Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
MODUL PRAKTIKUM
Peruntukkan Mata Kuliah:
Jaringan Syaraf Tiruan (2 SKS)
Deep Learning (2 SKS)
Kecerdasan Buatan & Fuzzy Logic (2 SKS)
Dosen Pengampu:
Dr. Ucuk Darusalam, ST, MT
Laboratorium Artificial Intelegence
Program Studi Informatika
Fakultas Teknologi Komunikasi dan Informatika
Universitas Nasional Jl. Sawo Manila No. 61, Jakarta, 12520
www.unas.ac.id
2 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Kata Pengantar
Jaringan Syaraf Tiruan atau Neural Network merupakan algoritma yang
paling fundamental dalam pengembangan teknologi kecerdasan buatan atau
artificial intelegence (AI). Hingga kini JST telah dikembangkan menjadi Deep
Learning, untuk meningkatkan kapasitas kemampuan JST dalam menganalisa suatu
pemecahan masalah yang komplek berbasis data dan pembelajaran serta evaluasi.
Untuk itu Modul Praktikum JST ini dapat digunakan untuk 3 mata kuliah yakni:
1. Jaringan Syaraf Tiruan (Mata Kuliah Pilihan Prodi, 2 SKS)
2. Deep Learning (Mata Kuliah Pilihan Prodi, 2 SKS)
3. Kecerdasan Buatan & Logika Fuzzy (Mata Kuliah Prodi, 2 SKS)
Pada modul ini dirancang kemampuan dasar dalam penguasaan metode JST yang
dapat digunakan untuk AI atau Deep Learning. Mahasiswa dikenalkan prinsip dasar
JST dan cara melakukan simulasi contoh-contoh kasus. Simulasi di lakukan di
Matlab yang dapat diinstalasi secara mandiri oleh mahasiswa. Sehingga praktikum
dapat dilakukan secara mandiri di rumah atau di Laboratorium.
Jakarta, ….Mei 2019
Dr. Ucuk Darusalam, ST, MT
3 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Tujuan Praktikum
Capaian Pembelajaran Praktikum Kecerdasan Buatan dan Logika Fuzzy
Dengan mengacu pada portofolio Kurikulum Pendidikan Tinggi Berbasis
Standar Nasional Pendidikan Tinggi Prodi Informatika S1, CPMK untuk mata
kuliah Kecerdasan Buatan dan Logika Fuzzy (2 SKS) adalah dirumuskan sebagai
berikut:
1. Mampu memahami prinsip dasar jaringan syaraf tiruan/Neural Networks
(JST/NN) sebagai basis pengembangan kecerdasan buatan berbasis
teknologi komputasi atau pemrograman.
2. Mampu menerapkan JST atau NN secara simulasi di Matlab dengan
elaborasi studi kasus.
3. Mampu mendesain JST sebagai metode pemecahan masalah atau problem
solving secara artificial intelegence berbasis komputasional.
4. Mampu menganalisis hasil dari implementasi JST di Matlab dari studi kasus
yang dijadikan sebagai masalah untuk dipecahkan secara kecerdasan
buatan.
5. Mampu mengembangkan JST atau NN menjadi metode kecerdasan buatan
yang dapat diintegrasikan dengan metode lain dalam kerangka memperkuat
artificial intelegence berbasis komputasi.
Software Simulasi
Untuk dapat mencapai sasaran CPMK, praktikum dilakukan dengan cara
simulasi menggunakan perangkat lunak. Perangkat lunak yang digunakan adalah
sebagai berikut:
1. Software Matlab 2019.a student version.
Praktikan diwajibkan untuk menginstall software tersebut di PC atau laptop
masing-masing. Panduan instalasi dan sumber software tersedia di laboratorium
dan pemanduan step-by-step dilakukan oleh asisten laboratorium.
4 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Format Laporan
Laporan praktikum dibuat dalam bentuk dokumen “Laporan Praktikum” per
dua minggu sesuai dengan topik-topik yang telah disusun dalam modul praktikum.
