Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer Vol. 2, No. 5, Mei 2018, hlm. 1856-1865 e-issn: xxx-xxx hp://j-piik.ub.ac.id Klasifikasi Keminaan Menggunakan Algorime Exreme Learning Machine dan Paricle Swarm Opimizaion unuk Seleksi Fiur (Sudi Kasus: Program Sudi Teknik Informaika FILKOM UB) Nur Afifah Sugiano 1, Imam Cholissodin 2, Agus Wahyu Widodo 3 Program Sudi Teknik Informaika, Email: 1 afifahnur30@gmail.com, 2 imamcs@ub.ac.id, 3 a_wahyu_w@ub.ac.id Absrak Program keminaan pada Program Sudi Teknik Informaika Fakulas Ilmu Kompuer (FILKOM) Universias Brawijaya merupakan suau program pemanapan unuk profil lulusan mahasiswa Teknik Informaika agar seiap mahasiswa memiliki kemampuan khusus sesuai dengan profil lulusan yang ingin dicapai. Unuk dapa membanu mahasiswa dalam memilih keminaan, dibuuhkan suau sisem cerdas yang dapa menenukan keminaan mahasiswa sesuai dengan mina dan kemampuan mahasiwa. Salah sau meode klasifikasi yang dapa digunakan adalah algorime Exreme Learning Machine (ELM). Namun meode ersebu idak memiliki kemampuan unuk menyeleksi fiur sehingga perlu dikombinasi dengan algorime Paricle Swarm Opimizaion yang dapa digunakan unuk melakukan seleksi fiur secara oomais dan opimal. Peneliian ini menggunakan 90 daa hasil sudi mahasiswa dengan 25 fiur dan 3 kelas. Berdasarkan peneliian yang elah dilakukan, didapakan parameer opimal yaiu jumlah node pada hidden node 20, perbandingan daa raining dan daa esing sebesar 80% : 20% (72 daa raining dan 18 daa esing), jumlah parikel 120, maksimum ierasi 600 dan bobo inersia 1. Dari parameer ersebu didapakan ingka akurasi sisem menggunakan algorime ELM&PSO sebesar 94,44% dengan 11 fiur erpilih. Sedangkan akurasi yang didapakan dari algorime ELM biasa hanya mencapai 66,67%. Dari hasil akurasi yang didapakan, menunjukkan bahwa penambahan algorime PSO pada ELM mampu meningkakan akurasi algorime ELM biasa. Kaa kunci: Klasifikasi, Seleksi Fiur, Exreme Learning Machine, Paricle Swarm Opimizaion. Absrac Majoring program in Informaics Engineering Program Faculy of Compuer Science (FILKOM) Brawijaya Universiy is a sabilizaion program for he profile of graduaes of Informaics Engineering sudens so ha each suden has a special abiliy in accordance wih he profile of graduaes o be achieved. To be able o help he suden in selecing he major program hen a smar sysem is needed o deermine he major program of each suden ha accordance wih he ineress and abiliies of sudens. One mehods of classificaion ha can be used is Exreme Learning Machine (ELM) algorihm. However, he mehod does no have he abiliy o selec feaures so i needs o be combined wih Paricle Swarm Opimizaion algorihm ha can be used o perform feaure selecion auomaically and opimally. This research uses 90 daa of suden sudy resul wih 25 feaures and 3 classes. Based on he research ha has been done, he opimal parameers are he number of nodes in he hidden node is 20, he comparison of raining daa and esing daa is 80%:20% (72 raining daa and 18 esing daa), he number of paricles is 120, he maximum ieraion is 600 and he weigh of ineria is 1. From hese parameers, he sysem accuracy using ELM&PSO algorihm is 94.44% wih 11 seleced feaures. While he accuracy obained from he ordinary ELM algorihm is only 66.67%. from he resuls of accuracy obained, shows ha he addiion of PSO algorihm on ELM can improve he accuracy of common ELM algorihm. Keywords: Classificaion, Feaure Selecion, Exreme Learning Machine, Paricle Swarm Opimizaion. Fakulas Ilmu Kompuer Universias Brawijaya 1856

