2.1. Forensik Digital - Identifikasi File Dokumen Berdasarkan Konten Menggunakan Distributed Autonomous Neuro-Gen Learning Engine

BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang serta penelitian sebelumnya yang

  berhubungan dengan permasalahan identifikasi jenis file, serta metode Distributed Autonomous Neuro-Gen Learning Engine.

2.1. Forensik Digital

  Forensik adalah pengaplikasian ilmu pengetahuan dalam menentukan kriminal sesuai hukum oleh pihak berwenang pada sistem pengadilan (Saferstein, 1998). Salah satu cabang dari forensik adalah forensik digital, dimana forensik digital memiliki ruang lingkup pengolahan, pemulihan serta investigasi pada materi yang ditemukan pada perangkat digital terutama pada tindak kejahatan yang berkaitan dengan komputer (Reith, et al. 2010). Secara umum proses forensik pada forensik digital terdiri atas pengambil alihan perangkat, akusisi data, analisis data dan penyusunan laporan sebagai bukti kolektif (Adams, 2012). Berdasarkan perangkat digital yang terkait, secara teknis forensik digital dibagi atas beberapa cabang, yakni: forensik komputer, forensik jaringan, forensik analisis data dan forensik perangkat mobile.

  Identifikasi file adalah salah satu tahapan yang dilakukan dalam proses analisis data dalam forensik komputer. Dimana, forensik komputer adalah cabang dari forensik digital yang berkaitan media komputer. Pada forensik komputer dilakukan pemeriksaan media digital sesuai dengan proses forensik dengan tujuan mengidentifikasi, mendapatkan, menjaga, memulihkan, menganalisis dan mepresentasikan informasi dari data yang tersimpan secara elektronik pada media komputer (Noblett, et al. 2000).

  2.2. Dokumen

  Dokumen adalah representasi pengetahuan yang digambarkan atau dituliskan pada secarik kertas (Buckland, 1998). Dokumen berasal dari kata Documentum pada bahasa Latin yang memiliki arti pelajaran. Dokumen pada masa lalu merujuk pada tulisan yang digunakan sebagai bukti pada pengadilan. Pada jaman sekarang, dokumen merujuk pada file yang berisi text, berikut dengan struktur serta desain dan gambar tambahan.

  2.3. File

  File komputer atau file adalah kumpulan data atau informasi berupa huruf, angka maupun karakter khusus yang ditandai dengan sebuah nama file. Seluruh data dan informasi yang ada dalam sebuah komputer tersimpan dalam bentuk file. Berdasarkan isi informasi yang disimpan, file dibagi atas beberapa jenis file seperti: text file yang menyimpan informasi berupa text (tulisan), file citra yang menyimpan informasi berupa gambar, dan file program yang menyimpan program. File komputer dapat dianggap bagaikan dokumen kertas yang digunakan serta disimpan pada kantor.

  Sebuah file secara umum terdiri atas tiga bagian, yakni: file header (head), file body, file trailer (tail). File header adalah sebuah “signature” yang diposisikan pada awal sebuah file sehingga, sistem operasi serta perangkat lunak lainnya mengetahui apa yang menjadi isi atau konten dari file. File body adalah konten dari file yang merupakan informasi atau data yang disimpan oleh file. File trailer adalah bagian penutup dari sebuah file yang menandai akhir dari sebuah file. Tergantung pada jenis datanya, metadata atau informasi mengenai struktur serta penjelasan dari data biasanya terdapat pada file header, tetapi bisa juga ditemukan pada file trailer.

2.3.1 Identifikasi format file

  Format file adalah sebuah standard untuk meyimpan file komputer pada media penyimpanan, dimana format file menentukan bagaimana byte-byte yang menyusun sebuah file diatur dan disusun. File dengan jenis yang berbeda akan mempunyai format file yang berbeda. Identifikasi jenis file adalah proses mengetahui format file dari sebuah file tertentu, sehingga dapat diketahui jenis, tujuan serta kegunaan dari file tersebut. Identifikasi format file dilakukan oleh sistem operasi berdasarkan ekstensi dari file ataupun berdasarkan metadata yang tersimpan pada file.

  Beberapa teknik yang digunakan untuk melakukan identifikasi jenis file (Hickok, et al. 2005):

  1. Identifikasi jenis file berdasarkan ekstensi nama file Identifikasi file berdasarkan ekstensi nama file adalah metode identifikasi file yang paling sederhana dan naif. Ekstensi nama file adalah kumpulan karakter se telah tanda „.‟ (titik) terakhir pada nama file. Identifikasi jenis file melalui ekstensi nama file dilakukan hanya dengan melihat ekstensi dari nama file yang ada. Sebagai contoh, sebuah file dengan nama file

  “x.doc” akan memiliki ekstensi doc dan segera dikenali sebagai sebuah file dokumen dengan melihat ekstensi nama file doc. Karena identifikasi file hanya dilakukan melihat dari ekstensi nama file, identifikasi jenis file dapat dilakukan tanpa membaca file, sehingga identifikasi dengan metode ini dapat dilakukan dengan sangat cepat. Metode ini merupakan metode yang populer digunakan oleh file browser pada sistem operasi seperti Windows, Mac OS X, serta Linux dalam melakukan identifikasi dari file.

