HASIL DAN PEMBAHASAN. Laju pembelajaran 0.1, 0.3, 0.5

Transkripsi

1 8 Karakteristik Spesifikasi Laju pembelajaran.1,.3,.5 Tabel 5 Definisi Target Sisi Pengguna No Operator Representasi 1 Mentari 1 Im3 1 3 Simpati 1 Lingkungan Pengembangan Sistem akan dibuat menggunakan perangkat lunak Matlab 7.. Perangkat keras digunakan untuk pengembangan aplikasi ini adalah : PC Intel Pentium IV 3. GHz, DDRAM 1,5 GB, Harddisk dengan kapasitas 8 GB, VGA Pixel view FX5 64 MB, monitor VGA dengan resolusi 14x768 pixel, keyboard, mouse. HASIL DAN PEMBAHASAN Percobaan dibagi menjadi dua bagian yang berbeda. Bagian pertama, percobaan dilakukan dengan menggunakan data pelatihan dari operator (17 data produk operator) dan data pengujian dari pengguna (45 data pengguna produk operator). Bagian kedua, percobaan dilakukan dengan menggunakan data pelatihan dari pengguna (4 data pengguna produk operator) dan data pengujian dari pengguna (1 data pengguna produk operator). Pengambilan Kuisioner Tahap Pengambilan Kuisioner dibagi menjadi dua tahapan yang berbeda yaitu tahap penyebaran kuisioner dan tahap validasi kuisioner. Kusioner telah melalui evolusi, sebagai berikut 1. Kusioner tanpa interval nilai Kuisioner tanpa interval nilai disusun dari 43 buah. Pertanyaan dalam kuisioner tersebut dibagi menjadi berikut : 1. Tarif menelepon ponsel ke PSTN :. Tarif menelepon ponsel ke ponsel : 1 3. Tarif SMS : 4 4. Tarif MMS : 1 5. Tarif GPRS : 1 6. Coverage Area : 7. 3G : 5 Kusioner menampilkan nilai pilihan yang tetap pada setiap. Kuisioner belum dilengkapi keterangan tambahan yang menjelaskan tentang istilah yang ada di telekomunikasi mobile. Kuisioner diujicobakan kepada 5 responden untuk mengisikannya. Hasilnya pengisian dari 5 responden tersebut menunjukkan kuisioner belum mampu dipahami oleh responden. Kusioner tanpa interval nilai kemudian diperbaiki dan menghasilkan kuisoner dengan interval nilai.. Kuisioner dengan interval nilai Kuisioner yang diberikan kepada responden berisi 59 buah yang direpresentasikan menjadi 56 input masukan. Pertanyaan tersebut dibagi menjadi berikut : 1. Tarif menelepon ponsel ke PSTN :. Tarif menelepon ponsel ke ponsel : 5 3. Tarif SMS : 4 4. Tarif MMS : 1 5. Tarif GPRS : 1 6. Coverage Area : 7. 3G : 6 Kusioner menampilkan nilai yang tetap pada setiap. Kuisioner dilengkapi keterangan tambahan yang menjelaskan tentang istilah yang ada di telekomunikasi mobile. Kusioner dengan interval nilai digunakan untuk pengambilan data dari sisi pengguna. Kuisoner dengan interval nilai dapat dilihat lebih lengkap pada Lampiran 4. Penyebaran Kuisioner Kuisioner dibagikan ke 1 responden. Kuisoner dibagi menjadi dua kelompok yaitu mahasiswa IPB dan PNS PEMDA DATI II Rembang. Kuisioner untuk mahasiswa IPB sebanyak 8 buah dan untuk dan PNS PEMDA DATI II Rembang sebanyak 4 buah. Kuisioner yang dibagikan untuk mahasiswa IPB dan PNS PEMDA DATI II Rembang adalah sama. Validasi Kuisioner Kusioner yang dibagikan kemudian diambil dan divalidasi sebelum direpresentasikan menjadi input dalam model. Kuisioner divalidasi dengan aturan sebagai berikut :

