cx
ISHAQ S HADAQAR LAILA RAUDATUL FAUZIAH MUHARYUNO WIZU NANDA TRI APDIRZA RANRA PUTRA RIFELDO PRAGUNA
PERCEPTRON A. Back Backgr grou ou! !
Konsep Konsep utama utama pemakai pemakaian an pengen pengenala alan n pola pola adalah adalah diskriminan. diskriminan. Ideny Idenyaa adalah adalah system pengenalan pengenalan pola secara adaptif adaptif belajar belajar dari pengalaman pengalaman dan menyaring menyaring berbagai berbagai diskriminan yang masing-masing sesuai untuk tujuannya. Misalnya, jika yang menjadi perhatian utama hanyalah keanggotaan kelas, system akan belajar dari pengamatan pola yang diidentifikasi oleh kelas dan menghasilkan diskriminan untuk klasifikasi. Salah satu pengembang pengembangan an pengenalan pengenalan pola adalah “erceptron! “erceptron! yang ditemukan ditemukan oleh "osenblatt #$%&'( dan Minsky-apert #$%&%(. embuktian embuktian teorema belajar belajar perceptron perceptron oleh "osenblatt "osenblatt #$%&'( #$%&'( menunjukk menunjukkan an bah)a perceptron dapat mempelajari apa saja yang dapat dipresentasikannya. "epresentasi teracu pada kemampuan perceptron untuk mensimulasikan sebuah fungsi tertentu.
B. D"#$ #$$%$
erceptron merupakan bentuk paling sederhana dari *S+ yang digunakan untuk pengklasifikasian pola khusus yang biasa disebut Linearly separable, separable, yaitu pola-pola pola-pola yang terletak pada sisi yang berla)anan pada suatu bidang. ungsi dari perceptron adalah untuk mengklasifikasikan himpunan stimulus yang diaplikasikan secara eksternal x$, x', , x p kedalam salah satu dari dua kelas & ' atau & (. turan keputusan untuk klasifikasi adalah berdasarkan nilai yang dipresentasikan oleh input x$, x', , x p ke kelas kelas & ' jika outputnya dari perceptron y adalah )', dank e kelas & ( jikia outputnya dari perceptron y adalah *'
/ecision 0oundary )$x$ 1 )'x' 2 3 4 5
6ambar $
C. Mo!"+ P"rc",-ro
$. Model dasar dari perceptron itu sendiri terdiri dari neuron tunggal dengan bobot bobot sinaptik dan threshold yang dapat diatur.
Inputs
7utput #y(
+reshold #3(
8p 6ambar'
'. Model lainnya dari perceptron terdiri dari linier combiner dan diikuti oleh hard limiter
8$
8'
/0$1
Inputs
7utput #yi( 9ard :imiter
+reshold #3(
8p
6ambar ;
D. A+gor$-2a P"+a-$3a P"rc",-ro
$. Inisialisasi semua bobot dan bias #biasanya 45( Set learning rate < = #5 > = ? $(. @ntuk penyederhanaan set sama dengan $ Set nilai threshold #3( untuk fungsi aktiAasi '. @ntuk setiap pasangan pembelajaran s-t, kerjakan < a. Set aktiAasi unit input xi 4 si
b. 9itung respons untuk unit output< yBin 4 b 1 C ixi)i c. Masukkan ke dalam fungsi aktiAasi <
E4
$,
jika yBin D 3
5,
jika 23 ? yBin ? 3
-$,
jika yBin > - 3
d. 0andingkan nilai output jaringan y dengan target t< •
*ika y F t, lakukan perubahan bobot dan bias dengan cara berikut < )i #baru( 4 )i #lama( 1 =GtGxi b#baru(
•
4 b#lama( 1 =Gt
jika y 4 t, tidak ada perubahan bobot dan bias )i #baru( 4 )i #lama( b#baru(
4 b#lama(
;. :akukan iterasi terus-menerus hingga semua pola memiliki output jaringan yang sama dengan targetnya. rtinya bila semua output jaringan sama dengan target maka jaringan telah mengenali pola dengan baik dan iterasi dihentikan.
lgoritma pelatihan perceptron dapat digunakan baik untuk biner maupun bipolar dengan 3 tertentu dan bias yang dapat diatur. INFO
Satu siklus pelatihan yang melibatkan seluruh data input disebut satu epoch
Co-o3 '4
0uatlah *S+ #*aringan Saraf +iruan( untuk melakukan pembelajaran terhadap fungsi logika “nd! dengan input biner dan target bipolar sebagai berikut < 5' 5( Targ"- /-1 5 5 -$ 5 $ -$ $ 5 -$ $ $ $ Menggunakan algoritma pelatihan perceptron bila ditentukan nilai learning rate #=( 4 5.H dan nilai treshold #3( 4 5. A+gor$-2a P"+a-$3a P"rc",-ro
0obot )al
4 )$ 4 )' 4 5
0ias )al
4b45
:earning rate #=( 4 5.H +reshold #3(
4 5.