  2. Identifikasi jenis file berdasarkan Magic Bytes

  Magic bytes atau dikenal juga dengan sebutan magic number adalah kumpulan

  byte-byte pada sebuah file yang dapat digunakan sebagai pembeda antar jenis file yang berbeda. Magic bytes biasa terletak pada bagian file header pada sebuah file, tetapi bisa juga terletak pada bagian file lain seperti file trailer. Selain sebagai pembeda antar jenis file, magic bytes juga dapat memberikan infromasi tambahan mengenai versi aplikasi yang digunakan untuk membuat file sehingga magic bytes juga dapat digunakan untuk membedakan file yang dibuat dengan aplikasi yang sama tetapi dengan versi yang berbeda. Identifikasi jenis file dengan metode ini diimplementasikan oleh perintah file() pada sistem operasi berbasis UNIX untuk menentukan apakah sebuah file yang dapat dieksekusi ataupun file dengan jenis lain (Darwin, 1999).

  Identifikasi jenis file berdasarkan magic bytes sedikit lebih lambat dibandingkan melakukan identifikasi berdasarkan ekstensi nama file, karena sebuah file harus dibuka terlebih dahulu dan beberapa byte awal dari file tersebut. Beberapa byte awal yang dibaca kemudian dibandingkan dengan magic bytes dari jenis-jenis file yang diketahui sehingga didapatkan hasil identifikasi jenis file.

Tabel 2.1. menunjukkan magic bytes untuk beberapa jenis file dokumen.

  Penggunaan magic bytes dalam identifikasi jenis file memiliki beberapa kelemahan (Hickok, et al. 2005), yakni: identifikasi jenis file berdasarkan magic

  bytes

  hanya berlaku untuk file yang memiliki magic bytes, contoh file yang tidak memiliki magic bytes adalah file dengan ekstensi txt (file text) dan html (file

  hypertext markup language ); tidak adanya standard, bahkan untuk jenis file yang

  sama, dalam pembuatan jenis file tertentu, sebagai contoh sebuah file citra dengan ekstensi jpg bisa memiliki magic bytes FF D8 FF FE 00 ataupun FF D8 FF E0 00, dan keduanya merupakan file citra jpg yang valid; dan adanya kemungkinan kesalahan identifikasi secara kebetulan, sebagai contoh, sebuah file pdf, seperti yang dapat dilihat pada Tabel 2.1. memiliki magic bytes 25 50 44 46 atau ASCII %PDF, apabila dilakukan identifikasi jenis file berdasarkan magic bytes terhadap sebuah file txt yang kebetulan dimulai dengan tulisan %PDF, maka file txt tersebut akan dikenali sebagai sebuah file pdf.

Table 2.1. Daftar magic bytes untuk beberapa jenis file dokumen

  Hex ASCII Ekstensi Jenis file

  25 50 44 46 %PDF PDF, FDF Adobe Portable Document Format and Forms Document file D0 CF 11 E0 ÐÏ.ࡱ.á DOC, DOT, Microsoft Office applications A1 B1 1A E1 PPS, PPT, (Word, Powerpoint, Excel, Wizard)

  XLA, XLS, WIZ 50 4B 03 04 14 PK...... DOCX, Microsoft Office Open XML

  00 06 00 PPTX, XLSX Format (OOXML) Document

  7B 5C 72 74 {\rtf1 RTF Rich text format word processing 66 31 file

  3. Identifikasi jenis file berdasarkan distribusi karakter.

  Metode terakhir yang dapat digunakan dalam identifikasi jenis file adalah berdasarkan distribusi karakter yang terdapat pada sebuah file. Konten atau isi dari sebuah file adalah urutan byte-byte, dimana satu byte terdiri atas delapan bit,

  8

  sehingga satu byte akan memiliki kemungkinan nilai sebanyak 2 atau 256, yakni 0 sampai dengan 255. Pada metode ini dihitung frekuensi kemunculan dari setiap kemungkinan 256 nilai dari sebuah file dan kumpulan frekuensi dari setiap byte disebut dengan byte frequency distribution (BFD) atau distribusi frekuensi byte. Identifikasi file berdasarkan distribusi karakter dikenal juga dengan nama metode histogram, dimana BFD merupakan histogram byte dari sebuah file. Sebuah BFD merupakan sebuah tabel dengan 256 nilai dimana setiap nilai merupakan frekuensi kemunculan dari nilai yang direpresentasikan oleh sebuah file (Sencar, et al. 2012).

  Identifikasi file berdasarkan distribusi karakter dapat dilakukan karena untuk file yang berbeda dengan jenis file yang sama, akan ada beberapa frekuensi byte yang memiliki kemunculan lebih banyak dari frekuensi byte yang lain. Sebagai contoh, pada sebuah file html, representasi byte dari karakter /, < dan > akan memiliki kemunculan yang lebih banyak dibandingkan jenis file lainnya, sehingga sebuah file dengan frekuensi kemunculan representasi byte dari karakter /, < dan > lebih banyak dibandingkan frekuensi byte karakter lain memiliki kemungkinan yang besar merupakan sebuah file html (Sencar, et al. 2012). Pada

gambar 2.1. dan gambar 2.2. dapat dilihat file yang berbeda dengan jenis file yang sama cenderung memiliki distribusi frekuensi yang mirip dan dengan

  membandingkan gambar 2.1. dengan gambar 2.2. dapat dilihat bahwa file dengan jenis file yang berbeda memiliki distribusi frekuensi byte yang berbeda.

