SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta

Transkripsi

1 SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta ABSTRAK Kecerdasan majemuk adalah hal penting dalam pembelajaran. Kecerdasan majemuk adalah sebuah penilaian yang melihat secara deskriptif bagaimana individu menggunakan kecerdasannya untuk memecahkan masalah dan menghasilkan sesuatu. Menurut Gardner ada 8 kecerdasan majemuk yaitu linguistics, logical-mathematics, visual-spasial, bodily-kinesthetics, musical, interpersonal, intrapersonal dan naturalist. Clustering adalah suatu metode untuk mengelompokkan sejumlah data menjadi beberapa cluster. Data-data yang mempunyai kedekatan akan dikelompokkan dalam satu cluster. Algoritma Self Organizing Maps (SOM) merupakan algorima pada jaringan syaraf tiruan dengan pembelajaran tidak terawasi. Algoritma SOM dapat digunakan untuk analisis pada clustering. Pada penelitian ini bertujuan menghasilkan sistem clustering untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma SOM. Data input digunakan sekelompok mahasiswa yang akan dikelompokkan dengan cluatering. Proses clustering menggunakan algoritma SOM dengan parameter-parameter clustering tertentu. clustering kecerdasan majemuk digunakan jumlah cluster 8, epochs 500 dan parameter Kohonen 0,01. Dari hasil clustering dapat dipetakan kecerdasan majemuk dari sekelompok mahasiswa. Kata kunci : kecerdasan majemuk; clustering; jaringan syaraf turuan; Algoritma self organizing maps. PENDAHULUAN Keberagaman adalah sesuatu yang pasti dan bukti kebesaran Tuhan dalam mencipkan makluknya. Begitupun dengan mahasiswa mempunyai kebergaman dalam kecerdasannya. Hampir setiap pembelajar dan pengajar pernah mendengar kata kecerdasan majemuk. Namun banyak yang belum memahami arti dan pentingnya kecerdasan majemuk [1]. Kecerdasan majemuk dikemukakan oleh Gardner, yang membagi kecerdasan majemuk ke dalam kecerdasan visual/spasial, kinesthetics, intrapersonal, interpersonal, linguistic, musical/rhythmic, logical/mathematical dan naturalistic [2]. Identifikasi maupun pengelompokkan kecerdasan majemuk mahasiswa dapat dilaksanakan dengan clustering. Proses clustering ini bertujuan untuk mengelompokkan objek-objek berdasarkan karakteristik diantara objek-objek tersebut. Dari analisis cluster kita dapat mengetahui kelompok-kelompok yang terbentuk dengan ciri khas dari tiap kelompok. Dalam penelitian ini clustering digunakan untuk mengelompokkan mahasiswa-mahasiswa yang mempunyai kedekatan karakteristik dalam kecerdasan majemuknya. Dengan adanya clustering kecerdasan majemuk mahasiswa dalam suatu kelas akan diketahui keberagaman kecerdasan majemuk mahasiswa. Keberagaman kecerdasan majemuk tersebut dilihat dari banyaknya cluster. Dengan clustering juga dapat ditentukan kedekatan dalam hal kecerdasan majemuk antara mahasiswa yang satu dengan yang lainnya. Dari uraian di atas maka rumusan masalah penelitian ini adalah : bagaimana mengembangkan sistem clustering kecerdasan majemuk mahasiswa dengan algoritma Self Organizing Maps (SOM)? TINJAUAN PUSTAKA a. Penelitian-penelitian Terkait Jaringan Kohonen sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Ia mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputer 53