E,oc3 k" 6 '
/ata ke-$ #x$45, x'45, t4-$( yBin 4 b 1 Cixi)i 4 515G515G545
ungsi ktiAasi < E 4
$,
jika yBin D 5.
5,
jika 25. ? yBin ? 5.
-$,
jika yBin > - 5.
9asil aktiAasi y 4 5 (Tidak sama dengan target t=-1, maka harus dilakukan perubahan bobot dan bias) erubahan 0obot dan bias < )$#baru( 4 )$ #lama( 1 =GtGx$ 4 5 1 5.HG#-$(G5 4 5 )'#baru( 4 )' #lama( 1 =GtGx$ 4 5 1 5.HG#-$(G5 4 5 b#baru(
4 b#lama( 1 =Gt 4 5 1 5.HG#-$( 4 -5.H
/ata ke-' #x$45, x'4$, t4-$( yBin 4 b 1 Cixi)i 4 -5.H15G51$G54 -5.H
ungsi ktiAasi < E 4
$,
jika yBin D 5.
5,
jika 25. ? yBin ? 5.
-$,
jika yBin > - 5.
9asil aktiAasi y 4 -$ (Sama dengan target t=-1, maka tidak dilakukan perubahan bobot dan bias) 0obot dan bias tetap < )$#baru( 4 )$ #lama( 4 5 )'#baru( 4 )' #lama( 4 5 b#baru(
4 b#lama( 4 -5.H
/ata ke-; #x$4$, x'45, t4-$( yBin 4 b 1 Cixi)i 4 -5.H1$G515G54 -5.H
ungsi ktiAasi < E 4
$,
jika yBin D 5.
5,
jika 25. ? yBin ? 5.
-$,
jika yBin > - 5.
9asil aktiAasi y 4 -$ (Sama dengan target t=-1, maka tidak dilakukan perubahan bobot dan bias) 0obot dan bias tetap < )$#baru( 4 )$ #lama( 4 5 )'#baru( 4 )' #lama( 4 5
b#baru(
4 b#lama( 4 -5.H
/ata ke-J #x$4$, x'4$, t4$( yBin 4 b 1 Cixi)i 4 -5.H1$G51$G54 -5.H
ungsi ktiAasi < E 4
$,
jika yBin D 5.
5,
jika 25. ? yBin ? 5.
-$,
jika yBin > - 5.
9asil aktiAasi y 4 -$ (Tidak sama dengan target t=1, maka harus dilakukan perubahan bobot dan bias) erubahan 0obot dan bias < )$#baru( 4 )$ #lama( 1 =GtGx$ 4 5 1 5.HG#$(G$ 4 5.H )'#baru( 4 )' #lama( 1 =GtGx$ 4 5 1 5.HG#$(G$ 4 5.H b#baru(
4 b#lama( 1 =Gt 4 -5.H 1 5.HG#$( 4 5
Ca-- 4
Karena ola /ata ke-$, /ata ke-', /ata ke-;, dan /ata ke-J tidak sama pada poch $, maka dilakikan iterasi sampai semua pola bernilai sama sehingga nilai yang sama terjadi pada poch % dimana Lilai bobot yang dihasilkan adalah < Lilai bobot )$ 4 '.J ) ' 4 $.&, dan bias 4 -;.'
Co-o3 (4
/iketahui Sembilan buah pola masukan berupa huruf , , dan berikut.
0uatlah model perceptron untuk mengenali huruf “! 7a8a9 4
Setiap titik dalam pola merupakan input satu Aariabel input. 7leh karena satu pola terdiri dari ' titik # baris x kolom( maka setiap pola terdiri dari ' Aariabel input berikut. 8$ 8& 8$$ 8$& 8'$
8' 8N 8$' 8$N 8''
8; 8H 8$; 8$H 8';
8J 8% 8$J 8$% 8'J
8 8$5 8$ 8'5 8'
+anda hitam diberi simbol “$! dan putih diberi simbol “-$! kemudian dibuat pasangan antara pola dan target sebagai berikut< Po+a Ma%uka ola $ ola ' ola ; ola J ola ola & ola N ola H ola %
Targ"$ $ $ -$ -$ -$ -$ -$ -$
/isini terlihat bah)a target 4 $ hanya berlaku untuk huruf “! saja, sedangkan huruf selain “! target 4 -$ Misalkan bobot a)al < ) $ 4 )' 4 4 ) ' 4 5 dan bias b 4 5, learning rate #=( 4 $ dan nilai ambang 3 4 5.. elatihan algoritma perceptron dilakukan untuk ' input. 9itung < yBin 4 b 1 Cixi)i
ungsi ktiAasi < E 4
$,
jika yBin D 5.
