyelesaian. Dengan metode SVD maka sistem persamaan
linear selalu dapat mempunyai penyelesaian. Dari hasil pembahasan serta
penerapannya dalam menyelesaikan masalah pengklasifikasian anggur wine di
atas. menggunakan svd kita mengetahui nilai beberapa variabel yang dapat
memengaruhi kualitas wine.
Saran :
Hasil yang sudah diperoleh belum diteliti tingkat signifikansi koefisien yang
diperoleh. Untuk itu perlu diterapkan uji statistic terkait.
9
10
Web :
10
11
A. Identitas Diri
1 Nama Lengkap Vera Manondang Damaianty Butarbutar
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIM 662016012
5 Tempat dan Tanggal Lahir Jayapura, 03 Desember 1999
6 E-mail 662016012@student.uksw.edu
7 Nomor Telepon/HP 085244795919
B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Kristen SMP Negeri 5 SMA Negeri 5
Kalam Kudus Jayapura Jayapura
Jayapura
Jurusan - - IPA
Tahun Masuk- 2004-2010 2010-2013 2013-2016
Lulus
Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD
(Vera M D Butarbutar)
11
12
Lampiran 1 (Lanjutan)
Biodata Anggota Kelompok
A. Identitas Diri
1 Nama Lengkap Egidius Saut Poltak Situmorang
2 Jenis Kelamin Laki-laki
3 Program Studi Matematika
4 NIM 662016021
5 Tempat dan Tanggal Lahir Bekasi, 23 April 1998
6 E-mail 662016021@student.uksw.edu
7 Nomor Telepon/HP 081325072405
B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Charitas 01 SMP Charitas 01 SMA Sedes
Belitang Belitang Sapientiae
Bedono
Jurusan IPA
Tahun Masuk- 2004-2010 2010-2013 2013-2016
Lulus
Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD.
12
13
Lampiran 1 (Lanjutan)
A. Identitas Diri
1 Nama Lengkap Adrian Pieter Supusepa
2 Jenis Kelamin Laki-laki
3 Program Studi Matematika
4 NIM 662018016
5 Tempat dan Tanggal Lahir Waikabubak, 18 Juni 2000
6 E-mail 662018016@student.uksw.edu
7 Nomor Telepon/HP 082144341734
B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Masehi SMP Kristen SMA Negeri 1
Waikabubak I Waikabubak Waikabubak
Jurusan IPA
Tahun Masuk- 2006-2012 2012-2014 2014-2018
Lulus
Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD
13
14
Lampiran 1 (Lanjutan)
A. Identitas Diri
1 Nama Lengkap Dr. Hanna Arini Parhusip
2 Jenis Kelamin P
3 Program Studi Matematika
4 NIDN 0627026801
5 Tempat dan Tanggal Lahir Salatiga, 27 Februari 1968
6 E-mail hanna.arini@staff.uksw.edu
7 Nomor Telepon/HP 298 255 / 081-542-523-955
B. Riwayat Pendidikan*)
Sarjana S2/Magister S3/Doktor
Nama Institusi UGM Univ. ITB
Kaiserslautern
Jurusan Matematika Industrial Matematika
murni mathematics terapan
Tahun Masuk- 1987-1992 1995-1997 2000-2005
Lulus
14
15
Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD
15
16
NIM : 662016012
Dengan ini menyatakan bahwa proposal PKM-AI saya dengan judul Analisis
Variabel Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD
yang diusulkan untuk tahun anggaran 2018 adalah asli karya kami dan belum
pernah dibiayai oleh lembaga atau sumber dana lain.
Pembantu Rektor
Bidang Kemahasiswaan
16
17
Demikian Surat Pernyataan ini dibuat dengan penuh kesadaran tanpa paksaan
pihak manapun juga untuk dapat digunakan sebagaimana mestinya.
Mengetahui/Menyetujui
17
18
#Program
# Singular-value decomposition
from numpy import array
from scipy.linalg import svd
from scipy import linalg, mat, dot
# mendefinisikan matriks
A = array(wine)
print(A)
# SVD
U, s, VT = linalg.svd(A)
#menampilkan matriks U
print(U)
#Contoh Luaran
[[ 7.4 0.7 0. ...,
0.56 9.4 5. ]
[ 7.8 0.88 0. ...,
0.68 9.8 5. ]
[ 7.8 0.76 0.04 ...,
0.65 9.8 5. ]
...,
[ 6.3 0.51 0.13 ..., 0.75 11. 6. ]
[ 5.9 0.645 0.12 ..., 0.71 10.2 5. ]
[ 6. 0.31 0.47 ..., 0.66 11. 6. ]]
[[-0.01554963 -0.01242413 -0.01252531 ..., -0.01836188
-0.01884827 -0.01698292]
[-0.02995486 -0.00517799 0.01435347 ..., -0.01529709
-0.03255738 0.0075811 ]
[-0.02376607 -0.00186662 -0.00946062 ..., -0.00637712
0.00750481 0.05152907]
...,
[-0.02006206 -0.03511221 0.03484276 ..., 0.99607261
-0.00387709 -0.00229488]
[-0.02185712 -0.03378034 0.04463328 ..., -0.00390904
0.9934938 -0.00260208]
[-0.01953974 -0.0174369 0.00281822 ..., -0.00231317
-0.00244715 0.9925041 ]]
18
19
#menampilkan matriks VT
print(VT)
#Contoh Luaran matriks VT
[[-1.13528222e-01 -7.42210577e-03 -3.81207519e-03 -3.78133534e-02
-1.23064566e-03 -2.86573099e-01 -9.35344167e-01 -1.38140947e-02
-4.58045006e-02 -9.19146749e-03 -1.42606394e-01 -7.68606440e-02]
19
20
20
21
6.66055391e-01,-4.88361369e-02, -8.88322924e-02],
[-5.20703661e-03,-5.44336215e-01, 2.63845641e-01,
-1.49263049e-03, -1.04845725e-01, -5.46369565e-04,
2.49794087e-04, 4.72043672e-02, 3.19686046e-01,
-7.19481185e-01, -3.01639122e-02, -8.41292419e-03],
[-4.66415427e-02, 5.51507601e-01, 8.10710305e-01,
-7.99497874e-03, 1.25595355e-01, 2.40224342e-03,
-1.08686613e-03, 1.70783332e-02, -5.99207149e-03,
-1.39134309e-01, -1.46038102e-02, 2.58547337e-02],
[-8.41738161e-04, -9.59829310e-02, -1.07749279e-01,
-1.35939058e-03, 9.38759954e-01, -1.11843794e-04,
7.20574123e-05, 2.74534553e-01, -8.46912085e-02,
-1.23667252e-01, 8.08035875e-03, 1.95997527e-03],
[-1.63429784e-02, 4.39827151e-03, 2.16084308e-02,
3.06171973e-04, -2.87707741e-01, 3.34960093e-04,
-3.00625512e-04, 9.32436586e-01, -2.16431079e-01,
1.18123530e-02, -1.97912418e-03, -6.83741785e-03]]))
21