Gambar 2.1. Distribusi Frekuensi untuk dua file rtf yang berbeda (McDaniel, 2001)Gambar 2.2. Distribusi Frekuensi untuk dua file gif yang berbeda (McDaniel, 2001)

  Beberapa kelemahan dari identifikasi jenis file berdasarkan distribusi karakter adalah adanya beberapa jenis file yang tidak mempunyai distribusi karakter yang spesifik, kemungkinan terjadinya kesalahan identifikasi disebabkan konten file yang unik ataupun tidak normal, serta kecepatan identifikasi yang lebih lambat dibandingkan identifikasi jenis file berdasarkan ekstensi nama file dan magic bytes. Identifikasi file berdasarkan distribusi karakter memiliki akurasi yang cukup rendah, yakni 27,5% (McDaniel, 2001). Pada penelitian lain, (Amirani, et al. 2008) menggunakan BFD sebagai fitur dari sebuah file dan melakukan ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan melakukan klasifikasi jenis file menggunakan Multi-Layer Perceptron. BFD juga digunakan bersamaan dengan Neural Network atau jaringan saraf tiruan dalam mengidentifikasi jenis file (Harris, 2007).

2.3.2. File Forgery

  Dalam menyembunyikan file-file dokumen yang dapat menjadi bukti tindak kejahatan, pelaku tindak kejahatan sering kali menggunakan teknik-teknik anti-forensik, yakni sekumpulan teknik pemalsuan serta penghancuran yang digunakan untuk memanipulasi proses forensik (Harris, 2007). Salah satu teknik anti-forensik yang paling sering digunakan adalah file forgery atau pemalsuan file. Pemalsuan file adalah teknik pemalsuan suatu file sehingga jenis file sebenarnya serta kegunaan dari file tersebut tidak lagi dapat dikenali dengan mudah.

  Pemalsuan file dapat dilakukan dengan cara:

  1. Pengubahan ekstensi file Pemalsuan file dapat dilakukan dengan sangat mudah dengan melakukan pengubahan ekstensi nama file yang terdapat pada nama file. Pengubahan ekstensi file dari nama file secara langsung akan mengakibatkan file browser secara umum menjadi tidak dapat mengenali jenis file sebenarnya dari file yang telah diubah ekstensinya tersebut. Hal ini dikarenakan file browser pada sistem operasi secara umum mengenali jenis dari sebuah file hanya dari ekstensi file yang terdapat pada nama file. Sebagai contoh: seorang pelaku tindak kejahatan dapat memalsukan sebuah file dokumen Microsoft Word dengan ekstensi doc dengan cara mengubah ekstensi nama file dari file tersebut menjadi jpg. Hal ini akan mengakibatkan file browser mengenali file tersebut sebagai sebuah file citra dengan ekstensi jpg, bukan lagi sebagai sebuah file dokumen.

  2. Pengubahan Magic Bytes Seperti yang telah dijelaskan pada bagian sebelumnya, magic bytes adalah kumpulan beberapa byte pada awal sebuah file, dimana magic bytes untuk setiap jenis file adalah berbeda, sehingga magic bytes dapat digunakan sebagai salah satu indikasi yang menunjukkan jenis file sebenarnya dari sebuah file. Akan tetapi,

  magic bytes dapat dengan mudah diedit menggunakan hex editor ataupun tools

  lainnya. Mengubah magic bytes dari suatu file akan mengakibatkan algoritma yang melakukan pengecekan magic bytes untuk menentukan jenis file, tidak dapat menentukan jenis file sebenarnya dari file secara tepat. Sebagai contoh, sebuah file dokumen RTF (Rich Text Format) mempunyai magic bytes “7B 5C 72 74 66

  31“, apabila magic bytes ini diubah menjadi “25 50 44 46” yang merupakan

  magic bytes dari file dokumen PDF, maka algoritma yang melakukan identifikasi

  jenis file berdasarkan magic bytes akan mengenali file RTF tersebut sebagai sebuah file PDF.

  Pemalsuan file dapat dengan mudah dilakukan dengan mengubah indikator yang menunjukkan jenis file dari sebuah file, seperti ekstensi file dan magic bytes, Sehingga diperlukan suatu metode untuk melakukan identifikasi jenis file sebenarnya berdasarkan konten atau isi dari file.

2.4. Normalisasi

  Pada bidang analisis data, penggunaan satuan ukuran dapat mempengaruhi hasil dari analisis yang didapatkan. Sebagai contoh, penggunaan ukuran meter pada pengukuran panjang akan memberikan hasil yang berbeda dengan pengukuran panjang menggunakan ukuran inci. Normalisasi data adalah metode statistika yang digunakan untuk mengatur nilai yang diukur pada suatu skala menjadi nilai pada skala berbeda yang lebih umum sehingga seluruh atribut dari data memiliki jangkauan nilai yang sama (Han, et al. 2011). Pada normalisasi, data ditransformasi sehingga memiliki jangkuan [-1,0, 1,0] ataupun [0,0, 1,0]. Normalisasi merupakan proses yang sangat penting terutama pada implementasi algoritma jaringan saraf tiruan, karena perbedaan bobot dapat mempengaruhi hasil yang didapatkan.

  Berikut beberapa rumus yang dapat digunakan dalam normalisasi data (Han, et al. 2011):

  1. Min-max Normalization Normalisasi min-max melakukan transformasi linear terhadap data asli, dengan menggunakan persamaan berikut:

  v  min _{i A} v '   new _ max  new _ min   new _ min (2.1) _{i A A A}

  max  min _{A A}

  A

  merupakan nilai hasil normalisasi dengan jangkauan [new_min , dimana v‟ i

  new_max A ]; v i merupakan nilai sebelum normalisasi; min A adalah nilai minimum dari data asli; max adalah nilai maksimum dari data asli; new_min adalah nilai

  A A

  minimum baru untuk data hasil normalisasi; new_max adalah nilai maksimum

  A

  baru untuk data hasil normalisasi. Normalisasi ini tetap menjaga keterhubungan antara nilai data yang sebenarnya.

