PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)

Ukuran: px

Mulai penontonan dengan halaman:

Download "PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)"

Erlin Hermanto
6 tahun lalu
Tontonan:

1 PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret ABSTRAK. Penentuan jalur terpendek merupakan suatu permasalahan optimasi yang sering dijadikan studi kasus bagi penelitian. Salah satu penerapan penentuan jalur terpendek terdapat pada aplikasi ojek online Go-Jek. Probabilistic Neural Network (PNN) digunakan untuk menentukan jalur terpendek dengan membagi data menjadi 2 yaitu data training dan data uji menggunakan 6-fold cross validation. Tujuan dari penelitian ini adalah untuk membandingkan tingkat akurasi PNN dan PNN-PSO dalam penentuan jalur terpendek. Hasil penelitian ini menunjukkan PNN dapat menghasilkan akurasi 100% dan ketika menggunakan PNN-PSO hasil akurasinya sama 100%. Hal ini menunjukan bahwa PNN dan PNN-PSO sangat baik dalam menentukan jalur terpendek. Kata kunci : GO-JEK, probabilistic neural network (PNN), particle swarm optimization (PSO) 1. PENDAHULUAN Go-Jek merupakan aplikasi yang menghubungkan calon penumpang dengan pengemudi. Aplikasi Go-Jek memberikan jalur terpendek yang akan dilalui pengemudi Go-Jek untuk mengantarkan penumpangnya ke tujuan. Dengan demikian pengemudi Go-Jek dapat lebih efisien dalam penggunaan biaya bahan bakar dan waktu. Terdapat banyak algoritme untuk melakukan penelitian rute terpendek. Pemilihan algoritme yang paling optimum selalu menjadi permasalahan dalam rute terpendek, dimana algoritme memiliki kelebihan dan kekurangannya masingmasing. Salah satunya adalah algoritme pada jaringan syaraf tiruan.. Ada beberapa algoritme pada jaringan syaraf tiruan, salah satunya algoritme probabilistik yang biasa dikenal dengan Probabilistic Neural Network (PNN). PNN merupakan JST (Jaringan Saraf Tiruan) yang dibangun berdasarkan kaidah keputusan Bayes dan dikembangkan oleh Donald Specht [6]. PNN menggunakan Radial Basis Function (RBF). Menurut Wu et al [7], RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear. 1

2 Keuntungan menggunakan arsitektur PNN adalah training data PNN mudah dan cepat. PNN pada penelitian ini akan diimplementasikan dalam pencarian jalur terpendek. Sebagai pembanding peneliti akan menggunakan PNN dengan metode Particle Swarm Optimization (PNN-PSO). Algoritme PSO meniru perilaku sosial organisme ini. Setiap individu atau partikel berperilaku dengan cara menggunakan kecerdasannya sendiri dan juga dipengaruhi perilaku kelompok kolektifnya (Santoso dan Willy [4]). Pada tahun 2015, Saputri [5] meneliti tentang pemilihan parameter smoothing pada PNN dengan menggunakan PSO untuk pendeteksian teks pada citra. Hasilnya PNN dapat mendeteksi teks dengan baik walaupun data training yang digunakan sedikit dan dapat mengatasi permasalahan pada pendekatan tekstur. Berdasarkan latar belakang, pada penelitian ini membahas tentang penentuan jalur terpendek pada ojek online Go-Jek dengan menggunakan Probabilistic Neural Network (PNN) dan Particle Swarm Optimization (PSO). 2. K-FOLD CROSS VALIDATION K-fold cross validation dilakukan untuk membagi data ke dalam k buah partisi dengan ukuran yang sama S 1,S 2,S 3,...,S k. Pelatihan dan pengujian dilakukan sebanyak k-kali. Pada iterasi pertama S 1 akan menjadi data uji, S 2,S 3,...,S k akan menjadi data latih. Selanjutnya iterasi ke-2, S 2 akan menjadi data uji, S 1,S 3,...,S k akan menjadi data latih, dan seterusnya (Han et al. [1]). 3. PROBABILISTIC NEURAL NETWORK (PNN) Menurut Kusumadewi [3], algoritma PNN adalah sebagai berikut 1. Inisialisasi a. Melakukan inisialisasi bobot awal pada lapisan radial basis yang dilambangkan sebagai. Bobot awal biasanya sama dengan input P. [ ] b. Melakukan inisialisasi bobot bias. 2

