Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine dan Particle Swarm Optimization untuk Seleksi Fitur (Studi Kasus: Program Studi Teknik Informatika FILKOM UB)

  Vol. 2, No. 5, Mei 2018, hlm. 1856-1865 http://j-ptiik.ub.ac.id

  

Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine

dan Particle Swarm Optimization untuk Seleksi Fitur

(Studi Kasus: Program Studi Teknik Informatika FILKOM UB)

_{1 2 3} Nur Afifah Sugianto , Imam Cholissodin , Agus Wahyu Widodo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: afifahnur30@gmail.com, imamcs@ub.ac.id, a_wahyu_w@ub.ac.id

  

Abstrak

  Program keminatan pada Program Studi Teknik Informatika Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya merupakan suatu program pemantapan untuk profil lulusan mahasiswa Teknik Informatika agar setiap mahasiswa memiliki kemampuan khusus sesuai dengan profil lulusan yang ingin dicapai. Untuk dapat membantu mahasiswa dalam memilih keminatan, dibutuhkan suatu sistem cerdas yang dapat menentukan keminatan mahasiswa sesuai dengan minat dan kemampuan mahasiwa. Salah satu metode klasifikasi yang dapat digunakan adalah algoritme Extreme Learning Machine (ELM).

  Namun metode tersebut tidak memiliki kemampuan untuk menyeleksi fitur sehingga perlu dikombinasi dengan algoritme Particle Swarm Optimization yang dapat digunakan untuk melakukan seleksi fitur secara otomatis dan optimal. Penelitian ini menggunakan 90 data hasil studi mahasiswa dengan 25 fitur dan 3 kelas. Berdasarkan penelitian yang telah dilakukan, didapatkan parameter optimal yaitu jumlah node pada hidden node 20, perbandingan data training dan data testing sebesar 80% : 20% (72 data

  

training dan 18 data testing), jumlah partikel 120, maksimum iterasi 600 dan bobot inersia 1. Dari

  parameter tersebut didapatkan tingkat akurasi sistem menggunakan algoritme ELM&PSO sebesar 94,44% dengan 11 fitur terpilih. Sedangkan akurasi yang didapatkan dari algoritme ELM biasa hanya mencapai 66,67%. Dari hasil akurasi yang didapatkan, menunjukkan bahwa penambahan algoritme PSO pada ELM mampu meningkatkan akurasi algoritme ELM biasa.

  Kata kunci: Klasifikasi, Seleksi Fitur, Extreme Learning Machine, Particle Swarm Optimization.

  

Abstract

Majoring program in Informatics Engineering Program Faculty of Computer Science (FILKOM)

Brawijaya University is a stabilization program for the profile of graduates of Informatics Engineering

students so that each student has a special ability in accordance with the profile of graduates to be

achieved. To be able to help the student in selecting the major program then a smart system is needed

to determine the major program of each student that accordance with the interests and abilities of

students. One methods of classification that can be used is Extreme Learning Machine (ELM) algorithm.

  

However, the method does not have the ability to select features so it needs to be combined with Particle

Swarm Optimization algorithm that can be used to perform feature selection automatically and

optimally. This research uses 90 data of student study result with 25 features and 3 classes. Based on

the research that has been done, the optimal parameters are the number of nodes in the hidden node is

20, the comparison of training data and testing data is 80%:20% (72 training data and 18 testing data),

the number of particles is 120, the maximum iteration is 600 and the weight of inertia is 1. From these

parameters, the system accuracy using ELM&PSO algorithm is 94.44% with 11 selected features. While

the accuracy obtained from the ordinary ELM algorithm is only 66.67%. from the results of accuracy

obtained, shows that the addition of PSO algorithm on ELM can improve the accuracy of common ELM

algorithm.

  Keywords: Classification, Feature Selection, Extreme Learning Machine, Particle Swarm Optimization.

  Fakultas Ilmu Komputer Universitas Brawijaya

1856

1. PENDAHULUAN

  Penyelenggaraan kurikulum pada Program Studi Teknik Informatika Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya, terdapat program keminatan. Program tersebut merupakan suatu program yang bertujuan untuk memantapkan dan menguatkan profil lulusan bagi mahasiswa Teknik Informatika sehingga setiap mahasiswa memiliki kemampuan yang khusus sesuai dengan profil lulusan yang ingin dicapai. Kelompok keminatan yang dapat dipilih mahasiswa Teknik Informatika dibagi menjadi 4 kelompok, yaitu Keminatan Rekayasa Perangkat Lunak (RPL), Komputasi Cerdas (KC), Komputasi Berbasis Jaringan (KBJ) serta Multimedia, Game dan Mobile (MGM). Selain itu, pemilihan keminatan juga menjadi syarat bagi mahasiswa Teknik Informatika untuk mengajukan skripsi karena berdasarkan buku pedoman kurikulum setiap mahasiswa diwajibkan mengambil 10 mata kuliah pilihan.

