(Proposal Penelitian)
Oleh
Halaman
I. PENDAHULUAN.........................................................................................1
2.1 K-Means.................................................................................................4
2.2 Radial Basis Function Neural Network (RBFNN)................................5
2.3 Membagi data training dan data testing................................................5
2.4 Ganja......................................................................................................9
2.5 Pelegalan dan pemanfaatan ganja........................................................11
2.6 Negara yang melegalkan ganja............................................................12
DAFTAR PUSTAKA...........................................................................................16
I. PENDAHULUAN
Merujuk pada Undang-Undang No. 35 Tahun 2009 tentang Narkotika pada Pasal
1 angka 1, Narkotika adalah zat atau obat yang dapat memberikan efek penurunan
atau perubahan kesadaran, mengurangi atau menghilangkan rasa nyeri dan
memiliki sifat yang adiktif serta berasal dari tanaman maupun bukan tanaman.
Menurut Kepala Badan Narkotika Nasional (BNN), Komjen Budi Waseso, yang
dikutip dari (Kompas, 2017), Indonesia menjadi negara darurat narkoba sejak
tahun 1971. Jenis narkoba yang paling banyak dikonsumsi oleh penyalahguna
narkoba di Indonesia adalah ganja atau yang memiliki nama ilmiah cannabis,
dengan jumlah penyalahguna mencapai 1.742.285 orang (BNN, 2017).
Tujuan dari penelitian ini adalah untuk mendapatkan parameter terbaik dalam
metode Radial Basis Function Neural Network (RBFNN) dalam menentukan
waktu terakhir penggunaan ganja. Serta mendapatkan nilai akurasi dalam
penerapan metode Radial basis Function Neural Network (RBFNN) dalam
penentuan waktu terakhir penggunaan ganja.
2.1 K-Means
Jaringan radial basis function memiliki model jaringan yang hampir menyerupai
metode jaringan syaraf tiruan multilayer perceptron (MLP network). Jaringan
RBF suatu jaringan yang memiliki dua layer. Jaringan syaraf tiruan fungsi radial
basis biasanya membutuhkan jumlah neuron yang lebih banyak daripada jaringan
feelforward (Kusumadewi, 2003). Menurut Azmi (2016), pada jaringan RBF,
hidden layer bersifat non-linier dengan menggunakan fungsi aktivasi Gaussian
dan output layer bersifat linier sehingga menggunakan fungsi aktivasi linier. Pada
jaringan RBF, dari input layer ke hidden layer tidak menerapkan operasi perkalian
matriks antara data input dengan bobot, tetapi dengan menghitung jarak antara
data input dengan nilai center dari setiap hidden neuron. Nilai center dari hidden
neuron dapat ditentukan salah satunya dengan metode unsupervised seperti
algoritme K-means (Santosa, 2016). Radial Basis Function Neural Network
(RBFNN) merupakan salah satu arsitektur ANN yang populer digunakan dalam
klasifikasi. Metode RBFNN menggunakan dua pendekatan yaitu supervised dan
unsupervised serta dalam beberapa penelitian menghasilkan akurasi klasifikasi
yang tinggi.
Radial Basis Function Neural Network (RBFNN) merupakan neural network yang
menggunakan fungsi radial basis pada hidden layer untuk tujuan klasifikasi
maupun peramalan. Neural Network yang dikembangkan menjadi fungsi radial
basis dengan sistem pemrosesan informasi yang memiliki karakteristik mirip
dengan jaringan saraf biologi, terdiri dari lapisan input, lapisan tersembunyi, dan
lapisan output.
Pada metode RBFNN dengan K-Means, dilakukan dua langkah utama. Langkah
pertama adalah clustering data dengan K-Means. Pada langkah pertama bertujuan
untuk mendapatkan nilai mean tiap atribut pada tiap klaster atau hidden neuron.
Setelah mendapatkan hasil training maka langkah kedua adalah melakukan
klasifikasi dengan RBFNN (Mirawanti et al., 2012). Pada RBFNN terdapat dua
fase utama, yaitu fase training dan fase testing. Berikut langkah-langkah dalam
metode RBFNN.
RBFNN terdiri dari tiga lapisan yaitu input layer, hidden layer dan output layer.
Setiap neuron/unit pada input layer sesuai dengan komponen dari vektor masukan.
Hidden layer adalah satu-satunya lapisan tersembunyi dalam RBFNN yang
berlaku transformasi nonlinier dari input layer ke dalam hidden layer dengan
menggunakan fungsi aktivasi nonlinier. Dengan menggunakan algoritma K-Mean
Cluster, pola pelatihan pada hidden layer akan terkelompok ke dalam jumlah yang
wajar. Output layer terdiri dari neuron linier terhubung ke semua neuron
tersembunyi. Jumlah neuron pada output layer sama dengan jumlah kelas data
target.