2 9 1. Pengisian produk operator: Kuisioner dengan isian produk operator pada info pengguna mengisikan operator (bukan produk operator) maka tidak valid.. Lama Pemakaian: Kuisioner dengan isian lama pemakain pada info pengguna mengisikan kurang dari 1 tahun untuk GSM, kurang dari 1 bulan untuk CDMA dan kurang dari 6 bulan untuk pasca bayar maka tidak valid. 3. Isian tidak lengkap: Kusioner dengan isian yang terlewat atau tidak lengkap maka tidak valid. Kusioner yang valid dari proses validasi ada sebanyak 45, dapat dilihat pada Gambar 8. Gambar 8 Validasi Kuisioner. Representasi Quisioner Setiap kuisioner direpresentasikan menjadi 56 input untuk membangun model Neural Network. 1. Tarif panggilan PSTN dan ponsel Tarif panggilan PSTN dan ponsel direpresentasikan dengan nilai tengah dari interval nilai yang dipilih oleh responden. Nilai tengah yang dicari di antara dua nilai maka untuk perhitungannya sebagai berikut. x 1 + x x rep = dengan x rep = nilai untuk representasi x 1 = nilai titik awal interval x = nilai titik akhir interval Representasi untuk panggilan ke PSTN ada sebanyak fitur masukan. Panggilan ke ponsel merepresentasikan sebanyak 1 fitur.. Tarif SMS, MMS dan GPRS Tarif SMS, MMS dan GPRS direpresentasikan dengan nilai tetap yang dipilih oleh responden. Nilai tetap ini berupa pilihan responden terhadap tarif SMS, MMS dan GPRS. Percobaan I (dari sisi operator) Penggunaan data pelatihan sebagai masukan pada Neural Network dalam percobaan I dibagi menjadi 17 kelas (Tabel Definisi target). Setiap kelas merepresentasikan satu produk operator yang unik. Pada setiap kelas digunakan satu data latih yang terdiri dari 56 fitur (Tabel 63 Fitur dari operator untuk Neural Network). Data pengujian pada percobaan I diambil dari data pengguna dengan pembagian 1 pengguna produk operator Mentari, 1 pengguna produk operator Im3, 1 pengguna produk operator Simpati, 4 pengguna produk operator As, 3 pengguna produk operator Esia pra bayar, 1 pengguna produk operator Jempol, 1 pengguna produk operator Bebas, pengguna produk operator Xplore, 3 pengguna produk operator Fren pra bayar, dan 1 pengguna produk operator Flexi pra bayar. Percobaan I dengan menggunakan sudut pandang operator menghasilkan pola yang menunjukkan tren pemilihan produk operator di masa yang akan datang. Pengguna produk operator mengalami evolusi atas informasi dan kebutuhannya dalam dunia telekomunikasi. Neuron Lapis Tersembunyi Untuk percobaan I, dilakukan pencarian jumlah neuron lapis tersembunyi yang optimal. Jumlah neuron lapis tersembunyi yang digunakan dalam percobaan adalah 1,, 3,4, 5, 6, 7, 8, 9 dan 1. Dalam percobaan untuk menentukan neuron lapis tersembunyi yang optimal dilakukan proses checking, dapat dilihat pada Lampiran. Hasil dari proses checking menunjukkan bahwa neuron lapis tersembunyi sebesar 9 menghasilkan akurasi rata-rata 1% untuk untuk toleransi galat.1 dan laju pembelajaran.1. Hal ini berarti bahwa pada proses checking dari 17 data produk operator yang diujikan ke dalam sistem semuanya dikenali sesuai dengan kelasnya. Sementara itu, waktu pengujian yang dibutuhkan untuk laju pembelajaran 4.14 detik. Toleransi Galat dan Laju Pembelajaran Proses checking selanjutnya adalah menentukan nilai toleransi galat dan laju pembelajaran yang optimal. Jumlah neuron lapis tersembunyi yang digunakan adalah sebesar 9. Pada proses checking ini dilakukan 1 perlakuan yang merupakan kombinasi dari empat tingkat toleransi galat dan tiga tingkat laju pembelajaran, yaitu :

3 1 Tabel 6 Perlakuan pada proses checking No Toleransi Galat Laju Pembelajaran Dari 1 perlakuan tersebut didapat bahwa pada toleransi galat.1 dan laju pembelajaran.1,.1 dan laju pembelajaran.1,.3 dan.5 akurasi sebesar 1%. Sementara itu, waktu pelatihannya berturut-turut adalah 4.14 detik, detik, detik dan Epoh ratarata yang dihasilkan berturut-turut adalah 496 epoh, 1136 epoh, 178 epoh, dan 1195 epoh. Parameter toleransi galat yang diambil untuk tren pemilihan produk operator di masa yang akan datang adalah dengan melihat rata-rata akurasi proses checking, sehingga didapat toleransi galat sebesar.1,.1 dengan laju pembelajaran.1,.3 dan.5. Toleransi galat dan laju pembelajaran yang diambil adalah.1 dan.1 karena mempunyai akurasi 1% dan waktu pelatihan dan epohnya yang terkecil. Tren Pemilihan Operator di Masa Mendatang Percobaan selanjutnya adalah menguji sistem. Percobaan ini untuk mengujikan 45 data pengguna produk operator terhadap sistem yang telah dibangun dari sisi operator (17 produk operator). Jumlah neuron yang digunakan pada Backpropagation Neural Network yaitu sebesar 9 dengan toleransi galat sebesar.1 dan laju pembelajaran.1. Sistem diuji dengan cara memasukkan 45 data pengguna produk operator ke dalam sistem kemudian dilakukan pengenalan dengan hasil keluaran berupa hasil pengenalan dan waktu pengujian. Dari 1 data pengguna produk operator Mentari yang diuji, tren dari pengguna sekarang belum mampu sesuai dengan tren yang akan datang yang diberikan operator. Semuanya tidak dikenali sebagai pengguna produk operator mentari yang berarti persentase pemilihan pengguna sebesar %. Simpati Star One Pra Mentari % Tidak Dikenal 5% Gambar 9 Grafik tren hasil Mentari. Dari 1 data pengguna produk operator Im3 yang diuji, tren dari pengguna sekarang belum sesuai dengan tren yang akan datang yang diberikan operator. Semuanya tidak dikenali sebagai pengguna produk operator Im3 yang berarti persentase pemilihan pengguna sebesar %. Tren pengguna Im3 yang optimal mempunyai kecondongan ke produk operator yang berbasis CDMA. % Star One Pasca % Im3 % % Tidak Dikenal 3% Gambar 1 Grafik tren hasil Im3. Dari 1 data pengguna produk operator Simpati yang diuji, tren dari pengguna sekarang belum sesuai dengan tren yang akan datang yang diberikan operator. Semuanya tidak dikenali sebagai pengguna produk operator Simpati yang berarti persentase pemilihan pengguna sebesar %. Tren pengguna produk operator Simpati menunjukkan sebanyak 4% produk operator sekarang belum mampu menyediakan layanan yang optimal sesuai dengan kebutuhan pengguna produk operator Simpati.

4 11 Jempol Star One Pra Xplorer Simpati % Tidak Dikenal 4% Gambar 11 Grafik tren hasil Simpati. Pemilihan yang optimal dari 45 responden menunjukkan bahwa tarif yang murah adalah kebutuhan yang optimal. Kecenderungan untuk beralih ke produk operator CDMA terlihat dari hasil optimalisasi responden, untuk lebih lengkapnya dapat dilihat pada Tabel 7. Tabel 7 Optimasi 45 Responden Operator Operator Jumlah Awal Optimal Mentari Tidak Dikenal Star One Pra 1 Simpati 1 1 Mentari Im3 Tidak Dikenal 1 3 Star One Pasca Im3 Simpati Tidak Dikenal Star One Pra 1 Jempol 1 Xplorer 1 Simpati As Tidak dikenal 1 Starone Pasca 1 Operator Awal Operator Optimal Jumlah Mentari 1 Jempol 1 Esia Tidak dikenal 1 XL Jempol Tidak dikenal 1 XL Bebas 1 X-plor bayar 1 Starone Pra Tidak dikenal 1 Percobaan II (dari sisi pengguna produk operator) Penggunaan data pelatihan sebagai masukan pada Neural Network dalam percobaan II dibagi menjadi 3 kelas. Setiap kelas merepresentasikan satu produk operator yang unik. Pada setiap kelas digunakan 8 data latih untuk setiap kelasnya, yang terdiri dari 56 fitur. Data pengujian pada percobaan I diambil dari data pengguna dengan pembagian pengguna produk operator Mentari, pengguna produk operator Im3, pengguna produk operator Simpati, 4 pengguna produk operator As, 3 pengguna produk operator Esia pra bayar, 1 pengguna produk operator Jempol, 1 pengguna produk operator Bebas, pengguna produk operator Xplore, 3 pengguna produk operator Fren pra bayar, dan 1 pengguna produk operator Flexi pra bayar. Percobaan II dengan menggunakan sudut pandang pengguna. Percobaan II menghasilkan pola yang menunjukkan tren pemilihan produk operator sekarang ini. Penentuan Treshold Untuk percobaan II, dilakukan pencarian treshold sebagai batas minimal untuk penentuan kelas. Jumlah neuron lapis tersembunyi yang digunakan dalam percobaan adalah 1,, 3, 4, 5, 6, 7, 8, 9 dan 1. Dalam percobaan untuk menentukan treshold dilakukan proses checking. Penentuan treshold diambil dari checking. Treshold untuk ketiga kelas tersebut adalah untuk Mentari, untuk Im3 dan untuk Simpati.

5 1 Neuron Lapis Tersembunyi Untuk percobaan II, dilakukan pencarian jumlah neuron lapis tersembunyi yang optimal. Jumlah neuron lapis tersembunyi yang digunakan dalam percobaan adalah 1,, 3, 4, 5, 6, 7, 8, 9 dan 1. Dalam percobaan ini toleransi galat yang digunakan sebesar.1 dengan laju pembelajaran sebesar.1 dapat dilihat pada Lampiran 3. Hasil yang diperoleh menunjukkan bahwa jumlah neuron lapis tersembunyi sebesar 6 (Gambar 1) menghasilkan rata-rata akurasi terbesar yaitu 65.8 %. Hal ini berarti bahwa dari 1 data pengguna operator yang diujikan ke dalam sistem, sebanyak 13 data pengguna operator diidentifikasi secara benar, sedangkan sebanyak 8 data pengguna operator diidentifikasi salah. Berdasarkan akurasi yang dihasilkan maka jumlah hasil neuron lapis tersembunyi yang optimal sebesar 6. Nilai ini kemudian akan digunakan untuk percobaan selanjutnya. Rata-rata Akurasi (%) Neuron Lapis Tersembunyi Gambar 1 Grafik perbandingan banyaknya neuron lapis tersembunyi terhadap rata-rata akurasi. Toleransi Galat dan Laju Pembelajaran Proses pengujian selanjutnya adalah menentukan nilai toleransi galat dan laju pembelajaran yang optimal. Jumlah neuron lapis tersembunyi yang digunakan adalah sebesar 6. Pada proses checking ini dilakukan 6 perlakuan yang merupakan kombinasi dari empat tingkat toleransi galat dan tiga tingkat laju pembelajaran, dapat dilihat pada Tabel 8. Untuk masing-masing perlakuan diulang sebanyak tiga kali. Hal ini dilakukan untuk melihat parameter mana saja yang berubah pada saaat percobaan. Dari hasil percobaan dengan 6 perlakuan yang dilakukan, dapat dilihat bahwa untuk setiap pengulangan, parameter yang selalu berubah adalah waktu (satuan detik). Hal ini terjadi karena karena nilai yang digunakan pada inisialisasi jaringan selalu berubah. Nilai tersebut merupakan nilai yang diambil secara acak yang menyebabkan waktu perhitungan yang diperlukan menjadi berbeda. Pada Gambar 13 terlihat bahwa semakin kecil toleransi galatnya maka akan semakin besar epohnya, baik untuk laju pembelajaran.1,.3 atau.5. Hal ini terjadi karena Neural Network akan lebih cepat konvergen pada toleransi galat yang besar. Epoh Toleransi Galat LR.1 LR.3 LR.5 Gambar 13 Grafik perbandingan toleransi galat terhadap epoh. Pada Gambar 14 dapat dilihat perbandingan antara toleransi galat dengan lamanya waktu pelatihan dalam satuan detik. Dari grafik tersebut terlihat bahwa semakin besar toleransi galatnya maka semakin memperbesar waktu pelatihannya. Keadaan ini sama seperti perbandingan antara toleransi galat terhadap jumlah epoh yang berbanding lurus, dimana semakin besar toleransi galat maka akan semakin mendekati konvergen. Waktu pelatihan tercepat dicapai pada saat toleransi galat.1. Tabel 8 Perlakuan pada proses testing No Toleransi Galat Laju Pembelajaran

6 13 Waktu Pelatihan (detik) Epoh Toleransi Galat Laju Pembelajaran LR.1 LR.3 LR.5 Gambar 14 Grafik perbandingan toleransi galat terhadap waktu pelatihan (satuan detik). ER.1 ER.5 ER.1 Gambar 16 Grafik perbandingan laju pembelajaran terhadap epoh. Pada Gambar 15 dapat dilihat bahwa akurasi semakin turun ketika toleransi galat diperbesar. Toleransi galat sebesar.1 menghasilkan ratarata akurasi tertinggi sebesar 65.8 %. Rata-rata Akurasi (%) Toleransi Galat LR.1 LR.3 LR.5 Gambar 15 Grafik perbandingan toleransi galat terhadap rata-rata akurasi. Terlihat pada Gambar 16 bahwa epoh terkecil dapat dicapai pada saat laju pembelajaran.1. Gambar 17 menunjukkan bahwa laju pembelajaran menentukan lamanya waktu pelatihan. Hal ini dapat terjadi karena laju pembelajaran merupakan parameter yang mengatur berapa besar perubahan bobot yang harus dilakukan pada saat pelatihan untuk mencapai konvergensi. Besarnya perubahan bobot juga bergantung pada nilai yang terdapat pada neuron yang bersangkutan dan faktor koreksi bobot. Oleh karena itu, laju pembelajaran juga menentukan berapa kali Neural Network harus melakukan pembelajaran dari masukan yang diumpankan untuk mencapai konvergensi. Waktu Pelatihan (detik) Laju Pembelajaran ER.1 ER.5 ER.1 Gambar 17 Grafik perbandingan laju pembelajaran terhadap waktu pelatihan (satuan detik). Pada Gambar 18 menunjukkan bahwa pada saat laju pembelajaran.1 dan toleransi galatnya sebesar.1 dicapai rata-rata akurasi tertinggi yaitu sebesar 65.8 %. Hal ini berarti bahwa dari tiga kali perulangan perhitungan akurasi, dari 1 data pengguna operator yang diujikan 13 data pengguna produk operator diidentifikasi pada kelas yang benar, sedangkan untuk 8 data pengguna produk operator lainnya tidak teridentifikasi secara benar. Untuk mendapatkan nilai yang optimal bagi toleransi galat dan laju pembelajaran maka parameter yang diamati adalah rata-rata akurasi yang dihasilkan. Hal ini dilakukan karena untuk membentuk pendugaan pangguna produk operator yang tepat berada kelas tertentu diperlukan Backpropagation Neural Network dengan arsitektur yang dapat menghasilkan ratarata akurasi yang terbaik. Oleh karena sebab itu, berdasarkan hasil percobaan yang dilakukan dapat diambil nilai yang optimal untuk nilai toleransi galat sebesar.1 dan laju pembeljaran sebesar.1. Hal ini dikarenakan pada saat toleransi galat sebesar.1 dan laju pembelajaran.1 dicapai rata-rata akurasi yang terbaik.