PRAKTIKUM 4 DATA MINING

KLASIFIKASI BERBASIS ARTIFICIAL NEURAL NETWORK

A. Dasar Teori
Artificial Neural Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam
bidang kecerdasan buatan yang didesain dengan mengadopsi sistem saraf manusia, dimana
pemrosesan utama sistem saraf manusia ada di otak. Bagian terkecil dari otak manusia adalah
sel saraf yang merupakan unit dasar pemroses informasi.
Dengan menganalogikan sistem kerja otak manusia tersebut, ANN terdiri dari sebuah unit
pemroses yang disebut neuron (akson kalau dalam otak manusia) yang berisi adder dan fungsi
aktivasi, sejumlah bobot (sinapsis dalam otak manusia), sejumlah vektor masukan (dendrit
dalam otak manusia).
Seperti halnya manusia yang belajar dari lingkungan agar dapat mengelola lingkungan
dengan baik berdasarkan pengalaman yang didapatkan, ANN sebagai model yang digunakan
untuk proses prediksi dalam data mining juga membutuhkan proses pelatihan agar dapat
melakukan prediksi kelas suatu data uji baru yang ditemukan.
Proses pelatihan dalam ANN dapat menggunakan algoritma-algoritma seperti Perceptron,
Backpropagation, Self Organizing Map (SOM), Delta, Associative Memory, Learning Vector
Quantization, dan sebagainya.
ANN menggunakan fungsi aktivasi yang digunakan untuk membatasi keluaran dari neuron
agar sesuai dengan batasan sinyal/nilai keluaran yang ditetapkan. Secara umum, ada empat
macam fungsi aktivasi yang dikenal dipakai di berbagai jenis ANN:
1. Fungsi aktivasi linear
Fungsi aktivasi ini biasanya digunakan untuk keluaran ANN yang nilai keluarannya diskret.
Jika v adalah nilai gabungan dari semua vektor oleh adder, maka sinyal keluaran y
didapatkan dengan memberikan nilai v apa adanya untuk menjadi nilai keluaran. Tidak ada
perhitungan apapun yang dilakukan pada nilai v yang didapat sehingga umumnya ANN
yang menggunakan fungsi aktivasi ini bisa dianggap tidak menggunakan fungsi aktivasi.
2. Fungsi aktivasi step
Jika v adalah nilai gabungan dari semua vektor oleh adder, maka keluaran y didapatkan
dengan memberikan ambang batas pada nilai v berdasarkan nilai T yang diberikan.
 3. Fungsi aktivasi sigmoid biner
Untuk ANN dengan nilai keluaran kontinu biasanya menggunakan fungsi aktivasi
sigmoid.Nilai sinyal keluaran y dihitung menggunakan fungsi kurva sigmoid dengan
interval nilai keluaran mulai 0 sampai 1.
4. Fungsi aktivasi sigmoid bipolar
Fungsi aktivasi ini sebenarnya sama dengan sigmoid biner, hanya saja batas nilai keluaran
yang diberikan adalah -1 sampai 1. Fungsi aktivasi ini sangat baik digunakan untuk proses
klasifikasi karena lebih tangguh dalam menangani data-data yang banyak didominasi oleh
nilai nol.

B. Langkah Praktikum
Pada praktikum kali ini dilakukan pembuatan model ANN Backpropagation pada set data
iris yang memiliki 3 kelas. Format data yang diinginkan dalam fungsi yang digunakan di
MATLAB adalah numerik untuk label kelas sehingga dilakukan konversi label kelas sebagai
berikut:
1. ‘setosa’ menjadi 1
2. ‘versicolor’ menjadi 2
3. ‘virginica’ menjadi 3
Format untuk matriks label kelas 3x150, untuk kelas 1 nilai baris pertama adalah 1, untuk
kelas 2 nilai baris kedua adalah 2, untuk kelas 3 nilai baris ketiga adalah 3, dan untuk matriks
data latih dilakukan transpose menjadi 4x150.
Parameter yang digunakan adalah laju pembelajaran 0.1, fungsi aktivasi yang digunakan
adalah sigmoid biner, target error 0.001 dengan kriteria MSE, momentum yang digunakan
adalah 0.95, jumlah iterasi pelatihan ditetapkan maksimal 5000 kali, dan jumlah layer
tersembunyi adalah 75 neuron. Setelah melakukan pelatihan maka ANN akan melakukan
prediksi pada semua data latih untuk mengetahui hasil prediksi pada data latih itu sendiri.
Tahapan pembuatan model ANN Backpropagation:
1. Buka new script.
2. Ketikkan perintah untuk memuat data latih.
3. Selanjutnya, membuat kelas label dengan matriks 3xN karena terdapat 3 kelas.

4. Pembuatan coding untuk jaringan syaraf tiruan. Pada kali ini digunakan fungsi aktivasi
sigmoid biner (logsig) pada hidden layer.

5. Pembuatan coding untuk memberikan nilai yang mempengaruhi proses pelatihan seperti
parameter jumlah epoch, target error, learning rate dan momentum.

6. Melakukan proses pelatihan (training).

7. Melakukan prediksi untuk mengetahui akurasi terhadap data latih.

8. Hasil yang didapat ketika dijalankan.

 Gambar 4.1 Dialog proses pelatihan

Proses pelatihan dapat mencapai target error ketika sudah mencapai iterasi pelatihan
sebanyak 3879 kali. Berikut merupakan hasil performance dan regression dari proses
pelatihan data.

Gambar 4.2 Grafik kinerja jaringan (performace dan regression)

 Gambar 4.3 Hasil prediksi

Hasil prediksi pada data latih selama pelatihan menunjukkan bahwa ANN dapat mengenali
semua data latih terhadap kelasnya masing-masing secara sempurna. Hal ini telihat dari nilai
elemen selain diagonal utama matriks confusion adalah bernilai 0.