14 b.
Mereduksi peubah data asli menggunakan AKU Kernel Gauss untuk nilai tertentu menjadi dua peubah baru yaitu komponen utama pertama dan
komponen utama kedua. c.
Mengklasifikasikan komponen utama pertama dan komponen utama kedua dengan menggunakan fungsi diskriminan linear Fisher.
d. Mengevaluasi hasil pereduksian dan pengklasifikasian dengan menghitung
total proporsi salah klasifikasi data. 4.
Membuat gambaran respons total proporsi salah klasifikasi sebagai fungsi dari parameter
pada AKU Kernel dengan menggunakan fungsi kernel Gauss. Langkah 1 sampai 4 dapat dilihat pada Gambar 3.1 di bawah ini.
Gambar 3.1 Diagram alir penelitian Data Asli
Fungsi Diskriminan Linear Fisher
AKU Kernel
1 2
, ,
,
s
Total Proporsi Salah Klasifikasi
2
AER Fungsi Diskriminan
Linear Fisher Total Proporsi
Salah Klasifikasi
1
AER
Reduksi Peubah
AKU Linear
KU-1 KU-2 Algoritma
Pendugaan
KU-1 KU-2
Gambaran Respons terhadap
3
AER
Fungsi Diskriminan Linear Fisher
Total proporsi Salah Klasifikasi
3
AER
15
3.2.1 Menyiapkan Alat Uji
Pada tahap ini, dilakukan langkah-langkah sebagai berikut: 1.
Mengidentifikasi masalah Masalah pada penelitian ini adalah bagaimana metode untuk menduga
parameter pada fungsi kernel Gauss sehingga diperoleh visualisasi data
berkelompok yang terpisah secara linear dan meminimumkan salah klasifikasi dengan menggunakan AKU Kernel. Hasil visualisasi ini kemudian
juga dibandingkan dengan hasil visualisasi yang diperoleh dengan menggunakan AKU berdasarkan salah klasifikasi yang diperoleh.
2. Menentukan tujuan
Tujuan dari penelitian ini adalah mengkaji suatu metode pemilihan parameter pada fungsi kernel Gauss yang digunakan pada AKU Kernel dalam
memvisualisasikan data berkelompok yang terpisah secara linear dan meminimumkan salah klasifikasi. Selain itu, penelitian ini juga bertujuan
untuk membandingkan hasil visualisasi dengan AKU Kernel dengan hasil visualisasi dengan AKU berdasarkan salah klasifikasi yang diperoleh.
3. Studi literatur
Studi literatur dilakukan untuk mengkaji metode pereduksian data dengan menggunakan AKU dan AKU Kernel. Dalam bagian ini juga dikaji tentang
Analisis Diskriminan Linear Fisher untuk mengklasifikasikan data.
4. Menyusun algoritma
Setelah melakukan studi literatur, langkah selanjutnya adalah menyusun algoritma visualisasi data dengan menggunakan AKU dan AKU Kernel.
Untuk AKU Kernel, disusun pula algoritma untuk menduga parameter
pada fungsi kernel Gauss yang meminimumkan salah klasifikasi. 5.
Menyusun program komputer Algoritma yang telah disusun kemudian diimplementasikan ke dalam salah
satu bahasa pemograman komputer yaitu Matlab. Matlab dipilih karena fungsi-fungsi yang berkaitan dengan analisis diskriminan linear Fisher telah
tersedia dan siap digunakan. Program yang disusun diharapkan menerima input berupa matriks data berkelompok dan parameter
untuk fungsi kernel Gauss. Setelah dijalankan, program memberikan output berupa plot pencar
sebagai hasil visualisasi dari AKU Kernel yang paling meminimumkan salah klasifikasi.
Selain program utama, disusun juga script Matlab lain yang digunakan untuk menentukan nilai parameter yang paling meminimumkan salah klasifikasi
dalam memvisualisasikan data dengan AKU Kernel.
3.2.2 Membandingkan Efektivitas Teknik Visualisasi
Pertama dijelaskan terlebih dahulu mengenai langkah memperoleh visualisasi dari data berkelompok menggunakan program yang telah disusun.
1. Visualisasi data berkelompok dengan AKU
Pada tahap ini akan diterapkan AKU terhadap data berkelompok. Tahap visualisasi data berkelompok menggunakan AKU dapat dilihat pada flowchart
pada Gambar 3.2 berikut.
