Analisis kinerja metode entropy dalam penentuan bobot awal learning vector quantization pada proses klasifikasi

BAB 1
PENDAHULUAN

1.1. Latar Belakang Masalah
Jaringan syaraf tiruan (JST) merupakan salah satu sistem pengolahan informasi yang
diadopsi dari cara kerja otak manusia, yaitu belajar melalui contoh. Sebuah JST dapat
diimplementasikan untuk aplikasi tertentu seperti pengenalan pola atau klasifikasi
data, melalui proses pembelajaran (Sutojo et al, 2010). JST dapat mengenali proses
pembelajaran dengan berbasis masa lalu. Data masa lalu tersebut akan dipelajari oleh
jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberi keputusan
terhadap data yang belum pernah dipelajari (Kusumadewi, 2003).
Hingga saat ini banyak sekali peneliti yang telah mengembangkan proses
Jaringan Syaraf Tiruan ke dalam bentuk algoritma seperti Hebb Rule, Delta Rule,
Backpropagation, Learning Vector Quantization dan lain-lain. JST Learning Vector
Quantizaton (LVQ) merupakan metode klasifikasi data adaptif berdasarkan pada data
pelatihan dengan informasi kelas yang diinginkan. LVQ memiliki sifat kompetitif
yang terawasi dalam proses pembelajaran yang terdiri atas unit masukan dan unit
keluaran. Sifat kompetitif tersebut berada pada lapisan kompetitif akan secara
otomatis belajar untuk mengklasifikasikan vektor-vektor input ke dalam kelas-kelas
tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input
(T Kohonen, 1995). LVQ sendiri memiliki tingkat akurasi dan waktu yang baik dalam

proses pengenalan wajah jika dibandingkan dengan JST Backpropagtion (Maharani &
Irawan, 2012). LVQ juga memiliki kelebihan dalam hal tingkat error yang dihasilkan
namun memiliki kekurangan yaitu bila jumlah datanya besar maka waktu yang
digunakan untuk proses pelatihan menjadi sangat lama dan akurasi model sangat
bergantung pada penentuan vektor bobot awal serta paramenter (learning rate dan
iterasi) yang digunakan (Itje & Hartati, 2011).
Dalam algoritma LVQ, cara menentukan vektor bobot awal tersebut biasanya
menggunakan vektor yang diambil dari data yaitu data pertama dan data kedua dari

Universitas Sumatera Utara

2

sekumpulan dataset dengan kelas yang berbeda apabila hanya terdapat dua kelas
dalam sekumpulan data kasus. Namun apabila dua vektor bobot awal tersebut
memiliki nilai yang hampir sama, maka akan mengalami proses pembelajaran yang
lama untuk mengenali data pada setiap kelas (Arida Ayu, 2016). Oleh karena itu
penelitian yang dilakukan Luh Arida Ayu menggunakan Self Organization Maps
(SOM)

untuk

mengatasi

kekurangan

LVQ

tersebut

yaitu

dengan

cara

mengkombinasikan LVQ dengan SOM pada klasifikasi genre musik. Dari hasil
pengujian yang telah dilakukan menunjukkan bahwa kombinasi LVQ dan SOM
memberikan hasil yang lebih baik dibandingkan dengan LVQ standar.
Metode Entropy merupakan metode yang dapat digunakan untuk menentukan

suatu bobot dan mengambil keputusan dari sekumpulan altenatif. Entropy mampu
menyelidiki keserasian dalam diskriminasi diantara sekumpulan data yang beratirbut
banyak. Dengan menggunakan Entropy kriteria dengan variasi nilai tertinggi akan
mendapatkan bobot tertinggi (Abbas, 2004). Penelitian lain menyebutkan bahwa
Entropy dapat mengambil keputusan dalam pemilihan subkontrak produksi sarung
tangan (Jamila, 2012). Pada penelitian tersebut, dilakukan pembobotan setiap kriteria
dan penentuan subkontrak mana yang menjadi pilihan terbaik.
Untuk itu penulis tertarik untuk melakukan penelitian tentang sejauh mana
kinerja metode Entropy dalam menentukan vektor bobot awal pada JST LVQ. Metode
Entropy akan mencari vektor bobot awal dari dataset, kemudian vektor bobot awal
tersebut akan digunakan dalam pelatihan dan pengujian pada LVQ. Maka dengan
metode Entropy tersebut dapat menghasilkan suatu vektor bobot awal yang dapat
mewakili setiap kelas sehingga mempercepat proses pembelajaran dan memilkiti
tingkat akurasi yang baik bila dibandingkan dengan LVQ standar. Oleh karena itu
judul penelitian tesis yang diusulkan adalah “Analisis Kinerja Metode Entropy dalam
Penentuan Bobot Awal Learning Vector Quantization pada Proses Klasifikasi”. Untuk
melakukan proses pelatihan dan pengujian pada LVQ diaplikasikan pada dataset
kanker yang diperoleh dari data benchmark UCI Machine Learning Repository.

1.2. Perumusan Masalah

Pada LVQ untuk menentukan vektor bobot awal biasanya diambil dari data pertama
dan data kedua dan membutuhkan pembelajaran yang lama apabila kedua vektor
tersebut memiliki kemiripan nilai yang hampir sama walaupun berbeda kelas.

Universitas Sumatera Utara

3

Penentuan bobot awal pada proses klasifikasi menggunakan metode LVQ akan
mempengaruhi kinerja (akurasi) dari metode tersebut.

1.3. Tujuan Penelitian
Penelitian ini bertujuan untuk mendapatkan tingkat akurasi yang lebih baik dalam
klasifikasi menggunakan metode Entropy dalam penentuan vektor bobot awal pada
Jaringan Syaraf Tiruan Learning Vector Quantization.

1.4. Batasan Masalah
Dalam penelitian ini telah ditentukan batasan-batasan dari topik yang dibahas
sehingga cakupan pembahasan tidak terlalu luas dan fokus utama penelitian tidak
menjadi kabur. Beberapa batasan masalah yang ditentukan pada penelitian ini

dijabarkan sebagai berikut:
1. Dalam menormalisasi data dan penentuan bobot awal dilakukan dengan
metode Entropy.
2. Implementasi penelitian dilakukan pada JST LVQ dengan dataset breast
cancer yang diperoleh dari UCI Machine Learning Repository, yaitu terdiri
dari jumlah data 699 dengan 10 atribut serta 2 kelas (kanker jinak dan kanker
ganas).

1.5. Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Dapat mengetahui dan memahami metode Entropy pada LVQ.
2. Menjadi landasan untuk penelitian-penelitian selanjutnya dan memberikan
kontribusi bagi ilmu pengetahuan, khususnya bidang ilmu komputer.

Universitas Sumatera Utara