TINJAUAN PUSTAKA
2.1 Pendahuluan
Network (ANN). Berikut ini beberapa teori pendukung yang digunakan sebagai
Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan
yang membedakan kelompok populasi dan juga dapat digunakan sebagai kriteria
objek.
5
6
Asumsi yang harus dipenuhi untuk model linier yang mendasari analisis
harus sama
dengan
= Intersep
diskriminan linier Fisher (Johnson and Winchern, 1992). Seperti yang telah
diuraikan tentang analisis diskriminan, metode ini sangat bermanfaat bagi peneliti
dua, yaitu regresi logistik dikotomus dan polikotomus (Agresti, 1996). Menurut
fungsinya regresi logistik biner digunakan pada saat variabel respon merupakan
mengetahui hubungan antara variabel bebas dengan variabel respon yang bersifat
merupakan variabel biner maka bentuk fungsi respon seringkali berupa kurva
exp( x)
( x)
1 exp( x) …(2.3)
8
Dalam regresi logistik π(x) merupakan penaksir logit sebagai fungsi penghubung
Persamaan (2.2), persamaan tersebut ditransformasi logit dari fungsi π(x) sehingga
( x)
logit (x)=log x … (2.4)
1 ( x)
Salah satu cara untuk mengestimasi parameter pada regresi logistik adalah
logistik digunakan karena variabel yang akan diteliti tidak harus memenuhi
asumsi distribusi normal (Agresti, 1996). Model yang dihasilkan regresi logistik
berbentuk probabilitas, sehingga metode ini memerlukan data yang lengkap dan
McCulloch dan Walter Pitts melalui pemodelan matematis neuron pada tahun
1943. Menurut (Haykin, 1999), sebuah Neural Network (NN) adalah sebuah
tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal, yaitu
pengetahuan diperoleh oleh jaringan melalui suatu proses belajar dan kekuatan
9
hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk
menyimpan pengetahuan.
mengklasifikasikan data. Data mining semakin menjadi hal yang penting dalam
mengubah data menjadi informasi, semakin besar data yang diperoleh maka
prosesnya akan semakin efektif menemukan pola tertentu. Metode ANN juga
salah satu bagian dalam bidang artificial intelligence yang dikenal sebagai
machine learning. Secara sederhana ANN adalah sebuat alat pemodelan data
kompleks antara input dan output dalam menemukan pola-pola pada data.
Kemampuan yang dimiliki ANN dapat digunakan untuk belajar dan menghasilkan
aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan
ANN terkait erat dengan model matematika dan statistika untuk fungsi
clustering dan regresi atau sebuah simulasi dari koleksi model jaringan syaraf
Bentuk dasar dari suatu neuron dapat dilihat pada gambar 2.1
10
jaringan saraf.
sinyal-sinyal output.
Karakteristik dalam ANN dapat dibedakan menurut hal berikut ini pola
(training/learning dan algoritma), dan fungsi aktivasi. Pada ANN terdapat neuron
yang terhubung dengan neuron–neuron yang lain melalui layer dengan bobot
lain, tetapi pada suatu saat hanya ada satu sinyal yang dikeluarkan walaupun
11
neuron yang terletak pada lapisan yang sama akan memiliki fungsi aktivasi yang
sama. Faktor terpenting dalam menentukan proses suatu neuron adalah fungsi
Setiap pola-pola informasi input dan output yang diberikan kedalam ANN
lapisan yang disebut neuron layers. Struktur ANN terdiri dari 3 lapisan (Hartini,
2008), yaitu :
jaringan luar. Output dari lapisan input terhubung dengan semua neuron
lapisan input dan lapisan output. Input setiap lapisan tersembunyi adalah
melalui suatu proses pembelajaran akan dihasilkan output. Oleh karena itu,
mendekati target.
12
Secara umum tiap neuron pada lapisan (layer) yang sama mempunyai
tingkah laku yang sama untuk pemprosesan sinyal data. Pemilihan jumlah layer
bukan berarti pemilihan layer untuk neuron, tetapi pemilihan layer untuk
Jaringan ini terdiri atas lapisan input dengan beberapa unit input,
satu lapis pembobot, dan lapisan output. Pada jaringan ini setiap unit input
menerima sinyal informasi dari luar dan melalui koneksi yang ada,
akan direspon oleh setiap output unit. Pembobot untuk satu unit output
Cara kerja dari model ini sama seperti pada single layer net. Hanya
Jadi pada pemodelan ini terdapat tambahan beberapa atau satu layer lagi
diantara input layer dan output layer yang sering disebut dengan lapisan
pembobot antara input layer, hidden layer dan output layer. Kelebihan dari
arsitektur jenis ini jika dibandingkan dengan single layer adalah dapat
dapat dikenali.
1. Fungsi Linear
nilai rill , bukan hanya pada range (0,1) atau (0,-1). Fungsi ini memiliki
nilai output yang sama dengan nilai inputnya, dirumuskan sebagai berikut:
f ( x) x … (2.5)
1
f ( x) …(2.6)
1 e x
Fungsi aktivasi sigmoid bipolar hampir sama dengan fungsi sigmoid biner,
namun output dari fungsi ini memiliki range (1,-1). Fungsi sigmoid
1 e x
f ( x) …(2.7)
1 e x
15
sebagai berikut:
ex e x 1 e2 x
f ( x) …(2.8)
ex e x 1 e2 x
Masih banyak fungsi aktivasi lainnya, tetapi fungsi sigmoid lebih sering
digunakan, karena dianggap lebih mendekati kinerja sinyal pada otak. Sigmoid
biner dan sigmoid bipolar merupakan jenis fungsi aktivasi yang tepat untuk ANN
mengenali sesuatu, pada ANN juga demikian. Setiap neuron dibangun untuk
dilatih dalam mempelajari pola yang akan dijalankan. Pada saat proses
dilakukan maka akan semakin kecil tingkat dari suatu error di lapisan
1. Supervised Learning
antara hasil output pembelajaran dengan pola target, maka perlu dilakukan
16
dan Backpropagation.
2. Unsupervised Learning
diperoleh lebih cepat dan akurat. Penelitian yang dilakukan oleh Rina Hartini
nasabah kredit konsumtif. Dalam penelitian ini dapat disimpulkan bahwa model
Diskriminan Analisis, Regresi Logistik dan Jaringan Syaraf Tiruan Pada Kasus
klasifikasi dengan jumlah data kurang dari seratus adalah klasifikasi jaringan
analisis diskriminan.
analisis diskriminan dan regresi logistik ketat akan asumsi yang harus terpenuhi.
memerlukan data yang lengkap dan sensitif terhadap outlier. Oleh sebab itu,
penelitian ini tidak menggunakan kedua metode tersebut karena data yang
diperoleh memiliki banyak data yang hilang. Solusi untuk mengatasinya yaitu
ANN digunakan dalam penelitian ini karena metode ini dapat digunakan
untuk mengklasifikasikan data tanpa melihat asumsi ditribusinya. Metode ini juga
memiliki beberapa keunggulan, antara lain mampu mengenali suatu objek secara
non-linier, akurasi yang tinggi dan toleransi terhadap noise. Hal ini didukung juga
dalam penelitian yang telah diuraikan sebelumnya bahwa ANN adalah metode