KECERDASAN BUATAN/ AI

Oleh: Yesi Diah Rosita, S.Kom.

MODUL IV METODE LEARNING (Part 1)

Kompetensi Dasar : Menempatkan metode learning dalam menyelesaikan suatu masalah dengan tepat dan baik. Materi Pokok :

1. Pengertian Metode Learning 2. Macam-macam Metode Learning 3. Contoh penggunaan Metode Learning

4.1

Pengertian Metode Learning Metode ini berbeda dengan metode-metode yang sebelum-sebelumnya. Di mana

metode yang sebelum-sebelumnya dalam menyelesaikan suatu masalah harus mendefinisikan aturan-aturan yang perlu dipakai. Padahal terkadang pada masalah tertentu kita tidak atau kesulitan dalam mendefinisikan aturan secara benar dan lengkap. Metode Learning merupakan metode pembelajaran dari data-data yang sudah ada dan bisa secara otomatis menemukan aturan yang diharapkan dapat berlaku umum untuk data-data yang belum pernah diketahui. Secara garis besar setiap program computer dapat meningkatkan performansinya melalui experience. Terdapat contoh data penerimaan pegawai: Diketahui: Pelamar = 11 Orang

Parameter/Atribut= 3 Item (IPK, Psikolog, Wawancara) Hasil IPK Hasil Psikolog = 3 Item (Bagus, Cukup, Kurang) = 3 Item (Tinggi, Sedang, Rendah)

Hasil Wawancara = 2 Item (Baik, Buruk) Kelas Berikut table data pegawai: Universitas Islam Majapahit Mojokerto 1 = 2 Kelas (Ya dan Tidak)

Pelamar P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11

IPK Bagus Bagus Bagus Bagus Cukup Cukup Cukup Cukup Kurang Kurang Kurang

Psikolog Tinggi Sedang Sedang Rendah Tinggi Sedang Sedang Rendah Tinggi Sedang Rendah

Wawancara Baik Baik Buruk Buruk Baik Baik Buruk Buruk Baik Buruk Baik

Diterima Ya Ya Ya Tidak Ya Ya Ya Tidak Ya Tidak Ya

Tabel 4.1 Data Penerimaan Pegawai

Semestinya jika data dikatakan lengkap dengan sudah diketahui jumlah parameter beserta hasilnya, maka hasil kombinasinya dapat diperoleh dari: 3 ( Hasil IPK) * 3 ( Hasil Psikolog) * 2 ( Hasil Wawancara) = 18 Kombinasi

4.2

Macam-macam Metode Learning Terdapat 3 macam metode learning:

1. Decision Tree Learning 2. Jaringan Syaraf Tiruan 3. Algoritma Genetika

4.2.1

Decision Tree Learning Merupakan metode yang berusaha menemukan fungsi-fungi pendekatan yang

bernilai diskrit dan tahan terhadap noisy data serta mampu mempelajari ekspresi-ekspresi disjunctive (OR). Pada bahasan ini akan mempelajari salah satu jenis DTL yang sangat terkenal yakni Iterative Dychotomizer version 3 atau dikenal dengan ID3. ID3 membangun sebuah DTL secara Top-Down, maksudnya atribut mana yang pertama kali harus dicek dan diletakkan pada root. Maka dengan adanya hal ini digunakan suatu ukuran statistic yakni Information Gain untuk mengukur efektivitas suatu Universitas Islam Majapahit Mojokerto 2

atribut dalam mengklasifisikan kumpulan sampel data. Tetapi sebelum menghitung Information Gain, harus memahami ukuran Entropy untuk mengukur heterogenitas dari kumpulan sampel data. Entropy (S) dimana c pi : = Parameter/Atribut = Sampel Data untuk Kelas i

maka p1 p2

: = 8 sampel (untuk kelas Ya) = 3 sampel (untuk kelas Tidak)

Selanjutnya dapat dihitung Entropy-nya Entropy (S)

: (8/11) -(3/11) (3/11)

= -(8/11) = 0.8454

Untuk sampel data yang dikelompokkan dalam 2 kelas,maka entropy-nya adalah 1. Jika lebih dari 2 kelas, maka dapat diperoleh dengan menggunakan rumus: c Berikut ini graik fungsi entropy untuk kumpulan data dengan 2 kelas. 1

Entropy (S) 0.5

0.5 p1

Universitas Islam Majapahit Mojokerto 3

Setelah

mengetahui

nilai

entropy-nya,

maka

dapat

diukur

efektivitas

suatu

parameter/atribut (Information Gain). Adapun rumusnya sebagai berikut: ( di mana: A V Values(A) |Sv| |S| Entropy(Sv) = parameter/atribut = menyatakan suatu nilai yang mungkin untuk atribut A = himpunan nilai-nilai yang mungkin untuk atribut A = jumlah sampel untuk nilai v = jumlah seluruh sampel data = entropy untuk sampel-sampel yang memiliki nilai v ) ( )
( )

( )

Menghitung Information Gain untuk IPK Lihat pada table 4.1. Dimisalkan: Atribut Ya dikatakan sampel positif (+) Atribut Tidak dikatakan sampel negative (-)

Diketahui: Values(IPK) = Bagus, Cukup, Kurang; maka: S SBagus SCukup SKurang = [8+,3-]; |S| = 11 = [3+, 1-]; |SBagus| = 4 = [3+, 1-]; |SCukup| = 4 = [2+, 1-]; |SKurang| = 3

Dihitung Information Gain IPK: Entropy(S) = -(8/11) = 0.8454 Entropy(SBagus) = -(3/4) = 0.8113 Entropy(SCukup) = -(3/4) (3/4) -(1/4) (1/4) (3/4) -(1/4) (1/4) (8/11) -(3/11) (3/11)

Universitas Islam Majapahit Mojokerto 4

= 0.8113 Entropy(SKurang) = -(2/3) = 0.9183 Jadi, Gain(S,IPK) = = ( ) ( ) ( )

* +

(2/3) -(1/3)

(1/3)

( ) ( )

( ( )

) ( )

=0.8454 ((4/11)*0.8113) - ((4/11)*0.8113) ((3/11)*0.9183) = 0.8454 0.2950 - 0.2950 0.2504 = 0.0049

Gain(S,Psikolog) & Gain(S,Wawancara) ???

Universitas Islam Majapahit Mojokerto 5