Dokumen laporan ditulis dengan menggunakan Word Processor, dengan ukuran
margin halaman sebagai berikut:
Margin atas : 4 cm
Margin kiri : 4 cm
Margin kanan : 3 cm
Margin bawah : 3 cm
Font yang digunakan dalam dokumen adalah Times New Roman ukuran 12 font
untuk body text, sedangkan untuk bab adalah 14. Spasi yang digunakan setiap
kalimat adalah 1,5. Sistematika penyusunan laporan per topik praktikum adalah
sebagai berikut:
a) Halaman sampul disertai dengan judul praktikum, nama praktikan, NPM,
dan alamat email.
b) Abstrak (tidak lebih dari 200 kata)
c) Pendahuluan (berisi latar belakang, permasalahan, dan tujuan)
d) Dasar Teori (tidak lebih dari 4 halaman)
e) Metode Praktikum
f) Hasil dan Analisa
g) Kesimpulan
h) Daftar Pustaka
Grafik yang disertakan dalam dokumen dibuat dengan menggunakan Matlab.
Sebagai contoh pembuatan grafik dengan Matlab berikut ini:
Syntax
plot(X,Y) plot(X,Y,LineSpec) plot(X1,Y1,...,Xn,Yn) plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn) plot(Y) plot(Y,LineSpec) plot(___,Name,Value) plot(ax,___)
5 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
h = plot(___) Description
plot(X,Y) creates a 2-D line plot of the data in Y versus the corresponding values in X.
If X and Y are both vectors, then they must have equal length. The plot function plots Y versus X.
If X and Y are both matrices, then they must have equal size. The plot function plots columns of Y versus columns of X.
If one of X or Y is a vector and the other is a matrix, then the matrix must have dimensions such that one of its dimensions equals the vector length. If the number of matrix rows equals the vector length, then the plot function plots each matrix column versus the vector. If the number of matrix columns equals the vector length, then the function plots each matrix row versus the vector. If the matrix is square, then the function plots each column versus the vector.
If one of X or Y is a scalar and the other is either a scalar or a vector, then the plot function plots discrete points. However, to see the points you must specify a marker symbol, for example, plot(X,Y,'o').
plot(X,Y,LineSpec) sets the line style, marker symbol, and color.
plot(X1,Y1,...,Xn,Yn) plots multiple X, Y pairs using the same axes for all lines.
plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn) sets the line style, marker type, and color for each line. You can mix X, Y, LineSpec triplets with X, Y pairs. For example, plot(X1,Y1,X2,Y2,LineSpec2,X3,Y3).
plot(Y) creates a 2-D line plot of the data in Y versus the index of each value.
If Y is a vector, then the x-axis scale ranges from 1 to length(Y).
If Y is a matrix, then the plot function plots the columns of Y versus their row number. The x-axis scale ranges from 1 to the number of rows in Y.
If Y is complex, then the plot function plots the imaginary part of Y versus the real part of Y, such that plot(Y) is equivalent to plot(real(Y),imag(Y)).
plot(Y,LineSpec) sets the line style, marker symbol, and color.
plot(___,Name,Value) specifies line properties using one or more Name,Value pair arguments. For a list of properties, see Line Properties. Use this option with any of the input argument combinations in the previous syntaxes. Name-value pair settings apply to all the lines plotted. plot(ax,___) creates the line in the axes specified by ax instead of in the current axes (gca). The option ax can precede any of the input argument combinations in the previous syntaxes. h = plot(___) returns a column vector of chart line objects. Use h to modify properties of a specific chart line after it is created. For a list of properties, see Line Properties.
Contoh: x = 0:pi/100:2*pi; y = sin(x); plot(x,y)
6 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Daftar Halaman
Hal.
