PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

Transkripsi

1 PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi Informasi, ITS Surabaya, Indonesia. otaorora@yahoo.co.id 1, bilqis@if.its.ac.id 2, saihu@its-sby.edu 3 Abstrasi Untu memenuhi inera bisnis yang masimal dan menguntungan bai bagi pelanggan maupun perusahaan yang bergera dalam bidang penualan produ, diperluan suatu sistem yang dapat melauan tiga proses utama yang sangat penting untu mengatasi permasalahan dan tuntutan yang ada pada proses bisnis. Tiga proses tersebut antara lain pengenalan pola (pattern recognition) dari produ pilihan pelanggan, lasifiasi (classification) produ pilihan dan ramalan (forecast) terhadap produ pilihan tersebut. Sistem yang dibangun harus dapat menawab seluruh permasalahan yang ada dalam menentuan enis produ pilihan dan meningatan epuasan pelanggan terhadap suatu produ tertentu. Sistem yang aan dibuat uga harus dapat menunuan persentase etepatan yang cuup bai terhadap survei yang dilauan langsung di lapangan. Untu membangun sistem yang dapat melauan pengenalan pola, lasifiasi dan ramalan grup (forecast) digunaan metode Jaringan Syaraf Tiruan (JST) dengan menggunaan fungsi training Levenberg-Marquardt. JST merupaan salah satu representasi buatan dari ota manusia yang selalu mencoba untu mensimulasian proses pembelaaran pada ota manusia tersebut. Istilah buatan digunaan arena aringan saraf ini diimplementasian dengan menggunaan program omputer yang mampu menyelesaian seumlah proses perhitungan selama proses pembelaaran berlangsung. Kata unci : Klasifiasi, Jaringan Syaraf Tiruan, Levenberg-Marquardt 1. Pendahuluan Customer Relationship Management (CRM) yang bertuuan untu mengembangan efetifitas dan inera bisnis dengan meningatan epuasan dan loyalitas pelanggan, ini telah menadi strategi bisnis teremua di lingungan dunia bisnis yang semain ompetitif. Bagian terpenting dari ativitas CRM itu sendiri adalah memahami ebutuhan dari pelanggan terhadap suatu produ yang ditawaran para pelau bisnis [1]. Pilihan produ oleh pelanggan dapat dipengaruhi oleh beberapa fator. Fator yang cuup berpengaruh dalam pemilihan produ di beberapa lingungan bisnis pada saat ini adalah fator usia. Selera atau epuasan pelanggan ia dilihat menurut usianya dapat memilii perbedaan yang cuup signifian. Selain itu untu bisnis osmeti berupa lipsti yang menadi contoh asus dalam paper ini memilii fator lain yang dapat mempengaruhi pilihan pelanggan yaitu fator warna ulit. Pada penerapannya dibutuhan sistem yang dapat memberian suatu eputusan bisnis yang sangat berguna dalam penentuan produ pilihan pelanggan. Dengan sistem yang ada perusahaan dapat menentuan langahlangah atau eputusan-eputusan bisnis selanutnya sesuai dengan informasi yang diperoleh dari sistem. Contohnya dalam hal penawaran barang produsi, perusahaan dapat menawaran produ-produ yang ada dengan lebih efetif yaitu yang sesuai dengan eputusan yang diberian oleh sistem, hal ini dapat dilauan dengan melauan analisa terhadap hasil lasifiasi produ pilihan pelanggan. Pada paper ini aan dibahas mengenai perancangan dan pembuatan sistem perangat luna (software). Sistem perangat 1

