cx

2014

MAKALAH KECERDASAN BUATAN

PERCEPTRON
Oleh

KELOMPOK 2
ISHAQ S HADAQAR LAILA RAUDATUL FAUZIAH MUHARYUNO WIZU NANDA TRI APDIRZA RANRA PUTRA RIFELDO PRAGUNA

PERCEPTRON
A. Backgrou ! Konsep utama pemakaian pengenalan pola adalah diskriminan. Idenya adalah system pengenalan pola secara adaptif belajar dari pengalaman dan menyaring berbagai diskriminan yang masing-masing sesuai untuk tujuannya. Misalnya, jika yang menjadi perhatian utama hanyalah keanggotaan kelas, system akan belajar dari pengamatan pola yang diidentifikasi oleh kelas dan menghasilkan diskriminan untuk klasifikasi. Salah satu pengembangan pengenalan pola adalah “ erceptron! yang ditemukan oleh "osenblatt #$%&'( dan Minsky- apert #$%&%(. embuktian teorema belajar perceptron oleh "osenblatt #$%&'( menunjukkan bah)a perceptron dapat mempelajari apa saja yang dapat dipresentasikannya. "epresentasi teracu pada kemampuan perceptron untuk mensimulasikan sebuah fungsi tertentu.

B. D"#$ $%$ erceptron merupakan bentuk paling sederhana dari *S+ yang digunakan untuk pengklasifikasian pola khusus yang biasa disebut Linearly separable, yaitu pola-pola yang terletak pada sisi yang berla)anan pada suatu bidang. ,ungsi dari perceptron adalah untuk mengklasifikasikan himpunan stimulus yang diaplikasikan secara eksternal x$, x', -, xp kedalam salah satu dari dua kelas &' atau &(. .turan keputusan untuk klasifikasi adalah berdasarkan nilai yang dipresentasikan oleh input x$, x', -, xp ke kelas &' jika outputnya dari perceptron y adalah )', dank e kelas &( jikia outputnya dari perceptron y adalah *'

Model dasar dari perceptron itu sendiri terdiri dari neuron tunggal dengan bobotbobot sinaptik dan threshold yang dapat diatur. Mo!"+ P"rc". Inputs 7utput #y( +reshold #3( 8p 6ambar' '.-ro $./ecision 0oundary )$x$ 1 )'x' 2 3 4 5 6ambar $ C. Model lainnya dari perceptron terdiri dari linier combiner dan diikuti oleh hard limiter .

@ntuk penyederhanaan set sama dengan $ Set nilai threshold #3( untuk fungsi aktiAasi '. @ntuk setiap pasangan pembelajaran s-t. Inisialisasi semua bobot dan bias #biasanya 45( Set learning rate < = #5 > = ? $(. D. kerjakan < a. Set aktiAasi unit input xi 4 si .8$ 8' . A+gor$-2a P"+a-$3a P"rc".-ro $./0$1 Inputs 7utput #yi( 9ard :imiter +reshold #3( 8p 6ambar .

Masukkan ke dalam fungsi aktiAasi < $. -$. 0andingkan nilai output jaringan y dengan target t< • *ika y F t. INFO Satu siklus pelatihan yang melibatkan seluruh data input disebut satu epoch . :akukan iterasi terus-menerus hingga semua pola memiliki output jaringan yang sama dengan targetnya.b. .lgoritma pelatihan perceptron dapat digunakan baik untuk biner maupun bipolar dengan 3 tertentu dan bias yang dapat diatur.. . tidak ada perubahan bobot dan bias )i #baru( 4 )i #lama( b#baru( 4 b#lama( . 9itung respons untuk unit output< yBin 4 b 1 Cixi)i c.3 d. jika yBin D 3 jika 23 ? yBin ? 3 jika yBin > . lakukan perubahan bobot dan bias dengan cara berikut < )i #baru( 4 )i #lama( 1 =GtGxi b#baru( • 4 b#lama( 1 =Gt jika y 4 t. E4 5.rtinya bila semua output jaringan sama dengan target maka jaringan telah mengenali pola dengan baik dan iterasi dihentikan.