  2. Z-score Normalization Normalisasi z-score atau disebut juga normalisasi zero-mean, dimana nilai dari data dinormalisasi berdasarkan nilai mean dan nilai standard deviasi degan rumus:

  v  A _i v '  _i

  (2.2)  _A merupakan nilai hasil normalisasi; v merupakan nilai sebelum dimana v‟ i

  i

  normalisasi; A merupakan nilai rata-rata dari data asli;  merupakan nilai akar _A dari varian atau standard deviasi dari data sebenarnya.

  3. Decimal Scaling Normalisasi decimal scaling dilakukan dengan menggeser nilai titik decimal dari seluruh nilai data. Banyak penggeseran titik desimal bergantung pada nilai maksimum dari data sebenarnya. Berikut rumus yang digunakan pada decimal

  scaling

  :

  v _i v '  _{i j}

  (2.3)

  10

  i

  merupakan nilai hasil normalisasi; v merupakan nilai sebelum dimana v‟ i

  normalisasi; j adalah bilangan bulat terkecil sehingga nilai maksimum dari absolut i adalah lebih kecil dari satu (max i |) < 1). v‟ (|v‟

  2.5. Companding Function Companding

  merupakan sebuah metode kuantisasi pada bidang telekomunikasi dalam pengiriman signal (Bosi, et al. 2003). Companding function atau disebut juga fungsi kompresi dan ekspansi, dimana kata companding merupakan gabungan dari dua kata

  

compressing dan expanding. Fungsi kompresi dan ekspansi digunakan untuk

  memetakan sebuah input x pada nilai y dengan persamaan y = c(x), dimana nilai y akan memiliki nilai yang lebih tinggi dibandingkan x dan c adalah companding

  

function (Bosi, et al. 2003). Fungsi kompresi dan ekspansi biasanya bersifat non-

simetris diantara garis x=0, sehingga nilai negatif tetap dimetakan pada nilai negatif.

  Fungsi ini akan memetakan nilai dengan jangkauan [0,0, 1,0] tetap pada jangkauan [0,0, 1,0], tetapi dengan nilai varian lebih tinggi. Terdapat dua aturan companding yang digunakan secara luas, yakni: A-Law Companding yang digunakan di Eropa dan

  µ-Law Companding yang digunakan di Amerika Utara (Manassah, 2012).

  Kedua fungsi kompresi dan ekspansi A-Law Companding dan µ-Law

  Companding dapat direpresentasikan dengan persamaan berikut:  1   

     y x

  (2.4)  dimana y adalah nilai setelah kompresi dan ekspansi; x adalah nilai sebelum kompresi dan ekspansi; β merupakan sebuah konstanta dengan nilai 1.5, yang merupakan nilai paling optimum dalam fungsi kompresi dan ekspansi untuk identifikasi file (McDaniel, 2001).

  2.6. Ekstraksi Fitur menggunakan Principal Component Analysis

  Ekstraksi fitur adalah proses yang dilakukan untuk mengurangi dimensionalitas dari kumpulan fitur input yang dimiliki (Roweis, et al. 2000). Apabila sebuah algoritma harus melakukan proses terhadap input data dengan jumlah yang sangat besar, akan terdapat kemungkinan algoritma tersebut akan memerlukan waktu yang lama untuk menghasilkan output serta memerlukan memori yang cukup besar. Selain itu, dalam input data dengan jumlah yang sangat besar tersebut mungkin terdapat data yang redundan, sehingga diperlukan reduksi dimensionalitas dari input data untuk menghilangkan data yang redundan tersebut. Ekstraksi fitur dilakukan dengan melakukan transformasi data input menjadi kumpulan fitur yang disebut fitur hasil ekstraksi dengan tidak mengurangi informasi yang terkandung pada data input. Alasan lain melakukan ekstraksi fitur adalah untuk mengurangi memori serta kekuatan komputasi yang diperlukan dalam memproses data.

  Salah satu teknik yang umum digunakan dalam ekstraksi fitur adalah Principal

  

Components Analysis (PCA). PCA telah diimplementasikan dalam pengenalan wajah

(Morizet, 2007) serta dalam peningkatan kemampuan model prediktif (Vivanco, 2008).

PCA adalah sebuah teknik statistika yang melakukan transformasi terhadap himpunan

  asli sekumpulan variabel menjadi himpunan variabel yang lebih kecil dan tidak saling berkorelasi tetapi tetap mampu merepresentasikan informasi yang terdapat pada himpunan variabel asli (Dunteman, 1989). Himpunan variabel yang lebih kecil dan tidak saling berkorelasi ini disebut juga dengan principal components. Adapun tujuan utama dari PCA adalah untuk mengurangi dimensionalitas dari data asli, sehingga data akan lebih mudah dimengerti dan digunakan dalam analisis lebih jauh.

  Metode PCA akan mencoba untuk mencari sebuah dataset yang mampu mendeskripsikan dataset asli dengan tetap menjaga informasi yang tersimpan

  d

  sebanyak mungkin (Amirani, et al. 2008). Misalkan X = {x n  R | n = 1, 2, ..., N} merepresentasikan sebuah dataset dengan dimensi d, PCA akan menghasilkan sebuah

  k

  dataset Z, dimana Z = {z  R | n = 1, 2, ..., N} dengan dimensi k, dimana nilai k

  n

  adalah lebih kecil dari d. Langkah-langkah yang dilakukan dalam PCA terdiri atas (Jolliffe, 2002):

  1. Lakukan normalisasi Z-score pada setiap dimensi data yang ada menggunakan rumus 2.2. Tahap ini akan menghasilkan sebuah dataset dengan mean atau rata- rata bernilai nol.

