KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK ELEKTRO INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
P E N D A H U L U A N Latar Belakang Fungsi standard perangkat bergerak (mobile device) belum mampu menyediakan informasi konteks ruang yang akurat kepada user Lokasi adalah satu bentuk konteks yang paling sering digunakan karena mudah dalam mengumpulkan data Dari data lokasi akan diklasifikasikan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.
P E N D A H U L U A N Perumusan Masalah Permasalahan yang diangkat pada penelitian ini adalah menentukan data lokasi yang dikunjungi pengguna (user) yang akurat sesuai dengan koordinat lokasi (latitude dan longitude) pada saat user berada. Kemudian mengelompokkan lokasi yang dikunjungi dengan menggunakan metode Self-Organizing Map (SOM) untuk mendapatkan tempat yang paling sering dikunjungi (important plce) dan tempat yang jarang dikunjungi (not important place).
P E N D A H U L U A N Tujuan Penelitian Tujuan utama dilakukan penelitian ini adalah untuk membuat sebuah kerangka kecerdasan buatan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengklasifikasikan lokasi sering dikunjungi. Dari hasil pengklasifikasian tersebut diharapkan akan diperoleh sebuah pola yang dapat digunakan untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.
P E N D A H U L U A N Batasan Masalah Perancangan sistem menggunakan platform J2ME Aplikasi berjalan pada handphone yang memiliki fasilitas Java ME dengan profil MIDP 2.0 atau lebih, konfigurasi CLDC 1.0 atau lebih, perangkat GPS internal dan koneksi wireless GRPS atau lebih Lokasi penelitian yang digunakan adalah daerah Malang Kota Penelitian ini tidak membahas tentang keamanan (security) jaringan dalam aplikasi yang dibuat Data yang digunakan adalah diambil dari data lokasi user yang terdiri dari longitude dan latitude Metode jaringan saraf tiruan yang digunakan adalah Self-Organizing Map (SOM)
P E N D A H U L U A N Manfaat Penelitian Dari penelitian yang dilakukan diharapkan diperoleh manfaat diantaranya adalah memperoleh sebuah model klasifikasi lokasi yang dikunjungi pada waktu dan lokasi tertentu serta menjadi kerangka untuk mengembangkan sistem kecerdasan transportasi (Intelligent Transportation System) dalam aplikasinya.
TINJAUAN PUSTAKA Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusumadewi, 2003)
TINJAUAN PUSTAKA Self-Organizing Map (SOM) Jaringan Self- Organizing Map merupakan salah satu model jaringan saraf tiruan yang menggunakan metode pembelajaran tanpa supervisi (unsupervised learning) Salah satu keunggulan dari algoritma Self- Organizing Map adalah mampu untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah. Proses pemetaan terjadi apabila sebuah pola berdimensi bebas diproyeksikan dari ruang masukan ke posisi pada array berdimensi satu atau dua
TINJAUAN PUSTAKA Pembelajaran Self-Organizing Map (SOM) dimana Wij adalah fungsi tetangga yang nilainya berubah sesuai dengan jarak neuron tersebut dengan neuron pemenang dan β adalah learning rate. Nilai fungsi aktifasi menentukan besarnya berubahan nilai bobot dari neuron pemenang dan neuron tetangganya.
TINJAUAN PUSTAKA Euclidean Distance Euclidean distance pada dasarnya adalah jarak antara dua titik yang dapat diukur dengan menggunakan penggaris, yang juga dapat dilakukan dengan menggunakan teori phytagoras. Dengan menggunakan metode ini untuk menghitung jarak antar neuron ruang euclidean dapat diubah menjadi ruang metrik. Untuk n dimensi, P = (p1, p2,,pn) dan Q = (q1, q2,,qn) euclidean distance diberikan dengan persamaan :
TINJAUAN PUSTAKA Algoritma Pembelajaran SOM 1. inisialisasi : bobot vektor lapisan output (Wij) dengan nilai acak, learning rate, fungsi tetangga yang digunakan 2. hitung tingkat kemiripan atara bobot neuron pada lapisan output dengan data yang dimasukan dan pilih neuron pemenangnya (BMU) 3. update learning rate dan hitung fungsi tetangganya 4. lakukan langkah 2 sampai 3 hingga nilai interasi (epoch) tercapai
TINJAUAN PUSTAKA Global Positioning System (GPS) Sistem radio navigasi penentuan posisi dengan menggunakan satelit GPS dapat memberikan posisi suatu objek di muka bumi dengan akurat dan cepat (tiga dimensi koordinat x, y, z) dan memberikan informasi waktu serta kecepatan bergerak secara kontinyu di seluruh dunia Satelit GPS mempunyai konstelasi 24 satelit dalam enam orbit yang mendekati lingkaran. Setiap orbit ditempati oleh 4 buah satelit dengan interval antara yang tidak sama
TINJAUAN PUSTAKA Global Positioning System (GPS)
