data dengan data lain untuk memperkaya informasi guna keperluan analisis. Proses ketiga adalah
transformasi yaitu proses pengkodean sesuai dengan kriteria analisis pada data yang telah dipilih.
Kemudian proses pencarian pola atau informasi yang baru dengan metode atau teknik tertentu. Proses
terakhir adalah proses evaluasi yaitu proses pengkajian hasil penemuan informasi baru dengan
fakta atau hipotesis yang sebelumnya telah dibuat lalu dipresentasikan dalam bentuk yang sesuai dengan
keinginan.
2.2.2. Artificial Neuron Network ANN
Artificial Neuron Network ANN atau Jaringan Saraf Tiruan adalah sebuah konsep rekayasa
pengetahuan yang mengadopsi sistem kerja saraf manusia. Metode ini dapat digunakan untuk pengenalan
pola, klasifikasi dan peramalan. Dalam desainnya, ANN memiliki 3 bagian yaitu bagian input, bagian
pemrosesan dan bagian output Prasetyo, 2012. Inputan pada ANN ini dapat berupa vector sehingga
perhitungan dalam ANN dapat dilakukan untuk masalah yang kompleks dengan mudah.
Dalam prosesnya, metode ANN ini digunakan untuk melakukan peramalan dan pengenalan pola dalam data
mining. Untuk melakukannya, ANN memerlukan proses pelatihan agar dapat melakukan prediksi kelas dari
suatu data uji coba. Dalam proses penambangan data, ANN menggunakan fungsi aktivasi yang digunakan untuk
membatasi keluaran dari bagian pemrosesan atau neuron agar sesuai dengan batasan yang diinginkan.
Terdapat berbagai algoritma yang dapat digunakan Kemudian proses pe
pe nc
ncarian po
po la atau informasi yang
baru dengan metode atau tekn
ik ik
tertentu. Proses terakhir
adalah proses evaluasi yaitu
proses pengka
ka j
jian hasil p en
enem mua
ua n
n in
in formasi
ba b
ru dengan fakt
kta atau h
h ip
ip otes
i is yang
se sebe
be lu
lum mnya tel
ah ah
dibuat l
lalu dip ip
re r
sentas s
ik ik
an an d
alam b
b en
en tuk yang
g s
s esuai
dengan kein
in gi
gi na
na n.
2.2.2. 2.
Artifi ci
al Neuro n
Networ k
ANN
Artificial N
euron Netw or
k ANN ata
u u Ja
Jari ring
n an
n Sa
r ra
f Tiruan ada
la h
se bu
ah kon se
p reka
ka ya
y sa
a pe
eng etahuan
ya ng
m en
ga do
ps i
si st
em ker
ja a sar
r af
af ma
a nusia. Metode
in i
dapat di
gu na
ka n untuk pe
ngena alan
n po
po la
, kl
as if
ik asi dan peramalan.
Dal am
d e
esai ainnya
ya ,
ANN me mi
mi li
li ki
ki 3
3 b
b ag
agia ia
n ya yait
it u
u ba
ba gi
gi an
an i
i nput, bagi
gi an
an pemrosesan dan bagia
a n
n output Prasetyo, 20
12 12
. In
In pu
p tan pada ANN ini dapat berupa vector
s s
eh ehin
ingg gg
a pe
pe rh
rh it
it un
un ga
ga n
n da
da la
lam m AN
ANN N
da a
pa pat
t di
di l
la ku
ku ka
ka n
n un
un tu
tu k
k ma ma
sa sal
lah ya
ya ng
ng kom
om pl
plek eks de
deng ng
an a
m mud
ud a
ah. Dalam prosesnya,
a, metod ode ANN ini digunakan untuk
melakukan peramalan n
dan pe engenalan pola dalam
data mining. Untuk mela
k kukanny
ya, ANN memerlukan proses pelatihan agar dapat
t mel
l ak
ukan prediksi kelas dari suatu data uji coba. D
Dal alam proses penambangan data,
k f
i k i
i di
k k
untuk menggunakan metode ini. Salah satunya adalah algoritma Backpropagation.