I E. -$.ktiAasi < E 4 5.HG#-$(G5 4 5 )'#baru( 4 )' #lama( 1 =GtGx$ 4 5 1 5.Co -o3 '4 0uatlah *S+ #*aringan Saraf +iruan( untuk melakukan pembelajaran terhadap fungsi logika “./-1 5 5 -$ 5 $ -$ $ 5 -$ $ $ $ Menggunakan algoritma pelatihan perceptron bila ditentukan nilai learning rate #=( 4 5. maka harus dilakukan perubahan bobot dan bias) erubahan 0obot dan bias < )$#baru( 4 )$ #lama( 1 =GtGx$ 4 5 1 5.I .I ? yBin ? 5.I jika 25.oc3 k" 6 '  /ata ke-$ #x$45.HG#-$(G5 4 5 b#baru( 4 b#lama( 1 =Gt 4 5 1 5.)al 0ias .I jika yBin > .H +reshold #3( 4 5. . t4-$( yBin 4 b 1 Cixi)i 4 515G515G545 $. x'45.ungsi .H jika yBin D 5. 9asil aktiAasi y 4 5 (Tidak sama dengan target t=-1.5.I A+gor$-2a P"+a-$3a P"rc".nd! dengan input biner dan target bipolar sebagai berikut < 5' 5( Targ".-ro 0obot .)al 4 )$ 4 )' 4 5 4b45 :earning rate #=( 4 5.HG#-$( 4 -5.H dan nilai treshold #3( 4 5.

-$.ungsi . . #x$4$. /ata ke-' #x$45.I  /ata ke-. x'4$.I ? yBin ? 5.ungsi . 9asil aktiAasi y 4 -$ (Sama dengan target t=-1.I ? yBin ? 5.5.H15G51$G54 -5.I jika 25. t4-$( yBin 4 b 1 Cixi)i 4 -5. t4-$( yBin 4 b 1 Cixi)i 4 -5.H1$G515G54 -5.H $. maka tidak dilakukan perubahan bobot dan bias) 0obot dan bias tetap < )$#baru( 4 )$ #lama( 4 5 )'#baru( 4 )' #lama( 4 5 jika yBin D 5.I jika yBin > .I .ktiAasi < E 4 5. 9asil aktiAasi y 4 -$ (Sama dengan target t=-1.H $. x'45.ktiAasi < E 4 5.H jika yBin D 5.I jika 25.5. .I jika yBin > . -$. maka tidak dilakukan perubahan bobot dan bias) 0obot dan bias tetap < )$#baru( 4 )$ #lama( 4 5 )'#baru( 4 )' #lama( 4 5 b#baru( 4 b#lama( 4 -5.

&. 9asil aktiAasi y 4 -$ (Tidak sama dengan target t=1.' .I Ca-.HG#$( 4 5 jika yBin D 5.4 Karena ola /ata ke-$.ungsi . maka harus dilakukan perubahan bobot dan bias) erubahan 0obot dan bias < )$#baru( 4 )$ #lama( 1 =GtGx$ 4 5 1 5.HG#$(G$ 4 5. x'4$.ktiAasi < E 4 5.H  /ata ke-J #x$4$.HG#$(G$ 4 5.H )'#baru( 4 )' #lama( 1 =GtGx$ 4 5 1 5.J M )' 4 $.I ? yBin ? 5. dan bias 4 -..5.H1$G51$G54 -5. /ata ke-..H $.H 1 5. t4$( yBin 4 b 1 Cixi)i 4 -5.H b#baru( 4 b#lama( 1 =Gt 4 -5.I jika 25.b#baru( 4 b#lama( 4 -5. /ata ke-'.I jika yBin > . dan /ata ke-J tidak sama pada Kpoch $. -$. . maka dilakikan iterasi sampai semua pola bernilai sama sehingga nilai yang sama terjadi pada Kpoch % dimana Lilai bobot yang dihasilkan adalah < Lilai bobot )$ 4 '.

. dan .Co -o3 (4 /iketahui Sembilan buah pola masukan berupa huruf .! 7a8a9 4 . 0uatlah model perceptron untuk mengenali huruf “. K. berikut.

sedangkan huruf selain “. learning rate #=( 4 $ dan nilai ambang 3 4 5. 8$H 8'. ola J ola I ola & ola N ola H ola % Targ"$ $ $ -$ -$ -$ -$ -$ -$ /isini terlihat bah)a target 4 $ hanya berlaku untuk huruf “.! saja.I jika 25. 8$ 8& 8$$ 8$& 8'$ 8' 8N 8$' 8$N 8'' 8.Setiap titik dalam pola merupakan input satu Aariabel input.I :akukan perubahan bobot dan bias selama keluaran jaringan y F target. jika yBin D 5.I. .5. 9itung < yBin 4 b 1 Cixi)i $. elatihan algoritma perceptron dilakukan untuk 'I input. 7leh karena satu pola terdiri dari 'I titik #I baris x I kolom( maka setiap pola terdiri dari 'I Aariabel input berikut.! target 4 -$ Misalkan bobot a)al < )$ 4 )' 4 .I ? yBin ? 5. roses pelatihan dihentikan jika pada suatu epoch ditemukan bah)a untuk semua data input maka keluaran jaringan y 4 target. 8J 8% 8$J 8$% 8'J 8I 8$5 8$I 8'5 8'I +anda hitam diberi simbol “$! dan putih diberi simbol “-$! kemudian dibuat pasangan antara pola dan target sebagai berikut< Po+a Ma%uka ola $ ola ' ola . -$.ungsi .4 )'I 4 5 dan bias b 4 5.I jika yBin > .ktiAasi < E 4 5. . 8H 8$.