5,
jika 25. ? yBin ? 5.
-$,
jika yBin > - 5.
:akukan perubahan bobot dan bias selama keluaran jaringan y F target. roses pelatihan dihentikan jika pada suatu epoch ditemukan bah)a untuk semua data input maka keluaran jaringan y 4 target.
E. Ca%" S-u!: '. D" P"rc",-ro A,+$ka%$ Mark"- Ba%k"- Aa+:%$% 9"r9a%$% 8"9 2"gguaka P"rc",-ro
Market 0asket nalysis, atau M0, merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran #Megaputer, '55N(. +ujuan dari M0 adalah untuk menentukan produk-produk #jasa( apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelanggan enggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang. /engan bantuan komputer,
analisis kuantitatif yang dihasilkan akan
lebih cepat dan tepat ketimbang menggunakan kemampuan manusia. /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket
analysis,
mempelajari perceptron,
perceptron merupakan “alat! yang akan digunakan untuk
data yang
akan
dianalisis.
/engan
menggunakan
konsep
kami berharap agar aplikasi ini dapat menghasilkan analisis yang lebih
baik dan akurat ketimbang tanpa perceptron #lampiran $(
(. P""ra,a Mu+-$ La:"r P"rc",-ro Da+a2 Ao-a%$ I2ag" S"cara O-o2a-
%$enentuan anotasi terhadap suatu image #image annotation( merupakan topik penelitian yang berkembang pesat akhir-akhir ini. ermasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna.
/alam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. enentuan fitur suatu image dilakukan dengan menggunakan metode color OuantiPation dan multi-leAel )aAelet transform. /alam melakukan prediksi anotasi suatu image, dilakukan dengan mengimplementasikan metode Multi :ayer erceptron #M:(. @ntuk mengeAaluasi performance dari model yang diimplementasikan digunakan data image sebanyak J;. 9asil penelitian yang telah dilakukan menunjukkan bah)a tingkat akurasi untuk prediksi anotasi oleh M: adalah sebesar H$Q. #:ampiran '( La2,$ra ' PENERAPAN MULTI LAYER PERCEPTRON DALAM ANOTASI IMAGE SECARA OTOMATIS ABSTRA&
enentuan anotasi terhadap suatu image #image annotation( merupakan topik penelitian yang berkembang pesat akhir-akhir ini. ermasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna. /alam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. enentuan fitur suatu image dilakukan dengan menggunakan metode color OuantiPation dan multi-leAel )aAelet transform. /alam melakukan prediksi anotasi suatu image, dilakukan dengan mengimplementasikan metode Multi :ayer erceptron #M:(. @ntuk mengeAaluasi performance dari model yang diimplementasikan digunakan data image sebanyak J;. 9asil penelitian yang telah dilakukan menunjukkan bah)a tingkat akurasi untuk prediksi anotasi oleh M: adalah sebesar H$Q.
A. PENDAHULUAN
/alam melakukan pencarian terhadap suatu image seseorang biasanya akan berpatokan pada suatu kata kunci yang menjadi deskripsi dari image yang dicari. /eskripsi sebuah image dalam hal ini disebut dengan anotasi. /alam image yang berhubungan dengan produk tekstil,
terdapat beberapa anotasi yang dapat dijadikan penilaian tentang suatu produk, diantaranya natural, romantis, klasik, modern, elegan, dan lain sebagainya. enilaianRanotasi ini dapat dilakukan secara manual, baik dari para ahli maupun surAei yang dilakukan ke sejumlah pelanggan. pabila suatu data tekstil berjumlah cukup besar dan selalu bertambah maka penilaian secara manual ini tidak efisien lagi. 9al ini menuntut kita untuk membuat sebuah sistem dengan teknologi yang ada saat ini untuk dapat melakukan anotasi terhadap suatu image secara otomatis. /alam menentukan anotasi diperlukan ekstraksi terhadap image yang dijadikan obyek. kstraksi image ini dapat dilakukan dalam beberapa leAel seperti yang diperlihatkan dalam 6ambar $. /alam 6ambar $ terlihat bah)a fitur Aisual seperti )arna, tekstur, dan bentuk dapat diekstrak dari suatu tekstil sehingga image yang mimiliki kesamaan pada fitur ini dapat di-retrieAe. Metode ini disebut sebagai content-based image retrieAal #0I"(. /alam implementasi metode ini, masih terdapat perbedaan antara informasi image yang diminta pengguna dan fitur yang diekstrak oleh sistem. perbedaan ini disebut dengan semantic gap. 9al inilah yang sampai saat ini masih menjadi tantangan dalam penelitian di dunia komputer Aision. @ntuk mengatasi perbedaan #gap( ini maka diperlukan high-leAel semantic yang mencakup kedua atribut fisik nama obyekRorang dan atribut abstrak seperti emosi #seperti yang digambarkan pada 6ambar $(. tribut abstrak sangat penting untuk membedakan image tekstil satu dengan yang lainnya.
