Syntax Literate: JurnalIlmiah Indonesia p–ISSN: 2541-0849 e-ISSN: 2548-1398

Vol. 6, No. 7, Juli2021

ANALISIS KRITERIA ONLINE SHOP DENGAN METODE ADALINE

Khairunnisa, Maria Hikmah Hasibuan, Abdullah Afif Bihaqi, Yazid Hulaini Habbani Nst, Supiyandi, M.Kom

AfiliasiPenulis (12 pt)

Email: nisalubis1510@gmail.com, mariahikma05@gmail.com, afifbaii03@gmail.com,

yazidhabbani21@gmail.com

Abstrak

Bidang kecerdasan buatan merupakan salah satu bidang teknologi yang menjadikan perubahan kehidupan manusia semakin berkembang kearah

memudahkan aktivitas manusia berkonsep pada pikiran cerdas manusia. Pada jurnal ini terdapat 5 Online Shop yang berbeda dan diberi 4 pertanyaan

untuk menentukan kriteria dari masing – masing pada kelima Online Shop. Saya menggunakan metode Adaline untuk merancang data tersebut,

Penerapan metode Adaline akan efektif umtuk diterapkan dalam analisa kriteria ini apabila nilai learning rate sebesar 0,2 serta menggunakan fungsi

aktivasi Threshold bipolar. Dari kelima data tersebut akan diketahui online shop mana yang memenuhi 4 kriteria situs belanja terbaik di Indonesia.

Kata kunci: Kecerdasan Buatan; Kriteria; Fungsi Aktivasi Bipolar; Metode Adaline; Teknologi

Abstract

One of the technical domains that transforms human life and progresses toward facilitating human activities with the idea of intelligent human minds is

artificial intelligence. There are 5 different online shops listed in this journal, and there are 4 questions to help you figure out what each of the five

online shops is looking for. I create the data using the Adaline technique. If the learning rate is 0.2 and the Threshold bipolar activation function is

utilized, the Adaline approach can be successfully used to the analysis of this criterion. Which online store fits the four requirements for the greatest

shopping site in Indonesia can be determined from the five data points.

Keywords: Artifical Intelligence; Criteria; Bipolar Activation Function; Adaline Methode; Tehnology

Pendahuluan

Pada jaringan syaraf hubungan ini dikenal sebagai bobot. Informasi tersebut tersimpan pada suatu nilai tertentu pada bobot tersebut.

Keduanya atau mungkin lebih untuk mendapatkan redundansi data. Menurut Agustina, dkk jaringan saraf tiruan disingkat JST adalah Teknik

pemerosesan informasi yang bekerja seperti system sel saraf biologi sehingga menghasilkan model matematis untuk menyelesaikan masalah.

Menurut pendapat lain JST adalah system komputasi dimana arsitektur dan operasi di ilhami dari pengetahuan tentang sel saraf biologis di

dalam otak [4]. Jaringan Syaraf Tiruan telah dikembangkan sejak tahun 1940. Pada jaringan syaraf hubungan ini dikenal dengan nama bobot. Informasi

tersebut tersimpan pada suatu nilai tertentu pada bobot tersebut. Keduanya atau mungkin lebih untuk mendapatkan redundansi data. Ini diproses oleh

How to cite: Nama Author (tahunterbit) Judul, (Volume) Issue,http://dx.doi.org/10.36418/syntax-literate.v6i6

E-ISSN:
2548-1398

Published by: Ridwan Institute

Khairunnisa, Maria Hikma Hasibuan, Abdullah Afif Baihaqi, Yazid Hulaini Habbani Nst, Supiyandi, M.Kom (12 pt)

suatu fungsi perambatan yang akan menjumlahkan nilai – nilai semua bobot yang akan datang. Hasil penjumlahan ini kemudian dibandingkan dengan

suatu Informasi yang disebut dengan masukkan dikirim ke neuron dengan bobot kedatangan tertentu. Masukkan nilai ambang (threshold) tertentu

melalui fungsi aktivasi setiap neuron. Dalam penelitian ini menggunakan 4 atribut dari kriteria, yang diantaranya kelengkapan produk, banyaknya

pengguna, kemudahan dalam transaksi, serta keterjaminan produk yang ditawarkan.

Gambar 1 Struktur Neuron Pada JST

Jaringan Saraf Tiruan (JST) adalah paradigm pemrosesan suatu informasi yang terinspirasi oleh sistem sel saraf biologi, sama seperti otak

manusia yang memproses suatu informasi. Ada banyak metode JST yang dapat di implementasikan untuk prediksi. Masing – masing metode JST

memiliki kelebihan dan kekurangan. Dalam lingkup Analisis e-commerse, tidak dapat dikatakan langsung metode mana yang sesuai untuk

diaplikasikan, karena suatu metode yang baik untuk suatu kasus belum tentu baik pula untuk kasus yang berbeda..