adalah untuk menentukan produk-produk #jasa( apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelanggan enggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang. /engan bantuan komputer. /engan menggunakan konsep mempelajari data yang A.+$ka%$ Mark". .-ro Da+a2 A o-a%$ I2ag" S"cara O-o2a-$% enentuan anotasi terhadap suatu image #image annotation( merupakan topik penelitian yang berkembang pesat akhir-akhir ini.E.a Mu+-$ La:"r P"rc". P" "ra. D" P"rc"..-ro Market 0asket . +ujuan dari M0. perceptron merupakan “alat! yang akan digunakan untuk akan dianalisis.A a+:%$% 9"r9a%$% 8"9 2" ggu aka perceptron. analisis kuantitatif yang dihasilkan akan lebih cepat dan tepat ketimbang menggunakan kemampuan manusia. Ca%" S-u!: '.nalysis. '55N(.-ro P"rc". merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran #Megaputer. atau M0. kami berharap agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat ketimbang tanpa perceptron #lampiran $( (. ermasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna. /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket analysis.Ba%k".

/alam melakukan prediksi anotasi suatu image. ermasalahan yang ada dalam menentukan anotasi sebuah image adalah dalam hal penentuan fitur dan metode yang digunakan agar hasil anotasi yang didapat sesuai dengan yang diharapkan oleh pengguna.$ra ' PENERAPAN MULTI LAYER PERCEPTRON DALAM ANOTASI IMAGE SECARA OTOMATIS ABSTRA& enentuan anotasi terhadap suatu image #image annotation( merupakan topik penelitian yang berkembang pesat akhir-akhir ini. /alam melakukan prediksi anotasi suatu image.. enentuan fitur suatu image dilakukan dengan menggunakan metode color OuantiPation dan multi-leAel )aAelet transform. PENDAHULUAN /alam melakukan pencarian terhadap suatu image seseorang biasanya akan berpatokan pada suatu kata kunci yang menjadi deskripsi dari image yang dicari. /alam image yang berhubungan dengan produk tekstil. dilakukan dengan mengimplementasikan metode Multi :ayer erceptron #M: (. 9asil penelitian yang telah dilakukan menunjukkan bah)a tingkat akurasi untuk prediksi anotasi oleh M: adalah sebesar H$Q. /eskripsi sebuah image dalam hal ini disebut dengan anotasi.. A. dilakukan dengan mengimplementasikan metode Multi :ayer erceptron #M: (./alam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. @ntuk mengeAaluasi performance dari model yang diimplementasikan digunakan data image sebanyak JI. 9asil penelitian yang telah dilakukan menunjukkan bah)a tingkat akurasi untuk prediksi anotasi oleh M: adalah sebesar H$Q. /alam penelitian ini akan diimplementasikan suatu model untuk memprediksi anotasi suatu image. #:ampiran '( La2. @ntuk mengeAaluasi performance dari model yang diimplementasikan digunakan data image sebanyak JI. . enentuan fitur suatu image dilakukan dengan menggunakan metode color OuantiPation dan multi-leAel )aAelet transform.