  2. Komputasikan nilai matriks kovarian menggunakan rumus:

  1 _T  

  X X

  (2.5)

  m dimana  adalah matriks kovarian; m merupakan banyak data pada dataset; X adalah dataset asli yang disusun dalam bentuk matriks dengan setiap kolom

  T

  merupakan fitur, dan setiap baris merupakan kumpulan fitur untuk satu objek; X merupakan transpos dari matriks X. Apabila data asli memiliki dimensi d maka hasil dari matriks kovarian adalah sebuah matriks dengan ukuran dxd.

  3. Kalkulasikan nilai dari eigenvalue serta eigenvector dari matriks kovarian, serta urutkan eigenvector sesuai dengan nilai eigenvalue yang dimiliki secara menurun (eigenvector dengan nilai eigenvalue yang lebih tinggi berada pada sisi kiri matriks). Eigenvalue dan eigenvector merupakan vector-vector yang mengkarakterisasikan data.

  4. Pilih komponen dari eigenvector dan membentuk sebuah vektor fitur U. Apabila dimiliki data awal dengan dimensi d, maka akan didapatkan eigenvector sebanyak d, sehingga apabila dari d eigenvector tersebut dipilih k eigenvector, maka akan dihasilkan data hasil PCA dengan dimensi k. Pemilihan eigenvector dilakukan berdasarkan nilai eigenvalue yang dimiliki oleh eigenvector. Apabila dipilih

  eigenvector dengan nilai eigenvalue rendah, maka informasi yang tersimpan pada

  data asli akan berkurang pada data hasil PCA, karena eigenvector dengan

  eigenvalue rendah menunjukkan data yang direpresentasikan pada vektor tersebut

  kurang signifikan, tetapi apabila dipilih eigenvector dengan nilai eigenvalue tinggi, maka informasi data asli tetap akan terjaga pada data hasil PCA.

  Penentuan nilai dimensi k untuk dataset hasil PCA biasanya ditentukan dengan memperhitungkan nilai retain rate. Retain rate adalah persentase informasi yang direpresentasikan oleh data asli dan tetap terjaga pada data hasil

  PCA. Pemilihan nilai dimensi k pada umumnya dipilih dengan menjaga retain rate pada 0,99, atau dengan kata lain hampir seluruh informasi pada data asli

  tetap dapat direpresentasikan oleh data hasil PCA. Secara teknis hal ini dapat dilakukan dengan memilih nilai k terkecil yang memenuhi persamaan berikut: _{k i} S _i

   

  1 _m  ,

  99 (2.6)

  Si  i

  

  1 dimana S adalah eigenvalue pada posisi ke-i dengan eigenvector serta eigenvalue

  i

  telah diurutkan secara menurun. Seluruh nilai dari eigenvector yang dipilih kemudian disusun menjadi sebuah matriks vektor fitur U, dimana setiap

  eigenvector yang dipilih akan menjadi kolom dari matriks vektor fitur U.

  5. Hitung nilai dari dataset final dengan menggunakan rumus _T

  Z  U

  X

  (2.7) dimana Z merupakan dataset hasil PCA dalam bentuk matriks; U adalah matriks vektor yang didapatkan pada tahap sebelumnya; X adalah matriks dataset asli.

2.7. Artificial Neural Network

  

Artificial Neural Network atau jaringan saraf tiruan dapat didefinisikan sebagai sebuah

  model logika yang berdasarkan otak manusia. Sebuah jaringan saraf tiruan memodelkan otak dengan menggunakan sejumlah neuron yang sederhana dan saling terkoneksi dengan sebuah nilai bobot yang meneruskan signal dari satu neuron menuju neuron lainnya (Negnevitsky, 2005). Setiap neuron akan menerima sejumlah input melalui hubungannya, kemudian neuron tersebut akan menghasilkan satu output, sesuai dengan nilai bobot yang pada hubungan tersebut, kemudian diteruskan kembali ke neuron yang lain. Setiap neuron pada jaringan saraf tiruan akan tersusun dalam beberapa layer atau lapisan. Secara umum, sebuah jaringan saraf tiruan terdiri atas tiga

  

layer, yakni: input layer yang merupakan node-node yang menerima signal input,

middle layer atau sering disebut juga dengan hidden layer yang terdiri atas node yang

  menghubungkan node pada input layer menuju ke output layer, dan output layer yang merupakan node-node yang menghasilkan signal output. Pembelajaran pada jaringan saraf dilakukan dengan melakukan penyesuaian nilai bobot yang digunakan untuk meneruskan nilai dari satu neuron menuju neuron lain. Arsitektur umum dari sebuah jaringan saraf tiruan dapat dilihat pada gambar 2.3.

Gambar 2.3. Arsitektur umum sebuah jaringan saraf tiruan (Negnetvisky, 2005)

  Penentuan output dari sebuah neuron ditentukan menggunakan sebuah fungsi yang disebut dengan fungsi aktivasi. Ada beberapa jenis fungsi aktivasi yang bisa digunakan dalam menentukan output dari sebuah neuron dengan empat fungsi aktivasi yang secara umum digunakan (Negnetvisky, 2005), yakni: step function, sign function,

  sigmoid function

  dan linear function. Masing-masing fungsi aktivasi beserta grafik yang menggambarkan fungsi dapat dilihat pada gambar 2.4.