• –metode yang dapat digunakan untuk melakukan proses klasifikasi pemilihan keminatan. Salah satu metode klasifikasi yang dapat digunakan adalah agoritme Extreme
• –peneliti sebelumnya, salah satunya dilakukan oleh Prakoso, Wisesty & Jondri (2016) dengan judul Klasifikasi Keadaan Mata Berdasarkan Sinyal EEG Menggunakan Extreme Learning Machine. Penelitian tersebut mampu menghasilkan nilai akurasi sebesar 97,95%.
• –keminatan yang ditawarkan. Hal tersebut membuat mayoritas mahasiswa menjadi bingung dalam memilih keminatan. Selain itu, ketidaktahuan mahasiswa akan minat dan kemampuan yang dimiliki membuat sebagian besar mahasiswa memilih keminatan hanya karena mengikuti teman. Hal itu semua dapat menyebabkan terjadinya perubahan pemikiran mahasiswa terhadap keminatan yang seharusnya diambil. Selain itu, hal ini tentunya juga akan berdampak pada proses pengerjaan skripsi yang akan terhambat jika sampai terjadi perubahan keminatan karena mahasiswa harus mengambil mata kuliah pilihan lagi untuk memenuhi syarat 6 mata kuliah pada keminatan yang sama.

  Dari 10 mata kuliah pilihan yang diambil, setiap mahasiswa diwajibkan mengambil 6 mata kuliah pilihan dari 1 keminatan yang sama sedangkan 4 mata kuliah sisanya boleh diambil dari keminatan lainnya atau non keminatan (Laporan Kurikulum Berbasis Standar Nasional Pendidikan Tinggi Program Studi Teknik Informatika, 2016).

• –fitur yang tidak relevan dalam kumpulan data. Salah satu solusi yang dapat digunakan untuk memecahkan permasalahan tersebut adalah dengan menggunakan metode Particle Swarm
>–kriteria atau informasi
• –informasi yang spesifik terkait keminatan tersebut serta kurangnya wawasan mahasiswa terkait keminatan

  Permasalahan yang sering terjadi pada mahasiswa yang akan memilih keminatan adalah kebebasan dalam memilih keminatan tanpa adanya syarat-syarat, kriteria

  Berdasarkan banyaknya kendala yang dihadapi mahasiswa Teknik Informatika dalam milih keminatan, maka diperlukan suatu sistem cerdas yang mampu membantu mahasiswa dalam memilih keminatan sesuai dengan minat dan kemampuan mahasiwa.

  Seiring dengan perkembangan dan kemajuan teknologi saat ini, banyak sekali metode

  Learning Machine (ELM). Kelebihan dari

  metode ini terletak pada learning speed serta memiliki tingkat akurasi yang lebih baik di bandingkan dengan metode konvensional lainnya (Siwi, et al., 2016). Penelitian terkait metode Extreme Learning Machine (ELM) telah banyak dilakukan oleh peneliti

  Tahap yang perlu dilakukan sebelum melakukan proses klasifikasi adalah proses pengolahan fitur atau seleksi fitur untuk menghasilkan hasil klasifikasi yang lebih baik. Hal ini perlu dilakukan karena proses klasifikasi atau pemilihan keminatan akan menghasilkan hasil yang kurang baik karena adanya fitur

  Optimization (PSO). Penggunaan metode PSO

  dalam meningkatkan akurasi telah dibuktikan oleh Shahsavari, Bakhsh & Rashidi (2016) untuk melakukan klasifikasi penyakit Parkinson menggunakan metode ELM dan Hybrid PSO. Hasil dari penelitian tersebut menunjukkan bahwa penggunaan Hybrid PSO mampu memberikan akurasi yang lebih tinggi dari pada metode-metode seleksi fitur lainnya yaitu mencapai 88,72%.

  Berdasarkan permasalahan yang sering dihadapi mahasiswa Teknik Informatika dalam pemilihan keminatan, maka penulis mengusulkan penelitian dengan menggabungkan kedua metode tersebut untuk menyelesaikan permasalahan di atas dengan judul “Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine dan

  Particle Swarm Optimization Untuk Seleksi

  Fitur”. Metode ELM diharapkan mampu menghasilkan klasifikasi berupa keminatan

2. DASAR TEORI

  nilai yang berbeda

  = Matriks yang bernilai 1 dengan ukuran baris sama dengan jumlah data training dan 1

  ( , 1)

  = Matriks Transpose Input weight

  H = Keluaran Hidden Layer exp = Eksponensial X = Matriks Data Masukan (Input) W ^T

  (1) Keterangan:

  = 1/( 1 + exp(−( . + ( , 1) ∗ )))

  hidden layer pada interval 0 sampai 1 menggunakan persamaan 1.

  untuk memetakan nilai matriks keluaran

  layer (H) dengan fungsi aktivasi sigmoid

  Langkah 2: Menghitung matriks keluaran hidden

  Inisialisasi input weight (W jk ) dan bias secara random dengan ukuran matriks j x k, di mana j merupakan banyak hidden node dan k adalah banyak input node.