elegan. enilaianRanotasi ini dapat dilakukan secara manual. 9al inilah yang sampai saat ini masih menjadi tantangan dalam penelitian di dunia komputer Aision. . /alam 6ambar $ terlihat bah)a fitur Aisual seperti )arna. .pabila suatu data tekstil berjumlah cukup besar dan selalu bertambah maka penilaian secara manual ini tidak efisien lagi. tekstur. /alam menentukan anotasi diperlukan ekstraksi terhadap image yang dijadikan obyek. diantaranya natural. klasik. Metode ini disebut sebagai content-based image retrieAal #S0I"(. 9al ini menuntut kita untuk membuat sebuah sistem dengan teknologi yang ada saat ini untuk dapat melakukan anotasi terhadap suatu image secara otomatis. perbedaan ini disebut dengan semantic gap. @ntuk mengatasi perbedaan #gap( ini maka diperlukan high-leAel semantic yang mencakup kedua atribut fisik nama obyekRorang dan atribut abstrak seperti emosi #seperti yang digambarkan pada 6ambar $(.terdapat beberapa anotasi yang dapat dijadikan penilaian tentang suatu produk. baik dari para ahli maupun surAei yang dilakukan ke sejumlah pelanggan. masih terdapat perbedaan antara informasi image yang diminta pengguna dan fitur yang diekstrak oleh sistem. Kkstraksi image ini dapat dilakukan dalam beberapa leAel seperti yang diperlihatkan dalam 6ambar $.tribut abstrak sangat penting untuk membedakan image tekstil satu dengan yang lainnya. /alam implementasi metode ini. . romantis. dan bentuk dapat diekstrak dari suatu tekstil sehingga image yang mimiliki kesamaan pada fitur ini dapat di-retrieAe. dan lain sebagainya. modern.

dua poin penting telah didapat yaitu skala )arna #color scale( dan peta pattern #pattern maps(. . 9al ini menunjukkan pentingnya pengetahuan tentang relasi antara emosi manusia dengan informasi Aisual. 0erbagai penelitian telah dilakukan untuk mempelajari hubungan antara fitur Aisual dengan konsep emosi dan melakukan identifikasi fitur Aisual yang mempengaruhi konsep emosi. eta pattern . .Ga29ar '. . . yang kemudian membuat suatu peta pattern untuk mentransformasikan pattern kedalam konsep emosi. B. dan transformasi )aAelet multi-leAel akan diterapkan untuk mendapatkan fitur ekstur. yang kemudian mendefinisikan skala image ber)arna tersebut untuk memprediksi emosi dari kombinasi )arna dari sebuah image yang diberikan. Kim melakukan surAei untuk meneliti bagaimana suatu informasi pattern mempengaruhi emosi manusia. bentuk dan informasi pattern. L". Model anotasi ini ditujukan untuk image tekstil."+ S"2a -$k I2ag" /alam penelitian ini akan dilakukan implementasi terhadap suatu model anotasi image yang dikembangkan oleh Shin. suatu image mengandung )arna. PENELITIAN TER&AIT Suatu anotasi dapat saja berbeda jika dibandingkan antara orang yang satu dengan lainnya.gar dapat melakukan prediksi secara otomatis maka terlebih dahulu akan dilakukan pemilihan fitur yang digunakan dalam proses prediksi. Kobayashi melakukan surAey untuk meneliti bagaimana suatu )arna mempengaruhi emosi manusia. Implementasi model anotasi image ini menggunakan JI.itur yang akan diambil didasarkan pada penelitian sebelumnya dimana kinerjaRperformance dari prediksi emosi dapat ditingkatkan dengan menggunakan fitur yang terintegrasi antara fitur )arna dan tekstur. tekstur. 9asil penelitian $$ ini menunjukkan bah)a metode M: sebagai classifier memiliki kinerja relatif baik. /i lain pihak. 9al ini dibuktikan dengan tingkat akurasi M: yang mencapai H$Q. lainnya juga telah dibuat oleh ark.itur-fitur yang telah diekstraksi ini kemudian akan dijadikan input classifier yaitu multilayered perceptron #M: (. image yang terbagi kedalam delapan anotasi. /asar yang digunakan untuk untuk mendapatkan anotasi dengan model ini adalah konsep emosi manusia #human emotional concepts( yang kemudian akan diproses melalui suatu mechine learning untuk mendapatkan hasil anotasi. Metode color OuantiPation akan diterapkan untuk mendapatkan fitur )arna. Sebagai hasil. Secara umum.danya perbedaan interpretasi ini yang membuat suatu sistem anotasi memiliki banyak tantangan.