Gambar 2.4. Fungsi aktivasi dari sebuah neuron (Negnetvisky, 2005)

  Step function

  dan sign function atau disebut juga fungsi pembatasan kasar, dimana kedua fungsi ini secara umum digunakan pada permasalahan klasifikasi dan pengenalan pola. Sigmoid function mengubah input yang memiliki jangkauan nilai [-

  ∞, ∞] menjadi output dengan jangkauan nilai [0,0, 1,0]. Fungsi ini digunakan pada jaringan propagasi balik. Linear activation function menyediakan sebuah output yang sama dengan input yang diterima oleh neuron dan fungsi ini biasanya digunakan pada pendekatan linear.

2.7.1. Kelemahan Artificial Neural Network

  Adapun beberapa kelemahan dari jaringan saraf tiruan pada saat diterapkan pada proses evolusi yang kompleks (Kasabov, 2007):

  1. Kesulitan dalam memilih arsitektur dari sistem, dimana jaringan saraf tiruan biasanya memiliki arsitektur yang tetap (jumlah neuron serta koneksi tetap). Hal ini mengakibatkan sistem akan susah beradaptasi terhadap data yang belum diketahui distribusinya, Selain itu, arsitektur yang tetap juga menyebabkan jaringan saraf tiruan untuk melakukan pembelajaran untuk waktu yang panjang.

  2. Dalam mempelajari data yang baru, jaringan saraf tiruan akan melupakan pengetahuan lama yang telah dipelajarinya. Fenomena ini dikenal dengan sebutan

  catastrophic forgetting.

  3. Pelatihan sebuah jaringan saraf tiruan akan memerlukan banyak iterasi serta propagasi data melalui struktur jaringan saraf tiruan, sehingga diperlukan waktu pelatihan yang lama dalam melatih sebuah jaringan saraf tiruan.

  4. Kurangnya fasilitas representasi pengetahuan pada jaringan saraf tiruan, dimana jaringan saraf tiruan mampu menagkap parameter statistik, tetapi tidak dapat memfasilitasi ekstraksi aturan evolusi secara berarti. Permasalahan ini juga dikenal dengan sebutan black box problem.

  2.7.2. Multilayer Perceptron

Multilayer perceptron adalah sebuah jaringan saraf tiruan dengan satu atau lebih

hidden layer. Multilayer perceptron terdri atas input layer, satu atau lebih hidden

layer dan output layer. Gambar 2.5. menunjukkan arsitektur dari sebuah Multilayer

perceptron dengan dua hidden layer. Untuk menentukan output pada sebuah

Multilayer perceptron

  digunakan fungsi aktivasi sigmoid function sesuai dengan rumus yang terlihat pada gambar 2.4.

Gambar 2.5. Arsitektur Multilayer perceptron dengan dua hidden layer (Negnetvisky, 2005)

  Salah satu algoritma yang digunakan dalam pelatihan multilayer perceptron adalah back-propagation training algorithm atau algoritma pelatihan propagasi balik, dimana tahapan yang dilakukan algorima ini dapat dilihat sebagai berikut (Negnetvisky, 2005):

  1. Inisialisasi Berikan nilai acak pada setiap bobot yang menghubungkan seluruh neuron yang ada dengan distribusi yang merata dan dengan jangkauan yang kecil (Haykin, 1999), sesuai rumus:

    2 , 4 2 ,

  4  , 

  (2.8)  

  F F _{i i}

    dimana F adalah banyak input dari neuron i pada jaringan.

  i

  2. Aktivasi Aktivasi dari jaringan saraf tiruan dilakukan dengan mengaplikasikan input x (p),

  1

  x (p), ..., x (p) dan output yang diharapkan y (p), y (p), ..., y (p), dengan p

  2 n d1 d2 dn adalah jumlah perulangan yang sudah dilakukan dan p memiliki nilai awal 0.

  a. Kalkulasikan output sebenarnya dari setiap neuron pada hidden layer, dengan rumus:

  n

   

  y ( p )  sigmoid x ( p ). w ( p ) (2.9) _{j i ij}

     _i

  

  1

    dimana n adalah banyak input dari neuron j pada hidden layer dan sigmoid adalah fungsi aktivasi sigmoid.

  b. Kalkulasikan output sebenarnya dari setiap neuron pada output layer dengan rumus: _m  

  y ( p )  sigmoid x ( p ). w ( p ) (2.10) _{k jk jk} 

    _i

  

  1

    dimana m adalah banyak input dari neuron k pada output layer dan sigmoid adalah fungsi aktivasi sigmoid.

  3. Pelatihan bobot Lakukan update atau pembaruan nilai dari setiap bobot pada jaringan saraf tiruan dengan melakukan propagasi balik terhadap error pada output layer.

  a. Hitung error pada setiap neuron pada output layer dengan rumus:  ( p )  y ( p )  y ( p ) _{k k dk}

  (2.11) kemudian hitung perbaikan bobot menggunakan rumus:

  w p y p p w p

   ( )   . ( ).  ( )   .  (  _{jk j k jk} 1 ) (2.12) dimana α adalah sebuah konstanta yang menentukan kecepatan pembelajaran dari algoritma propagasi balik dan disebut dengan learning rate; µ adalah sebuah konstanta yang menentukan besar perubahan update dari bobot dan disebut dengan momentum.

  Lakukan update untuk setiap bobot yang terhubung dengan neuron pada

  output layer menggunakan rumus: w p w p w p _{jk jk jk} (  1 )  ( )   ( ) (2.13)

  b. Hitung error pada setiap neuron pada hidden layer dengan rumus:

  m

     ( p )   ( p ). w ( p ) . y ( p ). _{j k jk j  j } 1  y ( p ) (2.14)    _k

  

  1

    kemudian hitung perbaikan bobot menggunakan rumus:

   w ( p )   . x ( p ).  ( p )   .  w ( p  _{ij i j ij} 1 ) (2.15)

  dimana α adalah sebuah konstanta yang menentukan kecepatan pembelajaran dari algoritma propagasi balik dan disebut dengan learning rate; µ adalah sebuah konstanta yang menentukan besar perubahan update dari bobot dan disebut dengan momentum.