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1857 1. PENDAHULUAN Penyelenggaraan kurikulum pada Program Sudi Teknik Informaika Fakulas Ilmu Kompuer (FILKOM) Universias Brawijaya, erdapa program keminaan. Program ersebu merupakan suau program yang berujuan unuk memanapkan dan menguakan profil lulusan bagi mahasiswa Teknik Informaika sehingga seiap mahasiswa memiliki kemampuan yang khusus sesuai dengan profil lulusan yang ingin dicapai. Kelompok keminaan yang dapa dipilih mahasiswa Teknik Informaika dibagi menjadi 4 kelompok, yaiu Keminaan Rekayasa Perangka Lunak (RPL), Kompuasi Cerdas (KC), Kompuasi Berbasis Jaringan (KBJ) sera Mulimedia, Game dan Mobile (MGM). Selain iu, pemilihan keminaan juga menjadi syara bagi mahasiswa Teknik Informaika unuk mengajukan skripsi karena berdasarkan buku pedoman kurikulum seiap mahasiswa diwajibkan mengambil 10 maa kuliah pilihan. Dari 10 maa kuliah pilihan yang diambil, seiap mahasiswa diwajibkan mengambil 6 maa kuliah pilihan dari 1 keminaan yang sama sedangkan 4 maa kuliah sisanya boleh diambil dari keminaan lainnya aau non keminaan (Laporan Kurikulum Berbasis Sandar Nasional Pendidikan Tinggi Program Sudi Teknik Informaika, 2016). Permasalahan yang sering erjadi pada mahasiswa yang akan memilih keminaan adalah kebebasan dalam memilih keminaan anpa adanya syara-syara, krieria krieria aau informasi informasi yang spesifik erkai keminaan ersebu sera kurangnya wawasan mahasiswa erkai keminaan keminaan yang diawarkan. Hal ersebu membua mayorias mahasiswa menjadi bingung dalam memilih keminaan. Selain iu, keidakahuan mahasiswa akan mina dan kemampuan yang dimiliki membua sebagian besar mahasiswa memilih keminaan hanya karena mengikui eman. Hal iu semua dapa menyebabkan erjadinya perubahan pemikiran mahasiswa erhadap keminaan yang seharusnya diambil. Selain iu, hal ini enunya juga akan berdampak pada proses pengerjaan skripsi yang akan erhamba jika sampai erjadi perubahan keminaan karena mahasiswa harus mengambil maa kuliah pilihan lagi unuk memenuhi syara 6 maa kuliah pada keminaan yang sama. Berdasarkan banyaknya kendala yang dihadapi mahasiswa Teknik Informaika dalam milih keminaan, maka diperlukan suau sisem cerdas yang mampu membanu mahasiswa dalam memilih keminaan sesuai dengan mina dan kemampuan mahasiwa. Seiring dengan perkembangan dan kemajuan eknologi saa ini, banyak sekali meode meode yang dapa digunakan unuk melakukan proses klasifikasi pemilihan keminaan. Salah sau meode klasifikasi yang dapa digunakan adalah agorime Exreme Learning Machine (ELM). Kelebihan dari meode ini erleak pada learning speed sera memiliki ingka akurasi yang lebih baik di bandingkan dengan meode konvensional lainnya (Siwi, e al., 2016). Peneliian erkai meode Exreme Learning Machine (ELM) elah banyak dilakukan oleh penelii penelii sebelumnya, salah saunya dilakukan oleh Prakoso, Wisesy & Jondri (2016) dengan judul Klasifikasi Keadaan Maa Berdasarkan Sinyal EEG Menggunakan Exreme Learning Machine. Peneliian ersebu mampu menghasilkan nilai akurasi sebesar 97,95%. Tahap yang perlu dilakukan sebelum melakukan proses klasifikasi adalah proses pengolahan fiur aau seleksi fiur unuk menghasilkan hasil klasifikasi yang lebih baik. Hal ini perlu dilakukan karena proses klasifikasi aau pemilihan keminaan akan menghasilkan hasil yang kurang baik karena adanya fiur fiur yang idak relevan dalam kumpulan daa. Salah sau solusi yang dapa digunakan unuk memecahkan permasalahan ersebu adalah dengan menggunakan meode Paricle Swarm Opimizaion (PSO). Penggunaan meode PSO dalam meningkakan akurasi elah dibukikan oleh Shahsavari, Bakhsh & Rashidi (2016) unuk melakukan klasifikasi penyaki Parkinson menggunakan meode ELM dan Hybrid PSO. Hasil dari peneliian ersebu menunjukkan bahwa penggunaan Hybrid PSO mampu memberikan akurasi yang lebih inggi dari pada meode-meode seleksi fiur lainnya yaiu mencapai 88,72%. Berdasarkan permasalahan yang sering dihadapi mahasiswa Teknik Informaika dalam pemilihan keminaan, maka penulis mengusulkan peneliian dengan menggabungkan kedua meode ersebu unuk menyelesaikan permasalahan di aas dengan judul Klasifikasi Keminaan Menggunakan Algorime Exreme Learning Machine dan Paricle Swarm Opimizaion Unuk Seleksi Fiur. Meode ELM diharapkan mampu menghasilkan klasifikasi berupa keminaan