dan .Kategori Kmosi Kobayashi Kmotional . tekstur dan pattern dari image yang menghasilkan hibridasi antara fuPPy dengan neural net)ork. Kim membangun sistem prediksi dengan menggunakan )arna.dapun delapan kategori emosi tersebut adalah sebagai berikut< +abel . @m memperkenalkan model eAaluasi emosi berbasis pada adaptiAe fuPPy logic yang menggunakan rata-rata nilai )arna dan frekuensi energi C.0erdasarkan surAei-surAei yang telah dilakukan tersebut maka berbagai metode untuk memprediksi anotasi image secara otomatis telah dibangun. Kim membangun sebuah neural net)ork classifier dengan menggunakan relasi antara emosi dan informasi pattern dasar. • Solor and pattern-based prediction system < dalam metode ini dilakukan kombinasi antara )arna dan pattern sebuah image. and colorand pattern-based berdasarkan jenis fitur yang digunakan. buah. . METODE /alam penelitian ini. Soen dan co)orker pertama kali membangun sistem prediksi anotasi menggunakan pattern. Metode anotation ini dapat dikelompokkan ke dalam beberapa kategori yaitu color-based. • Solor-based prediction system < metode dengan jenis ini menprediksi anotasi hanya dengan menggunakan )arna dari image tekstil. roperti dari tekstur diekstrak dengan menggunakan )aAelet transform dan persamaan regresi untuk memprediksi emosi. *umlah data image yang digunakan dalam penelitian ini berjumlah JI.5Q sebagai data testing. @ntuk melihat performansi dari model yang diimplementasikan ini maka jumlah data yang digunakan akan dibagi menjadi dua yaitu N5Q digunakan sebagai data training. pattern-based. Metode Kim menggunakan fuPPy rule-based system dalam mencari anotasi image • attern-based prediction system < metode ini hanya menggunakan informasi pattern dalam proses anotasinya. untuk melakukan prediksi anotasi sebuah image. *umlah emosi ini merujuk pada penelitian yang dilakukan oleh Shin. terdapat beberapa hal yang diperhatikan yaitu < • /ata image yang dijadikan input dari sistem akan dinormalisasi ke dalam ukuran &Jx&J. • Kategori emosi yang digunakan berdasarkan emosi yang diperkenalkan oleh Kobayashi dimana dalam penelitian ini kategori tersebut diambil sejumlah delapan buah.

+ahapan rediksi Kmosi <. 6ambar '.' F$-ur Ek%-rak%$ . dan klasifikasi pada emosi yang telah didefinisikan. +ahapan penentuan emosi image ini dapat dilihat pada 6ambar '. ekstraksi fitur. normalisasi data.enentuan anotasiRemosi pada suatu image ditentukan melalui sederetan langkah yang meliputi pengambilan data image yang akan dianotasi.

:akukan fungsi histeO #dengan matlab( untuk mendapatkan enam )arna dominan. 8 nilai histogram untuk setiap )arna dominan Map  nilai "60 untuk setiap )arna dominan . .( 0erikut ini adalah gambaran dari proses untuk mendapatkan fitur )arna dengan metode color OuantiPation < 6ambar . kali. /ari transformasi ini akan dihasilkan sebanyak $' fitur yang berasal dari dekomposisi image dengan leAel . @rutkan )arna dari yang paling dominan ke yang paling minimum dari )arna-)arna yang dihasilkan sehingga menghasilkan 8 dan Map yang telah terurut. fitur pattern diperoleh dengan menggunakan ransformasi )aAelet multi-leAel. J. Aektor 8 dan Map. Simpan nilai 8 dan Map ke dalam Aector fitur #&x. "ePise image kedalam ukuran &Jx&J '. ada penelitian ini metode color OuatiPation akan mengelompokkan prototipe )arna-)arma yang ada pada sebuah image menjadi enam )arna dominan.dapun langkah-langkah color OuantiPation yang dilakukan adalah sebagai berikut < $. Kkstraksi Tarna denganSolor UuantiPation Setelah mendapatkan fitur )arna. ada penelitian ini.. .. dan jumlah rotasi sebanyak .itur yang digunakan sebagai inputan sistem dalam proses klasifikasi adalah fitur )arna dan fitur pattern. .itur )arna didapat dari metode color OuatiPation.. langkah dilanjutkan dengan mencari fitur pattern dari image.

*ika kondisi penghentian belum dipenuhi. @ntuk setiap pasang data pelatihan.lgoritma yang dijalankan oleh M: untuk mendapatkan bobot yang optimal adalah sebagai berikut < $. .-H.lgoritma ini terkenal handal karena proses pembelajaran yang mampu dilakukan secara terarah. .dapun arsitektur neural net)orknya adalah seperti gambar J. ada tahapan ini akan dilakukan . '.. . enetapan bobot yang optimal akan berujung pada hasil klasifikasi yang tepat.. p(. +iap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. lakukan langkah . . '.<.( &+a%$#$ka%$ E2o%$ +ahapan terakhir dalam penentuan emosi dari suatu image adalah melakukan klasifikasiRprediksi emosi image berdasarkan fitur yang dimiliki. Inisialisasi semua bobot dengan bilangan acak kecil. . I. 9itung semua keluaran di unit tersembunyi Pj #j 4 $.5 fitur #$H )arna. embelajaran algoritma ini dilakukan dengan peng-update-an bobot balik #backpropagation(. dan $' pattern( yang menjadi inputan dalam proses klasifikasi emosi sedangkan jumlah kemungkinan output klasifikasi emosi adalah sebanyak H buah emosi. lakukan langkah '-H. J.. /ari tahapan fitur ekstraksi #)arna dan pattern( maka diperoleh sebanyak . implementasi classifier yaitu M: . .lgoritma M: merupakan algoritma yang mengadopsi cara kerja jaringan saraf pada mahluk hidup....

