Your SlideShare is downloading. ×
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Skripsi
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Skripsi

965

Published on

presentasi saat sidang skripsi …

presentasi saat sidang skripsi
"APLIKASI JARINGAN SYARAF TIRUAN DENGAN METODA KOHONEN TERHADAP PENGELOMPOKAN BUNGA IRIS"

Published in: Education
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
965
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
41
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. APLIKASI SISTEM JARINGAN SYARAF TIRUAN DENGAN METODA KOHONEN UNTUK MENGELOMPOKKAN DATA BUNGA IRISSiti Chairunnisa073112600350004
  • 2. LATAR BELAKANGPengelompokkan atau clustering merupakan topik yang menarikAda beberapa cara yang dikembangkan untuk mengelompokkan objekSalah satu cara adalah menggunakan sistem Jaringan Syaraf Tiruan (JST)Pada pembahasan ini metoda JST yang dipergunakan adalah JST metoda Kohonen
  • 3. TUJUANMengembangkan sistem Jaringan Syaraf Tiruan (JST)metoda Kohonen untuk mengelompokkan data jenisbunga iris
  • 4. PetalSepal (Kelopak)(Mahkota)
  • 5. BATASAN MASALAHJenis data yang dipergunakan adalah data sekunderJumlah data sama dengan jumlah data yang dipergunakan pada penelitian sebelumnya (Meila Kristiani, 2010)
  • 6. CLUSTERINGTahapan Clustering Representasi Ekstraksi Pola-polaPola-pola Cluster dan Kesamaaan Peng-cluster-an Pemilihan antar pola Ciri / Sifat
  • 7. JARINGAN SYARAF TIRUAN (JST)Sistem JST adalah sistem jaringan (pemroses informasi) yang cara kerjanya menirukan cara kerja sistem jaringan syaraf biologi manusiaSistem JST telah dikembangkan untuk berbagai aplikasi, antara lain: aplikasi pengenalan pola, pemrosesan sinyal, peramalan, pengelompokkan (clustering) dan sebagainyaSalah satu metode JST yang bisa depergunakan untuk aplikasi pengklasifikasian adalah JST metode Kohonen
  • 8. ARSITEKTUR JSTMETODA KOHONEN w11x1 y1 w21 w31 w12 w22x2 y2 w32 w13 w23x3 y3 w33
  • 9. PERANCANGAN SIMULASI
  • 10. DATA SEKUNDER Sepal Sepal Petal PetalNo Length Width Length Width Class 1 (cm) 7 (cm) 3,2 (cm) 4,7 (cm) 1,4 Iris-versicolor VERSICOLOR 2... ... 6,4 ... 3,2 ... 4,5 ... 1,5 Iris-versicolor ... 50 data49 5,1 2,5 3 1,1 Iris-versicolor50 5,7 2,8 4,1 1,3 Iris-versicolor Sepal Sepal Petal Petal No Length Width Length Width Class VIRGINICA (cm) (cm) (cm) (cm) 51 6,3 3,3 6 2,5 Iris-virginica 50 data 52 ... ... 5,8 ... 2,7 ... 5,1 ... 1,9 Iris-virginica ... 99 6,2 3,4 5,4 2,3 Iris-virginica 100 5,9 3 5,1 1,8 Iris-virginica Sepal Sepal Petal Petal No Length Width Length Width Class 101 (cm) 5,1 (cm) 3,5 (cm) 1,4 (cm) 0,2 Iris-setosa SETOSA 102 4,9 3 1,4 0,2 Iris-setosa 50 data ... ... ... ... ... ... 149 5,3 3,7 1,5 0,2 Iris-setosa 150 5 3,3 1,4 0,2 Iris-setosa