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1858 berdasarkan kemampuan mahasiswa melalui nilai hasil sudi mahasiswa. Sedangkan penggunaan PSO unuk seleksi fiur diharapkan mampu meningkakan akurasi pada meode ELM. 2. DASAR TEORI 2.1 Penjelasan Daase Daa yang digunakan pada peneliian ini adalah daa nilai hasil sudi mahasiswa Teknik Informaika Universias Brawijaya angkaan 2013 dan jenis kelamin. Daa erdiri dari 25 fiur dan 3 kelas yaiu, kelas keminaan KC, RPL dan KBJ. Daa yang digunakan dibagi menjadi dua bagian yaiu daa raining dan daa esing yang kemudian akan digunakan unuk proses klasifikasi. 2.2 Klasifikasi Klasifikasi merupakan proses idenifikasi obyek ke dalam sebuah kelas, kelompok, aau kaegori berdasarkan prosedur, karakerisik dan definisi yang elah dienukan sebelumnya. Klasifikasi ini berujuan unuk membagi objek yang diugaskan hanya ke salah sau nomor kaegori yang disebu kelas. Selain berujuan unuk membagi objek aau daa, klasifikasi juga sering digunakan unuk melakukan prediksi. Klasifikasi bekerja dengan cara menemukan model dari daa pelaihan (raining) yang label kelasnya elah dikeahui. 2.3 Seleksi Fiur Seleksi fiur merupakan salah sau ahapan praproses pada machine learning yang berujuan unuk mengurangi dimensi daa dan menghilangkan daa yang idak relevan unuk meningkakan efisiensi, performa sisem dan meningkakan hasil akurasi (Yu & Liu, 2003). Banyaknya jumlah daa dan jumlah fiur pada pengolahan daa enunya dapa menimbulkan permasalahan yang serius pada ingka skalabilias dan kinerja sisem unuk beberapa algorime. Misalkan pada daa dengan dimensi yang inggi yaiu pada daa yang memiliki rausan bahkan ribuan fiur dapa berisi daa-daa yang idak relevan yang bisa menurunkan kinerja dari algorime. Oleh karena iu, pemilihan fiur menjadi sanga perlu dilakukan dalam menghadapi daa-daa dengan dimensi yang inggi. 2.4 Exreme Learning Machine (ELM) Exreme Learning Machine (ELM) merupakan bagian dari jaringan syaraf iruan yang biasanya disebu dengan single hidden layer feedforward neural nework (SLNs). Meode ini memiliki learning speed yang ribuan kali lebih cepa dibandingkan meode feedforward konvensional lainnya seperi Backpropagaion dan performansi generalisasi yang lebih baik (Huang, e al., 2006). Pada JST semua parameer harus dienukan secara manual ermasuk inpu dan bias sehingga membuuhkan learning speed yang lama. Namun pada ELM, semua parameer dipilih secara random sehingga idak membuuhkan learning speed yang lama dan mampu menghasilkan good generalizaion performance (Siwi, e al., 2016). Jaringan ELM erdiri dari 3 layer, yaiu inpu layer, hidden layer dan oupu layer. Seiap node pada inpu layer erhubung dengan hidden node yang dihubungkan oleh bobo inpu dengan nilai yang berbeda beda. Seiap inpu node erhubung ke semua hidden node dan semua hidden node erhubung ke semua oupu node (Azizah, e al., 2016). Langkah langkah pada meode ELM dibagi menjadi 2 proses, yaiu proses raining dan proses esing. Langkahlangkah ersebu adalah sebagai beriku (Cholissodin, 2016): A. Proses Training: Langkah 1: Inisialisasi inpu weigh (W jk) dan bias secara random dengan ukuran mariks j x k, di mana j merupakan banyak hidden node dan k adalah banyak inpu node. Langkah 2: Menghiung mariks keluaran hidden layer (H) dengan fungsi akivasi sigmoid unuk memeakan nilai mariks keluaran hidden layer pada inerval 0 sampai 1 menggunakan persamaan 1. H = 1/( 1 + exp( (X. W T + ones(nrain, 1) b))) (1) H = Keluaran Hidden Layer exp = Eksponensial X = Mariks Daa Masukan (Inpu) W T = Mariks Transpose Inpu weigh ones(nrain, 1) = Mariks yang bernilai 1 dengan ukuran baris sama dengan jumlah daa raining dan 1

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1859 kolom. b = Bias Langkah 3: Menghiung mariks moore penrose pseudo inverse yang didapakan dari perkalian mariks inverse dan ranspose keluaran hidden layer. Perhiungan Mariks Moore Penrose Pseudo Inverse diunjukkan pada persamaan 2. H + = (H T. H) 1. H T (2) H + = Mariks Moore Penrose Pseudo Inverse H = Mariks Keluaran Hidden Layer H T = Transpose Mariks Keluaran Hidden Layer Langkah 4: Menghiung oupu weigh (β ) yang dihasilkan oleh hidden layer dan oupu layer menggunakan persamaan 3. β = H +. Y (3) β = Oupu weigh H + = Mariks Moore Penrose Pseudo Inverse Y = Mariks Daa Oupu aau Targe Langkah 5: Mengghiung hasil prediksi (Y ) yang didapakan dari proses perkalian anara mariks keluaran