Hal yang khusus pada RBFNN adalah pemrosesan sinyal dari input layer ke hidden
layer bersifat nonlinier, sedangkan dari hidden layer ke ouput layer bersifat linier.
Pada hidden layer digunakan sebuah fungsi aktivasi berbasis radial untuk
membawa input menuju lapisan berikutnya. Dari beberapa fungsi aktivasi, fungsi
Gaussian merupakan fungsi aktivasi yang paling sering digunakan.
A. Fase Training
Inisialisasi nilai centroid dari hasil clustering dengan K-Means
1. Hitung nilai spread. Pada penelitian ini nilai spread untuk seluruh hidden
neuron dibuat sama. Menurut Haykin (2009) nilai spread untuk fungsi
Gaussian adalah seperti pada Persamaan 5.
d max
σ j= (5)
√2 k
Keterangan:
𝜎j = nilai spread hidden neuron ke- 𝑗
d𝑚𝑎𝑥 = jarak maksimum dari pusat klaster yang terbentuk
𝐾 = banyaknya klaster yang terbentuk
2. Meneruskan sinyal dari input layer ke hidden layer dengan fungsi
aktivasi Gaussian.
φ j=exp ¿) (6)
Keterangan:
𝜑j = fungsi Gaussian pada hidden neuron ke-𝑗
‖ x i−¿c ‖ ¿ = jarak antara data ke- 𝑖 dengan nilai centroid dari hidden
2
j
neuron ke-
𝑗 𝜎𝑗2 = nilai spread hidden neuron ke- 𝑗
3. Membangun amtriks Gaussian dari langkah 3. Kemudian mengisi kolom
terakhir dengan nilai bias, yaitu 1.
𝐺 = [𝜑1 … 𝜑j 𝑏] (7)
Keterangan:
𝐺 = matriks Gaussian
𝑗 = indeks hidden neuron
𝑏 = bias
4. Perbarui bobot dan bias dengan pseudoinverse dari matriks Gaussian dan
mengalikannya dengan target.
𝑊 = (𝐺T𝐺)-1 𝐺TT (8)
Keterangan:
𝑊 = matriks bobot dari hidden neuron ke output neuron
𝐺T = transpose dari matrik
𝐺 (𝐺T𝐺)-1 = inverse dari perkalian 𝐺T dan 𝐺
T = matriks target
5. Simpan hasil dari proses training yang berupa matrik centroid, spread,
bobot dan bias.
B. Fase Testing
Pada proses ini data dibagi menjadi dua bagian yaitu data training dan data
testing. Proporsi pembagian data bersifat subjektif tergantung peneliti.
Persentase data training lebih besar dibanding dengan data testing. Data testing
yang dapat digunakan 10% sampai 30% dari data terakhir (Aisyah, et al., 2021).
Pembagian data training Data training yang digunakan pada penelitian ini dengan
komposisi 70%,80%, dan 90%. Proses pembentukan data training yaitu dengan
cara menggunakan komposisi yang telah ditentukan dari jumlah seluruh data.
Sehingga data training yang terbentuk antara lain komposisi 70% diperoleh 84
data training, 80% diperoleh 96 data training dan 90% diperoleh 108 data
training. Berdasarkan data training yang diperoleh kemudian digunakan untuk
menentukan pemodelan RBFNN.
Pembagian data testing pada penelitian ini data testing merupakan sisa komposisi data
yang terlah digunakan pada data training. Komposisi yang digunakan antara lain
10%, 20%, dan 30%. Data testing yang diperoleh yaitu untuk komposisi 30% ada
36 data, 20% diperoleh 24 data dan 90% diperoleh 12 data. Hasil data testing
digunakan untuk menentukan pemodelan RBFNN yang terbaik dengan tingkat
akurasi.
2.4 Ganja
Ganja atau dengan nama ilmiah cannabis sativa, merupakan salah satu jenis
tanaman psikotropika yang mengandung tetrahidrokanabinol dan kanabinol
(Gethzamani, 2020). Ganja dapat digolongkan sebagai narkoba karena mampu
memberikan efek euphoria atau rasa senang tanpa sebab kepada pemakainya
karena terdapat kandungan zat Tetrahidrokanabinol (THC) di dalamnya.
Penyalahgunaan ganja dapat menyebabkan berbagai efek berbahaya bagi tubuh
pemakainya, baik secara fisik maupun secara psikis. Penyalahgunaan ganja
dengan dosis tinggi dapat memberikan dampak berupa peradangan pada paru-
paru, iritasi hingga pembengkakan saluran nafas (Humas BNN, 2011).