Halaman sampul………………………………………………………..... 1
Kata Pengantar………………………………………………………....... 2
Tujuan Praktikum………………………………………………………... 3
Daftar Halaman………………………………………………………...... 6
Praktikum 1: Fitting Data Via Neural Network…………………………. 7
Praktikum 2: Supervised Learning in Neural Network.…………………. 15
Praktikum 3: Klasifikasi Pola Data …………………………………….. 21
Praktikum 4: Data Cluster with Self Organizing Map….…………………. 29
Daftar Pustaka…………………...…………………...………………….. 35
7 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Praktikum 1: Fitting Data Via Neural Network
A. Kompetensi Akhir
Pada modul ke-1 praktikum Jaringan Syaraf Tiruan mahasiswa ditargetkan
dapat mencapai kompetensi akhir dengan mengacu pada rumusan CPMK
sebagaimana berikut ini:
1. Mampu memahami proses kerja JST sebagai representasi dari system syaraf
manusia yang dimodelkan secara matematis hingga algoritma.
2. Mampu memahami alur JST sebagai bentuk perjalanan sinyal input ke
dalam proses matematis sebagai output.
3. Mampu memahami dasar JST dalam bentuk arsitektur neuron yang
sederhana.
4. Mampu melakukan simulasi JST untuk permasalahan yang sederhana.
5. Mampu menganalisa hasil simulasi JST di Matlab.
B. Teori Dasar
Jaringan syaraf tiruan (JST) atau Neural Networks (NN) adalah merupakan
algoritma matematis yang didesain dengan mengacu pada system kecerdasan syaraf
manusia dalam menalar suatu respon atau input sensor. Syaraf manusia merupakan
system jaringan sinyal yang sangat cerdas yang terdiri dari jutaan atau milyaran
neuron sebagai basis utama cara kerjanya. JST atau NN berupaya melakukan
sintesis dari cara kerja neuron tersebut dan merepresentasikannya dalam bentuk
algoritma pemrograman di computer. Struktur utama neuron sebagai basis cara
kerja JST adalah dinyatakan dalam Gambar 1.1.
Gambar 1.1 Basis representasi 1 buah neuron.
8 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Ketika sensor neuron menerima rangsangan maka input akan menerima sinyal
tersebut (p) untuk diteruskan ke dalam fungsi penjumlahan. Sinyal input (p) akan
dibobot oleh w dan dikoreksi oleh b di dalam fungsi penjumlahan. Selanjutnya
fungsi penjumlahan akan menerukan ke dalam fungsi aktifasi f(a) sehingga luaran
1 buah neuron adalah a.
Fungsi aktivasi berfungsi sebagai pemicu atau pemberi tanggapan sinyal
dan secara matematis dapat digambarkan sebagai fungsi transfer (Gambar 1.2).
Gambar 1.2 Fungsi transfer dari fungsi aktivasi.
Dalam menerima respon, input bisa digambarkan atau dimodelkan lebih dari satu
input sebagaimana Gambar 1.3. Artinya semua sinyal input akan dibobot satu per
satu dengan w menjadi vector penjumlahan. Sehingga luaran dari fungsi
penjumlahan berupa elemen vector input.
Gambar 1.3 Elemen vector input.
Jika elemen input tersebut direspon oleh susunan fungsi aktivasi yang berbeda-beda
maka akan dihasilkan arsitektur jaringan input, node dan fungsi aktivasi
sebagaiman digambarkan pada Gambar 1.4. Elemen input akan meneruskan sinyal
yang telah dibobot atau dikuantisasi ke semua fungsi penjumlahan untuk diteruskan
9 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
ke masing-masing fungsi aktivasi yang tersedia. Dengan cara demikian 1 buah
sinyal input akan melalui transmisi dalam jaringan ke setiap fungsi aktivasi.
Gambar 1.4 Kombinasi sinyal input pada node dan fungsi aktivasi yang bersusun
membentuk jaringan.