hidden layer dengan oupu weigh menggunakan persamaan 4. Y = H. β (4) Y = Hasil Prediksi H = Mariks Keluaran Hidden layer β = Marik Oupu weigh B. Proses Tesing Langkah langkah proses esing pada ELM sama seperi yang dilakukan pada proses raining. Namun proses esing idak perlu menghiung inpu weigh, bias dan oupu weigh. Inpu weigh, bias dan oupu weigh pada proses esing menggunakan bobo yang elah dihiung pada proses raining. Langkah 1: Menggunakan inpu weigh (W jk), bias dan oupu weigh (β ) yang didapakan dari proses raining. Langkah 2: Menghiung mariks keluaran hidden Layer (H) menggunakan persamaan 1. Langkah 3: Menghiung hasil prediksi (Y ) menggunakan persamaan 4. Langkah 4: Menghiung nilai evaluasi, misalnya menggunakan MAPE aau Akurasi. 2.5 Paricle Swarm Opimizaion (PSO) Paricle Swarm Opimizaion (PSO) merupakan salah sau meode seleksi fiur yang didasarkan pada perilaku sekawanan ikan dan burung yang bergerak unuk mendapaka posisi erbaik. Karena erinspirasi dari perilaku sekawanan makhluk hidup, individu pada PSO biasanya disebu dengan parikel. Seiap parikel pada PSO melakukan perpindahan posisi dengan cara erbang seperi burung dengan suau kecepaan yang dinamis pada ruang pencarian yang disesuaikan dengan perilaku hisoris mereka. Oleh karena iu, seiap parikel memiliki kecenderungan unuk erbang menuju posisi yang erbaik (Muhamad, e al., 2016). Langkah langkah pada Paricle Swarm Opimizaion (PSO) secara sederhana adalah sebagai beriku: Langkah 1: Proses Inisialisasi a. Inisialisasi Kecepaan Awal Parikel Pada ierasi awal aau ierasi ke-0, nilai kecepaan awal semua parikel dise 0. b. Inisialisasi Posisi Awal Parikel Pada ierasi awal aau ierasi ke-0, posisi awal parikel dibangkikan secara random. c. Menghiung Nilai Finess d. Inisialisasi Nilai Pbes dan Gbes. Pada ierasi awal aau ierasi ke-0, nilai Pbes sama dengan nilai posisi awal parikel. Sedangkan nilai Gbes didapakan melalui salah sau Pbes dengan nilai finess eringgi. Langkah 2: Updae Kecepaan Parikel Unuk melakukan updae kecepaan parikel, digunakan persamaan 5. v +1 i,j = w. v i,j + c 1. r 1 (Pbes i,j x i,j ) + c 2. r 2 (Gbes g,j x i,j ) (5) +1 v i,j = kecepaan parikel i dimensi j

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1860 v i,j pada ierasi +1 (updae) = kecepaan parikel i dimensi j pada ierasi ( sebelumnya) = bobo inersia w c1 = konsana kecepaan 1 c2 = konsana kecepaan 2 r1, r2 = nilai acak [0,1] Pbes i,j = posisi erbaik dari parikel i dimensi j pada ierasi Gbes g,j = global opimal dari parikel g dimensi j pada ierasi x i,j = posisi parikel i dimensi j pada ierasi Langkah 3: Updae Posisi Parikel Unuk melakukan updae posisi parikel, dilakukan beberapa langkah perhiungan, yaiu: a. Menghiung nilai sigmoid pada updae kecepaan menggunakan persamaan 6. Sig(V i,j ) = 1 1+exp (v i,j ) (6) Sig(V i,j ) = posisi parikel i dimensi j pada ierasi exp (v i,j ) = kecepaan parikel i dimensi j pada ierasi +1 (updae) b. Membua nilai random pada inerval [0,1] sepanjang banyaknya parikel c. Menenukan updae posisi menggunakan persamaan 7. x +1 i,j = { 1, jika rand[0,1] < Sig(V i,j ) (7) 0, oherwise rand[0,1] = nilai random pada inerval [0,1] Sig(V i,j ) = nilai sigmoid pada updae kecepaan Langkah 4: Updae Nilai Pbes dan Gbes Unuk mendapakan nilai Pbes dilakukan perbandingan anara Pbes pada ierasi sebelumnya dengan hasil dari updae posisi. Finess yang lebih inggi dari keduanya akan menjadi Pbes yang baru. Sedangkan unuk mendapakan nilai Gbes erbaru dapa dilakukan dengan cara meliha Pbes yang memiliki nilai finess eringgi. Langkah 5 : Terminain Condiion Mengulang langkah 2 4 sampai kondisi berheni (Terminain Condiion) erpenuhi. Ada beberapa kondisi berheni yang dapa digunakan, yaiu: a. Keika Ierasi sudah mencapai Maximum b. Ierasi berheni keika idak ada perubahan yang signifikan c. Keika elah mecapai waku Maximum. 