METODOLOGI PENELITIAN Perancangan Sistem Studi literatur Membuat aplikasi Mobile LBS Pengambilan data Latitude dan Longitude Pengolahan data dengan metode SOM Melakukan Analiasa data
METODOLOGI PENELITIAN Arsitektur Sistem Mobile LBS
METODOLOGI PENELITIAN Prinsip Kerja Sistem
METODOLOGI PENELITIAN Proses Pengambilan Data
METODOLOGI PENELITIAN Metode Klasifikasi Data
METODOLOGI PENELITIAN Proses Klasifikasi Data (clustering)
HASIL DAN PEMBAHASAN Pengiriman Data Lokasi
HASIL DAN PEMBAHASAN Grafik Data Lokasi Aktifitas User
HASIL DAN PEMBAHASAN Mobile LBS java Mulai Inisialisasi Data GPS Setup Timer Setiap 1 Menit Tunggu Timer Tidak Selesai Ya Baca data GPS Tidak Data GPS Valid? Ya Buka Koneksi GPRS Dan Kirim Melalui HTTP
HASIL DAN PEMBAHASAN Mobile LBS Server
HASIL DAN PEMBAHASAN Mobile LBS Server
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM Parameter Pelatihan SOM Keterangan Inisialisasi bobot Acak Algoritma pelatihan Batch Bentuk jaring Shape Bentuk topologi jaring Hexa Jumlah neuron jaring 60 Ukuran peta jaring 10 x 6 Epoch 200
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
HASIL DAN PEMBAHASAN Hasil Pelatihan SOM
KESIMPULAN DAN SARAN Kesimpulan 1. Pengelompokan dari 1085 data yang dilakukan secara manual diperoleh hasil untuk lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi jalan sebanyak 601 atau 55.39%, lokasi yang dikunjungi rumah makan sebanyak 249 atau 22.95% dan lokasi yang dikunjungi tempat kerja sebanyak 196 atau 18.06%. 2. Dari hasil pengelompokan data (clustering) dengan menggunakan metode Self-Organizing Map (SOM) berdasarkan peta SOM neighbor weight distances diperoleh empat kelompok yaitu lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi rumah makan sebanyak 248 atau 22.86%, lokasi yang dikunjungi tempat kerja sebanyak 196 atau 18.06%, sedangkan sisanya adalah lokasi yang dikunjungi jalan (perjalanan) sebanyak 602 atau 55.48%.
KESIMPULAN DAN SARAN Kesimpulan 1. Terdapat perbedaan antara penghitungan secara manual dan dengan metode Self-Organizing Map (SOM) yaitu lokasi yang dikunjungi jalan yaitu 601 data atau 55.39% dan 602 atau 55.48%, dan pada saat lokasi yang dikunjungi rumah makan yaitu 249 data atau 22.95% dan 248 atau 22.86%. 2. Metode Self Organizing Map (SOM) dapat digunakan untuk mengelompokkan data (clustering) untuk mencari lokasi yang paling sering dikunjungi berdasarkan data lokasi (latitude dan longutude). 3. Diperoleh model klasifikasi terhadap lokasi yang dikunjungi yaitu rumah, jalan, rumah makan dan tempat kerja, sehingga diperoleh lokasi yang paling sering dikunjungi (important place) berdasarkan peta SOM neighbor weight distances yaitu rumah makan. Sedangkan jalan dan rumah digolongkan ke dalam klasifikasi tempat yang dianggap tidak penting (not important place) karena berdasarkan peta SOM neighbor weight distances tidak menunjukkan warna yang sama (uniform).
KESIMPULAN DAN SARAN Saran 1. Untuk mendapatkan data lokasi (latitude dan longitude) yang lebih baik diperlukan perangkat GPS reciever yang memiliki akurasi tinggi. 2. Menggunakan banyak user (multi user) dalam pengambilan data lokasi untuk pengembangan selanjutnya 3. Pengembangan selanjutnya dapat digunakan digunakan untuk pengembangan Sistem Transportasi Cerdas (Inteligent Transportation System)
DAFTAR PUSTAKA 1. Ahmed El-Rabbany, (2002), Introduction to GPS: the Global Positioning System. by, Artech House mobile communications series 2. Edi S. Mulyanta, S.Si, (2005), Pengenalan Protokol Jaringan Wireless Komputer, Penerbit ANDI, Jogjakarta 3. Fauset, L, (1994), Fundamental of Neural Network. Prentice Hall 1. http://code.google.com/apis/maps/documentation/, Google Maps documentation, (Akses : 29 Juni 2010) 2. http://developers.sun.com/mobility/reference/techart/index.js, J2ME and Location-Based Services, (Akses : 6 Februari 2010) 3. http://en.wikipedia.org/wiki/global_positioning_sys, GPS, (Akses : 6 Februari 2010)
DAFTAR PUSTAKA 1. http://www.ittelkom.ac.id/, Location-Based Services (Akses : 6 Februari 2010) 1. Kohonen, T, (1995), Self-Organizing Map, 2nd ed. Springer-Verlag, Berlin 2. Kusumadewi, Sri, (2003), Artificial Intellegence (Teknik dan Aplikasinya). Jogjakarta: Graha Ilmu 3. Liman, J, (2005). Feedforward Neural Network. www.ukrida.co.id, diakses tanggal 27 November 2005 4. Mauridhi Hery P, Agus Kurniawan, (2006). Supervised Neural Network dan Aplikasinya. Jogjakarta: Graha Ilmu
DAFTAR PUSTAKA 1. Suparman dan Marlan, (2005), Komputer Masa Depan Pengenalan Artificial Intelligence, Penerbit ANDI, Jogjakarta 2. Suyanto, (2007), Artificial Intelligence Searching, Reasoning, Planning, dan Learning. Bandung: Informatika
P E N U T U P