2 luna yang diembangan dalam paper ini mengimplementasian onsep-onsep Jaringan Syaraf FeedforwardBacpropagation dengan fungsi training Levenberg-Marquardt yang merupaan pengembangan dari metode Error Bacpropagation. Selain itu aan dielasan mengenai teni transformasi data input sistem, target sistem, output sistem, arsitetur aringan syaraf yang dipaai pada sistem, inisialisasi bobot dan bias dengan metode Nguyen Widrow, dan metode Batch Training. Pada ahir bab, paper ini aan menguraian tentang hasil ui coba dan evaluasi dari ui coba yang telah dilauan. 2. Data Input Sistem Secara garis besar alannya proses transformasi data input dari sistem dapat digambaran pada gambar diagram alir 2.1 (flowchart). Data input sistem mempunyai dua variabel yang masing-masing bertipe ategorial (disrit), antara lain : 1. warna ulit yang terdiri dari : uning langsat bernilai (Yes/No) colat/sawo matang bernilai (Yes/No) 2. rentang usia yang terdiri dari : female teen (13-18 tahun) bernilai (Yes/No) female young (19-29 tahun) bernilai (Yes/No) female adult (30-45 tahun) bernilai (Yes/No) female senior (>46 tahun) bernilai (Yes/No) Pada data asus paper ini untu variabel rentang usia hanya terdiri dari pelanggan berenis elamin perempuan saa, diarenaan pengguna produ osmeti lipsti tida dimunginan berenis elamin pria. Untu transformasi data input yang variabelnya bertipe ategorial (disrit), dilauan dengan mengubahnya menadi numeri. pada sistem Jaringan Syaraf Tiruan ini dilauan dengan cara sederhana, yaitu rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel yang ada bertipe disrit diurangi satu, lalu setiap nilai disrit diasosiasian dengan nilai pada batas rentangrentang baru ini. Data Input Sistem - warna ulit - rentang usia variabel warna ulit (disrit) menadi numeri variabel rentang usia (disrit) menadi numeri Data tersimpan dengan tipe data numeri Gambar 2.1 Flowchart Data Input Sistem Untu variabel warna ulit, umlah nilai pada variabelnya adalah dua (uning langsat dan sawo matang). Rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel diurangi satu, sehingga rentang [0,1] dibagi sebanya satu bagian [10]. Pembagian rentang-rentangnya dapat direpresentasian pada sebuah gambar 2.2 seperti beriut. bagian Gambar 2.2 Rentang Homogen Nilai Variabel Warna Kulit Setelah dilauan transformasi data pada variabel input warna ulit, nilai variabel 2

3 yang dimasuan dalam sistem nantinya adalah sebagai beriut : warna ulit uning langsat mempunyai nilai 0 warna ulit sawo matang mempunyai nilai 1 Sedangan untu variabel rentang-usia, umlah nilai pada variabelnya adalah empat yang terdiri dari female teen, female young, female adult, dan female senior. Rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel diurangi satu, sehingga rentang [0,1] dibagi sebanya tiga bagian [10]. Pembagian rentang-rentangnya dapat direpresentasian pada sebuah gambar 2.3 seperti beriut. bagian 1 bagian2 bagian3 0 0,3 0,6 1 Gambar 2.3 Rentang Homogen Nilai Variabel Rentang Usia Setelah dilauan transformasi data pada variabel input rentang usia, nilai variabel yang dimasuan dalam sistem nantinya adalah sebagai beriut : - rentang usia female teen mempunyai nilai 0 - rentang usia female young mempunyai nilai 0,3 - rentang usia female adult mempunyai nilai 0,6 - rentang usia female senior mempunyai nilai 1 Data input pada sistem mempunyai 8 emunginan dengan nilai masing-masing variabel yang telah ditransformasi seperti pada tabel 2.1 beriut. Tabel 2.1 Kemunginan Data Input yang Telah Ditransformasi Variabel Warna Kulit Kuning Langsat Kuning Langsat Variabel Rentang Usia Input pada Sistem female teen 0 0 female young 0 0,3 Kuning female adult 0 0,6 Langsat Kuning female senior 0 1 Langsat Sawo matang female teen 1 0 Sawo matang female young 1 0,3 Sawo matang female adult 1 0,6 Sawo matang female senior Target Sistem Secara garis besar alannya proses transformasi data target dari sistem dapat digambaran pada diagram alir 3.1 (flowchart). Target dari sistem adalah 10 pilihan produ osmeti berupa lipsti yang diwailan dengan nomor produnya. Nomor produ lipsti merepresentasian warna dari lipsti. Data Target Sistem 10 pilihan produ (P1-P10) pilihan produ menadi ode biner Data tersimpan dengan tipe data ontinu Gambar 3.1 Flowchart Target Sistem Tabel 3.1 menunuan daftar 10 pilihan produ lipsti. 3