  Proses Training: Langkah 1:

  (Azizah, et al., 2016). Langkah

  hidden node terhubung ke semua output node

  input layer, hidden layer dan output layer. Setiap node pada input layer terhubung dengan hidden node yang dihubungkan oleh bobot input dengan

  berdasarkan kemampuan mahasiswa melalui nilai hasil studi mahasiswa. Sedangkan penggunaan PSO untuk seleksi fitur diharapkan mampu meningkatkan akurasi pada metode ELM.

  2.4 Extreme Learning Machine (ELM) Extreme Learning Machine (ELM)

  2.1 Penjelasan Dataset

  Data yang digunakan pada penelitian ini adalah data nilai hasil studi mahasiswa Teknik Informatika Universitas Brawijaya angkatan 2013 dan jenis kelamin. Data terdiri dari 25 fitur dan 3 kelas yaitu, kelas keminatan KC, RPL dan KBJ. Data yang digunakan dibagi menjadi dua bagian yaitu data training dan data testing yang kemudian akan digunakan untuk proses klasifikasi.

  2.2 Klasifikasi

  Klasifikasi merupakan proses identifikasi obyek ke dalam sebuah kelas, kelompok, atau kategori berdasarkan prosedur, karakteristik dan definisi yang telah ditentukan sebelumnya. Klasifikasi ini bertujuan untuk membagi objek yang ditugaskan hanya ke salah satu nomor kategori yang disebut kelas. Selain bertujuan untuk membagi objek atau data, klasifikasi juga sering digunakan untuk melakukan prediksi. Klasifikasi bekerja dengan cara menemukan model dari data pelatihan (training) yang label kelasnya telah diketahui.

  2.3 Seleksi Fitur

  Seleksi fitur merupakan salah satu tahapan praproses pada machine learning yang bertujuan untuk mengurangi dimensi data dan menghilangkan data yang tidak relevan untuk meningkatkan efisiensi, performa sistem dan meningkatkan hasil akurasi (Yu & Liu, 2003). Banyaknya jumlah data dan jumlah fitur pada pengolahan data tentunya dapat menimbulkan permasalahan yang serius pada tingkat skalabilitas dan kinerja sistem untuk beberapa algoritme. Misalkan pada data dengan dimensi yang tinggi yaitu pada data yang memiliki ratusan bahkan ribuan fitur dapat berisi data-data yang tidak relevan yang bisa menurunkan kinerja dari algoritme. Oleh karena itu, pemilihan fitur menjadi sangat perlu dilakukan dalam menghadapi data-data dengan dimensi yang tinggi. kolom. proses training. = Bias

  merupakan bagian dari jaringan syaraf tiruan yang biasanya disebut dengan single hidden

  Jaringan ELM terdiri dari 3 layer, yaitu

  layer feedforward neural network (SLNs).

  Metode ini memiliki learning speed yang ribuan kali lebih cepat dibandingkan metode

  feedforward konvensional lainnya seperti Backpropagation dan performansi generalisasi

  yang lebih baik (Huang, et al., 2006). Pada JST semua parameter harus ditentukan secara manual termasuk input dan bias sehingga membutuhkan

  learning speed yang lama. Namun pada ELM,

  semua parameter dipilih secara random sehingga tidak membutuhkan learning speed yang lama dan mampu menghasilkan good generalization performance (Siwi, et al., 2016).

• –beda. Setiap input node terhubung ke semua hidden node dan semua
• –langkah pada metode ELM dibagi menjadi 2 proses, yaitu proses training dan proses testing. Langkah- langkah tersebut adalah sebagai berikut (Cholissodin, 2016): A.

  Langkah 2: Langkah 3:

  Menghitung matriks keluaran hidden Menghitung matriks moore Layer (H) menggunakan persamaan 1.

• –penrose

  yang didapatkan dari

  pseudo inverse

  Langkah 3: perkalian matriks inverse dan transpose Menghitung hasil prediksi (

  ̂) keluaran hidden layer. Perhitungan Matriks menggunakan persamaan 4.

  Moore

• –Penrose Pseudo Inverse ditunjukkan

  Langkah 4: pada persamaan 2.

  Menghitung nilai evaluasi, misalnya

  −1 +

  (2) = ( . ) . menggunakan MAPE atau Akurasi.

  Keterangan:

• ⁺ H = Matriks Moore

  2.5

• –Penrose Pseudo Particle Swarm Optimization (PSO) Inverse Particle Swarm Optimization (PSO) H = Matriks Keluaran Hidden Layer
_T

  merupakan salah satu metode seleksi fitur yang

  H = Transpose Matriks Keluaran

  didasarkan pada perilaku sekawanan ikan dan

  Hidden

  burung yang bergerak untuk mendapatka posisi

  Layer

  terbaik. Karena terinspirasi dari perilaku Langkah 4: sekawanan makhluk hidup, individu pada PSO biasanya disebut dengan partikel. Setiap partikel

  Menghitung output weight ( ̂) yang pada PSO melakukan perpindahan posisi dengan dihasilkan oleh hidden layer dan output layer cara terbang seperti burung dengan suatu menggunakan persamaan 3. kecepatan yang dinamis pada ruang pencarian

• (3) ̂ = .

  yang disesuaikan dengan perilaku historis mereka. Oleh karena itu, setiap partikel memiliki Keterangan: kecenderungan untuk terbang menuju posisi

  = Output weight

  ̂

  yang terbaik (Muhamad, et al., 2016). Langkah = Matriks Moore

• – +
• –Penrose Pseudo

  langkah pada Particle Swarm Optimization

  Inverse

  = Matriks Data Output atau Target (PSO) secara sederhana adalah sebagai berikut: Langkah 5:

  Langkah 1: Proses Inisialisasi Mengghitung hasil prediksi (

  ̂) yang a.