Dan jika jaringan input dan fungsi aktivasi tersebut tersusun secara serial dan
berulang maka akan didapatkan susunan layer atau lapisan syaraf aktif sebagaimana
Gambar 1.5. Dengan cara demikian, sinyal input akan mengalami proses
pembobotan, penjumlahan dan aktivasi yang terjadi secara berulang di setiap layer
dan merupakan kombinasi dari jalur setiap layer. Sehingga setiap input sinyal akan
direspon secara lebih panjang secara fisik namun menghasilkan luaran yang tentu
lebih akurat karena transmisi terjadi secara berulang dan direspon oleh fungsi
aktivasi beberapa kali dalam beberapa layer.
Gambar 1.5 Layer pada JST.
10 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
C. Prosedur Simulasi
Pada software Matlab yang telah diinstall pada laptop atau PC, bukalah
Matlab dan lakukan langkah-langkah berikut ini:
1. Pada workspace ketiklah nntools
2. Pilihlah Fitting tool.
3. Klik next
11 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
3. Pilihlah Load Example Data Set
4. Pilihlah House Pricing dan klik import
5. Set validation dan training masing-masing 15%, dan kilik Next.
12 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
6. Set jumlah layer neuron sebanyak 10 lapisan dan klik Next.
7. Pilihlah algoritma training Levenberg-Marquardt, klik Train, setelah itu klik
Next.
8. Selanjutnya akan muncul display JST sedang berproses dengan jumlah
iterasi sebanyak 20 kali, setelah selesai progress bar klik performance. Akan
ditampilkan data hasil simulasi sebagai berikut.
13 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
D. Laporan Praktikum
Untuk laporan praktikum dapatkan data analisa sebagai berikut:
1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilah
dimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagai
berikut:
a. 20 neuron layers
b. 30 neuron layers
c. 40 neuron layers
14 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
d. 50 neuron layers
2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa hal
dibawah ini:
a. Time of simulation
b. Performance
3. Dengan semakin banyak layers apakah keakurasian data training semakin
meningkat? Jelaskan.
15 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Praktikum 2: Supervised Learning in Neural Network
A. Kompetensi Akhir
Kompetensi akhir dari simulasi Jaringan Syaraf Tiruan dengan
menggunakan Matlab adalah sebagai berikut:
1. Mampu memahami prinsip kerja supervised learning in neural network.
2. Mampu menganalisa hasil supervised learning in neural network.
3. Mampu meningkatkan keakurasian supervised learning in neural network.
4. Mampu mengembangkan ide supervised learning in neural network.
5. Mampu melakukan simulasi supervised learning in neural network dengan
menggunakan Matlab.
B. Teori Dasar
Keterkaitan machine learning dengan neural network pada hakikatnya
berkaitan serat satu sama lain. Bahkan saling mendukung untuk mencapai
keakurasian hasil yang optimal. JST tidak dapat bekerja dengan optimal tanpa
adanya data referensi yang sahih yang telah teruji berulang-ulang. JST tanpa data
sahih hanya akan menghasilkan pengulangan data yang tidak berarti dan tidak
konvergen pada suatu hasil. Untuk keterkaitan tersebut dibutuhkan sebagaimana
digambarkan pada diagram berikut.
Gambar 2.1 Skema NN dengan Training Data.
Untuk itu JST dengan machine learning akan bertemu pada training data yang
dibutuhkan oleh system agar menghasilkan keakurasian hasil simulasi. Training
16 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
data dihasilkan oleh metode pembelajaran dalam hal ini adalah machine learning.
Metode pembelajaran dalam JST ada dua jenis yakni supervised learning
(pembelajaran terpandu atau terevaluasi) dan unsupervised learning (pembelajaran
tidak terpandu/terevaluasi).
Secara alur perjalanan sinyal dari input ke output, JST dibedakan dua jenis
yakni feed forward propagation atau backward propagation. Dalam perihal contoh
pembelajaran supervised learning dalam mode alur feed forward propagation dapat
digambarkan sebagai berikut:
Gambar 2.2 Supervised learning dalam mode backward propagation.