Algoritma Backpropagation adalah salah satu algoritma yang digunakan untuk melakukan pelatihan
pada metode ANN. Algoritma ini bersifat nonlinear yang dapat mengatasi berbagai masalah yang rumit.
Algoritma ini memiliki dasar matematis yang tinggi dan dilatih menggunakan meode belajar tebimb ing
dimana hasil atau tujuannya sudah diketahui sebelumnya. Pada algoritma ini, jaringan akan
diberikan sepasang pola yang merupakan masukan dan pola yang diinginkan. Ketika pola dimasukan ke dalam
jaringan maka bobot-bobot akan diubah untuk memperkecil perbedaan pola keluaran dengan pola yang
diinginkan. Pelatihan ini dilakukan berulang -ulang sehingga memenuhi pola yang diinginkan,
Algoritma ini mendukung jenis ANN yang bersifat multi layer atau biasa disebut Multi Layer Precepton
MLP. Pada algoritma ini terdiri dari 3 layer yaitu layer input, layer tersembunyi dan layer output.
Gambar 2.1. Arsitektur Multi Layer Precepton Haselstainer Pfurtscheller, 2000.
g y
g g
p pada metode AN
N N.
N. Algoritma i
i ni
n bersifat nonlinear
yang dapat t
mengatasi berbagai masa salah yang rumit.
Algoritm tma ini mem
m il
i iki dasar matemati
is s
yang tinggi dan
dilati i
h h
m menggu
gu na
naka ka
n n
me me
od od
e e
belajar tebimb ing
di dimana has
s il
il atau tujuannya
a suda
d h
di diketahui
sebelu lu
mn mnya
y .
Pa Pa
da alg
or itma
i i
ni n
, ja
ja ri
ri ngan
akan di
di be
be ri
ri kan
n se
pa sang pol
a yang merup
ak ak
an m
m as
asuk u
an dan
po po
la la
y y
a an
g diinginkan. Ketika pol a
dima su
sukan ke
ke dal l
am a
ja j
rin ng
an maka bobo t-
bobot ak
an d iu
u bah
h un
un tu
k k
m memp
mp er
kecil perb ed
aan pola k el
uaran dengan pol
l a
a ya
y ng
g di
i in
gink an
. Pelati ha
n in
i di
lakukan beru la
ang -u
-u la
l ng
ng se
e hi
ngga mem en
uh i po
la y an
g diin
gi nk
an, Algori
tma ini
mendukun g
je ni
s AN N
yang ber
rsifa a
t t
mult i
la a
ye ye
r r atau bi
bias a
a dise se
b but Mult
lt i
i La
yer Pr
P ecepto
ton n
MLP. Pada algoritma in n
i i
terdiri dari 3 layer y y
ai ai
tu tu
layer input, layer tersembunyi dan layer output. t.
Pada gambar di atas dapat dilihat arsitektur dari algoritma ini. Dicontohkan dengan gambar diatas
diketahui terdapat layer output lalu satu layer tersembunyi dan satu layer input. Pada layer
tersembunyi ini dapat dibuat lebih dari satu layer. Proses yang berjalan pada algoritma ini adal ah nilai
dikirim melalui layer input ke layer tersembunyi sampai ke layer output. Pada bagian layer
tersembunyi memiliki fungsi aktivasi sigmoid. Pelatihan pada algoritma Backpropagation memiliki
proses seperti berikut. Yang pertama adalah proses Inisialisasi yang digunakan untuk memberikan nilai
awal terhadap nilai yang diperlukan seperti bobot. Lalu yang kedua adalah Aktivasi yang akan melakukan
perhitungan aktual output pada layer tersembunyi dan layer output. Selanjutnya adalah Pelatihan Bobot
yaitu menghitung eror pada layer tersembunyi dan layer output dan mengganti bobot dengan bobot yang
baru dan terakhir adalah Iterasi yang akan mengulang proses ini hingga mendapat eror yang minimal. Pada
algoritma ini, proses pelatihan memiliki dua fase utama. Fase yang pertama, inputan pada algoritma
ini diberikan pada layer input pada jaringan. Kemudian inputan akan diteruskan ke dalam layer –
layer tersembunyi hingga menghasilkan nilai output di layer output. Fase kedua yaitu akan dihitung
nilai eror dari hasil output jaringan dengan output yang sebenarnya. Kemudian hasil tersebut
dikembalikan ke layer tersembunyi hingga kembali ke layer input dimana saat proses pengembalian ini,
p y
y p
y tersembunyi
da a
n n
satu layer r
input. Pada layer tersembuny
y i
i ini dapat dibuat lebih
h dari satu layer.