  Inisialisasi Kecepatan Awal Partikel didapatkan dari proses perkalian antara Pada iterasi awal atau iterasi ke-0, nilai matriks keluaran hidden layer dengan output kecepatan awal semua partikel diset 0.

  weight menggunakan persamaan 4.

  b.

  Inisialisasi Posisi Awal Partikel Pada iterasi awal atau iterasi ke-0, posisi

  (4)

  ̂ = . ̂

  awal partikel dibangkitkan secara Keterangan: random.

  = Hasil Prediksi

  ̂ c.

  Menghitung Nilai Fitness = Matriks Keluaran Hidden layer d.

  Inisialisasi Nilai Pbest dan Gbest. = Matrik Output weight

  ̂

  Pada iterasi awal atau iterasi ke-0, nilai

  Pbest sama dengan nilai posisi awal B.

  Proses Testing partikel. Sedangkan nilai Gbest Langkah

• –langkah proses testing pada didapatkan melalui salah satu Pbest ELM sama seperti yang dilakukan pada dengan nilai fitness tertinggi.

  proses training. Namun proses testing tidak Langkah 2: Update Kecepatan Partikel perlu menghitung input weight, bias dan

  output weight . Input weight, bias dan output

  Untuk melakukan update kecepatan partikel,

  weight pada proses testing menggunakan digunakan persamaan 5.

  bobot yang telah dihitung pada proses

• 1
• = . . ( − ) + training.

  , ,

  1 1 , ,

  (5)

  . ( − )

  2 2 , ,

  Langkah 1: Menggunakan input weight (W jk ), bias

  Keterangan:

• 1

  dan output weight = kecepatan partikel

  ( ̂) yang didapatkan dari , dimensi pada iterasi beberapa kondisi berhenti yang dapat digunakan,

• 1 (update) yaitu:

  = kecepatan partikel

  , dimensi a.

  Ketika Iterasi sudah mencapai Maximum pada iterasi ( t sebelumnya) b.

  Iterasi berhenti ketika tidak ada perubahan = bobot inersia yang signifikan = konstanta kecepatan 1

  1 c.

  Ketika telah mecapai waktu Maximum. = konstanta kecepatan

  2

  2 = nilai acak

  1, 2

  ∈ [0,1] 3.

PERANCANGAN DAN

  = posisi terbaik dari partikel

  ,

  IMPLEMENTASI

  dimensi pada iterasi = global optimal dari partikel

  Proses klasifikasi keminatan menggunakan

  ,

  algoritme Extreme Learning Machine dan dimensi pada iterasi

  Particle Swarm Optimization untuk seleksi fitur

  , ditunjukkan pada Gambar 1.

  = posisi partikel dimensi pada

  iterasi Langkah-langkah yang dilakukan dalam

  Langkah 3: Update Posisi Partikel implementasi klasifikasi keminatan menggunakan algoritme Extreme Learning

  Untuk melakukan update posisi partikel, dan Particle Swarm Optimization

  Machine

  dilakukan beberapa langkah perhitungan, yaitu: untuk seleksi fitur adalah: a.

  Menghitung nilai sigmoid pada update 1. kecepatan menggunakan persamaan 6. Inisialisasi parameter ELM yaitu data training, data testing, input weight dan bias.

  1

  (6)

  ( ) = ,

  Inisialisasi input weight dan bias pada ELM

  ) −( , 1+

  dilakukan secara ramdom pada range [-1,1] Keterangan: dan [0,1] dengan ukuran matriks j x k, di

  = posisi partikel

  ( )

  dimensi mana j merupakan banyak hidden node dan

  ,

  pada iterasi k adalah banyak input node.

  ) −( ,

  2. Inisialisasi parameter PSO yaitu jumlah = kecepatan partikel partikel, iterasi max, w, c1, c2, r1, r2, dimensi pada iterasi +1 ran[0,1], kecepatan partikel, posisi partikel,

  (update)

  Pbest dan Gbest. Pada penelitian ini b.

  Membuat nilai random pada interval [0,1] inisialisasi partikel dilakukan secara sepanjang banyaknya partikel

  random yang terdiri dari nilai 1 atau 0 (PSO c.