Ga29ar '. L";"+ S"2a-$k I2ag"
/alam penelitian ini akan dilakukan implementasi terhadap suatu model anotasi image yang dikembangkan oleh Shin. Model anotasi ini ditujukan untuk image tekstil. /asar yang digunakan untuk untuk mendapatkan anotasi dengan model ini adalah konsep emosi manusia #human emotional concepts( yang kemudian akan diproses melalui suatu mechine learning untuk mendapatkan hasil anotasi. gar dapat melakukan prediksi secara otomatis maka terlebih dahulu akan dilakukan pemilihan fitur yang digunakan dalam proses prediksi. itur yang akan diambil didasarkan pada penelitian sebelumnya dimana kinerjaRperformance dari prediksi emosi dapat ditingkatkan dengan menggunakan fitur yang terintegrasi antara fitur )arna dan tekstur. Metode color OuantiPation akan diterapkan untuk mendapatkan fitur )arna, dan transformasi )aAelet multi-leAel akan diterapkan untuk mendapatkan fitur ekstur. itur-fitur yang telah diekstraksi ini kemudian akan dijadikan input classifier yaitu multilayered perceptron #M:(. Implementasi model anotasi image ini menggunakan J;
image yang terbagi
kedalam delapan anotasi. 9asil penelitian $$ ini menunjukkan bah)a metode M: sebagai classifier memiliki kinerja relatif baik. 9al ini dibuktikan dengan tingkat akurasi M: yang mencapai H$Q.
B. PENELITIAN TER&AIT
Suatu anotasi dapat saja berbeda jika dibandingkan antara orang yang satu dengan lainnya. danya perbedaan interpretasi ini yang membuat suatu sistem anotasi memiliki banyak tantangan. 9al ini menunjukkan pentingnya pengetahuan tentang relasi antara emosi manusia dengan informasi Aisual. Secara umum, suatu image mengandung )arna, tekstur, bentuk dan informasi pattern. 0erbagai penelitian telah dilakukan untuk mempelajari hubungan antara fitur Aisual dengan konsep emosi dan melakukan identifikasi fitur Aisual yang mempengaruhi konsep emosi. Sebagai hasil, dua poin penting telah didapat yaitu skala )arna #color scale( dan peta pattern #pattern maps(. Kobayashi melakukan surAey untuk meneliti bagaimana
suatu
)arna
mempengaruhi emosi
manusia, yang
kemudian
mendefinisikan skala image ber)arna tersebut untuk memprediksi emosi dari kombinasi )arna dari sebuah image yang diberikan. /i lain pihak, Kim melakukan surAei untuk meneliti bagaimana suatu informasi pattern mempengaruhi emosi manusia, yang kemudian membuat suatu peta pattern untuk mentransformasikan pattern kedalam konsep emosi. eta pattern lainnya juga telah dibuat oleh ark.
0erdasarkan surAei-surAei yang telah dilakukan tersebut maka berbagai metode untuk memprediksi anotasi image secara otomatis telah dibangun. Metode anotation ini dapat dikelompokkan ke dalam beberapa kategori yaitu color-based, pattern-based, and colorand pattern-based berdasarkan jenis fitur yang digunakan. olor-based prediction system < metode dengan jenis ini menprediksi anotasi
•
hanya dengan menggunakan )arna dari image tekstil. Metode Kim menggunakan fuPPy rule-based system dalam mencari anotasi image attern-based prediction system < metode ini hanya menggunakan informasi
•
pattern dalam proses anotasinya. Soen dan co)orker pertama kali membangun sistem prediksi anotasi menggunakan pattern. roperti dari tekstur diekstrak dengan menggunakan )aAelet transform dan persamaan regresi untuk memprediksi emosi. Kim membangun sebuah neural net)ork classifier dengan menggunakan relasi antara emosi dan informasi pattern dasar. olor and pattern-based prediction system
•
< dalam metode ini dilakukan
kombinasi antara )arna dan pattern sebuah image. Kim membangun sistem prediksi dengan menggunakan )arna, tekstur dan pattern dari image yang menghasilkan
hibridasi
antara
fuPPy
dengan
neural
net)ork.