Proses y yang berjalan
a p
p ada algo
g ritma in
i i
adal ah nilai diki
i r
rim mela la
lu lu
i i
la a
ye ye
r r
in in
pu pu
t t
ke k
layer t
t ersembunyi
sa ampai ke
l l
ay er output.
P P
ad ada bagian
n layer
m m
tersem embu
buny n
i m
me mi
liki fungs i
akti iva
vasi si
sig gmoid.
Pe Pe
la lati
tihan pada algor
itma Backprop
ag agat
io io
n n
me m
mi i
li l
ki pr
pr os
os es
seper ti
berikut .
Yang pertama a
a da
la lah
h pros
s es
e Inisi
iali sasi yan
g digu
na kan un
tu k memb
er rikan
an n
n il
i ai
i a
awal l
terhadap ni la
i ya ng
dip er
lukan sepe r
rti bo bo
bo b
t. La
l lu
yan g
kedua ad al
ah Aktiv as
i yang a
kan m
mela a
ku ku
ka a
n n
pe e
rh itungan
ak tu
al outpu
t pa
da l ay
er terse mb
b unyi d
dan n
la a
yer output. Se la
nj utnya ad
al ah Pelatih
a n
B B
o obot
t ya
yait u
me ng
hi tu
tu ng
ng eror pada
l l
ay ay
er e
ter se
mbun uny
yi d
d an
an layer outp
ut dan
m m
en en
gg g
an n
ti ti
b bobot
d engan bobot ya
ya ng
ng baru dan terakhir adal
ah ah Iterasi yang akan mengu
gula la
n ng
pr r
os os
es ini hingga mendapat eror yang minim im
al al.
. Pa
Pa da
al l
go go
ri ri
tm tm
a a
in in
i, i,
p ro
ro se
ses s
pe pela
lati ti
ha ha
n n
me me
mi mi
li li
ki ki
d dua
a f
fase ut
utam am
a a.
F F
a ase
e yang
p p
ertama, in
puta ta
n n
p pad
ad a
a al
al go
goritma ini
di diberikan pada
a lay
yer input pad d
a jaringan. Kemudian inputan ak
kan dite eruskan ke dalam layer
– layer tersembunyi h
hingga menghasilkan nilai output
di layer output. F a
ase k
kedua yaitu akan dihitung nilai eror dari hasil
ou utput jaringan dengan output
yang sebenarnya
Kemudian hasil
tersebut
bobot nilai akan diubah untuk agar mendapatkan hasil output yang lebih akurat Prasetyo, 2012.
Backpropagation Klasifikasi memiliki metode yang digunakan untuk melakukan pembelajaran terhadap
kumpulan data dan kemudian memetakan masing-masing data yang terpilih ke dalam salah satu dari kelompok
kelas yang telah ditetapkan sebelumya. Tujuan dari klasifikasi yaitu memperkirakan kelas yang dimiliki
dari suatu objek dimana objek tersebut belum diketahui labelnya. Proses klasifikasi ini melakukan
proses pencarian model atau fungsi yang dapat menjelaskan atau membedakan kelas dari data tertentu
Han, et al., 2012. Untuk mengukur kualitas dari
klasifikasi dapat digunakan perhitungan berikut ini:
2.2.3. Temporal Data Mining