Adaline singkatan dari Adaptive Linear Neuron, Adaline menggunakan threshold dalam melakukan proses penjumlahan linier seluruh

masukan pada jaringannya. Pada setiap iterasi nilai error akan selalu menurun, sehingga proses belajar yang demikian disebut juga sebagai proses

belajar dengan algoritma gradient descent. Sistem Madaline mempunyai satu lapisan Adaline yang dihubungkan dengan satu unit Madaline. Adaline

menggunakan dua pengubahan pada laju pemahaman dan batas toleransi sehingga lebih efektif dalam pengenalan pola yang dilakukan.

Jaringan Adeline sedikit banyaknya tidak terlalu jauh berbeda dengan jaringan perceptron. Perbedaan jaringan adeline dengan percepton

terletak pada cara merubah bobot. Pada jaringan adeline, perubahan bobot dilakukan dengan aturan delta (least mean square), dan fungsi aktivasi yang

digunakan adalah fungsi identitas.

Adapun algoritma pelatihan jaringan Adaline adalah sebagai berikut :

1. Tentukan :
 bobot (wi) = 0
 bias (b) = 0
 learning rate (α) = 0.1 (namun bisa diantara 0.1 dan 1 => 0 < α ≤ 1).
 batas toleransi sesuai keadaan.
2. Selama max Δwi > batas toleransi, maka :

 Hitung net = Σ𝑥𝑖𝑛𝑖=1.𝑤𝑖 + b

 Hitung y dengan : y = net

2
Syntax Literate, Vol. 6, No. 7, Juli 2021
 Analisis Kriteria Online Shop Dengan Metode Adaline

 Lakukan perbaikan bobot apabila y ≠ t :

wi (baru) = wi (lama) + Δ w
b (baru) = b (lama) + Δ b
Dimana :
Δ w = α . (t-y) . xi
Δ b = α . (t-y)
 Ulangi tahap a sampai c apabila nilai maksimum Δwi masih lebih besar dari
nilai toleransi (masuk epoch selanjutnya)
 Proses ini berhenti apabila batas maksimum Δwi sudah lebih kecil atau sama
dengan batas toleransi.
3. Untuk pengenalan pola, lakukan perhitungan net dengan bobot w1 , w2 , dan bias
yang baru

4. Hitung output pelatihan dengan fungsi aktivasi threshold.

Metode Penelitian

Penelitian ini menggunkan metode analisis, data diperoleh dari analisis ini telah dilihat berdasarkan ulasan pengguna pada tiap – tiap

aplikasi tersebut dan melihat berapa banyak yang mendownload aplikasi tersebut pada App Store. Data tersebut akan di kelompokkan dalam bilangan

bipolar dengan kriteria sebagai berikut.

Gambar 2 Model rancangan

Kriteria Keterangan
No

Syntax Literate, Vol. 6, No. 7, Juli 2021 3

Khairunnisa, Maria Hikma Hasibuan, Abdullah Afif Baihaqi, Yazid Hulaini Habbani Nst, Supiyandi, M.Kom (12 pt)

1 Kelengkapan produk (X1) Jika memenuhi = 1, tidak = -1

2 Banyaknya Pengguna (X2) Jika memenuhi = 1, tidak = -1

3 Kemudahan dalam transaksi (X3) Jika memenuhi = 1, tidak = -1

4 Keterjaminan produk yang ditawarkan (X4) Jika memenuhi = 1, tidak = -1

Berikut 4 data set asli untuk analisis dari kelima Online Shop berikut.

Nama X1 X2 X3 X4

Tokopedia Lengkap Banyak Mudah Terjamin

Dan pada tabel di bawah ini merupakan data yang telah dirubah ke bentuk bipolar

Lengkap Tidak Lengkap

X1
1 -1

Banyak Sedikit
X2
1 -1

Mudah Sulit
X3
1 -1

Terjamin Tidak Terjamin

X4
1 -1

X1 X2 X3 X4 T

1 1 1 1 1

Keterangan :

T = Nilai Target

1 = merupakan keputusan Posistif dalam kategori

0 = merupakan keputusan Negatif dalam kategori

Target pada tabel diatas ditentukan agar mendapatkan hasil yang optimal, dimana jika input -1 sebanyak 2 atau lebih maka akan

menghasilkan target = -1, sedangkan jika input -1 hanya terdapat 1 atau tidak ada maka nilai target = 1.

Hasil dan Pembahasan

Analisis dengan 5 data set yang tersebut, dengan learning rate sebesar 0,2 dan juga menggunakan fungsi aktifasi threshold bipolar

4
Syntax Literate, Vol. 6, No. 7, Juli 2021
 Analisis Kriteria Online Shop Dengan Metode Adaline

1, 𝑖𝑓 𝑛𝑒𝑡 ≥ 0
𝑦 = 𝑓(𝑥) = { −1, 𝑖𝑓 𝑛𝑒𝑡 < 0
Setelah proses transformasi data dilakukan, penulis melanjutkan proses pada tahapan perhitungan algoritma adaline.