2 menjadi lebih hemat. Da Silva melakukan clustering learning objects (Bertambahnya ketersedian sumber pembelajaran digital di internet) dengan Self Organizing Maps (SOM) [3]. Jaringan syaraf tiruan Kohonen SOM juga digunakan untuk memetakan uncover automobile bodily injury claims Fraud [4]. Mahonen menggunakan jaringan Kohonen untuk mengklasifikasikan bintang dan galaksi [5]. Gopalakrishan menggunakan jaringan Kohonen Self Organizing Maps untuk analisis cluster dan visualisasi dengan sampel bahan-bahan kimia [6]. Budi menggunakan jaringan syaraf tiruan SOM untuk cluster analysis dalam pemetaan talenta pemain basket [7]. Sementara Warsito menggunakan jaringan Kohonen untuk clustering data pencemaran udara sektor industri di Jawa tengah [8]. b. Kecerdasan Majemuk Teori kecerdasan majemuk atau multiple intelligences diperkenalkan pada tahun 1983 oleh Dr. Howard Gardner. Gardner Howard mengemukan bahwa intelegensia atau kecerdasan bukanlah suatu kesatuan tunggal yang bisa diukur secara sederhana yang bisa diukur dengan tes IQ. Intelegensia dapat ditingkatkan dan berkembang sepanjang sejarah hidup manusia. Gardner mendefinisikan kecerdasan sebagai suatu kapasitas untuk memecahkan permasalahanm atau membentuk produk yang bernilai dalam satu atau lebih latar budaya [2]. Pada awalnya Gardner merumuskan tujuh kecerdasan majemuk. Dalam perkembangan penelitiannya, beliau menambahkan satu lagi kecerdasan. Kecerdasan majemuk menurut Gardner adalah [2] dan [9]: a. Kecerdasan Liguistic b. Kecerdasan Logical Mathematical c. Kecerdasan Visual-Spatial d. Kecerdasan Bodily-Kinesthetic e. Kecerdasan Musical f. Kecerdasan Interpersonal g. Kecerdasan Intrapersonal h. Kecerdasan Naturalist c. Clustering Clustering adalah teknik yang digunakan untuk mengidentifikasi objek atau individu yang serupa dengan memperhatikan beberapa kriteria [10]. Clustering yaitu analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan mutually exclusive [10]. Definisi lain adalah upaya menemukan sekelompok objek yang mewakili suatu karakter yang sama atau hampir sama (similar) antar satu objek dengan objek lainnya pada suatu kelompok dan memiliki perbedaan (not similar) dengan objek-objek pada kelompok lainnya [11]. Cluster analysis termasuk dalam analisis statistik multivariat metode interdependen. Sebagai alat analisis interdependen maka tujuan cluster analysis tidak untuk menghubungkan ataupun membedakan dengan sampel/variabel lain. Cluster analysis merupakan salah satu alat analisis yang berguna sebagai peringkas data. Dalam meringkas data ini dapat dilakukan dengan jalan mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu di antara objek-objek yang hendak diteliti. d. Algoritma Self Organizing Maps (SOM) Algoritma Self Organizing Map (SOM) atau yang sering disebut dengan Jaringan Syaraf Tiruan Kohonen merupakan suatu metode jaringan syaraf tiruan yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1981 [13]. Jaringan Kohonen merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) dimana dalam proses pelatihannya tidak memerlukan pengawasan (target output) [12]. Jaringan Kohonen/SOM digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Arsitektur dari Jaringan Kohonen/SOM dapat dilihat pada Gambar 2.1. Gambar 1. Algoritma Self Organizing Maps (SOM) 54

3 Jaringan Kohonen termasuk dalam pembelajaran tak terawasi (unsupervised learning). Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot - bobotnya. Algoritma Competitive Network [12], [13], [14]: 1. Inisialisasi neuron input x 1, x 2, x 3, x i. 2. Inisialisasi neuron output sebanyak y 1, y 2, y 3, y j. 3. Menentukan bobot antara neuron input dan neuron output dengan nilai antara x min dan x max. 4. Mengulangi langkah 5 sampai 8 hingga tidak ada perubahan bobot atau iterasi/epochs telah maksimal sehingga output-nya telah konvergen. 5. Pemilihan salah satu input dari vektor input yang ada. 6. Penghitungan jarak antar input data terhadap bobot dengan masing-masing neuron input dengan rumus : D i = (w ij x i ) 2 n i 1 dibuat adalah untuk membuat clustering keberagaman kecerdasan Majemuk berdasarkan Gardner s multiple intelegence Scale dengan algoritma Self Organizing Maps (SOM). b. Sistem Clustering Kecerdasan majemuk Sistem ini terdiri dari proses input data, proses clustering dan proses pemetaan. Sebagai data inputan adalah hasil kuesioner mahasiswa S1 program studi Sistem Informasi STMIK Duta Bangsa Surakarta angkatan Kuesioner berisi indicatorindikator Gardner s Multiple Intelligents. Proses clustering berfungsi untuk mengelompokkan data-data input dalam cluster-cluster. Pada penelitian ini dibuat dalam 5 cluster. Proses pemetaan yang berfungsi memetakan data input pada kelompok-kelompok peminatan bidang penelitian. Diagram system clustering-nya dapat digambarkan sebagai berikut : Dari seluruh bobot ( D i ) dicari yang paling kecil. Index dari bobot ( D i ) yang paling mirip disebut winning neuron. 7. Untuk setiap bobot w ij diperbaharui bobot koneksinya dengan menggunakan rumus yang dapat dilihat pada persamaan: w ij (t + 1) = w ij (t) + α(t) x i w ij (t)] 8. Meng-update bobot bias: 9. Simpan bobot yang telah konvergen. METODE PENELITIAN a. Analisis Kebutuhan Pada tahap ini mengidentifikasi semua kebutuhan untuk pengembangan aplikasi clustering untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma Self Organizing Maps (SOM). Aplikasi yang akan Gambar 2. Diagram Sistem Clustering. Pengembangan aplikasi clustering ini menggunakan software Matlab 7.0. Untuk pengembangan user interface-nya menggunakan Matlab GUI dan coding pada M.file. Proses clustering diawali dari proses load data kemudian data-data tersebut 55