3. PERANCANGAN DAN IMPLEMENTASI Proses klasifikasi keminaan menggunakan algorime Exreme Learning Machine dan Paricle Swarm Opimizaion unuk seleksi fiur diunjukkan pada Gambar 1. Langkah-langkah yang dilakukan dalam implemenasi klasifikasi keminaan menggunakan algorime Exreme Learning Machine dan Paricle Swarm Opimizaion unuk seleksi fiur adalah: 1. Inisialisasi parameer ELM yaiu daa raining, daa esing, inpu weigh dan bias. Inisialisasi inpu weigh dan bias pada ELM dilakukan secara ramdom pada range [-1,1] dan [0,1] dengan ukuran mariks j x k, di mana j merupakan banyak hidden node dan k adalah banyak inpu node. 2. Inisialisasi parameer PSO yaiu jumlah parikel, ierasi max, w, c1, c2, r1, r2, ran[0,1], kecepaan parikel, posisi parikel, Pbes dan Gbes. Pada peneliian ini inisialisasi parikel dilakukan secara random yang erdiri dari nilai 1 aau 0 (PSO biner) dengan panjang parikel sama dengan jumlah fiur yang digunakan. Parikel dengan nilai 1 menandakan bahwa fiur diseleksi/digunakan, sedangkan parikel dengan nilai 0 menandakan bahwa fiur idak digunakan dalam perhiungan. Conoh represenasi parikel pada peneliian ini diunjukkan pada Tabel 1 Tabel 1 Represenasi Parikel No P X1 X2 X25 Finess 1 X1(0) 1 0 1 0.5 3. Melakukan klasifikasi keminaan menggunakan algorime ELM unuk seiap parikel. 4. Menghiung nilai akurasi dari hasil klasifikasi yang naninya akan digunakan sebagai nilai finess pada PSO menggunakan persamaan 8. Akurasi = finess = B 100% (8) N

Raa-raa finess % Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1861 5. Melakukan proses updae kecepaan, updae posisi, updae Pbes, updae Gbes unuk mendapakan parikel erbaik melalui. bobo inersia 1, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya daa raining dan esing 80%:20%. Hasil pengujian normalisasi daa diunjukkan pada Tabel 2. Tabel 2. Hasil Pengujian Normalisasi Daa Percobaan ke-i ELM&PSO dengan Normalisasi ELM&PSO Tanpa Normalisasi 1 83.33% 77.77% 2 88.89% 77.77% 3 83.33% 77.77% 4 83.33% 77.77% 5 83.33% 77.77% 6 88.89% 77.77% 7 83.33% 77.77% 8 83.33% 77.77% 9 88.89% 77.77% 10 83.33% 83.33% Raa-raa Finess 84.998% 78.326% Berdasarkan Tabel 2, dapa diliha bahwa nilai finess yang dihasilkan algorime ELM&PSO dengan normalisasi lebih baik dari pada anpa normalisasi. Hal ini dikarenakan normalisasi daa akan mengubah semua daa yang ada pada range yang sama yaiu anara 0 sampai 1 sehingga semua daa yang ada memiliki jarak daa yang idak erlalu jauh. Gambar 1. Diagram Alir ELM dan PSO 4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Normalisasi Daa Tujuan dari pengujian normalisasi daa adalah unuk mengeahui pengaruh normalisasi daa erhadap nilai finess yang dihasilkan dengan cara membandingkan nilai finess yang yang diperoleh dari algorime ELM&PSO dengan menggunakan normalisasi daa dan anpa normalisasi daa. Parameer yang digunakan pada pengujian ini yaiu 20 parikel, 100 ierasi, 4.2 Pengujian dan Analisis Jumlah Hidde Node Tujuan dari pengujian jumlah hidden node adalah unuk mengeahui pengaruh jumlah node pada hidden node agar menghasilkan hasil klasifikasi yang baik. Banyaknya jumlah node yang digunakan pada pengujian ini adalah dari angka 3 sampai dengan 10 dan 20. Nilai parameer lain yang digunakan pada pengujian ini yaiu 20 parikel, 100 ierasi, bobo inersia 1, c1 dan c2 2, banyaknya daa raining dan esing 80%:20%. Pengujian Jumlah Node Pada Hidden Node 85 80 75 70 65 3 4 5 6 7 8 9 10 20 Jumlah node Gambar 2. Grafik hasil pengujian jumlah hidden node

Raa-raa nilai finess % Raa-raa nilai finess % 10 20 30 40 50 60 70 80 90 100 120 150 200 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1862 Berdasarkan Gambar 2, hasil pengujian jumlah node pada hidden node menunjukkan bahwa semakin banyak jumlah node pada hidden node maka semakin besar pula raa-raa nilai finess yang dihasilkan walaupun erdapa beberapa penurunan nilai finess yang disebabkan karena pengaruh inpu weigh, bias dan bilangan random1, random2 yang diinisialisasi secara acak. Hal ini dikarenakan semakin banyak jumlah node yang digunakan maka semakin banyak penghubung (connecor) yang erbenuk anara inpu layer dan oupu layer sehingga semakin banyak hasil yang dapa dihasilkan. Dari pengujian ini, didapakan nilai raa-raa finess eringgi sebesar 83.89% dengan jumlah node sebanyak 20. 