  Menentukan update posisi menggunakan biner) dengan panjang partikel sama dengan persamaan 7. jumlah fitur yang digunakan. Partikel

  ) [0,1] < (

• 1 ,

  dengan nilai 1 menandakan bahwa fitur (7)

  = {1, ,

  0, ℎ

  diseleksi/digunakan, sedangkan partikel dengan nilai 0 menandakan bahwa fitur Keterangan: tidak digunakan dalam perhitungan. Contoh

  = nilai random pada

  [0,1]

  representasi partikel pada penelitian ini interval [0,1] ditunjukkan pada Tabel 1

  = nilai sigmoid pada update

  ( ) , kecepatan

  Tabel 1 Representasi Partikel

  Langkah 4: Update Nilai Pbest dan Gbest

  No P

  X1 X2 … X25 Fitness

  1 X1(0)

  1

  1

  Untuk mendapatkan nilai Pbest dilakukan perbandingan antara Pbest pada iterasi 3. klasifikasi keminatan

  0.5 …

  Melakukan sebelumnya dengan hasil dari update posisi. menggunakan algoritme ELM untuk setiap

  Fitness yang lebih tinggi dari keduanya akan partikel. menjadi Pbest yang baru. Sedangkan untuk 4.

  Menghitung nilai akurasi dari hasil mendapatkan nilai Gbest terbaru dapat dilakukan klasifikasi yang nantinya akan digunakan dengan cara melihat Pbest yang memiliki nilai sebagai nilai fitness pada PSO fitness tertinggi. menggunakan persamaan 8. Langkah 5 : Terminatin Condition

  (8)

  = = × 100%

  Mengulang langkah 2

• –4 sampai kondisi berhenti (Terminatin Condition) terpenuhi. Ada

  5. bobot inersia 1, c1 dan c2 2, jumlah node pada

  Melakukan proses update kecepatan,

  update posisi, update Pbest, update Gbest hidden node 20, banyaknya data training dan

  untuk mendapatkan partikel terbaik testing 80%:20%. Hasil pengujian normalisasi melalui. data ditunjukkan pada Tabel 2.

  Tabel 2. Hasil Pengujian Normalisasi Data ELM&PSO Percobaan ELM&PSO Tanpa dengan ke-i Normalisasi

  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% Rata-rata 84.998% 78.326%

  Fitness

  Berdasarkan Tabel 2, dapat dilihat bahwa nilai fitness yang dihasilkan algoritme ELM&PSO dengan normalisasi lebih baik dari pada tanpa normalisasi. Hal ini dikarenakan normalisasi data akan mengubah semua data yang ada pada range yang sama yaitu antara 0 sampai 1 sehingga semua data yang ada memiliki jarak data yang tidak terlalu jauh.

  4.2 Pengujian dan Analisis Jumlah Hidde Node

  Tujuan dari pengujian jumlah hidden node adalah untuk mengetahui 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 parameter lain yang digunakan pada pengujian ini yaitu 20 partikel, 100 iterasi, bobot inersia 1, c1 dan c2 2, banyaknya data training dan testing 80%:20%.

  Gambar 1. Diagram Alir ELM dan PSO Pengujian Jumlah Node Pada Hidden 4.

  Node

PENGUJIAN DAN ANALISIS

  85 % ss

  4.1

  80 Pengujian Normalisasi Data e itn

  75 f

  Tujuan dari pengujian normalisasi data

  ta

  70

  adalah untuk mengetahui pengaruh normalisasi

• ra

  data terhadap nilai fitness yang dihasilkan

  ta

  65 Ra

  dengan cara membandingkan nilai fitness yang

  3

  4

  5

  6

  7

  8

  9

  10

  20

  yang diperoleh dari algoritme ELM&PSO

  Jumlah node

  dengan menggunakan normalisasi data dan tanpa normalisasi data. Parameter yang digunakan Gambar 2. Grafik hasil pengujian jumlah hidden

  node

  pada pengujian ini yaitu 20 partikel, 100 iterasi,

4.3 Pengujian dan Analisis Jumlah Data

• ra ta n il ai f

  20% 40% : 20%

  Rat a

  itn e ss %

  Perbandingan data training dan data testing

  Pengujian Jumlah Data Training

  80

  82

  84

  86

  88

  10

  90

  20

  30

  40

  50

  60

  70

  80

  90 100 120 150 200 Rat a

  itn e ss %

  Jumlah partikel Pengujian Jumlah Partikel

  20% 60% : 20% 50% :

  84

  86 80% : 20% 70% :

  72 data dan data testing 18 data. Hal ini dikarenakan metode ELM merupakan metode pelatihan, sehingga semakin banyak data

  Berdasarkan Gambar 2, hasil pengujian jumlah node pada hidden node menunjukkan bahwa semakin banyak jumlah node pada hidden

  node maka semakin besar pula rata-rata nilai fitness yang dihasilkan walaupun terdapat

  beberapa penurunan nilai fitness yang disebabkan karena pengaruh input weight, bias dan bilangan random1, random2 yang diinisialisasi secara acak. Hal ini dikarenakan semakin banyak jumlah node yang digunakan maka semakin banyak penghubung (connector) yang terbentuk antara input layer dan output

  layer sehingga semakin banyak hasil yang dapat

  dihasilkan. Dari pengujian ini, didapatkan nilai rata-rata fitness tertinggi sebesar 83.89% dengan jumlah node sebanyak 20.