4 dijadikan neuron input yang akan diproses clustering dengan algoritma SOM. Proses clustering menggunakan parameter-parameter seperti jumlah cluster maksimum, jumlah epochs (iterasi) dan parameter Kohonen (learning rate). Gambar.5 Hasil Clustering epochs 500 Hasil clustering untuk data input dipilih pada epochs yang memberikan hasil output tetap dan mantap sesuai dengan pengujian proses clustering. Hasil clustering dipilih pada epochs 500 untuk gaya belajar maupun kecerdasan majemuk. Hasil clustering adalah sebagai berikut : Tabel 4.4 Hasil Clustering Kecerdasan Majemuk. Anggota Cluster Data_MI_02 Gambar 3. Diagram Proses Clustering. HASIL DAN PEMBAHASAN Hasil clustering untuk data input dipilih pada epochs yang memberikan hasil output tetap dan mantap sesuai dengan pengujian proses clustering. Hasil clustering pada epochs di atas 500 menghasilkan jarak yang konvergen sehingga hasil clustering tetap. Pada penelitian ini digunakan parameterparameter sebagai berikut : jumlah cluster 5, epochs 500 dan parameter Kohonen 0,01. Hasil penelitian adalah sebagai berikut : Cluster 1 D.02, D.13, D.23, D.24 Cluster 2 D.08, D.12, D.18, D.29 Cluster 3 D.03, D.11, D.17, D.21 Cluster 4 D.06, D.20, D.25, D.28 Cluster 5 D.10, D.15, D.19 Cluster 6 D.01, D.05, D.14, D.16 Cluster 7 D.07, D.22, D.27, D.30 Cluster 8 D.04, D.09, D.26 56

5 KESIMPULAN Dari hasil penelitian yang dilakukan mulai dari tahap awal hingga pengujian, penerapan sistem clusteingr untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma SOM, didapatkan kesimpulan sebagai berikut: 1. Sistem clustering dengan algoritma Self Organizing Maps (SOM) dapat digunakan untuk memetakan kecerdasan majemuk mahasiswa. Mahasiwa-mahasiswa dikelompokkan dalam cluster-cluster tertentu yang mempunyai kemiripan kecerdasan majemuknya. 2. Sistem clustering menggunakan parameter-parameter jumlah epoch 8 dan tetapan Kohonen DAFTAR PUSTAKA [1] Denig, Stephen J. (2004). Multiple Intelligences and Learning Styles : Two Complimentary Dimensions. Teachers College Record Vol. 106, No. 1, January 2004, Colombia University. ning%20- %20Supported%20by%20Learning%20 Models%20Based%20on%20Multiple%2 0Intelligencesand%20Learning%20Style s.pdf, diakses tanggal 14 Februari [2]. Prasetyo, J.J.R. dan Yeni Andriani. (2009). Multiply Your Multiple Intelegences. Jogjakarta : Penerbit Andi. [3]. da Silva, Patric F. and Notargiacomo Mustaro (2009). Clustering of Learning Object with Self Organizing Maps. 39 th ASEE/IEEE Frontier in Educational Conference, October San Antonio. diakses pada tanggal 5 Maret [4]. Brockett, Patrick L. et al (1998). Using Kohonen s Self Organizing Feature Map to Uncover Automobily Bodily Injury Claim Fraud. The Journal of Risk and Insurance, 1998, Vol. 65, No honen%27sself- OrganizingFeatureMap.pdf, diakses pada tanggal 5 Maret [5]. Mahonen, P.H dan P.J Hakala (1995). Automated Source Classification Using Kohonen Network. The Astrophysical Journal Letters Vol.452, No diakses pada tanggal 5 Maret [6]. Gopalakrihnan, K. et al (2008). Enhanced Cluster Analysis and Visualization using Kohonen s Self - Organizing Feature Map Network. International Journal of Computational Intelligence 4; diakses pada tanggal 5 Maret [7]. Budi, G.S. dkk (2008). Cluster Analisis untuk Memprediksi Talenta Pemain Basket Menggunakan Jaringan Syaraf Tiruan Self organizing Maps (SOM). Jurnal Informatika Vol. 9, No.1, Mei pdf, diakses pada tanggal 14 februari [8]. Warsito, B. dkk (2008). Clustering Data Pencemaran Udara Sektor Industri di Jawa Tengah dengan Kohonen neural Network. Jurnal PRESIPITASI Vol. 4, No 1 Maret pdf; diakses pada tanggal 8 Februari [9]. Soefandi, Indra, dan S. Ahmad Pramudya (2009). Strategi Mengembangkan Potensi Kecerdasan Anak. Bee Media Indonesia Jakarta. [10]. Kuncoro, M. (2003). Metode Riset Untuk Bisnis dan Ekonomi. Jakarta: Erlangga. [11]. Everitt, B.S. (1993). Cluster Analysis. Third Edition. Halsted Press an Imprint of John Wiley and Sons Inc. New York. [12]. Kohonen, Teuvo. (1990). The Self- Organizing Map. Proceeding of IEEE, Vol 78, No 9, September PAPERS/The%20Self- Organizing%20Map%20%28Kohonen %29.pdf, diakses pada tanggal 4 februari

6 [13]. Kumar, Satish. (2005). Neural network : A Classroom Approach. McGraw-Hill Education (Asia). [14]. Jong, J. S. (2005). Jaringan Syaraf Tiruan Menggunakan Pemrograman Matlab. Yogyakarta: Penerbit Andi. 58