  • 11. • Strategi pembagian data simulasi Data training (latih): 35 data (70 %) Data uji: 15 data (30%) Mentransformasikan data dengan range [0.1 , 0.9] dengan rumus transformasi linier: �� − � ��′ = 0.8 ∗ +� �−�Dimana: a = nilai minimum data untuk masing-masing jenis parameter b = nilai maksimum data untuk masing-masing jenis parameter
  • 12. Range lebar dan panjang dari mahkota (sepal) dan kelopak (petal) ketiga jenis iris yang akan dipergunakan untuk klasifikasi adalah: Versicolor Sepal length Sepal Width Petal Length Petal WidthMinimum (a) 4.9 2.0 3.0 1.0Maksimum (b) 6.9 3.4 6.0 2.5 Virginica Sepal length Sepal Width Petal Length Petal WidthMinimum (a) 4.9 2.3 4.5 1.4Maksimum (b) 7.9 3.8 6.9 2.5 Sentosa Sepal length Sepal Width Petal Length Petal WidthMinimum (a) 4.3 2.3 1.0 0.1Maksimum (b) 5.5 4.4 1.9 0.6
  • 13. Sehingga dapat dilakukan perubahan data dari datasebenarnya ke data transformasi dengan rumussebagai berikut: �1 (𝑆𝑒𝑝�� 𝐿𝑒𝑛𝑔�ℎ) = 0.8 ∗ + 4.3 ′ � � −4.3 7.9−4.3 �2 (𝑆𝑒𝑝�� 𝑊�𝑑�ℎ) = 0.8 ∗ + 2.0 ′ � � −2.0 4.4−2.0 �3 (𝑃𝑒��� 𝐿𝑒𝑛𝑔�ℎ) = 0.8 ∗ + 1.0 ′ � � −1.0 6.9−1.0 �4 (𝑃𝑒��� 𝑊�𝑑�ℎ) = 0.8 ∗ + 0.1 ′ � � −0.1 2.5−0.1
  • 14. HASIL DATA TRANSFORMASI Sepal Sepal Petal PetalNo Length Width Length Width Class (cm) (cm) (cm) (cm) 1 2... 4,9000 4,7667 ... 2,4000 2,4000 ... 1,5017 1,4746 ... 0,5333 0,5667 ... Iris-versicolor Iris-versicolor ... VERSICOLOR49 4,4778 2,1667 1,2712 0,4333 Iris-versicolor50 4,6111 2,2667 1,4203 0,5000 Iris-versicolor Sepal Sepal Petal Petal No Length Width Length Width Class (cm) (cm) (cm) (cm)VIRGINICA 51 52 4,7444 4,6333 2,4333 2,2333 1,6780 1,5559 0,9000 Iris-virginica 0,7000 Iris-virginica ... ... ... ... ... ... 99 4,7222 2,4667 1,5966 0,8333 Iris-virginica 100 4,6556 2,3333 1,5559 0,6667 Iris-virginica Sepal Sepal Petal PetalNo Length Width Length Width Class (cm) (cm) (cm) (cm)101102 ... 4,4778 4,4333 ... 2,5000 2,3333 ... 1,0542 1,0542 ... 0,1333 0,1333 ... Iris-setosa Iris-setosa ... SETOSA149 4,5222 2,5667 1,0678 0,1333 Iris-setosa150 4,4556 2,4333 1,0542 0,1333 Iris-setosa
  • 15. Mulai Inisialisasi bobot w (random) learning rate (α = 0,5) Data pelatihan Hitung jarak DDIAGRAM Mencari D minimunALIR Modifikasi nilai bobotPELATIHAN Modifikasi learning rate (α) Tidak epoch = 100 Ya Simpan bobot akhir Selesai
  • 16. Mulai Ambil bobot akhir hasil pelatihan (w) Data pengujian (45) Hitung jarak DDIAGRAM Mencari D minimunALIRPENGUJIAN Simpan nilai indeks kelompok Tidak Data pengujian = 45 Ya Selesai
  • 17. ALGORITMA KOHONEN
  • 18. LANGKAH 1: INISIALISASIMenentukan bobot awal neuron secara random dengan interval (0 , 1)Menentukan learning rate awal: α(t) = 0.5 dan modifikasinya: α(t+1) = 0.5*α(t)