9itung faktor V unit keluaran berdasarkan kesalahan di setiap unit keluaran yk #k 4 $. Vk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar diba)ahnya... H. . '..6ambar J Sontoh .rsitektur M: &. . '.. 9itung faktor V unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi Pj #j 4 $..aktor V unit tersembunyi...m(. 9itung perubahan bobot )kj dengan laju pemahaman = . m(. N. 9itung semua keluaran jaringan di unit keluaran yk #k 4 $..

%. Setelah tahapan training untuk penentuan bobot selesai dilakukan.5$. HASIL ada penelitian yang kami lakukan. buah citra. 9al ini berbeda dengan beberapa metode stoping lainnya seperti misalnya yang menggunakan Sum SOuare Krror #SSK( ataupun Means SOuare error #MSK(. /engan menggunakan data-data tersebut didapatkan hasil nilai akurasi yang relatif tinggi.'. Saat iterasi sudah mencapai &555 maka program berhenti melakukan penghitungan bobot. hanya saja pada fase testing tidak dilakukan pembelajaran karena boot yang digunakan adalah bobot tetap hasil training. erlu diketahui untuk threshold 5. D. ada klasifikasi menggunakan M: ini. yaitu< yaitu< erubahan bobot garis yang menuju ke unit tersembunyi. roses testing ini dilakukan sama halnya pada fase training.9itung suku perubahan bobot Aji. 9itung semua perubahan bobot. . karena dalam beberapa percobaan didapatkan iterasi yang tidak berujung saat . berkisar H'Q seperti tampak pada gambar &. menghentikan program digunakan jumlah iterasi maksimum. digunakan konfigurasi data N5Q data training dan .5Q data testing dari total data sebanyak JI.dapun pertimbangan peneliti memilih stoping kriteria menggunakan jumlah iterasi adalah. erubahan bobot garis yang menuju ke unit keluaran. jumlah iterasi maksimal adalah &555 iterasi. digunakan learning rate sebesar 5. maka tahapan selanjutnya adalah melakukan uji klasifikasi emosi terhadap image testing.

threshold dan jumlah iterasi maksimum yang berbeda-beda sehingga didapatkan nilai yang optimal sebesar 5. PEMBAHASAN /ari hasil percobaan yang dilakukan. Talaupun M: memberikan hasil yang relatif baik. threshold dan jumlah iterasi maksimal dapat menyebabkan penurunan ataupun peningkatan akurasi.'. dicobakan beberapa kali nilai :earning rate.5'. . /imana akurasi M: adalah H'Q. roses testing menggunakan M: E. didapatkan hasil M: relatif baik jika dinilai dari akurasinya. 5. 0era)al dari hal ini maka ditentukan stoping kriteria adalah menggunakan jumlah iterasi. ada penelitian ini dicobakan beberapa jumlah hidden layer dan jumlah nodenya.digunakan stoping kriteria SSK ataupun MSK. node. /alam penelitian ini. /an didapatkan jumlah hidden layer yang optimal adalah $ hidden layer dengan jumlah node hidden layer adalah $. 6ambar &. penentuan :earning rate. &555. /isamping itu pula. penentuan jumlah 9idden layer dan jumlah node masing-masing hidden layer juga berpengaruh terhadap hasil.

'55. Misalnya informasi berikut< buyer )ho bought the book +he :ord 7f +he "ing also bought the . analisis kuantitatif yang dihasilkan akan lebih cepat dan tepat ketimbang menggunakan kemampuan manusia.Ba%k".(.com menjadi contoh kasus yang baik untuk melihat implementasi langsung dari analisis yang memanfaatkan komputer. P" !a3u+ua enggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti sekarang.A a+:%$% 9"r9a%$% 8"9 2" ggu aka P"rc". /engan bantuan komputer.La2. Situs amaPon. Ketika kita berkunjung ke situs ini. kita sebagai pengunjung sekaligus pembeli akan melihat informasi mengenai kecenderungan beli konsumen yang terjadi di sana #9obbs dkk.-ro A.+$ka%$ Mark".$ra ( A.