  Lakukan update untuk setiap bobot yang terhubung dengan neuron pada

  output layer menggunakan rumus: w ( p  _{ij ij ij} 1 )  w ( p )   w ( p ) (2.16)

  4. Iterasi Apabila kriteria error belum terpenuhi, lakukan penambahan nilai perulangan p sebanyak satu, kemudian kembali ke langkah 2. Apabila kriteria error telah dipenuhi, maka algoritma pelatihan propagasi balik selesai.

2.8. Distributed Autonomous Neuro-Gen Learning Engine

  Untuk mengatasi kelemahan dari jaringan saraf tiruan yang telah dijabarkan pada

  bagian 2.7.1, (Rahmat, 2008) mengajukan sebuah metode pembelajaran mesin yang baru yang disebut Distributed Autonomous Neuro-Gen Learning Engine (DANGLE). DANGLE adalah sebuah metode pembelajaran mesin yang menyediakan fleksibilitas, adaptibilitas dan pembelajaran terus menerus serta kemampuan kompitasional yang kuat (Pasha, 2010). DANGLE telah digunakan sebagai gene knowledge discovery

  engine

  (Hasibuan, 2009) dan juga Lattice Analysis dalam identifikasi struktur kubik pada bidang kristalografi (Pasha, 2010).

  Arsitektur DANGLE terdiri atas dua komponen utama, yaitu: komponen regulasi gen yang disebut dengan Gene Regulatory Engine (GRE) dan komponen jaringan neural yang disebut dengan Distributed Adaptive Neural Network (DANN) (Pasha, 2010). GRE memiliki tugas untuk melakukan regulasi, konstruksi, serta melatih seluruh jaringan yang terdapat pada DANN. DANN terdiri atas beberapa jaringan saraf tiruan yang terhubung pada GRE secara distributif dan adaptif, dimana setiap jaringan saraf tiruan pada DANN akan memiliki gen masing-masing yang diatur oleh GRE. DANN akan mengkonstruksikan jaringan saraf tiruan sesuai dengan gen yang dimiliki, kemudian hasil output dari DANN akan dikembalikan pada GRE untuk pengembangan gen selanjutnya.

  2.8.1. Gene Regulatory Engine

Gene Regulatory Engine (GRE) merupakan sebuah regulator gen sederhana yang

  diinspirasi oleh interaksi gen satu ke satu dari Gene Regulatory Network pada bidang biologi. GRE digunakan untuk mengendalikan, memutasi, serta melatih gen sebelum gen dikirimkan pada DANN. Secara sederhana, GRE mengimplementasikan sebuah

  Genetic Algorithm

  (GA) tanpa proses crossover dan parent selection, serta inisialisasi populasi secara acak juga tidak terjadi pada GRE. Arsitektur keseluruhan GRE dapat dilihat pada gambar 2.6. Secara spesifik diagram lengkap dari model GRE dapat dilihat pada gamber 2.7, dimana ada dapat dilihat seluruh komponen yang terdapat pada GRE.

  GRE _{Objective Functions And A A B B B B C C C C Regulator Feedback Output Results}

_{Mutation Regulation}

DANN No Ch Neural Network ang _{Training Gene A Node Behavior Neural Network Input Gene B Structure}

_Transform

es

  Gene Representation “Neuro” Genes

Gambar 2.6. Arsitektur Gene Regulatory Engine (Rahmat, 2008)Gambar 2.7. Diagram lengkap model GRE (Rahmat, 2008)

  Adapun komponen-komponen dari GRE dapat dijabarkan sebagai berikut (Rahmat, 2008):

  1. Representasi Gen Secara umum, GRE menggunakan 3 himpunan gene yang berbeda, yakni: a.

  Node Behavior’s Gene

  Himpunan gen ini memiliki dua variabel seperti yang dapat dilihat pada

gambar 2.8. Variabel pertama adalah digunakan untuk menentukan jenis jaringan saraf tiruan yang diimplementasikan pada DANN. Nilai variabel

  pertama dapat berupa Back-propagation Neural Network (BNN), Multilayer

  Perceptron (MLP), Spiking Neural Network (SNN), ataupun jenis jaringan saraf tiruan lainnya, bergantung pada implementasi pada bagian DANN. Variabel kedua menunjukkan identifikasi dari node (ID Node).

  Jenis Jaringan Saraf Tiruan { BNN, MLP, SNN, etc. }

  root mean squared error (RMSE) atau error akar kuadrat dengan rumus:  

  y

  adalah output yang diharapkan pada neuron ke-o dan pola ke-p; ^p _o

  d

  adalah banyak neuron pada output layer; _{p o}

  O

  adalah akar dari perbedaan kuadrat antara output yang diharapkan dengan output sebenarnya; N

  P

  1 (2.17) dimana E

  2

  1

  y d N E

    ^{O N} _o ^p _o ^p _{o O} ^P

   

  2. Fitness Function Untuk melakukan verifikasi dan mengukur objektivitas dari DANN digunakan

  ID Node { 1,2,..,n} Gambar 2.8.

  Neural Network’s Gene (Rahmat, 2008)

  N Epoch Learning rate Momentum rate Gambar 2.9.

  Banyak neuron pada hidden layer

  1

….