4.3 Pengujian dan Analisis Jumlah Daa Training Tujuan dari pengujian jumlah daa raining adalah unuk mengeahui pengaruh dari jumlah daa raining erhadap proses pelaihan sera nilai finess yang dihasilkan. Terdapa 5 persenase perbandingan daa yang akan digunakan pada pengujian ini, yaiu 80%:20%, 70%:20%, 60%:20%, 50%:20% dan 40%:20% unuk daa raining dan daa esing dengan ujuan unuk mengeahui pengaruh dari jumlah daa raining erhadap jumlah daa esing sebesar 20% dari keseluruhan daa. Nilai parameer lain yang digunakan pada pengujian ini yaiu 20 parikel, 100 ierasi, bobo inersia 1, c1 dan c2 2, jumlah node pada hidden node 20. 86 84 82 80 78 76 74 72 Pengujian Jumlah Daa Training 80 80% : 20% 70% : 20% 60% : 20% 50% : 20% 40% : 20% Perbandingan daa raining dan daa esing Gambar 3. Grafik hasil pengujian jumlah daa raining Berdasarkan Gambar 3, hasil pengujian jumlah daa raining menunjukkan bahwa semakin besar jarak anara jumlah daa raining dan jumlah daa esing maka semakin besar pula raa-raa nilai finess yang dihasilkan. Hal ersebu dibukikan dengan perolehan nilai finess eringgi oleh daa raining erbesar yaiu 72 daa dan daa esing 18 daa. Hal ini dikarenakan meode ELM merupakan meode pelaihan, sehingga semakin banyak daa raining yang digunakan maka banyak daa yang dapa dilaih dan dikenali pada proses pelaihan sehingga mempunyai banyak perimbangan kepuusan unuk menghasilkan klasifikasi yang baik. Dari pengujian yang elah dilakukan, didapakan raa-raa nilai finess eringgi sebesar 83.89%. 4.4 Pengujian dan Analisis Jumlah Parikel Tujuan dari pengujian jumlah parikel adalah unuk mengeahui besarnya ukuran populasi parikel yang paling opimal unuk menghasilkan solusi dan nilai finess yang erbaik. Besarnya jumlah parikel yang akan diuji adalah kelipaan 10 mulai dari 10 sampai 100, 120, 150 dan 200 parikel. Nilai parameer lain yang digunakan pada pengujian ini yaiu 100 ierasi, bobo inersia 1, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya daa raining dan esing 80%:20%. 90 88 86 84 82 Pengujian Jumlah Parikel Jumlah parikel Gambar 4. Grafik hasil pengujian jumlah parikel Berdasarkan Gambar 4, hasil pengujian jumlah parikel menunjukkan bahwa semakin banyak jumlah parikel yang digunakan maka semakin besar pula raa-raa nilai finess yang dihasilkan. Hal ersebu dikarenakan besarnya populasi parikel mampu meningkakan kerja parikel dalam mencari solusi yang erbaik sehingga mampu menghasilkan variasi solusi yang beragam. Nilai finess mengalami peningkaan dari jumlah perikel 10 sampai 120 namun pada jumlah parikel 120 sampai 200 idak mengalami peningkaan yang signifikan. Hal ini dikarenakan dengan populasi parikel yang besar mungkin proses pembangkian

Raa-raa nilai finess % 100 200 300 400 500 600 700 800 900 1000 Waku Kompuasi (ms) Waku Kompuasi (ms) Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1863 populasi awal memiliki variasi sebaran yang jauh dari solusi opimal (Hapsari, e al., 2015). Selain iu semakin banyak jumlah parikel yang digunakan maka waku kompuasi yang dibuuhkan juga lama. Hal ini diunjukkan pada Gambar 5 yang menunjukkan waku kompuasi yang dibuuhkan parikel. Oleh Karena iu, berdasarkan pengujian yang elah dilakukan, jumlah parikel yang baik dengan waku kompuasi yang efisien adalah 120 dengan raaraa nilai finess 88.89% dan waku kompuasi yang dibuuhkan 21708.8 ms. 30000 25000 20000 15000 10000 5000 0 Pengujian Jumlah Parikel 10 30 50 70 90 120 200 Jumlah parikel Gambar 5. Grafik waku kompuasi pengujian jumlah parikel 4.5 Pengujian dan Analisis Maksimum Ierasi Pengujian maksimum ierasi berujuan unuk mengeahui hubungan anara jumlah ierasi erhadap nilai finess. Besarnya jumlah ierasi yang digunakan pada pengujian ini adalah kelipaan 100 mulai dari 100 sampai 1000. Nilai parameer lain yang digunakan pada pengujian ini yaiu 120 parikel, bobo inersia 1, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya daa raining dan esing 80%:20%. 