4 Tabel 3.1 Daftar 10 Produ Pilihan sebelum No produ Nomor lipsti Warna lipsti P1 9 orange terang P2 48 merah hati P3 12 merah terang P4 22 colat metalic P5 29 merah P6 15 rose P7 50 colat terang P8 3 peach P9 52 dar pin P10 53 merah metalic Target yang nantinya aan dimasuan e dalam sistem untu dilauan training, aan dilauan transformasi. Jumlah unit neuron pada output layer bergantung epada umlah elas yang ada pada target, dalam asus ini terdapat 10 elas. Jumlah unit neuron pada output layer didapatan dengan rumus beriut. Jumlah neuron = pembulatan e atas (log 2 (umlah elas)) Sehingga untu 10 umlah elas didapatan umlah neuron sebanya 4. Dapat disimpulan untu target sebanya 10 produ pilihan memilii 4 neuron di output layer. Agar dapat menghasilan 4 neuron pada output layer, target sistem dapat direpresentasian menadi sebuah binary target [10]. Beriut daftar tabel 3.2 yang berisi 10 pilihan produ sebagai target sistem dalam binary. Tabel 3.2 Daftar 10 Produ Pilihan setelah No produ Nomor Binary target lipsti P P P P P P P P P P Arsitetur Jaringan Syaraf Tiruan Secara garis besar alannya proses pembuatan arsitetur Jaringan Syaraf Tiruan dari sistem dapat digambaran pada diagram alir 4.1 (flowchart). Arsitetur aringan syaraf tiruan dari sistem menggunaan arsitetur multilayer networ atau aringan multilapis. Terdapat 3 lapis layer, yaitu : input layer yang terdiri dari 2 unit neuron hidden layer yang terdiri dari 8 unit neuron output layer yang terdiri dari 4 unit neuron Arsitetur aringan syaraf dari sistem dapat digambaran pada gambar 4.2. Metode pembelaaran yang digunaan sistem adalah supervised learning. Sistem melauan pembelaaran terhadap input dengan target yang sudah ditentuan untu memperoleh nilai-nilai bobot dan bias yang optimum pada tiap unit neuron hidden layer dan output layer dengan error minimum. Fungsi error yang digunaan sistem adalah Mean Square Error. Membuat arsitetur aringan syaraf dengan 3 layer: Input layer Hidden layer Output layer Menetapan umlah neuron pada masing-masing layer yang paling optimal Gambar 4.1 Flowchart Arsitetur Jaringan Syaraf Tiruan Sistem 4

5 Input layer Hidden layer Gambar 4.2 Arsitetur Jaringan dari Sistem 5. Error Bac Propagation (EBP) Secara garis besar alannya proses error bac propagation dari sistem dapat digambaran pada diagram alir (flowchart) 5.1. Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE Hitung mau (feedforward) pada hidden dan output layer Hitung MSE Hitung mundur (bacpropagation) Hitung perubahan bobot dan bias dan bobot bias yang baru Hitung mau embali Hitung embali MSE Stop criteria : Jia MSEbaru lebih ecil atau sama dengan MSEmin atau umlah epoch max sudah terpenuhi No Output layer Yes Gambar 5.1 Flowchart Algoritma Error Bac Propagation Bacpropagation merupaan salah satu dari beberapa metode yang digunaan dalam Jaringan Syaraf Tiruan dan yang paling sering digunaan dalam berbagai bidang apliasi, seperti pengenalan pola, peramalan dan optimisasi. Hal ini dimunginan arena metode ini menggunaan pembelaaran yang terbimbing. Pola masuan dan target diberian sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap mau untu mendapatan error eluaran yang selanutnya error ini digunaan dengan tahap mundur untu memperoleh nilai bobot yang sesuai agar dapat memperecil nilai error sehinggga target eluaran yang diehendai tercapai. Tuuan dari model ini adalah untu mendapatan eseimbangan antara emampuan aringan untu mengenali pola yang digunaan selama proses pelatihan berlangsung serta emampuan aringan memberian respon yang benar terhadap pola masuan yang berbeda dengan pola masuan selama pelatihan. Algoritma bacpropagation terdiri dari dua bagian antara lain sebagai beriut. a). Algoritma Pelatihan Bacpropagation (Training Proccess) Di dalam proses pelatihan bacpropagation terdapat tiga tahap. Tahap pertama ialah tahap mau (feedforward). Pada tahap ini seluruh proses awal inisialisasi bobot-bobot input dilauan. Pada tahap ini uga ditentuan anga pembelaaran (α), nilai toleransi error dan umlah epoch (silus setiap pola pelatihan) yang diperluan selama proses omputasi berlangsung. Setelah semua proses inisialisasi dilauan, maa langah selanutnya ialah proses mau. Setiap unit masuan xi aan mengiriman sinyal masuan e lapisan tersembunyi. Setelah dihitung dengan menggunaan fungsi ativasi maa eluarannya aan diiriman e lapisan di atasnya, yaitu lapisan output. Setelah nilai eluaran (y) diperoleh, maa dibandingan dengan target eluaran sebenarnya (t). Selisih y t disebut dengan error (δ). Jia nilai error lebih ecil atau sama dengan dari nilai ambang maa proses 5