Langkah-langkah metode pembelajaran terpandu atau supervised learning
dalam backward propagation adalah sebagai berikut:
1. Initialize the weights with adequate values.
2. Take the “input” from the training data, which is formatted as { input, correct output
}, and enter it into the neural network. Obtain the output from the neural network and
calculate the error from the correct output.
3. Adjust the weights to reduce the error.
4. Repeat Steps 2-3 for all training data
C. Prosedur Simulasi
Pada workspace Matlab atau editor, ketiklah source berikut ini:
a. Metode Training DeltaSGD
17 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
W = DeltaSGD(W, X, D)
Selanjutnya script kedua adalah sebagai berikut:
b. Metode training kedua adalah DeltaBatch sebagaimana berikut ini:
W = DeltaBatch(W, X, D)
18 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
c. Perbandingan metode training DeltaSGD dan DeltaBacth
19 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
D. Laporan Praktikum
Dari hasil simulasi pada langkah c akan dihasilkan grafik performansi
perbandingan training Delta SGD dan Delta Bacth sebagai berikut:
20 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
1. Apakah keuntungan training data dengan alur backward propagation?
Jelaskan.
2. Bagaimanakah keakurasian training data diperoleh dengan feed forward
propagation? Jelaskan.
21 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Praktikum 3: Klasifikasi Pola Data
A. Kompetensi Akhir
Kompetensi akhir yang dirancang pada modul praktikum 3 Jaringan Syaraf
Tiruan adalah berikut ini:
1. Mampu memahami prinsip kerja Jaringan Syaraf Tiruan dalam penerapan
untuk klasifikasi pola data.
2. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkan
dari Feed Forward of Neural Network.
3. Mampu menerapkan klasifikasi pola data dengan JST di Matlab.
4. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapan
klasifikasi pola data.
5. Mampu mengembangkan ide untuk meningkatkan performansi keakurasian
JST dalam penerapan klasifikasi pola data.
B. Teori Dasar
Fenomena di alam semesta dari sisi proses dapat dikategorikan dalam
beberapa jenis sebagai berikut:
[1] Pasti dalam kepastian
[2] Pasti dalam ketidakpastian
[3] Tidak pasti dalam kepastian
[4] Tidak pasti dalam ketidakpastian
Empat jenis proses tersebut menghasilkan karakteristik proses dan ouput yang
berbeda-beda satu sama lain. Namun demikian, keempat proses tersebut dalam hal
komplektisitasnya dapat juga dikategorikan sebagai berikut:
[1] Teratur dalam keteraturan
[2] Teratur dalam ketidakteraturan
[3] Tidak teratur dalam keteraturan
[4] Tidak teratur dalam ketidakaturan
22 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Sehingga semua proses dan output yang terjadi dan tersedia di alam semesta ini
memiliki benang merah, yakni adanya pola baik secara proses maupun secara
output. Untuk dapat memberikan kemudahan dalam memetakan pola yang terjadi,
JST dapat difungsikan untuk dapat membantu mencari pola-pola yang tersedia.
Sebagai contoh, semisal ada input dan target sebagai berikut:
Maka pemetaan masalah pada input dapat dilakukan dengan membangkitkan
kemungkinan pola yang terjadi matrik 2 kelas pada nilai 1 dan 0. Hal yang sama
juga bisa dimisalkan jika ada kemungkinan pemetaan masalah dalam 5 baris
sebagaimana berikut ini:
Untuk itu JST dapat dirancang sebagai pendekatan pemetaan atau klasifikasi pola
data untuk mendapatkan ciri kesamaan proses atau hasil yang dapat digunakan
untuk analisis data selanjutnya.
C. Prosedur Praktikum
Pada workspace Matlab atau editor, jalankanlah script berikut ini dan
perhatikan setiap proses yang terjadi.