  Training

  Tujuan dari pengujian jumlah data training adalah untuk mengetahui pengaruh dari jumlah data training terhadap proses pelatihan serta nilai fitness yang dihasilkan. Terdapat 5 persentase perbandingan data yang akan digunakan pada pengujian ini, yaitu 80%:20%, 70%:20%, 60%:20%, 50%:20% dan 40%:20% untuk data training dan data testing dengan tujuan untuk mengetahui pengaruh dari jumlah data training terhadap jumlah data testing sebesar 20% dari keseluruhan data. Nilai parameter lain yang digunakan pada pengujian ini yaitu 20 partikel, 100 iterasi, bobot inersia 1, c1 dan c2 2, jumlah node pada hidden node 20.

  Gambar 3. Grafik hasil pengujian jumlah data training

  Berdasarkan Gambar 3, hasil pengujian jumlah data training menunjukkan bahwa semakin besar jarak antara jumlah data training dan jumlah data testing maka semakin besar pula rata-rata nilai fitness yang dihasilkan. Hal tersebut dibuktikan dengan perolehan nilai

  fitness tertinggi oleh data training terbesar yaitu

  training yang digunakan maka banyak data yang

  82

  dapat dilatih dan dikenali pada proses pelatihan sehingga mempunyai banyak pertimbangan keputusan untuk menghasilkan klasifikasi yang baik. Dari pengujian yang telah dilakukan, didapatkan rata-rata nilai fitness tertinggi sebesar 83.89%.

  4.4 Pengujian dan Analisis Jumlah Partikel

  Tujuan dari pengujian jumlah partikel adalah untuk mengetahui besarnya ukuran populasi partikel yang paling optimal untuk menghasilkan solusi dan nilai fitness yang terbaik. Besarnya jumlah partikel yang akan diuji adalah kelipatan 10 mulai dari 10 sampai 100, 120, 150 dan 200 partikel. Nilai parameter lain yang digunakan pada pengujian ini yaitu 100 iterasi, bobot inersia 1, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya data training dan testing 80%:20%.

  Gambar 4. Grafik hasil pengujian jumlah partikel

  Berdasarkan Gambar 4, hasil pengujian jumlah partikel menunjukkan bahwa semakin banyak jumlah partikel yang digunakan maka semakin besar pula rata-rata nilai fitness yang dihasilkan. Hal tersebut dikarenakan besarnya populasi partikel mampu meningkatkan kerja partikel dalam mencari solusi yang terbaik sehingga mampu menghasilkan variasi solusi yang beragam. Nilai fitness mengalami peningkatan dari jumlah pertikel 10 sampai 120 namun pada jumlah partikel 120 sampai 200 tidak mengalami peningkatan yang signifikan. Hal ini dikarenakan dengan populasi partikel yang besar mungkin proses pembangkitan

  72

  74

  76

  78

  80

• ra ta n il ai f

  30

  50

  Selain itu semakin banyak jumlah partikel yang digunakan maka waktu komputasi yang dibutuhkan juga lama. Hal ini ditunjukkan pada Gambar 5 yang menunjukkan waktu komputasi yang dibutuhkan partikel. Oleh Karena itu, berdasarkan pengujian yang telah dilakukan, jumlah partikel yang baik dengan waktu komputasi yang efisien adalah 120 dengan rata- rata nilai fitness 88.89% dan waktu komputasi yang dibutuhkan 21708.8 ms.

  Gambar 5. Grafik waktu komputasi pengujian jumlah partikel

4.5 Pengujian dan Analisis Maksimum Iterasi

  Pengujian maksimum iterasi bertujuan untuk mengetahui hubungan antara jumlah iterasi terhadap nilai fitness. Besarnya jumlah iterasi yang digunakan pada pengujian ini adalah kelipatan 100 mulai dari 100 sampai 1000. Nilai parameter lain yang digunakan pada pengujian ini yaitu 120 partikel, bobot inersia 1, c1 dan c2 2, jumlah node pada hidden node 20, banyaknya data training dan testing 80%:20%.

  100 200 300 400 500 600 700 800 900 1000 Wa kt u Kompu ta si (m s)

  Namun dengan banyaknya jumlah iterasi yang digunakan, perubahan posisi partikel menjadi tidak terlalu signifikan sehingga perubahan nilai

  fitness- nya pun juga tidak mengalami

  peningkatan yang signifikan. Hal ini mungkin dikarenakan dengan banyaknya jumlah partikel maka solusi yang dihasilkan hampir sama dengan jumlah iterasi lainnya atau mengalami konvergen, hal ini ditunjukkan pada Gambar 6. Pada gambar grafik tersebut, nilai fitness mengalami peningkatan dari jumlah maksimum iterasi 100 sampai 600 namun pada jumlah maksimum iterasi 600 sampai 1000 tidak mengalami peningkatan yang signifikan. Sama seperti pengujian jumlah partikel, semakin banyak jumlah maksimum iterasi yang digunakan maka waktu komputasi yang dibutuhkan juga lama. Hal ini ditunjukkan pada Gambar 7 yang menunjukkan waktu komputasi yang dibutuhkan partikel untuk setiap jumlah iterasi. Oleh Karena itu, berdasarkan pengujian yang telah dilakukan, jumlah maksimum iterasi yang baik dengan waktu komputasi yang efisien adalah 600 dengan rata-rata nilai fitness 90.56% dan waktu komputasi yang dibutuhkan 65454 ms.