3 Dimana spread merupakan bilangan real positif 2. Menghitung jarak dari data input (P) dengan bobot awal ( ). Jarak antara data input dengan bobot awal merupakan norma dari vektor input dan vektor bobot, dengan dan. Vektor-vektor bobot diambil kolom-kolom dari matriks bobot. [ ] [ ] dan [ ] ( ) ( ) 3. Menghitung nilai aktivasi dari jarak antara bobot awal dengan data input, dengan menggunakan radial basis function yang didefinisikan sebagai ( ) Dengan 4. Mencari bobot baru dan bobot bias yang baru, dan, pada setiap, dengan metode least square sebagai berikut 5. Masuk ke dalam lapisan output. Untuk dan menggunakan rumus sebagai berikut 3

4 4. PARTICLE SWARM OPTIMIZATION (PSO) Menurut Kennedy dan Eberhart [2], setiap partikel diperlakukan seperti sebuah titik pada suatu dimensi ruang tertentu. Kemudian terdapat dua faktor yang memberikan karakter terhadap status partikel pada ruang pencarian yaitu posisi partikel dan kecepatan partikel. Berikut ini merupakan formulasi matematika yang menggambarkan posisi dan kecepatan partikel pada suatu daerah tertentu ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) dengan X : posisi partikel V : kecepatan partikel i : indeks partikel t : iterasi ke-t N : jumlah partikel Berikut ini model matematika yang menggambarkan mekanisme pembaruan status partikel Kennedy dan Eberhart [3]: ( ) ( ) ( ( )) ( ( )) (4.1) ( ) ( ) ( ) (4.2) 5. PNN-PSO Langkah-langkah pengujian menggunakan PNN-PSO menurut Saputri [5], sebagai berikut 1. Menentukan jumlah partikel 2. Inisialisasi populasi dan kecepatan 3. Menghitung akurasi PNN test 4. Evaluasi nilai fitness dari masing-masing partikel berdasarkan posisinya 5. Menentukan nilai partikel dengan fitnes terbaik 6. Menentukan Gbest dan Pbest 7. Update posisi dan kecepatan 8. Mengulangi langkah berikut sampai nilai partikel konvergen 4

5 6. HASIL DAN PEMBAHASAN 6.1. PNN. Penelitian ini menggunakan nilai spread dari 0,1 sampai dengan 1 dan menggunakan 6-fold cross validation. Diambil contoh hasil untuk nilai spread 1 pada fold 1 dengan data latih S 1, S 2, S 3, S 4, S 5 dan data uji S 6, hasil pengujiannya terlihat pada Tabel 4.1. Tabel 4.1. Hasil pengujian PNN fold 1 dengan nilai spread 1 Data ke- Target Output Pada Tabel 4.1., data ke-1, 2, dan 3 Output sama dengan target, maka nilai akurasi untuk fold 1 dengan nilai spread 1 adalah 60%. Hasil pengujian PNN dengan nilai spread 0.1 sampai dengan 1 pada fold 1 sampai dengan fold 5 terlihat pada Tabel 4.2. Tabel 4.2. Hasil Pengujian PNN (dalam (%)) Fold Nilai Spread Rata-rata Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu 100% dengan nilai spread 0.1 dan 0.2. Terlihat bahwa pada saat nilai spread 0.3 sampai 1 nilai akurasinya semakin menurun sehingga dapat disimpulkan, jika nilai spread semakin besar maka nilai akurasinya akan semakin kecil PNN-PSO. Jumlah partikel (N) dalam peneliti ini sebanyak 20 partikel. Menurut Santoso dan Willy [4], ukuran partikel tidak terlalu besar tetapi juga tidak terlalu kecil, agar ada banyak kemungkinan posisi menuju solusi terbaik atau 5