1. Pada workspace ketiklah nnstart sehingga muncul tools neural network
sebagai berikut:
2. Pilihlah pattern recognition tool, sehingga muncul dialog box berikut ini:
23 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
3. Klik next
4. Klik Load Example Data Set, sehingga muncul dialog berikut ini:
5. Pilihlah data example yakni Breast Cancer, sehingga berlanjut muncul
berikut ini:
24 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
6. Set training dan validation pada harga masing-masing 15%.
7. Setelah muncul network architecture, set jumlah neuron layers sebanyak
10.
8. Klik train sehingga muncul proses simulasi berikut ini:
25 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
9. Tunggu hingga progress bar masing-masing selesai pada iterasi Epoch,
dan klik performance jika sudah selesai.
10. Dengan JST mengolah data grafik yakni breast cancer, akan dihasilkan
berupa confusion matrik.
26 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
11. Selain itu pula dihasilkan analisis data ROC (receiver operating
characteristics) dari data training image breast cancer.
12. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulang
dengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klik
evaluate function pada dialog box yang tersedia.
27 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
13. Namun jika anda sudah puas dengan hasil simulasi maka anda bisa
menyimpan data dengan menu dialog box berikut ini:
14. End.
Cara membaca data hasil simulasi ROC:
Kotak-kotak pada arah diagonal adalah menunjukkan jumlah kasus yang berhasil
diklasifikasikan karena memiliki kesamaan pola. Sedangkan kotak-kotak pada off-
diagonal menunjukkan kasus-kasus yang tidak dapat diklasifikan atau tidak
memiliki kesamaan pola. Kotak biru pojok diagonal menunjukkan jumlah total
prosentase klasifikasi kasus yang terkoreksi dengan benar (warna hijau). Sedangkan
warna merah adalah total prosentase yang tidak dapat diklasifikasikan.
28 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
D. Laporan Praktikum
Untuk laporan praktikum dapatkan data analisa sebagai berikut:
1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilah
dimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagai
berikut:
a. 20 neuron layers
b. 30 neuron layers
c. 40 neuron layers
d. 50 neuron layers
2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa hal
dibawah ini:
a. Time of simulation
b. Performance
3. Dengan semakin banyak layers apakah keakurasian ROC semakin
meningkat? Jelaskan.
29 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Praktikum 4: Data Cluster with Self Organizing Map
A. Kompetensi Akhir
Kompetensi akhir yang dirancang untuk praktikum simulasi JST pada
modul ke-4 adalah berikut ini:
1. Mampu menguasai menguasai klasifikasi atau pemetaan pola atau
kesamaan suatu data dengan menggunakan JST.
2. Mampu memahami cara kerja JST dalam melakukan pemetaan pola
berdasarkan ciri kesamaan data yang tersedia (self-organizing map).
3. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkan
dari Feed Forward of Neural Network berdasarkan ciri kesamaan data yang
tersedia (self-organizing map).
4. Mampu menerapkan klasifikasi pola data berdasarkan ciri kesamaan data
yang tersedia (self-organizing map) dengan JST di Matlab.
5. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapan
klasifikasi pola data berdasarkan ciri kesamaan data yang tersedia (self-
organizing map s).
6. Mampu mengembangkan ide untuk meningkatkan performansi keakurasian
JST dalam penerapan klasifikasi pola data.