91 90 89 88 87 Pengujian Maksimum Ierasi Maksimum Ierasi Gambar 6. Grafik hasil pengujian maksimum ierasi Berdasarkan Gambar 6, hasil pengujian maksimum ierasi menunjukkan bahwa semakin banyak ierasi maka semakin besar pula raa-raa nilai finess yang dihasilkan. Hal ersebu dikarenakan semakin banyak jumlah ierasi maka proses pencarian solusi lebih banyak dilakukan sampai mendapakan solusi erbaik. Namun dengan banyaknya jumlah ierasi yang digunakan, perubahan posisi parikel menjadi idak erlalu signifikan sehingga perubahan nilai finess-nya pun juga idak mengalami peningkaan yang signifikan. Hal ini mungkin dikarenakan dengan banyaknya jumlah parikel maka solusi yang dihasilkan hampir sama dengan jumlah ierasi lainnya aau mengalami konvergen, hal ini diunjukkan pada Gambar 6. Pada gambar grafik ersebu, nilai finess mengalami peningkaan dari jumlah maksimum ierasi 100 sampai 600 namun pada jumlah maksimum ierasi 600 sampai 1000 idak mengalami peningkaan yang signifikan. Sama seperi pengujian jumlah parikel, semakin banyak jumlah maksimum ierasi yang digunakan maka waku kompuasi yang dibuuhkan juga lama. Hal ini diunjukkan pada Gambar 7 yang menunjukkan waku kompuasi yang dibuuhkan parikel unuk seiap jumlah ierasi. Oleh Karena iu, berdasarkan pengujian yang elah dilakukan, jumlah maksimum ierasi yang baik dengan waku kompuasi yang efisien adalah 600 dengan raa-raa nilai finess 90.56% dan waku kompuasi yang dibuuhkan 65454 ms. 80000 60000 40000 20000 Pengujian Maksimum Ierasi 0 Maksimum Ierasi Gambar 7. Grafik waku kompuasi pengujian maksimum ierasi 4.6 Pengujian dan Analisis Bobo Inersia Pengujian bobo inersia berujuan unuk mendapakan bobo inersia yang paling opimal unuk mendapakan nilai finess erbaik. Bobo inersia yang akan digunakan pada pengujian ini anara 0,4 sampai 1. Nilai parameer lain yang digunakan pada pengujian ini yaiu 120 parikel,

Raa-raa nilai finess % Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1864 600 ierasi, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya daa raining dan esing 80%:20%. 92 91 90 89 88 87 86 Pengujian Bobo Inersia 0,4 0,5 0,6 0,7 0,8 0,9 1 Bobo Inersia Gambar 8. Grafik hasil pengujian bobo inersia Berdasarkan Gambar 8, hasil pengujian bobo inersia menunjukkan bahwa variasi bobo inersia yang digunakan akan menghasilkan nilai raa-raa finess yang berbeda. Berdasarkan pengujian ini, bobo inersia yang menghasilkan nilai finess eringgi adalah 1 yaiu mencapai 91.11%. Hal ini dikarenakan semakin besar nilai bobo inersia maka nilai kecepaan parikel yang dihasilkanpun menjadi besar sehingga kecepaan parikel ersebu menjadi lebih lamba diawal pencarian solusi yang menyebabkan parikel mempunyai kesempaan eksploiasi yang besar. 4.7 Analisis Global Hasil Pengujian Berdasarkan hasil pengujian yang elah dilakukan didapakan parameer-parameer yang opimal dengan nilai finess erbaik. Pengujian perama erkai pengaruh normalisasi daa pada proses kompuasi menunjukkan bahwa proses normalisasi sanga dibuuhkan pada peneliian ini unuk mendapakan hasil yang baik. Pada pengujian jumlah node pada hidden node didapakan node yang paling opimal dan menghasilkan nilai finess eringgi adalah 20 node dengan nilai finess 83.89%. Pada pengujian jumlah daa raining didapakan raaraa nilai finess eringgi sebesar 83.89% dengan jumlah daa raining 72 daa dan daa esing 18 daa. Pada pengujian keiga dan keempa erkai pengaruh jumlah parikel dan maksimum ierasi didapakan jumlah parikel dan maksimum ierasi yang paling opimal yaiu 120 parikel dan 600 ierasi dengan raa-raa nilai finess 88.89% dan 90.56%. Pada pengujian erakhir yaiu pengujian bobo inersia didapakan bobo inersia yang paling opimal yaiu 1 dengan nilai finess 91.11%. Dengan menggunakan semua parameer yang paling opimal dari hasil pengujian, didapakan akurasi dari hasil klasifikasi sisem dan seleksi fiur menggunakan algorime ELM dan PSO sebesar 94.44%. Sedangkan hasil akurasi sisem jika hanya menggunakan meode ELM anpa seleksi fiur PSO hanya mencapai 66.67%. Hal ini menunjukkan bahwa meode seleksi fiur PSO mampu meningkakan akurasi unuk permasalahan klasifikasi keminaan. 