Namun, selain itu ganja memiliki manfaat dalam dunia medis. Lingkar Ganja
Nusantara, dalam tautannya menyebutkan bahwa Ganja adalah obat yang sangat
kuat, yang diidentifikasi terdiri dari 483 konstituen kimia yang berbeda. 66 di
antaranya disebut Cannabinoid. Senyawa Ganja yang memainkan peran penting
dalam kualitas ganja sebagai obat.
Terlepas dari risiko dan efek samping serta larangan hukum, ganja merupakan
obat ilegal paling populer di Eropa di kalangan anak muda. Obat-obatan populer
lainnya seperti alkohol dan tembakau dapat dibeli dan dikonsumsi secara legal di
Jerman dan banyak negara lain, meskipun obat-obatan tersebut juga dapat
menyebabkan kerusakan serius pada kesehatan dan hubungan seseorang, serta
masyarakat secara keseluruhan (Freund, 2022).
Pemerintah Jerman yang baru juga ingin melegalkan ganja. Perjanjian koalisi
antara Sosial Demokrat (SPD), Hijau dan Demokrat Bebas neoliberal (FDP)
menyatakan akan memperkenalkan distribusi ganja yang terkontrol kepada orang
dewasa untuk tujuan rekreasi di toko berlisensi. Ini akan memungkinkan kontrol
kualitas, mencegah distribusi yang terkontaminasi. zat dan memastikan
perlindungan anak di bawah umur. Dalam empat tahun, akan dilakukan evaluasi
hukum dan dampak sosial yang ditimbulkannya.
Kebijakan soal ganja di sebagian besar negara diatur oleh tiga perjanjian PBB:
Konvensi Tunggal 1961 tentang Narkotika, Konvensi 1971 tentang Zat
Psikotropika, dan Konvensi 1988 Anti-Peredaran Gelap Narkotika dan Zat
Psikotropika. Ganja diklasifikasikan sebagai obat Schecule I dibawah perjanjian
Konvensi Tunggal, yang berarti bahwa penandatangan dapat mengizinkan
penggunaan medis tetapi dianggap sebagai obat adiktif dengan risiko
penyalahgunaan yang serius.
Penelitian ini dilakukan pada semester genap tahun ajaran 2022/2023 di jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lampung.
Data yang digunakan adalah data pengguna ganja yang dipublikasikan di UCI
Machine Learning pada tahun 2016. Berdasarkan hasil pengujian dari penelitian
yang telah dilakukan, didapatkan parameter optimal diantaranya 7 hidden neuron
dan batas maksimal iterasi K-Means adalah 100. Dengan menggunakan parameter
tersebut, didapatkan hasil akurasi sebesar 35,908%.
Tahapan yang dilakukan meliputi tahap normalisasi data, metode K-means untuk
menentukan nilai center dan spread pada fungsi aktivasi Gaussian, tahap training
RBFNN dan tahap testing RBFNN. Untuk pengujian dan analisis nya terdiri dari:
1. Pengujian dan Analisis Maksimum Iterasi K-Means
2. Pengujian dan Analisis Banyak Hidden Neuron
3. Analisis Global
DAFTAR PUSTAKA
Aisyah, S., Wahyuningsih, S., & Amijaya, F. 2021. Peramalan Jumlah Titik
Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis
Function Neural Network. Journal of Probability and Statistics
(Jambura). 2(2): 64-72.
BNN Republik Indonesia. 2017. Data Pendukung Press Release Akhir Tahun
2017.
http://www.bnn.go.id/_multimedia/document/20180208/lampiran_press_
release_akhir_tahun_2017_fin-20180208110343. Diakses pada 18 Juli
2018.
Humas BNN. 2011. Ulasan Tentang Ganja. DEDI Humas BNN. 15 Agustus
2018.
http://dedihumas.bnn.go.id/read/section/artikel/2012/04/02/354/ulasan-
tentangganja. Diakses pada 27 April 2023.
Kuntjoro, D.A., Setiawan, B.D., & Perdana, R.S. 2018. Algoritme Genetika
untuk Optimasi K-Means Clustering dalam Pengelompokan Data
Tsunami. Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputer. 2(10): 3865-3872.
Muhaimin. 2021. Daftar Lengkap Negara yang Legalkan Ganja. 25 Maret 2021.
https://international.sindonews.com/read/609723/40/inilah-daftar-
lengkap-negara-yang-legalkan-ganja-1637820687/10. Diakses pada 28
Maret 2023.
Patton, J.H., Stanford, M.S., & Barrat, E.S. 1995. Factor Structure of The Barrat
Impulsiveness Scale. Journal of Clinical Psychology. 51(6): 764-768
Santosa, S., Widjanarko, A., & Supriyanto, C. 2016. Model Prediksi Ginjal
Kronik Menggunakan Radial Basis Function. Jurnal Pseudocode. 3(2):
163-170