@m
memperkenalkan model eAaluasi emosi berbasis pada adaptiAe fuPPy logic yang menggunakan rata-rata nilai )arna dan frekuensi energi
C. METODE
/alam penelitian ini, untuk melakukan prediksi anotasi sebuah image, terdapat beberapa hal yang diperhatikan yaitu < •
/ata image yang dijadikan input dari sistem akan dinormalisasi ke dalam ukuran &Jx&J. *umlah data image yang digunakan dalam penelitian ini berjumlah
J;
buah.
@ntuk
melihat
performansi
dari
model
yang
diimplementasikan ini maka jumlah data yang digunakan akan dibagi menjadi dua yaitu N5Q digunakan sebagai data training, dan ;5Q sebagai data testing. •
Kategori emosi yang digunakan berdasarkan emosi yang diperkenalkan oleh Kobayashi dimana dalam penelitian ini kategori tersebut diambil sejumlah delapan buah. *umlah emosi ini merujuk pada penelitian yang dilakukan oleh Shin. dapun delapan kategori emosi tersebut adalah sebagai berikut< +abel .Kategori mosi Kobayashi motional
enentuan anotasiRemosi pada suatu image ditentukan melalui sederetan langkah yang meliputi pengambilan data image yang akan dianotasi, normalisasi data, ekstraksi fitur, dan klasifikasi pada emosi yang telah didefinisikan. +ahapan penentuan emosi image ini dapat dilihat pada 6ambar '. 6ambar '. +ahapan rediksi mosi
<.' F$-ur Ek%-rak%$
itur yang digunakan sebagai inputan sistem dalam proses klasifikasi adalah fitur )arna dan fitur pattern. itur )arna didapat dari metode color OuatiPation. ada penelitian ini metode color OuatiPation akan mengelompokkan prototipe )arna-)arma yang ada pada sebuah image menjadi enam )arna dominan. dapun langkah-langkah color OuantiPation yang dilakukan adalah sebagai berikut < $. "ePise image kedalam ukuran &Jx&J '. :akukan fungsi histeO #dengan matlab( untuk mendapatkan enam )arna dominan, Aektor 8 dan Map. 8 nilai histogram untuk setiap )arna dominan Map nilai "60 untuk setiap )arna dominan ;. @rutkan )arna dari yang paling dominan ke yang paling minimum dari )arna-)arna yang dihasilkan sehingga menghasilkan 8 dan Map yang telah terurut. J. Simpan nilai 8 dan Map ke dalam Aector fitur #&x;( 0erikut ini adalah gambaran dari proses untuk mendapatkan fitur )arna dengan metode color OuantiPation <
6ambar ;. kstraksi Tarna denganolor UuantiPation Setelah mendapatkan fitur )arna, langkah dilanjutkan dengan mencari fitur pattern dari image. ada penelitian ini, fitur pattern diperoleh dengan menggunakan ransformasi )aAelet multi-leAel. /ari transformasi ini akan dihasilkan sebanyak $' fitur yang berasal dari dekomposisi image dengan leAel ; dan jumlah rotasi sebanyak ; kali.
<.( &+a%$#$ka%$ E2o%$
+ahapan terakhir dalam penentuan emosi dari suatu image adalah melakukan klasifikasiRprediksi emosi image berdasarkan fitur yang dimiliki. /ari tahapan fitur ekstraksi #)arna dan pattern( maka diperoleh sebanyak ;5 fitur #$H )arna, dan $' pattern( yang menjadi inputan dalam proses klasifikasi emosi sedangkan jumlah kemungkinan output klasifikasi emosi adalah sebanyak H buah emosi. ada tahapan ini akan dilakukan implementasi classifier yaitu M:. lgoritma M: merupakan algoritma yang mengadopsi cara kerja jaringan saraf pada mahluk hidup. lgoritma ini terkenal handal karena proses pembelajaran yang mampu dilakukan secara terarah. embelajaran algoritma ini dilakukan dengan peng-update-an bobot balik #backpropagation(. enetapan bobot yang optimal akan berujung pada hasil klasifikasi yang tepat. dapun arsitektur neural net)orknya adalah seperti gambar J. lgoritma yang dijalankan oleh M: untuk mendapatkan bobot yang optimal adalah sebagai berikut < $. Inisialisasi semua bobot dengan bilangan acak kecil. '. *ika kondisi penghentian belum dipenuhi, lakukan langkah '-H. ;. ;. @ntuk setiap pasang data pelatihan, lakukan langkah ;-H. J. +iap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. . 9itung semua keluaran di unit tersembunyi Pj #j 4 $, ',..., p(.
