Neural Network

Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana NN adalah sebuah alat pemodelan data statistik non-linear. NN dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.

Secara mendasar, sistem pembelajaran merupakan proses penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali suatu objek. Neuronadalah bagian dasar dari pemrosesan suatu Neural Network. Dibawah ini merupakan bentuk dasar dari suatu neuron.

Bentuk dasar Neuron

Keterangan gambar di atas adalah sebagai berikut.

1. Input merupakan masukan yang digunakan baik saat pembelajaran maupun dalam mengenali suatu objek.

2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai proses pembelajaran.

3. Processing Unit, merupakan tempat berlangsungnya proses pengenalan suatu objek berdasarkan pembebanan yang diberikan.

4. Output, keluaran dari hasil pengenalan suatu objek.

Keuntungan Penggunaan Neural Network

1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier. 2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses

sebenarnya. 3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek. 4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan suatu

objek. 5. Neural Network mampu diimplementasikan pada suatu Hardware atau perangkat keras.

Genetic Algorithm

Genetic Algorithm merupakan metode pembelajaran heuristic yang adaptif, karenanya bisa jadi terdapat beberapa versi dari Genetic Algorithm yang menyesuaikan dengan permasalahan yang dihadapi. Genetic Algorithm juga merupakan algoritma yang efektif dan sederhana dan relatif mudah untuk diimplementasikan. Genetic Algorithm memiliki keunggulan-keunggulan dibandingkan dengan metode-metode heuristic yang lain, yaitu:

- Genetic Algorithm menyelesaikan masalah dengan mengkodekan permasalah menjadi chromosome, bukan dengan menyelesaikan permasalahan itu sendiri. Karena itu diperlukan pemodelan chromosome yang baik dan efektif yang dapat mewakili solusi dari permasalahan yang dihadapi.

- Genetic Algorithm memulai prosesnya dengan sekumpulan initial solutions, berbeda dengan metaheuristic lain yang memulai proses dengan sebuah solusi tunggal, dan berlanjut ke solusi lainnya melalui suatu transisi. Karenanya GA melakukan pencarian multi-directional dalam solution space, yang memperkecil kemungkinan berhentinya pencarian pada kondisi local optimum.

- Hanya diperlukan sebuah fungsi evaluasi tunggal yang berbeda untuk tiap permasalahan.- Genetic Algorithm merupakan algoritma yang ‘buta’, karena GA tidak mengetahui kapan

dirinya telah mencapai solusi optimal.

Secara umum Genetic Algorithm harus memenuhi kriteria-kriteria dibawah ini untuk menghasilkan solusi yang optimal:

- Sebuah representasi yang tepat dari sebuah solusi permasalahan, dalam bentuk chromosome.

- Pembangkit populasi awal. Umumnya populasi awal dibangkitkan secara acak, namun untuk beberapa kasus juga bisa dibangkitkan melalui metode-metode tertentu atau penggabungan keduanya(seeding).

- Sebuah evaluation function untuk menentukan fitness value dari tiap solusi.- Genetic Operator, mensimulasikan proses reproduksi (perkembangbiakan) dan mutasi.- Parameter-parameter lain, seperti kapasitas populasi, probabilitas dari operasi-operasi

genetik, dan semacamnya.

Decision Tree

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan Antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model.

Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

Kelebihan dari metode pohon keputusan adalah:

- Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

- Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.

- Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional

- Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan dari pohon keputusan

- Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.

- Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.

- Kesulitan dalam mendesain pohon keputusan yang optimal.

- Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

Model Pohon Keputusan

Detiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun.

Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

Referensi :

- http://elib.unikom.ac.id/files/disk1/301/jbptunikompp-gdl-agusnovian-15028-3-babii.pdf- https://huzzein.wordpress.com/2009/03/27/sekilas-tentang-genetic-algorithm/- https://dnial.wordpress.com/2007/04/25/genetic-algorithm/- http://dua7an.blogspot.com/2013/12/tentang-pohon-keputusan-decision-tree.html

Tugas Artificial Intelligence

Tugas Rangkuman Neural Network, Genetic Algorithm

dan Decision Tree

Oleh :

Adinda Fahman M (0613U015)

FAKULTAS TEKNIK INFORMATIKA

UNIVERSITAS WIDYATAMA

2015