6 iterasi dihentian, tetapi ia tida maa nilai error tersebut digunaan untu memodifiasi bobot-bobot untu mengoresi esalahan yang teradi. Tahap edua adalah tahap mundur atau bacpropagation. Pada tahap ini, nilai error (δ) yang diperoleh pada di lapisan output digunaan untu mengoresi bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan langsung dengan lapisan output. Setelah itu nilai error (δ) di setiap unit pada lapisan tersembunyi uga dihitung untu mengoresi bobot-bobot yang menghubungan lapisan input dengan lapisan tersembunyi. Tahap etiga adalah tahap pengoresian bobot. Setelah seluruh bobot pada lapisan input dan lapisan tersembunyi dimodifiasi sesuai dengan besar fator errornya, maa etiga fase ini diulang secara terus menerus sampai ondisi berhenti dipenuhi. Kondisi berhenti yang dimasud adalah ia umlah epoch yang ditetapan tercapai atau ia nilai error aringan telah sama dengan atau lebih ecil dari nilai toleransi error yang ditetapan sebelumnya. Pada tahap pelatihan, aringan diharapan dapat melatih seluruh data pelatihan yang diberian untu mendapatan bobot ahir aringan yang aan digunaan pada tahap penguian. Strutur algoritma pelatihan Bacpropagation antara lain [2]. 1. Inisialisasi bobot-bobot Mentuan anga pembelaaran (α). Tentuan pula nilai toleransi error yang diinginan dan set masimal epoch ia ingin membatasi umlah epoch yang digunaan. 2. Selama ondisi berhenti tida terpenuhi, lauan langah e-2 sampai langah e Untu setiap pasangan pola pelatihan, lauan langah e-3 sampai langah e-8. Tahap mau (Feedforward) 4. Tiap-tiap unit input (xi, i = 1, 2, 3,..., o) menerima sinyal input dan menerusan sinyal tersebut e tiap-tiap unit pada lapisan tersembunyi. 5. Tiap-tiap unit di lapisan tersembunyi (z, = 1, 2, 3,..., p) menumlahan sinyal-sinyal input yang berbobot, n i z _ net v x v (1) o Fungsi ativasi untu menghitung sinyal outputnya, z v n i1 1 0 xiv i (2) dan mengiriman sinyal tersebut e semua unit pada lapisan di atasnya (lapisan output). 6. Tiap-tiap unit di lapisan output (y, = 1, 2, 3,..., m) menumlahan sinyal input yang berbobot, p y _ net w z w (3) 0 1 Fungsi ativasi untu menghitung sinyal outputnya, y p w 0 z w (4) 1 Tahap mundur(bacpropagation) 7. Tiap-tiap unit output y menerima pola target t untu menghitung error (δ), ( t y ) f '( y _ net ) ( t y ) y (1 y ) (5) Kemudian menghitung nilai oresi bobot yang nantinya digunaan untu memperbaii nilai bobot antara lapisan tersembunyi dan lapisan output (w), w z (6) menghitung uga oresi bias yang digunaan untu memperbaii nilai bias antara lapisan tersembunyi dan lapisan output (w0), yaitu: w 0 (7) 8. Tiap-tiap unit pada lapisan tersembunyi (z, = 1, 2, 3,..., p) menumlahan sinyal-sinyal input dari lapisan output, n _ net w (8) 1 i i 6