6ambar J ontoh rsitektur M: &. 9itung semua keluaran jaringan di unit keluaran yk #k 4 $, ',...,m(.
N. 9itung faktor V unit keluaran berdasarkan kesalahan di setiap unit keluaran yk #k 4 $, ',..., m(.
Vk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar diba)ahnya. 9itung perubahan bobot )kj dengan laju pemahaman = .
H. 9itung faktor
V
unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi Pj #j 4 $,
aktor V unit tersembunyi.
9itung suku perubahan bobot Aji.
%. 9itung semua perubahan bobot. erubahan bobot garis yang menuju ke unit keluaran, yaitu< erubahan bobot garis yang menuju ke unit tersembunyi, yaitu<
Setelah tahapan training untuk penentuan bobot selesai dilakukan, maka tahapan selanjutnya adalah melakukan uji klasifikasi emosi terhadap image testing. roses testing ini dilakukan sama halnya pada fase training, hanya saja pada fase testing tidak dilakukan pembelajaran karena boot yang digunakan adalah bobot tetap hasil training.
D. HASIL
ada penelitian yang kami lakukan, digunakan konfigurasi data N5Q data training dan ;5Q data testing dari total data sebanyak J; buah citra. /engan menggunakan data-data tersebut didapatkan hasil nilai akurasi yang relatif tinggi, berkisar H'Q seperti tampak pada gambar &. ada klasifikasi menggunakan M: ini, digunakan learning rate sebesar 5.5$, threshold 5.', jumlah iterasi maksimal adalah &555 iterasi. erlu diketahui untuk menghentikan program digunakan jumlah iterasi maksimum. Saat iterasi sudah mencapai &555 maka program berhenti melakukan penghitungan bobot. 9al ini berbeda dengan beberapa metode stoping lainnya seperti misalnya yang menggunakan Sum SOuare rror #SS( ataupun Means SOuare error #MS(. dapun pertimbangan peneliti memilih stoping kriteria menggunakan jumlah iterasi adalah, karena dalam beberapa percobaan didapatkan iterasi yang tidak berujung saat
digunakan stoping kriteria SS ataupun MS. 0era)al dari hal ini maka ditentukan stoping kriteria adalah menggunakan jumlah iterasi.
6ambar &. roses testing menggunakan M:
E. PEMBAHASAN
/ari hasil percobaan yang dilakukan, didapatkan hasil M: relatif baik jika dinilai dari akurasinya. /imana akurasi M: adalah H'Q. Talaupun M: memberikan hasil yang relatif baik, penentuan :earning rate, threshold dan jumlah iterasi maksimal dapat menyebabkan penurunan ataupun peningkatan akurasi. /alam penelitian ini, dicobakan beberapa kali nilai :earning rate, threshold dan jumlah iterasi maksimum yang berbeda-beda sehingga didapatkan nilai yang optimal sebesar 5.5', 5.', &555. /isamping itu pula, penentuan jumlah 9idden layer dan jumlah node masing-masing hidden layer juga berpengaruh terhadap hasil. ada penelitian ini dicobakan beberapa jumlah hidden layer dan jumlah nodenya. /an didapatkan jumlah hidden layer yang optimal adalah $ hidden layer dengan jumlah node hidden layer adalah $; node.
La2,$ra ( A,+$ka%$ Mark"- Ba%k"- Aa+:%$% 9"r9a%$% 8"9 2"gguaka P"rc",-ro A. P"!a3u+ua
enggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang. /engan bantuan komputer,
analisis kuantitatif yang dihasilkan akan lebih cepat dan
tepat ketimbang menggunakan kemampuan manusia. Situs amaPon.com menjadi contoh kasus yang baik untuk melihat implementasi langsung dari analisis yang memanfaatkan komputer. Ketika kita berkunjung ke situs ini, kita sebagai pengunjung sekaligus pembeli akan melihat informasi mengenai kecenderungan beli konsumen yang terjadi di sana #9obbs dkk, '55;(. Misalnya informasi berikut< buyer )ho bought the book +he :ord 7f +he "ing also bought the
book +he 9obbit. /engan informasi seperti ini, seorang pembeli yang melakukan transaksi di situs amaPon secara tidak langsung akan dirangsang untuk
ikut-ikutan
membeli produk yang biasanya dibeli bersama produk yang sudah dibelinya. Motif utama di balik informasi semacam ini sudah jelas, yakni untuk meningkatkan amaPon.com melalui
peningkatan penjualan
produk-produknya.