'55. . yaituM support. dan kendali motorik #KantardPic. inilah yang dikenal dengan istilah market basket analysis. Mengetahui pola pembelian produk atau penggunaan jasa yang biasanya dilakukan oleh mayoritas pembeli produk atau pengguna jasa. /alam dunia data mining yang memiliki kaitan sangat erat dengan market basket analysis. persepsi. maka tujuan dari penelitian ini adalah sebagai berikut. 7tak manusia telah diketahui memiliki kemampuan untuk mengorganisasi komponen-komponennya sehingga ' dapat menyelesaikan suatu kasus komputasi dengan lebih baik dan lebih cepat ketimbang komputer digital.nalisis semacam . Mengembangkan sebuah aplikasi market basket analysis menggunakan konsep perceptron yang berbasis )eb #)eb-based(. B.com melalui peningkatan penjualan produk-produknya. 7utput yang akan dihasilkan oleh aplikasi ini adalah beberapa tipe dari association rules confidence. '.dapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut. /engan informasi seperti ini. enelitian di bidang .(. C. kami berharap agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat ketimbang tanpa perceptron. $. Tu=ua 0erdasarkan permasalahan yang telah dibahas sebelumnya. Sontoh-contoh kasus ini diantaranyaM pengenalan pola. yang berkaitan dengan data hasil pembelian. perceptron merupakan “alat! yang akan digunakan untuk mempelajari data yang akan dianalisis.book +he 9obbit. seorang pembeli yang melakukan transaksi di situs amaPon secara tidak langsung akan dirangsang untuk ikut-ikutan laba membeli produk yang biasanya dibeli bersama produk yang sudah dibelinya. yakni untuk meningkatkan amaPon. P"ru2u%a Ma%a+a3 . Motif utama di balik informasi semacam ini sudah jelas. /engan menggunakan konsep perceptron.rtificial Leural Let)ork #jaringan syaraf tiruan( termotiAasi oleh sebuah fakta di lapangan yang menunjukkan bah)a otak manusia sebenarnya melakukan proses komputasi dengan teknik yang jauh berbeda jika dibandingkan dengan teknik yang dipakai oleh komputer digital. $.

A a+:%$% Market 0asket .nalysis. lebih fokus untuk lakukan dengan alasan bah)a kami mengembangkan aplikasi yang dapat mengimplementasikan gabungan antara market basket analysis dengan perceptron bukan pada analisis data nyata yang terjadi dalam sebuah s)alayan atau sejenisnya.. engumpulan data. '55N(. Mengetahui manfaat konsep perceptron untuk market basket analysis. $. D. F.nalysis sendiri datang dari kejadian yang sudah sangat umum terjadi di dalam pasar s)alayan. Meskipun begitu. +ujuan dari M0. dsb( untuk menganalisis kecenderungan atau pola konsumsi yang dimiliki oleh pelanggan masing-masing. M"-o!" P" "+$-$a Metode penelitian yang akan digunakan dalam penelitian ini adalah sebagai berikut. /ata yang akan dianalisis oleh aplikasi 9al ini kami ini adalah data yang masih bersifat fiktif. akan dilakukan analisis terhadap output yang dikeluarkan. Membuat aplikasi market basket analysis yang memanfaatkan konsep perceptron menggunakan bahasa pemrograman 9 . tidak tertutup kemungkinan bagi aplikasi ini untuk melakukan analisis terhadap data semacam itu. $.. . Istilah Market 0asket . atau M0. '.'. informasi dan teori-teori mengenai market basket analysis dan perceptron diperoleh melalui artikel dan buku yang ada di internet. adalah untuk menentukan produk-produk #jasa( apa saja yang paling sering dibeli atau digunakan sekaligus oleh para pelanggan. Ma #aaManfaat yang bisa diambil dalam penelitian ini adalah sebagai berikut. Membantu pemilik lembaga bisnis #s)alayan. yakni ketika para pelanggan memasukkan semua barang yang mereka beli .Ba%k". merupakan salah satu tipe analisis data yang paling sering digunakan dalam dunia pemasaran #Megaputer. T$ =aua Pu%-aka '. Mark". perusahaan jasa asuransi.nalisis akan lebih menekankan pada berhasil-tidaknya aplikasi ini untuk menghasilkan perhitungan support dan confidence. '. toko online. . E.. Setelah aplikasi berhasil diimplementasikan. . Memindahkan aplikasi yang sebelumnya berbasis client #client-based( menjadi berbasis )eb #)eb-based(.