7 mengalian nilai ini dengan fungsi ativasi untu menghitung error pada lapisan tersembunyi (δ), _ net f '( z _ net ) _ net z (1 z ) (9) Kemudian hitung oresi bobot untu memperbaii nilai bobot antara lapisan input dan lapisan tersembunyi (vi), v x (10) i i Kemudian menghitung oresi bias untu memperbaii nilai bobot antara lapisan input dan lapisan tersembunyi (v0), v 0 (11) Tahap pengoresian bobot 9. Tiap-tiap unit eluaran (y, = 1, 2, 3,..., m) memperbaii bobot dan bias, w (baru) = w (lama) + w, ( = 1, 2,..., m ; = 0, 1,..., p) (12) Tiap-tiap unit tersembunyi memperbaii bobot dan bias, v i (baru) = v i (lama) + v i, ( = 1, 2,..., p ; i = 0, 1,..., n) (13) 10. Tes ondisi berhenti b). Algoritma Penguian Bacpropagation (Testing Process) Setelah proses pelatihan, bacpropagation dapat digunaan untu proses penguian aringan. Pada proses penguian, tahap yang dilauan hanya sampai tahap mau saa, tida ada tahap mundur apalagi tahap modifiasi bobot. Seluruh bobot input diambil dari nilai bobot terahir yang diperoleh dari proses pelatihan. Pada tahap penguian ini, aringan diharapan dapat mengenali pola berdasaran data baru yang diberian (generalisasi). 6. Levenberg- Marquardt Training Function Secara garis besar alannya proses Levenberg-Marquardt dari sistem dapat digambaran pada diagram alir 6.1 (flowchart). Algoritma Levenberg-Marquard merupaan pengembangan dari algoritma error bac propagation. Algoritma ini dibangun untu mengatasi beberapa eurangan yang ada pada algoritma error bac propagation dengan memanfaatan teni optimisasi numeri standar yaitu menggunaan pendeatan matris Jacobian. Tuuan dari Levenberg Marquardt adalah meminimalan total error. tida Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE Hitung mau (feedforward) pada hidden dan output layer Hitung MSE Hitung Matris Jacobian Hitung perubahan bobot dan bias dan bobot bias yang baru Hitung mau embali Hitung embali MSE Stop criteria : Jia MSEbaru lebih ecil atau sama dengan MSEmin atau umlah epoch max sudah terpenuhi atau nilai μ>μmax ya tida Increase μxβ Atau Decrease μ/β tida Gambar 6.1 Flowchart Algoritma Levenberg Marquardt Beriut beberapa strutur algoritma Levenberg- Marquardt [6]. 1. Inisialisasi bobot dan bias dengan bilangan aca, epoch masimum, dan minimal goal(performance yang dihitung dengan MSE) 2. Menentuan parameter yang dibutuhan, antara lain : 7

8 Parameter Levenberg Marquardt yang nilainya harus lebih besar dari nol Parameter fator Beta (β) yang digunaan sebagai parameter yang dialian atau dibagi dengan parameter Levenberg Marquardt. Penelasan ada pada step beriutnya. 3. Menghitung mau (feedforward) pada hidden dan ouput layer seperti langah-langah pada algoritma error bac propagation.(1)-(4) 4. Menghitung nilai MSE 5. Menghitung error dan total error aringan Rumus untu error : e r = t r y r (14) r merupaan input e-r Rumus untu menghitung total error : e = [e 1 e 2 e 3... e N ] T (15) e merupaan vetor esalahn beruuran Nx1 yang terdiri dari e r r = 1,2,3...N 6. Menghitung matris Jacobian J(x) x merupaan matris yang berisi nilai bobot dan bias dari eseluruhan aringan. X = [ v v..., v i; v, v... v 11, 12, 01 02, 0 ; w w w ; w, w...w ] 11, K Matris Jacobian berisi turunan pertama error aringan terhadap bobot dan bias aringan. Rumus untu mencari Jacobian Matris antara lain. er J = [ ] (16) w 7. Setelah didapatan nilai J(x) maa dapat dihitung perubahan oresi bobot dan biasnya dengan rumus beriut : T x J( x) J( x) I Gradient : 1 *Gradient T J( x) e (17) 8. Setelah didapatan nilai x tahap selanutnya adalah pengoresian bobot dengan rumus yang sama seperti pada algoritma error bac propagation. (12-13) 9. Menghitung mau (feedforward) dengan bobot dan bias yang baru. (1-4) 10. Menghitung MSE aringan dengan bobot dan bias yang baru. Kemudian tes ondisi berhenti. 11. Jia epoch atau iterasi masih berlanut maa aan terdapat 2 emunginan ondisi beriut : Jia MSE nai x (18) Jia MSE turun (19) 12. Kemudian melauan embali langah 5 sampai langah Ui Coba dan Evaluasi Data yang digunaan pada ui coba sistem adalah data pilihan produ osmeti lipsti dari 250 pelanggan. 7.1 Ui Coba Senario 1 Disini aan dilauan lasifiasi data training dan testing menggunaan data ui coba berupa data produ pilihan osmeti dari pelanggan menggunaan sistem lasifiasi Jaringan Syaraf Tiruan dengan metode training Levenberg Marquardt. Target yang digunaan pada sistem berupa 10 pilihan produ osmeti. Data ui coba dibagi menadi data training dan data testing. Pada senario ini aan dibedaan menadi 9 ui coba dengan pembagian proporsi data training dan testing yang berbeda. Setelah dilauan lasifiasi terhadap data ui coba dengan proporsi data training dan testing yang telah ditentuan maa aan dihitung tingat aurasi untu masing-masing data training dan testing. Aurasi dihitung berdasaran tiap neuron pada output layer dan eseluruhan atau esimpulan ahir produ pilihan yang dihasilan pada output layer. 8