  20000 40000 60000 80000

  Jumlah partikel Pengujian Jumlah Partikel

  70 90 120 200 Wa kt u Kompu ta si (m s)

  5000 10000 15000 20000 25000 30000

  10

  populasi awal memiliki variasi sebaran yang jauh dari solusi optimal (Hapsari, et al., 2015).

91 Rat

  Pengujian bobot inersia bertujuan untuk mendapatkan bobot inersia yang paling optimal untuk mendapatkan nilai fitness terbaik. Bobot inersia yang akan digunakan pada pengujian ini antara 0,4 sampai 1. Nilai parameter lain yang digunakan pada pengujian ini yaitu 120 partikel,

  4.6 Pengujian dan Analisis Bobot Inersia

  87

  88

  89

  90

• ra ta n il ai f

  a

  itn e ss %

  Maksimum Iterasi Pengujian Maksimum Iterasi

  Gambar 7. Grafik waktu komputasi pengujian maksimum iterasi

  Berdasarkan Gambar 6, hasil pengujian maksimum iterasi menunjukkan bahwa semakin banyak iterasi maka semakin besar pula rata-rata nilai fitness yang dihasilkan. Hal tersebut dikarenakan semakin banyak jumlah iterasi maka proses pencarian solusi lebih banyak dilakukan sampai mendapatkan solusi terbaik.

  Maksimum Iterasi Pengujian Maksimum Iterasi

  Gambar 6. Grafik hasil pengujian maksimum iterasi

  600 iterasi, c1 dan c2 2, jumlah node pada hidden

  node 20, banyaknya data training dan testing 80%:20%.

  itn e ss %

• ra ta n il ai f

  a

  92 0,4 0,5 0,6 0,7 0,8 0,9

  91

  90

  Dengan menggunakan semua parameter yang paling optimal dari hasil pengujian, didapatkan akurasi dari hasil klasifikasi sistem dan seleksi fitur menggunakan algoritme ELM dan PSO sebesar 94.44%. Sedangkan hasil akurasi sistem jika hanya menggunakan metode ELM tanpa seleksi fitur PSO hanya mencapai 66.67%. Hal ini menunjukkan bahwa metode seleksi fitur PSO mampu meningkatkan akurasi untuk permasalahan klasifikasi keminatan.

  5. KESIMPULAN

  Berdasarkan perancangan, implementasi dan hasil pengujian sistem Klasifikasi Keminatan Menggunakan Algoritme Extreme

  89

  88

  87

  86

1 Rat

  training dan data testing, melakukan

  Learning Machine dan Particle Swarm Optimization

  Bobot Inersia Pengujian Bobot Inersia

  Gambar 8. Grafik hasil pengujian bobot inersia

  Berdasarkan Gambar 8, hasil pengujian bobot inersia menunjukkan bahwa variasi bobot inersia yang digunakan akan menghasilkan nilai rata-rata fitness yang berbeda. Berdasarkan pengujian ini, bobot inersia yang menghasilkan nilai fitness tertinggi adalah 1 yaitu mencapai 91.11%. Hal ini dikarenakan semakin besar nilai bobot inersia maka nilai kecepatan partikel yang dihasilkanpun menjadi besar sehingga kecepatan partikel tersebut menjadi lebih lambat diawal pencarian solusi yang menyebabkan parikel mempunyai kesempatan eksploitasi yang besar.

  Berdasarkan hasil pengujian yang telah dilakukan didapatkan parameter-parameter yang optimal dengan nilai fitness terbaik. Pengujian pertama terkait pengaruh normalisasi data pada proses komputasi menunjukkan bahwa proses normalisasi sangat dibutuhkan pada penelitian ini untuk mendapatkan hasil yang baik. Pada pengujian jumlah node pada hidden node didapatkan node yang paling optimal dan menghasilkan nilai fitness tertinggi adalah 20

  node dengan nilai fitness 83.89%. Pada

  pengujian jumlah data training didapatkan rata- rata nilai fitness tertinggi sebesar 83.89% dengan jumlah data training 72 data dan data testing 18 data. Pada pengujian ketiga dan keempat terkait pengaruh jumlah partikel dan maksimum iterasi didapatkan jumlah partikel dan maksimum iterasi yang paling optimal yaitu 120 partikel dan 600 iterasi dengan rata-rata nilai fitness 88.89% dan 90.56%. Pada pengujian terakhir yaitu pengujian bobot inersia didapatkan bobot inersia yang paling optimal yaitu 1 dengan nilai fitness 91.11%.