6 optimal. Biasanya digunakan ukuran kawanan adalah 20 sampai 30 partikel. Posisi awal menggunakan nilai spread dari PNN antara 0.2 sampai 0.3, karena pada rentang tersebut mulai terdapat perbedaan hasil akurasi. Terlihat pada Tabel 4.3. nilai fitness dari masing-masing partikel berdasarkan posisinya Tabel 4.3. Nilai fitness posisi awal ( ( )). Pada Tabel 4.3. terlihat semua nilai fitness bernilai sama yaitu Nilai posisi partikel yang paling kecil ditetapkan sebagai Gbest, sedangkan Pbest akan sama dengan posisi partikel. Jadi, nilai Gbest adalah No ( ) Akurasi (%) No ( ) Akurasi (%) Pbest dan Gbest digunakan untuk memperbarui kecepatan, dimana kecepatan awalnya adalah ( ) ( ) ( ) dengan. Pada iterasi pertama, kecepatan baru ( ) terlihat pada Tabel 4.4. sebagai berikut Tabel 4.4. Kecepatan pada iterasi 1 No ( ) No ( )

7 Kemudian dengan kecepatan baru yang didapat, perbarui posisi setiap partikel menggunakan persamaan (4.2). Hasil posisi partikel pada iterasi 1 terlihat pada Tabel 4.5. sebagai berikut Tabel 4.5. Posisi partikel pada iterasi 1 No ( ) No ( ) Perhitungan berhenti pada iterasi ke-3 dimana posisi partikel saling dekat dan hasilnya sebagai berikut Tabel 4.6. Posisi partikel dan akurasi pada iterasi ke-3 No ( ) akurasi No ( ) akurasi Terlihat pada Tabel 4.6. bahwa pada saat posisi partikel didapat nilai akurasi 100%. Jadi posisi partikel terbaik adalah KESIMPULAN Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunakan PNN dan PNN-PSO dapat digunakan dalam penentuan jalur terpendek pada aplikasi ojek online Go-jek. Akurasi dalam menentukan jalur terpendek menggunakan PNN dengan k=6 dan pada saat spread = 0.2 7

8 menghasilkan rata-rata akurasi sebasar 100% dan hasil akurasi menggunakan PNN-PSO dengan jumlah partikel 20 dan jumlah iterasi = 3 menghasilkan akurasi sebesar 100% pada posisi terbaik Jadi kedua teori tersebut memiliki kemampuan yang sama dalam menentukan jalur terpendek dan PSO hanya mempermudah dalam menentukan nilai spread yang optimal pada PNN. 8. DAFTAR PUSTAKA [1] Han, J. and M. Kamber, Data Mining Concepts and Techniques 3rd-edition. USA : Morgan Kaufmann [2] Kennedy, J. and R. C. Eberhart, Particle swarm optimization. In Proceedings of the 1995 IEEE International Conference on Neural Networks. IEEE Service Center, Piscataway, [3] Kusumadewi, S., Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Yogyakarta : Graha Ilmu [4] Santosa, B. dan P. Willy, Metoda Metaheuristik Konsep dan Implementasi. Surabaya : Guna Widya [5] Saputri, EE., R. S. Wahono, dan V. Suhartono, Pemilihan Parameter Smoothing pada Probabilistic Neural Network (PNN) dengan Menggunakan Particle Swarm Optimization (PSO) untuk Pendeteksian Teks pada Citra. Journal of Intelligent System 5 (2015), no. 1, [6] Spetch, DF., Neural Network, Probabilistic Neural Network. 3 (1990), [7] Wu, S. G., F. S. Bao, E. Y. Xu, Y. X. Wang, Y. F. Chang and Q. L. Xiang, A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. IEEE International Symposium on, Mesir,

dokumen-dokumen yang mirip

PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)

Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik