KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK

KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used pattern classification approach. Neural network is one of some methods that very powerful to solve that problem. In this paper, we will use probabilistic net to solve classification of quality products problem. Let a company wants to clasified quality of its products. The first quality is Good, second quality is Fair, and third quality is Poor. This probabilistic net trained with 7 data training, and the result of this training used to identify another 0 data. The result of checking for data training show that 00% accuracy. The result of testing for another 0 data show that 8 products in Good quality, 7 products in Fair quality, and 5 products in Poor quality. Keywords: probabilistic net, classification. PENDAHULUAN Masalah klasifikasi pola banyak sekali diumpai pada berbagai aplikasi. Banyak metode yang telah digunakan untuk menyelesaikan masalah klasifikasi pola ini. Jaringan syaraf merupakan salah satu metode yang sangat handal untuk kepentingan ini. Selama ini, associative memory (autoassociative memory, hetero associative memory, atau bidirectional associative memory) merupakan algoritma-algoritma pada aringan syaraf yang sering digunakan [][3]. Pada tulisan ini akan digunakan aringan probabilistik untuk menyelesaikan masalah klasifikasi kualitas produk. Suatu perusahaan ingin menggolongkan produknya berdasarkan kualitas dalam 3 golongan, yaitu Kualitas- (BAIK), Kualitas- (CUKUP), dan Kualitas-3 (BURUK). Baik tidaknya kualitas produk pada perusahaan tersebut dipengaruhi oleh 3 komponen, yaitu penyusutan volume, kenaikan deraat keasaman, dan cacat kemasan. Apabila penyusutan volume melebihi 0. liter, maka penyusutan bernilai ; dan ika penyusutan volume kurang dari 0.0 liter, akan bernilai 0. Apabila deraat keasaman naik melebihi 5%, maka kenaikan deraat keasaman bernilai ; dan ika deraat keasaman naik kurang dari 0.%, maka kenaikan deraat keasaman bernilai 0. Apabila cacat kemasan melebihi 50%, maka nilai cacat kemasan bernilai ; dan ika cacat kemasan kurang dari %, maka cacat kemasan bernilai 0. J-6

. DASAR TEORI. Konsep Dasar Jaringan Probabilistik Jaringan syaraf probabilistik dapat digunakan untuk menyelesaikan masalah klasifikasi []. Misalkan terdapat Q pasangan vektor input & target, dengan target terdiri-dari K elemen, maka pada target, satu elemen akan bernilai, dan elemen-elemen lainnya akan bernilai 0. Sehingga tiap-tiap vektor input akan berhubungan dengan vektor dari K kelas [4]. Bobot-bobot input pada lapisan pertama akan bernilai sama dengan vektor input, (misal: P). Output lapisan pertama, a, merupakan hasil aktivasi dari arak antara vektor input dengan bobot input dikalikan dengan bias. Nilai a ini akan mendekati apabila vektor input mendekati vektor bobot, (arak mendekati 0). Apabila input vektor dekat dengan beberapa bobot input, maka akan ada beberapa elemen a yang dekat dengan. Ouput lapisan pertama ini akan menadi input bagi lapisan output [4]. Pada lapisan output, bobot-bobot lapisan akan dibuat sama dengan vaktor-vektor target. Tiap-tiap vektor target ini akan bernilai hanya pada baris yang berhubungan dengan vektor input tertentu, yang lainnya akan bernilai 0. Neuron pada lapisan output akan menumlahkan hasil perkalian antara bobot output dikalikan dengan a (n). Output aringan akan bernilai apabila n besar, sebaliknya akan bernilai 0 ika n kecil [4].. Algoritma Penguian dengan Jaringan Probabilistik Misalkan vektor yang dilatih adalah P. Algoritma penguian dengan aringan probabilistik adalah sebagai berikut [4]:. Tetapkan: Vektor input X berukuran QxM Vektor target T yang bersesuaian dengan vektor input, berukuran Q (terdiri-dari K kelas).. Inisialisasi: Bobot lapisan input : V = P ln(0.5) Bobot bias lapisan input: b = ; dengan spread = (0, ]. spread Bobot lapisan output: W = T 3. Kerakan untuk k= sampai Q, pada semua data yang akan diui: a. Cari arak X k terhadap V i, i=,, Q sebagai berikut: M ( X k Vi ) D = () ki = b. Cari aktivasi a ki sebagai berikut: a ki e i *Dki ) c. Cari a kh sebagai berikut: (b = ; dengan i=,,,q. () Q ( aki * Wih ) a = ; dengan h=,,, K. (3) kh i= d. Cari z sedemikian hingga a kz = max(a kh h=,,,k}. e. Tetapkan z sebagai kelas dari X k. J-6

3. METODOLOGI PENELITIAN Penelitian dilakukan melalui langkah-langkah sebagai berikut: a. Menentukan vektor pasangan input dan target sistem. b. Membangun aringan probabilistik dalam rangka menentukan vektor bobot pada setiap lapisan. c. Menentukan deraat keanggotaan atau normalisasi pada setiap data yang akan diui. d. Mengaplikasikan aringan probabilistik yang sudah dibangun untuk mengui dan memetapkan kelas setiap data ui. 4. HASIL PENELITIAN 4. Data Input Data pelatihan merupakan pasangan vektor input-target. Tabel menunukkan 7 pasangan vektor data input-target yang akan dilatih. Tabel Vektor data input-target. Data ke- Deraat Kualitas (X) (X) (X3) KLAS 0 0 0 0 0 0.5 3 0 0 4 0 0.5 0.5 5 0 0.5 6 0 0 7 0 0.5 8 0 3 9 0.5 0 0 0 0.5 0 0.5 0.5 0 0.5 0.5 0 3 0.5 0.5 3 4 0.5 0 5 0.5 0.5 3 6 0.5 3 7 0 0 8 0 0.5 3 9 0 3 0 0.5 0 0.5 0.5 3 0 3 3 0.5 3 J-63

4 3 5 0 0.5 0 6 0.5 0.5 0.5 7 0.5 3 Karena target terdiri-atas 3 kelas, maka vektor input akan bernilai: (, 0, 0) untuk kelas ; (0,, 0) untuk kelas ; dan (0, 0, ) untuk kelas 3. Tabel merupakan vektor data yang akan dicari kualitasnya. Data pada Tabel merupakan data mentah yang belum dikonversi ke deraat penyusutan volume, kenaikan deraat keasaman, dan deraat keasamannya. Tabel Vektor data yang akan dicari kualitasnyanya. No (liter) Deraat 0.00 0.030 0.070 0.040 0.006 0.500 3 0.060 0.050 0.00 4 0.00 0.00 0.800 5 0.030 0.007 0.300 6 0.00 0.00 0.050 7 0.00 0.070 0.060 8 0.00 0.030 0.00 9 0.070 0.03 0.50 0 0.00 0.00 0.030 0.50 0.035 0.060 0.060 0.055 0.00 3 0.0 0.075 0.0 4 0.00 0.009 0.070 5 0.00 0.00 0.300 6 0.080 0.00 0.00 7 0.030 0.009 0.090 8 0.030 0.00 0.300 9 0.00 0.040 0.50 0 0.00 0.050 0.500 4. Membentuk Jaringan Probabilistik Jaringan probabilistik yang dibangun memiliki umlah neuron pada lapisan tersembunyi sebanyak 7 neuron, dan 3 neuron pada lapisan output. Arsitektur aringan seperti terlihat pada Gambar. J-64

a X V _ V 7_ D ( X V_ ) b a W _ ( ) b e D * W _ W 3_ 7 = a * W _ a X V _ V 7_ W _7 7 = a * W _ X 3 V _3 V 7_3 D 7 ( X V7 _ ) b 7 a 7 W _7 e ( D * ) 7 b 7 W 3_7 7 = a 3 a * W 3 _ Gambar Arsitektur aringan probabilistik. 4.3 Menentukan Deraat Keanggotaan Penetapan nilai penyusutan volume, kenaikan deraat keasaman, dan cacat kemasan berdasarkan rumus sigmoid sebagai berikut: 0; u BB u BBX BB + BA ; BB u BAX BBX NilaiX(u) = (4) BAX u BB + BA ; u BA BAX BBX ; u BA Keterangan: NilaiX = Nilai penyusutan atau deraat keasaman, atau cacat kemasan. u = nilai variabel X. BBX = Batas Bawah variabel X. Untuk variabel = 0.0; deraat keasaman = 0.00 ; dan kemasan = 0.0. BAX = Batas Atas variabel X. Untuk variabel = 0.; deraat keasaman = 0.05 (5%); dan kemasan = 0.5 (50%). Tabel 3 menunukkan hasil penghitungan deraat penyusutan volume, kenaikan deraat keasaman, dan deraat keasaman sesuai dengan persamaan (4) pada setiap data penguian (Tabel ). J-65

Tabel 3 Deraat penyusutan volume, kenaikan deraat keasaman, dan deraat keasaman No Deraat (X) (X) (X3) 0.05 0.667 0.030 0. 0.0.000 3 0.605.000 0.30 4 0.000 0.067.000 5 0.099 0.030 0.667 6 0.05 0.30 0.03 7 0.05 0.667 0.0 8 0.000 0.667 0.30 9 0.778 0.403 0.63 0 0.05 0.067 0.003.000.000 0.0 0.605 0.979 0.00 3.000.000 0.0 4 0.000 0.053 0.030 5.000 0.000 0.667 6 0.90 0.30 0.000 7 0.099 0.053 0.053 8 0.099 0.067 0.667 9 0.000 0.97 0.63 0 0.05.000.000 4.4 Hasil Penguian Jaringan syaraf dilatih dengan spread 0,; memberikan hasil penguian terhadap data yang dilatih dengan ketepatan 00%, artinya semua data yang dilatih menghasilkan output aringan yang sama persis dengan targetnya. Sedangkan data pada Tabel 3 memberikan hasil Kualitas seperti terlihat pada Tabel 4. No (liter) Deraat Kualitas 0.00 0.030 0.070 0.040 0.006 0.500 3 0.060 0.050 0.00 3 4 0.00 0.00 0.800 5 0.030 0.007 0.300 6 0.00 0.00 0.050 7 0.00 0.070 0.060 8 0.00 0.030 0.00 9 0.070 0.03 0.50 0 0.00 0.00 0.030 J-66

0.50 0.035 0.060 3 0.060 0.055 0.00 3 0.0 0.075 0.0 3 4 0.00 0.009 0.070 5 0.00 0.00 0.300 3 6 0.080 0.00 0.00 7 0.030 0.009 0.090 8 0.030 0.00 0.300 9 0.00 0.040 0.50 0 0.00 0.050 0.500 3 Dari Tabel 4 menunukkan 8 produk berkualitas BAIK, 7 produk berkualitas CUKUP, dan 5 produk berkualitas BURUK. 5. KESIMPULAN Dari hasil penelitian dapat disimpulkan bahwa:. Jaringan probabilistik dapat dan cocok apabila digunakan untuk melakukan klasifikasi pola.. Pada penelitian diperoleh hasil 8 produk berkualitas BAIK, 7 produk berkualitas CUKUP, dan 5 produk berkualitas BURUK. PUSTAKA [] Demuth, Howard dan Mark Beale. Neural Network Toolbox for Use in MATLAB. USA: Mathwork, Inc. 998. [] Fausett, Laurence. Fundamentals of Neural Networks (Architectures, Algorithms, and Applications). New Jersey: Prentice-Hall. 994. [3] Sri Kusumadewi. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. 003. [4] Sri Kusumadewi. Membangun Jaringan Syaraf Tiruan dengan Toolbox MATLAB dan Excel Link. Yogyakarta: Graha Ilmu. 004. J-67