laba
nalisis semacam
inilah yang dikenal dengan istilah market basket analysis. enelitian di bidang rtificial Leural Let)ork #jaringan syaraf tiruan( termotiAasi oleh sebuah fakta di lapangan yang menunjukkan bah)a otak manusia sebenarnya melakukan proses komputasi dengan teknik yang jauh berbeda jika dibandingkan dengan teknik yang dipakai oleh komputer digital. 7tak manusia telah diketahui memiliki kemampuan untuk mengorganisasi
komponen-komponennya
sehingga ' dapat
menyelesaikan suatu kasus komputasi dengan lebih baik dan lebih cepat ketimbang komputer digital. ontoh-contoh kasus ini diantaranya pengenalan pola, persepsi, dan kendali motorik #KantardPic, '55;(. /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket analysis, perceptron merupakan “alat! yang akan digunakan untuk mempelajari data yang akan dianalisis.
/engan menggunakan
konsep perceptron, kami berharap
agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat ketimbang tanpa perceptron.
B. P"ru2u%a Ma%a+a3
dapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut. $. Mengembangkan sebuah aplikasi market basket analysis menggunakan konsep perceptron yang berbasis )eb #)eb-based(. '. 7utput yang akan dihasilkan oleh aplikasi ini adalah beberapa tipe dari association rules
yang berkaitan dengan data hasil pembelian, yaitu
support,
confidence. C. Tu=ua
0erdasarkan permasalahan yang telah dibahas sebelumnya, maka tujuan dari penelitian ini adalah sebagai berikut. $. Mengetahui pola pembelian produk atau penggunaan jasa yang biasanya dilakukan oleh mayoritas pembeli produk atau pengguna jasa.
'. Membuat
aplikasi market
basket
analysis yang
memanfaatkan
konsep
perceptron menggunakan bahasa pemrograman 9. D. Ma#aa-
Manfaat yang bisa diambil dalam penelitian ini adalah sebagai berikut. $. Membantu pemilik lembaga bisnis #s)alayan, perusahaan jasa asuransi, toko online,
dsb(
untuk menganalisis
kecenderungan
atau
pola
konsumsi
yang
dimiliki oleh pelanggan masing-masing. '. Memindahkan aplikasi yang sebelumnya berbasis client #client-based( menjadi berbasis )eb #)eb-based(. ;. Mengetahui manfaat konsep perceptron untuk market basket analysis. E. M"-o!" P""+$-$a
Metode penelitian yang akan digunakan dalam penelitian ini adalah sebagai berikut. $. engumpulan data, informasi dan teori-teori mengenai market basket analysis dan perceptron diperoleh melalui artikel dan buku yang ada di internet. '. /ata yang akan dianalisis oleh aplikasi 9al
ini
kami
lakukan dengan
ini adalah data yang masih bersifat fiktif.
alasan bah)a
kami
lebih
fokus
untuk
mengembangkan aplikasi yang dapat mengimplementasikan gabungan antara market basket analysis dengan perceptron bukan pada analisis data nyata yang terjadi dalam sebuah s)alayan atau sejenisnya. Meskipun begitu, tidak tertutup kemungkinan bagi aplikasi ini untuk melakukan analisis terhadap data semacam itu. ;. Setelah aplikasi berhasil diimplementasikan, akan dilakukan analisis terhadap output yang
dikeluarkan. nalisis
akan
lebih menekankan
pada
berhasil-tidaknya
aplikasi ini untuk menghasilkan perhitungan support dan confidence. F. T$=aua Pu%-aka '. Mark"- Ba%k"- Aa+:%
%$Market 0asket nalysis, atau M0, merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran #Megaputer, '55N(. +ujuan dari M0 adalah untuk menentukan produk-produk #jasa( apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelanggan. Istilah Market 0asket nalysis sendiri datang dari kejadian yang sudah sangat umum terjadi di dalam pasar s)alayan, yakni ketika para pelanggan memasukkan semua barang yang mereka beli
ke dalam keranjang #market basket( yang umumnya telah disediakan oleh pihak s)alayan itu sendiri. Informasi mengenai produk-produk yang biasanya dibeli
secara bersama-
sama oleh para pelanggan dapat memberikan “)a)asan! tersendiri bagi para pengelola toko atau s)alayan untuk menaikkan laba bisnisnya #lbion "esearch, '55N(. Misalnya, seperti
seorang manajer
ini untuk
bersama-sama bertujuan membeli
menempatkan
ke dalam
sebuah
untuk memudahkan beberapa produk
toko bisa
saja memanfaatkan informasi
produk-produk area
yang
“mayoritas!