5. KESIMPULAN Berdasarkan perancangan, implemenasi dan hasil pengujian sisem Klasifikasi Keminaan Menggunakan Algorime Exreme Learning Machine dan Paricle Swarm Opimizaion Unuk Seleksi Fiur, maka didapakan kesimpulan sebagai beriku: 1. Algorime Exreme Learning Machine dan Paricle Swarm Opimizaion dapa diimplemenasikan pada permasalahan klasifikasi keminaan. Proses klasifikasi keminaan dilakukan dengan cara memasukkan nilai hasil sudi mahasiswa dan membagi daa ersebu menjadi daa raining dan daa esing, melakukan klasifikasi menggunakan algorime ELM, melakukan seleksi fiur dengan algorime PSO unuk menghasilkan fiur-fiur yang relevan berdasarkan pola daa yang digunakan sehingga mampu meningkakan akurasi. Hasil finess PSO didapakan dari hasil akurasi klasifikasi ELM. Hasil finess eringgi dijadikan sebagai kepuusan akhir unuk fiur dan hasil klasifikasi erbaik. 2. Proses seleksi fiur menggunakan PSO dilakukan dengan cara membangkikan parikel PSO secara acak mengggunakan binary code dimana seiap parikel ersusun aas posisi parikel yang bernilai 0 aau 1 dengan panjang parikel sama dengan panjang fiur yang digunakan. Posisi parikel yang bernilai 1 menandakan bahwa fiur ersebu digunakan unuk proses klasifikasi. Sedangkan posisi parikel yang bernilai 0 idak dipilih aau idak digunakan. Kemudian dilakukan perhiungan nilai finess dari seiap parikel menggunakan ELM. Hasil akurasi klasifikasi ELM yang didapakan digunakan sebagai nilai finess unuk seiap parikel pada PSO. Kemudian melakukan proes updae. Seelah proses PSO mencapai eminaion condiion (maksimum ierasi) maka didapakan

Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1865 parikel dengan hasil fiur yang paling opimal dengan nilai finess eringgi. 3. Berdasarkan pengujian yang elah dilakukan, didapakan parameer erbaik (opimal) dari hasil pengujian yaiu jumlah node 20, daa raining yang digunakan 72 daa, daa esing yang digunakan 18 daa, jumlah parikel 120, maksimum ierasi 600 dan bobo inersia 1. Dari parameer ersebu didapakan ingka akurasi sebesar 94.44% dengan 11 fiur erpilih dari hasil seleksi fiur menggunakan algorime ELM dan PSO. Sedangkan akurasi yang didapakan dari algorime ELM biasa hanya mencapai 66.67%. Dari hasil akurasi yang didapakan, menunjukkan bahwa penambahan algorime PSO pada ELM mampu meningkakan akurasi algorime ELM biasa. DAFTAR PUSTAKA Cholissodin, I., 2016. Model Analisisi Big Daa- Semeser Ganjil 2016-2017. Siwi, I.P., Cholissodin, I. & Furqon, M,T., 2016. Peramalan Produksi Gula Pasir Menggunakan ELM pada PG Candi Baru Sidoarjo. S1. Universias Brawijaya. Pacifico, L.D.S. & Ludermir, T.B., 2013. Evoluionary Exreme Learning Machine Based on Paricle Swarm Opimizaion and Clusering Sraegies. Federal Universiy of Pernambuco. Prakoso, E.C., Wisesy, U.N. & Jondri., 2016. Klasifikasi Keadaan Maa Berdasarkan Sinyal EEG Menggunakan Exreme Learning Machines. Journal On Compuing, pp.97-116. Shahsavari, M.K., Bakhsh, H.R. & Rashidi, H., 2016. Efficien Classificaion of Parkinson s Disease Using Exreme Learning Machine and Hybrid Paricle Swarm Opimizaion. 2016 4 h Inernaional Conference on Conrol, Insrumenaion, and Auomaion (ICCIA). Qazvin Islamic Azad Universiy. Qazvin, Iran, 27-28 january 2016. Yu, L. & Liu, H., 2003. Feaure Selecion for High Dimensional Daa : A Fas Correlaion Based Filer Soluion. Proceedings of he Twenieh Inernaional Conference on Machine Learning. Preceeding of he Twenieh Inernaional Conference on Machine Learning (ICML-2003). Washingon DC, 2003. Azizah, A.N., Sanoso, E. & Cholissodin, I., 2016. Penenuan Kualias Air Sungai Menggunakan Meode Exreme Learning Machine. S1. Universias Brawijaya. Huang, G.B., Zhu, Q.Y. & Siew, C.K., 2006. Exreme Learning Machine: Theory and Applicaions. Neuron Compuing, pp.489-501. Nanyang Technological Universiy. Singapore. Muhamad, H., Cahyo, A.P., Sugiano, N.A., Suriningsih, L., 2016. Opimasi Naïve Bayes Classifier Dengan Menggunakan Pasricle Swarm Opimizaion Pada Daa Iris. Jurnal Teknologi Informasi dan Ilmu Kompuer. Universias Brawijaya. Hapsari, K.D., Sanoso, E. & Cholissodin, I., 2015. Sisem Opimasi Basis Funcion Neural Nework Menggunakan Hybrid Paricle Swarm Opimizaion dan Geneic Algorihm Unuk Peramalan Curah Hujan. S1. Universias Brawijaya.