  • 19. LANGKAH 2:MENCARI NEURON PEMENANGMemasukkan vektor input(��′ )Mencari neuron pemenang dengan menghitung jarak minimum Euclidean: �(� ) = ඨ ඨ (��� − ��′ )2 �
  • 20. LANGKAH 3:UPDATE BOBOTModifikasi nilai bobot dari neuron pemenang��� (��𝑟�) = ��� (��𝑚�) + �[��′ – ��� (��𝑚�)]tersebut:untuk i, j = 1,2,3,...,n w= [0.6294 0.8116 0.7460 0.8268 0.2647 0.8049 0.4430 0.0938 0.9150 0.9298 0.6848 0.9412]
  • 21. HASIL SIMULASI
  • 22. Data Bunga Iris Versicolor Data Bunga Iris Virginica Data Bunga Iris SetosaNo.No. Keterangan Keterangan x1 x1 x2 x2 x3 x3 x4 x413116 4,6778 4,4556 5,0556 2,4667 2,4000 2,3333 1,4746 1,0271 1,6915 0,6000 0,1333 0,8333 Tidak dapat dikenali Tidak dapat dikenali Dapat dikenali23217 4,8333 4,5667 4,7444 2,3667 2,5000 2,4667 1,5017 1,0407 1,6237 0,5667 0,1333 0,8667 Dapat dikenali Dapat dikenali33318 4,7444 4,4333 4,7667 2,1000 2,3667 1,4610 1,0678 1,6102 0,5000 0,1000 0,6667 Dapat dikenali Dapat dikenali43419 4,5889 4,3222 4,6778 2,3333 2,3333 1,4203 1,0407 1,5153 0,5000 0,1333 0,6667 Dapat dikenali Tidak dapat dikenali Dapat dikenali53520 4,5667 4,4778 4,8778 2,1667 2,4667 2,3667 1,4068 1,0678 1,5966 0,5000 0,1333 0,7667 Dapat dikenali Dapat dikenali63621 4,5667 4,4556 4,8333 2,2000 2,5000 2,3667 1,4610 1,0407 1,6237 0,4667 0,1667 0,8667 Dapat dikenali Dapat dikenali73722 4,7000 4,3444 4,8778 2,3333 2,1000 2,3667 1,4881 1,0407 1,5559 0,5333 0,1667 0,8333 Dapat dikenali Tidak dapat dikenali Dapat dikenali83823 4,6333 4,3222 4,6333 2,2000 2,4000 2,2333 1,4068 1,0407 1,5559 0,4667 0,1333 0,7000 Dapat dikenali Tidak dapat dikenali Dapat dikenali93924 4,4556 4,4556 4,8556 2,1000 2,5000 2,4000 1,3119 1,0814 1,6644 0,4000 0,2667 0,8333 Tidak dapat dikenali Dapat dikenali104025 4,5889 4,4778 4,8333 2,2333 2,6000 2,4333 1,4339 1,1220 1,6373 0,5000 0,2000 0,9000 Dapat dikenali Dapat dikenali114126 4,6111 4,4111 4,8333 2,3333 2,3333 1,4339 1,0542 1,5695 0,4667 0,1667 0,8333 Dapat dikenali Dapat dikenali124227 4,6111 4,4778 4,7444 2,3000 2,6000 2,1667 1,4339 1,0814 1,5424 0,5000 0,1333 0,7000 Dapat dikenali Dapat dikenali134328 4,7222 4,3667 4,7889 2,3000 2,4000 2,3333 1,4475 1,0542 1,5695 0,5000 0,1333 0,7333 Dapat dikenali Dapat dikenali144429 4,4778 4,5222 4,7222 2,1667 2,5667 2,4667 1,2712 1,0678 1,5966 0,4333 0,1333 0,8333 Tidak dapat dikenali Dapat dikenali154530 4,6111 4,4556 4,6556 2,2667 2,4333 2,3333 1,4203 1,0542 1,5559 0,5000 0,1333 0,6667 Dapat dikenali Dapat dikenali
  • 23. KESIMPULAN1. Hasil akurasi JST metoda kohonen  Jenis bunga iris virginica didapat 96.78%  Jenis bunga iris versicolor dan setosa didapat 92.33% 2. Kesalahan ini dapat terjadi karena:  Data yang hampir sama (secara numerik)  Jumlah parameter lebih dari 4
  • 24. SARAN

×