  Banyak neuron pada hidden layer

  Banyak hidden layer

  Banyak neuron pada output layer

  Banyak neuron pada input layer

  momentum rate .

  banyak hidden layer, banyak neuron pada setiap hidden layer, banyak epoch (jumlah perulangan yang dilakukan pada proses pelatihan), learning rate, dan

gambar 2.9. Parameter-parameter jaringan saraf tiruan yang dimaksud terdiri atas: banyak neuron pada input layer, banyak neuron pada output layer,

  b. Neural Network’s Gene Himpunan gen ini mengandung variabel untuk setiap parameter jaringan saraf tiruan untuk setiap node yang ada pada DANN seperti yang dapat dilihat pada

  Node Behavior’s Gene (Pasha, 2010)

  adalah output sebenarnya pada neuron ke-o dan pola ke-p. Karena setiap gen memiliki fungsi objektifnya masing-masing, makan rata-rata fungsi objektif untuk setiap jaringan saraf tiruan dalam DANN dapat dihitung menggunakan persamaan:

  N _{NG i} E _Pi  

  E  _AVG

  (2.18)

  N _NG

  dimana E adalah error untuk masing-masing jaringan saraf tiruan; N adalah

  Pi NG

  banyak jaringan saraf tiruan yang terdapat pada DANN. Fitness function atau fungsi kecocokan untuk DANN adalah sama dengan E yang merupakan rata-

  AVG

  rata dari setiap fungsi objektif dari seluruh jaringan saraf tiruan dalam DANN (Rahmat, 2008).

  3. Regulator Mutasi Komponen regulator mutasi merupakan komponen yang paling penting dalam

  DANGLE yang memungkinkan setiap jaringan saraf tiruan dalam DANN menjadi

  adaptif. Apabila terjadi mutasi pada sebuah gen, maka jaringan saraf tiruan yang terasosiasi pada gen tersebut harus dilatih ulang sehingga mampu beradaptasi terhadap struktur jaringan yang baru (Pasha, 2010). Lima entitas yang dimutasi oleh regulator mutasi adalah banyak hidden layer, banyak neuron pada setiap

  hidden layer , epoch, learning rate dan momentum rate. Aturan yang digunakan

  dalam melakukan mutasi gen dapat dilihat pada pseudocode berikut:

  if (generation = 1) then epoch += 2 else calculate delta_O = delta_O[generation] – delta_O[generation-1] if (delta_O > 0.005) then epoch += rand(3) else if (0.002 < delta_O <= 0.005) then O_smaller_than_0_005++ epoch += rand(6) for each hidden_layer do hidden_neuron += 2 * rand(5) if (O_smaller_than_0_005 > 1) then epoch += 10 * rand(5) for each hidden_layer do hidden_neuron += 2 * rand(5) else epoch += 100 * rand(5) hidden_layer += 1 for each hidden_layer do hidden_neuron += 10 * rand(2) end if end if

  4. Proses Pelatihan Proses pelatihan adalah proses dalam sebuah jaringan saraf tiruan untuk mendapatkan bobot yang tepat untuk menghasilkan output yang diharapkan. Pada

  DANGLE, pelatihan tidak hanya terjadi pada jaringan saraf tiruan, melainkan juga terjadi pada GRE (Rahmat, 2008).

  5. Neuro-Gene Transformasi Neuro-Gene adalah sebuah proses pengaturan eksekusi ataupun pelatihan jaringan saraf tiruan pada setiap node (Rahmat, 2008).

  Algoritma utama pada GRE didesain untuk mengendalikan gen yang ada, dimana algoritma utama GRE mengusung konsep mutasi pada Genetic Algorithm (GA). Dengan kata lain, GRE adalah sebuah GA sederhana yang hanya memiliki operator mutasi di dalamnya. Algoritma utama GRE dapat dijabarkan sebagai berikut (Rahmat, 2008):

  1. Inisialisasi seluruh nilai variabel gene untuk setiap jaringan saraf tiruan, yakni seluruh neuron pada input layer dan output layer, jumlah hidden layer dan setiap neuron pada hidden layer, generasi, epoch¸ learning rate serta momentum rate.

  2. Kirim seluruh gen jaringan saraf tiruan ke DANN.

  3. Terima hasil fungsi objektif dan output yang dihasilkan setiap jaringan saraf tiruan. Hitung nilai dari fitness function dengan rumus 2.18 untuk setiap jaringan saraf tiruan. Apabila nilai error rata-rata (E yang merupakan hasil dari fitness

  AVG function ) lebih rendah dari nilai kriteria terminasi DANGLE, lanjutkan ke langkah

  6. Apabila nilai error rata-rata lebih tinggi atau masih sama dengan nilai kriteria terminasi DANGLE, lanjutkan ke langkah 4.

  4. Apabila setiap nilai objective function yang didapatkan pada langkah 3 lebih rendah dari nilai kriteria terminasi mutasi, maka lakukan regulasi mutasi sesuai aturan mutasi yang dijabarkan pada bagian 2.8.1 untuk setiap gen jaringan saraf tiruan. Apabila terdapat salah satu nilai objective function lebih tinggi dari nilai kriteria terminasi mutasi, maka mutasi tidak dilakukan untuk setiap gen jaringan saraf tiruan.

  5. Bentuk gene baru hasil mutasi sesuai dengan hasil struktur yang didapatkan dari mutasi regulasi yang dilakukan pada langkah 4. Tambah nilai generasi dengan satu (generation = generation + 1). Kembali ke langkah 2.

  6. Hentikan proses GRE, dimana pelatihan telah selesai dilakukan.

  2.8.2. Distributed Adaptive Neural Network

Distributed Adaptive Neural Network (DANN) dapat juga disebut sebagai sebuah