  Untuk Seleksi Fitur, maka didapatkan kesimpulan sebagai berikut:

  diimplementasikan pada permasalahan klasifikasi keminatan. Proses klasifikasi keminatan dilakukan dengan cara memasukkan nilai hasil studi mahasiswa dan membagi data tersebut menjadi data

  1. Algoritme Extreme Learning Machine dan

  Particle Swarm Optimization dapat

4.7 Analisis Global Hasil Pengujian

  ELM. Hasil akurasi klasifikasi ELM yang didapatkan digunakan sebagai nilai fitness untuk setiap partikel pada PSO. Kemudian melakukan proes update. Setelah proses PSO mencapai temination condition (maksimum iterasi) maka didapatkan

  fitness dari setiap partikel menggunakan

  atas posisi partikel yang bernilai 0 atau 1 dengan panjang partikel sama dengan panjang fitur yang digunakan. Posisi partikel yang bernilai 1 menandakan bahwa fitur tersebut digunakan untuk proses klasifikasi. Sedangkan posisi partikel yang bernilai 0 tidak dipilih atau tidak digunakan. Kemudian dilakukan perhitungan nilai

  binary code dimana setiap partikel tersusun

  2. Proses seleksi fitur menggunakan PSO dilakukan dengan cara membangkitkan partikel PSO secara acak mengggunakan

  klasifikasi menggunakan algoritme ELM, melakukan seleksi fiur dengan algoritme PSO untuk menghasilkan fitur-fitur yang relevan berdasarkan pola data yang digunakan sehingga mampu meningkatkan akurasi. Hasil fitness PSO didapatkan dari hasil akurasi klasifikasi ELM. Hasil fitness tertinggi dijadikan sebagai keputusan akhir untuk fitur dan hasil klasifikasi terbaik. partikel dengan hasil fitur yang paling International Conference on Machine optimal dengan nilai fitness tertinggi. Learning (ICML-2003). Washington DC,

  3.

  2003. Berdasarkan pengujian yang telah dilakukan, didapatkan parameter terbaik

  Azizah, A.N., Santoso, E. & Cholissodin, I., (optimal) dari hasil pengujian yaitu jumlah

  2016. Penentuan Kualitas Air Sungai

  node 20, data training yang digunakan 72 Menggunakan Metode Extreme Learning

  data, data testing yang digunakan 18 data, Machine . S1. Universitas Brawijaya. jumlah partikel 120, maksimum iterasi 600 Huang, G.B., Zhu, Q.Y. & Siew, C.K., 2006. dan bobot inersia 1. Dari parameter tersebut didapatkan tingkat akurasi sebesar 94.44% Extreme Learning Machine: Theory and

  Applications. Neuron Computing, pp.489- dengan 11 fitur terpilih dari hasil seleksi 501. Nanyang Technological University. fitur menggunakan algoritme ELM dan Singapore. PSO. Sedangkan akurasi yang didapatkan dari algoritme ELM biasa hanya mencapai

  Muhamad, H., Cahyo, A.P., Sugianto, N.A., 66.67%. Dari hasil akurasi yang

  Surtiningsih, L., 2016. Optimasi Naïve didapatkan, menunjukkan bahwa

  Bayes Classifier Dengan Menggunakan

  penambahan algoritme PSO pada ELM

  Pasrticle Swarm Optimization Pada Data

  mampu meningkatkan akurasi algoritme

  Iris . Jurnal Teknologi Informasi dan Ilmu ELM biasa.

  Komputer. Universitas Brawijaya. Hapsari, K.D., Santoso, E. & Cholissodin, I.,

DAFTAR PUSTAKA

  2015. Sistem Optimasi Basis Function Cholissodin, I., 2016. Model Analisisi Big Data-

  Neural Network Menggunakan Hybrid Semester Ganjil 2016-2017. Particle Swarm Optimization dan Genetic

  Siwi, I.P., Cholissodin, I. & Furqon, M,T., 2016. Algorithm Untuk Peramalan Curah

Peramalan Produksi Gula Pasir Hujan. S1. Universitas Brawijaya.

  Menggunakan ELM pada PG Candi Baru Sidoarjo . S1. Universitas Brawijaya.

  Pacifico, L.D.S. & Ludermir, T.B., 2013.

  Evolutionary Extreme Learning Machine Based on Particle Swarm Optimization and Clustering Strategies . Federal University of Pernambuco.

  Prakoso, E.C., Wisesty, U.N. & Jondri., 2016.

  Klasifikasi Keadaan Mata Berdasarkan Sinyal EEG Menggunakan Extreme Learning Machines. Journal On Computing, pp.97-116.

  Shahsavari, M.K., Bakhsh, H.R. & Rashidi, H., 2016. Efficient Classification of Parkinson’s Disease Using Extreme Learning Machine and Hybrid Particle _th Swarm Optimization. 2016

  4 International Conference on Control, Instrumentation, and Automation (ICCIA). Qazvin Islamic Azad University.

  Qazvin, Iran, 27-28 january 2016. Yu, L. & Liu, H., 2003. Feature Selection for

  High

• – Dimensional Data : A Fast Correlation – Based Filter Solution.

  Proceedings of the Twentieth International Conference on Machine Learning. Preceeding of the Twentieth