perceptron merupakan jaringan syaraf tiruan dengan lapisan tunggal #single layer( yang bobot-bobot dan biasnya Aektor input yang bersesuaian.ke dalam keranjang #market basket( yang umumnya telah disediakan oleh pihak s)alayan itu sendiri. (. Informasi mengenai produk-produk yang biasanya dibeli secara bersamasama oleh para pelanggan dapat memberikan “)a)asan! tersendiri bagi para pengelola toko atau s)alayan untuk menaikkan laba bisnisnya #. seperti bertujuan membeli bersama-sama seorang manajer sebuah toko bisa area yang saja memanfaatkan informasi yang agar umumnya jaraknya. seperti ini justru bisa dijadikan alasan oleh sang manajer untuk menjauhkan letak satu produk dengan produk lainnya agar pelanggan secara tidak sadar bisa terpicu untuk membeli produk-produk lain yang biasanya tidak dibelinya. 0eberapa bisnis yang bergerak di luar )ilayah ini pun bisa menikmati manfaat dari adanya M0. /engan kata lain. 0anyak orang yang kemampuannya lalu bekerja tertarik untuk melakukan koneksidalam dengan learning ollack. toko buku. P"rc". . . Informasi-informasi atau pengetahuan seperti di atas tentunya tidak hanya bermanfaat di dalam lingkungan pemasaran untuk pasar s)alayan saja. dsb.lbion "esearch.alse #5( yang menjadi masukannya #input(. semakin dibeli 9al ini senang informasi berdekatan pembeli ini untuk menempatkan ke dalam untuk memudahkan beberapa produk produk-produk “mayoritas! berlainan sekaligus. koneksi tersebar secara acak. toko baju. perceptron dirancang untuk dapat merespon nilai boolean +rue #$( dikarenakan dari Aektor-Aektor latihannya. Misalnya. Secara umum. Sebut saja misalnyaM toko-toko Airtual yang menjual produkproduknya secara on-line. $%%I(. restoran fast-food. disebut the perceptron memanfaatkan perceptron generalisasi bisa dilatih untuk menghasilkan Aektor target secara tepat ketika akan ditampilkan dengan +eknik pelatihan yang akan digunakan biasanya rule. bank-bank yang memberikan fasilitas layanan kartu kredit untuk para nasabahnya. '55N(.tau sebaliknya.-ro erceptron adalah program aplikasi yang digunakan untuk mempelajari konsepRpemahaman mengenai sesuatu #Teisman dan atau . perusahaan penyedia jasa asuransi. ini.

*ika tidak terjadi perubahan bobot pada #i( maka kondisi berhenti akan bernilai true. $. +es kondisi berhenti. maka )i#baru( 4 )i#lama( b#baru( 4 b#lama( ii. Selama kondisi berhenti bernilai false.gar sederhana. Kerjakan< a( set input dengan nilai yang sama dengan Aektor input. .gar perhitungan menjadi sederhana. @ntuk setiap pasangan pembelajaran s-t. set = 4 $( '. set bobot dan bias sama dengan nol( Set learning rate #=( dengan 5 > = ? $ #. lakukan langkah-langkah berikut< i. Inisialisasi semua bobot dan bias. 0erikut ini adalah algoritma perceptron. #. 8i 4 SiM b( 9itung respon untuk unit output< c( erbaiki bobot dan bias jika terjadi error< *ika y F t maka< )i#baru( 4 )i#lama( 1 = G t G 8i b#baru( 4 b#lama( 1 = G t *ika tidak. Lamun jika masih terjadi perubahan maka kondisi berhenti akan bernilai false.erceptron menghitung output yang dihasilkannya menggunakan persamaan berikut ini< P>W)9?@ Keterangan< • • • adalah Aektor input yang dimasukkan ke dalam jaringan T adalah Aektor bobot b adalah bias erceptron dilatih untuk memberikan respon terhadap setiap Aektor input dengan target output yang bernilai 5 atau $.

'5$$.DAFTAR PUSTA&A +.Sandi. 0andung < Informatika bandung lanning dan :earning #Kdisi Mulyanto.Eogyakarta<.Sutojo.Wincent Subroto. $%%.rtificial Intelligence!. "easoning.rtificial Intelligence Searching.!Kecerdasan 0uatan!.Kdi Eogyakarta Setia)an.ndi 7ffset Eogyakarta Suyanto.. "eAisi(.Eogyakarta<.ndi .'5$5.!.!.

Sign up to vote on this title
UsefulNot useful