berlainan
yang
berdekatan pembeli
agar
sekaligus. tau
umumnya jaraknya.
dibeli 9al
semakin
sebaliknya,
ini
senang informasi
seperti ini justru bisa dijadikan alasan oleh sang manajer untuk menjauhkan letak satu produk dengan produk lainnya agar pelanggan secara
tidak sadar bisa
terpicu untuk membeli produk-produk lain yang biasanya tidak dibelinya. Informasi-informasi atau pengetahuan seperti di atas tentunya tidak hanya bermanfaat di dalam lingkungan pemasaran untuk pasar s)alayan saja. 0eberapa bisnis yang bergerak di luar )ilayah ini pun bisa menikmati manfaat dari adanya M0 ini. Sebut saja misalnya toko-toko Airtual yang menjual produk produknya secara on-line, bank-bank yang memberikan fasilitas layanan kartu kredit untuk para nasabahnya, perusahaan penyedia jasa asuransi, restoran fast-food, toko baju, toko buku, dsb. (. P"rc",-ro
erceptron
adalah
program
aplikasi
yang
digunakan
untuk
mempelajari konsepRpemahaman mengenai sesuatu #Teisman dan ollack, $%%(. /engan kata lain, perceptron dirancang untuk dapat merespon nilai boolean +rue #$( atau alse #5( yang menjadi masukannya #input(. Secara
umum,
lapisan tunggal
perceptron merupakan
#single
layer(
yang
jaringan
bobot-bobot dan
syaraf
tiruan dengan
biasnya
bisa
dilatih
untuk menghasilkan Aektor target secara tepat ketika akan ditampilkan dengan Aektor input yang bersesuaian. disebut the perceptron memanfaatkan perceptron generalisasi
+eknik pelatihan yang akan digunakan biasanya
learning
rule.
dikarenakan
dari Aektor-Aektor
koneksi tersebar secara acak.
0anyak orang yang kemampuannya
latihannya,
lalu
bekerja
tertarik untuk
dalam dengan
melakukan koneksi-
erceptron
menghitung
output
yang
dihasilkannya
menggunakan
persamaan berikut ini< P>W)9?@
Keterangan< •
adalah Aektor input yang dimasukkan ke dalam jaringan
•
T adalah Aektor bobot
•
b adalah bias erceptron dilatih untuk memberikan respon terhadap setiap Aektor input
dengan target output yang bernilai 5 atau $. 0erikut ini adalah algoritma perceptron. $. Inisialisasi semua bobot dan bias. #gar perhitungan menjadi sederhana, set bobot dan bias sama dengan nol( Set learning rate #=( dengan 5 > = ? $ #gar sederhana, set = 4 $( '. Selama kondisi berhenti bernilai false, lakukan langkah-langkah berikut< i. @ntuk setiap pasangan pembelajaran s-t, Kerjakan< a( set input dengan nilai yang sama dengan Aektor input. 8i 4 Si
b( 9itung respon untuk unit output< c( erbaiki bobot dan bias jika terjadi error< *ika y F t maka< )i#baru( 4 )i#lama( 1 = G t G 8i b#baru( 4 b#lama( 1 = G t *ika tidak, maka )i#baru( 4 )i#lama( b#baru( 4 b#lama( ii. +es kondisi berhenti. *ika tidak terjadi perubahan bobot pada #i( maka kondisi berhenti akan bernilai true. Lamun jika masih terjadi perubahan maka kondisi berhenti akan bernilai false.
DAFTAR PUSTA&A
+.Sutojo,di
Mulyanto,Wincent
Subroto.'5$5.!Kecerdasan
0uatan!.Eogyakarta<ndi
Eogyakarta Setia)an,Sandi. $%%;.!rtificial Intelligence!.Eogyakarta<ndi 7ffset Eogyakarta Suyanto.'5$$.!rtificial Intelligence Searching, "easoning, lanning dan :earning #disi "eAisi(. 0andung < Informatika bandung