B. Teori Dasar
Klasterisasi merupakan hal yang paling esensial dalam upaya mencari atau
menggali ilmu pengetahuan berbasis knowledge based. Sebagai contoh, data
pemasaran yang terjadi dalam kehidupan sehari-hari, tidak ada yang bisa
mengetahui pola kebutuhan konsumsi suatu produk akibat tidak adanya
klasterisasis atau pemetaan berdasarkan cara kerja self-organizing map. Dengan
mendapatkan data klasterisasi selanjutnya berbagai manfaat atau keuntungan akan
diperoleh, karena dengan data tersebut akan dapat diorientasikan untuk bisnis,
ekonomi, sekuriti dan prediksi. Contoh-contoh bidang pekerjaan yang terkait dalam
kebutuhan klasterisasi adalah sebagai berikut:
30 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Market segmentation by grouping people according to their buying patterns
Data mining by partitioning data into related subsets
Bioinformatic analysis by grouping genes with related expression patterns
Untuk itu JST dapat dihadirkan sebagai metode yang dapat mengolah atau mencari
kesamaan pola dari berbagasi aspek untuk dijadikan sebagai data yang berbasis
knowledge based. Data tersebut diperoleh dengan mencari kesamaan antar data
yang terjadi. Dalam artian sederhana, setiap data memiliki kesamaan dalam
beberapa hal dan hal ini lah yang dituju oleh JST untuk dipetakan, dipolakan dan
dianalisis lebih lanjut sebagai hasil pengetahuan baru.
C. Prosedur Simulasi
Pada workspace Matlab atau editor, jalankanlah script berikut ini dan
perhatikan setiap proses yang terjadi.
1. Pada workspace ketiklah nnstart sehingga muncul tools neural network
sebagai berikut:
2. Pilihlah clustering tool, sehingga muncul dialog box berikut ini:
31 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
3. Klik Next sehingga muncul dialog berikut ini:
4. Klik Load Example Data
5. Pilihlah Simple Cluster dan bacalah deskripsi file tersebut pada dialog box
text kanan, klik import.
32 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
6. Set Self-Organizing Map (SOM) sejumlah 10, sehingga architecture
network menjadi konfigurasi input dan layer untuk SOM 10 x 10, klik next.
7. Klik Train.
33 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
8. Tunggu hasil progress bar selesai pada dialog box yang muncul diatas, dan
akan muncul hasil-hasil simulasi sebagai berikut:
9. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulang
dengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klik
evaluate function pada dialog box yang tersedia.
34 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
10. Namun jika anda sudah puas dengan hasil simulasi maka anda bisa
menyimpan data dengan menu dialog box berikut ini:
11. End.
Cara Membaca Data Kesamaan Klasifikasi Pola (Self-Organizing Map)
Data yang berupa matrik heksagonal merupakan susunan neuron 10 x 10 yang
masing-masing menunjukkan angka bobot sebagaimana gambar dibawah ini:
35 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Pola bobot dapat diketahui disetiap neuron dan sedangkan pola kesamaan
secara 2 dimensi direpresentasikan dalam degradasi warna pada setiap
matrik heksagonal. Dari kedua data grafik tersebut dapat diketahui pola
kesamaan data berdasarkan ciri data input yakni SOM.
D. Laporan Praktikum
Untuk laporan praktikum dapatkan data analisa sebagai berikut:
1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilah
dimana pada langkah ke-5 set jumlah SOM dengan jumlah sebagai berikut:
a. 20 x 20 neuron layers
b. 30 x 30 neuron layers
c. 40 x 40 neuron layers
d. 50 x 50 neuron layers
2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa hal
dibawah ini:
c. Time of simulation
d. Performance
3. Dengan semakin banyak layers apakah keakurasian SOM semakin
meningkat? Jelaskan.
36 Modul Praktikum Jaringan Syaraf Tiruan
Designed by Dr. Ucuk Darusalam, ST, MT
Daftar Pustaka [1] Hu YH, Hwang JN, editors. Handbook of neural network signal processing.
[2] Badiru AB, Cheung J. Fuzzy engineering expert systems with neural network
applications. John Wiley & Sons; 2002 Oct 8.
[3] Krishnaswamy CR, Gilbert EW, Pashley MM. Neural Network Applications
in. Financial Practice and Education. 2000:75-84.
[4] Maren AJ, Harston CT, Pap RM. Handbook of neural computing applications.
Academic Press; 2014 May 10.
[5] Sivanandam SN, Deepa SN. Introduction to neural networks using Matlab 6.0.
Tata McGraw-Hill Education; 2006.
[6] Matlab Guide Book for Neural Network, 2019.