EPOCH 1

Batas toleransi = 0,05

X1 X2 X3 X4 T

1 1 1 1 1

Nilai Bobot Nilai alfa

W1 W2 W3 W4 B α

0 0 0 0 0 0,1

net = (X1 * W1) + (X2 * W2) + (X3 * W3) + (X4 * W4) + b

= (1 * 0) + (1 * 0) + (1 * 0) + (1 * 0) + 0

=0+0+0+0+0

=0

f(net) =0

t–y =1

Perubahan bobot

α * (t-y) * X

ΔW1 ΔW2 ΔW3 ΔW4 Δb

0,1 0,1 0,1 0,1 0,1

Bobot baru

W(lama) +ΔW

W1 W2 W3 W4 b

0,1 0,1 0,1 0,1 0,1

Note : Apabila nilai maks ΔW > nilai toleransi maka masuk ke epoch selanjutnya

Syntax Literate, Vol. 6, No. 7, Juli 2021 5

Khairunnisa, Maria Hikma Hasibuan, Abdullah Afif Baihaqi, Yazid Hulaini Habbani Nst, Supiyandi, M.Kom (12 pt)

EPOCH 2

X1 X2 X3 X4 T

1 1 1 1 1

Nilai Bobot Nilai alfa

W1 W2 W3 W4 B α

0,1 0,1 0,1 0,1 0,1 0,1

net = (X1 * W1) + (X2 * W2) + (X3 * W3) + (X4 * W4) + b

= (1 * 0,1) + (1 * 0,1) + (1 * 0,1) + (1 * 0,1) + 0,1

= 0,1+0,1+0,1+0,1+0,1

= 0,5

f(net) = 0,5

t–y = 0,5

Perubahan bobot

α * (t-y) * X

ΔW1 ΔW2 ΔW3 ΔW4 Δb

0,05 0,05 0,05 0,05 0,05

Bobot baru

W(lama) +ΔW

W1 W2 W3 W4 b

0,15 0,15 0,15 0,15 0,15

Iterasi pelatihan dengan perubahan bobot berhenti pada epoch ke 2, karena nilai maksimal dari Δw sudah mencapai 0.05, dan ini sudah

lebih kecil dari batas toleransi. Sehingga diperoleh bobot yang akan dilakukan untuk pengenalan pola :

W1 W2 W3 W4 b

0,15 0,15 0,15 0,15 0,15

Validasi

6
Syntax Literate, Vol. 6, No. 7, Juli 2021
 Analisis Kriteria Online Shop Dengan Metode Adaline

Dengan menggunakan bobot dan bias yang diperoleh dari epoch terakhir (epoch ke 2), dan fungsi aktivasi threshold , maka diperoleh hasil

pengenalan pola sebagai berikut :

net z= (X1 * W1) + (X2 * W2) + (X3 * W3) + (X4 * W4) + b

= (1 * 0,15) + (1 * 0,15) + (1 * 0,15) + (1 * 0,15) + 0,15

= 0,15+0,15+0,15+0,15+0,15

= 0,75

f(net) = 0,75

Threshold = y = f(net) = 1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡≥0

= -1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡<0

KESIMPULAN

Dengan menggunakan sistem ini maka seseorang dapat mengetahui jenis-jenis kreteria online shop dengan memasukkan data-data kriteria. Sistem

ini dapat membantu seseorang,untuk memahami tentang bagaimana menganalisis online shop yang banyak.

Pada hasil pengenalan pola yang dilakukan, pola dapat dikenali dengan benar.

REFERENSI

[1] Aji Sudarsono. (2016). Jaringan Syaraf Tiruan Untuk Memprediksi Laju

Pertumbuhan Penduduk dengan Menggunakan Metode Backpropagation (Studi

Kasus di Kota Bengkulu). Jurnal Media Infotama. 62

[2] Armansyah. (1943). Modul 1 Pengantar Jaringan Syaraf Tiruan.

[3] Beti, E,. & Trismayanti, D, P,. Pengenalan Pola Huruf dengan Menggunakan

Metode Adaline. Jurnal Mnemonic. 12

[4] Fadlisyah & Bustami. Model Generatif Wajah Berpotensi “Fitnah” Menggunakan

Jaringan Syaraf Tiruan Adaline. 126

[5] Etikasari, et al., (2019). Pengenalan Pola Huruf denganAlgoritma Adaline. Jurnal

Mnemonic

[6] Irsyada, et al., (2019). Penerapan Jaringan Syaraf Tiruan Model Adaline Pada

Klasifikasi Status Gizi Balita. Journal of Science and Technology

Syntax Literate, Vol. 6, No. 7, Juli 2021 7

Khairunnisa, Maria Hikma Hasibuan, Abdullah Afif Baihaqi, Yazid Hulaini Habbani Nst, Supiyandi, M.Kom (12 pt)

[7] Sudarsono, (2016). Jaringan Syaraf Tiruan untuk Memprediksi Laju Pertumbuhan

Penduduk Menggunakan Metode Backpropagation. Jurnal Media Infotama

[8] Heryati, dkk.(2018). Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi

Pencapaian Prestasi Mahasiswa. Konferensi Nasional Sistem Informasi

8
Syntax Literate, Vol. 6, No. 7, Juli 2021