Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)

Presentasi serupa


Presentasi berjudul: "Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)"— Transcript presentasi:

1 Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
3 SKS Dosen: Muhammad Fachrie, M.Cs. JST - Pertemuan 2

2 Outline Aplikasi MLP untuk Klasifikasi Aplikasi MLP untuk Prediksi
Klasifikasi data multivariat Klasifikasi objek/ gambar Aplikasi MLP untuk Prediksi Prediksi data multivariat Prediksi data timeseries JST - Pertemuan 2

3 MLP untuk Klasifikasi Klasifikasi merupakan suatu metode untuk mengelompokkan sejumlah data ke dalam kelas-kelas tertentu sesuai dengan ciri/ feature dari setiap data. Contoh: Klasifikasi tipe mahasiswa berdasarkan IPK, aktivitas organisasi, lama studi, dan moral: Mahasiswa unggulan: IPK > 3.5, jumlah organisasi > 3, lama studi <= 4 tahun, moral = baik. Mahasiswa baik: IPK > 3, jumlah organisasi > 2, lama studi <= 4 tahun, moral = baik. Mahasiswa biasa: 2.75< IPK <3, jumlah organisasi > 1, lama studi <= 6 tahun, moral = biasa. Mahasiswa buruk: IPK < 2.75, jumlah organisasi > 0, lama studi > 6 tahun, moral = buruk. JST - Pertemuan 2

4 MLP untuk Klasifikasi Contoh:
Klasifikasi level harga rumah berdasarkan harga jual, luas tanah, dan luas bangunan: Rumah murah: harga jual < 300juta, luas tanah > 80, luas bangunan > 36 Rumah medium: 300juta < harga jual < 500juta, luas tanah > 80, luas bangunan > 45 Rumah mahal: harga jual > 500juta, luas tanah < 100, luas bangunan < 60 JST - Pertemuan 2

5 Klasifikasi Data Multivariat
Data Multivariat adalah data yang terdiri dari banyak variable. Contoh: Data Diagnosis Kanker Payudara No. Clump Thickness Uniformity of Cell Size Uniformity of Cell Shape Marginal Adhesion Single Epithelial Cell Size Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses CLASS (TARGET) 1 5 8 7 10 2 6 4 3 . . . 199 200 Batas kuliah 27 sep 2016 JST - Pertemuan 2

6 Klasifikasi Data Multivariat
Feature data multivariate = input MLP. Pastikan setiap feature berisi data numerik (bukan string ataupun char). Jika ada feature yang berisi data non-numerik, konversi dahulu menjadi data numerik. Jika ada 9 feature pada data, maka input MLP pun ada 9. JST - Pertemuan 2

7 Klasifikasi Data Multivariat
b1 x1 Clump of Thickness b2 Uniformity of Cell Size x2 Uniformity of Cell Shape x3 z1 Marginal Adhesion x4 y1 Single Epithelial Cell Size x5 z2 x6 Bare Nuclei x7 Bland Chromatin z3 x8 Normal Nucleoli x9 Mitoses JST - Pertemuan 2

8 Klasifikasi Data Multivariat
Banyaknya kelas/ kelompok pada data menentukan banyaknya neuron yang akan digunakan pada output layer MLP. Contoh, Pada data kanker sebelumnya, data dikelompokkan ke dalam dua kelas: malign (negative kanker) dan benign (positif kanker). Maka neuron pada output layer yang digunakan cukup satu buah (satu neuron bisa menghasilkan salah satu dari dua nilai, yakni 0 atau 1). Nilai 0 mewakili malign, dan nilai 1 mewakili benign JST - Pertemuan 2

9 Klasifikasi Data Multivariat
Namun, jika kelas/ kelompok data lebih dari dua, maka jumlah neuron pada output layer juga akan lebih banyak. Contoh: Jika terdapat 6 kelas pada data, kita bisa menggunakan beberapa opsi output layer berikut: 3 neuron (001,010,011,100,101,110), atau 6 neuron (000001,000010,000100,001000,010000,100000) JST - Pertemuan 2

10 Klasifikasi Objek/ Gambar
Ingat, gambar (image) = matriks 2 dimensi Pada dasarnya, setiap pixel pada image bisa menjadi input MLP. Namun, hal ini tidak efisien jika ukuran image-nya besar. Cara paling mudah mengurangi dimensi image yang besar adalah dengan membuat sub-sub image yang terdiri dari mxn pixel image. Contoh, jika terdapat image berukuran 30x20 pixel (600 pixel), maka image tersebut dapat dibagi ke dalam 6 sub image dengan masing-masing sub image berukuran 10x10 pixel. JST - Pertemuan 2

11 1 2 3 4 5 6 JST - Pertemuan 2

12 Klasifikasi Objek/ Gambar
Setiap sub image dihitung nilai rata-rata dari semua nilai pixelnya (pixel hitam = 1, pixel putih = 0). Contoh: Sub Image no. 1 1 = 23 / 100 = 0.23 JST - Pertemuan 2

13 Klasifikasi Objek/ Gambar
x1 Sub Image 1 y1 Sub Image 2 x2 z1 y2 Sub Image 3 x3 y3 z2 Sub Image 4 x4 y4 Sub Image 5 x5 z3 x6 Sub Image 6 JST - Pertemuan 2

14 Klasifikasi Objek/ Gambar
Dengan cara yang sama dengan sebelumnya, kita juga bisa menggunakan ekstraksi ciri dengan membuat sub image dengan jumlah yang lebih banyak. Misal, 30 sub image dengan masing-masing sub image berukuran 5x4 pixel. Jumlah sub image yang terlalu sedikit cenderung membuat JST sulit menemukan keunikan untuk masing-masing pola, sehingga akurasi cenderung rendah. Sebaliknya, terlalu banyak sub image membuat arsitektur JST semakin besar, sehingga waktu komputasi semakin lama. JST - Pertemuan 2

15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 JST - Pertemuan 2

16 Prediksi Data Multivariat
Prediksi adalah suatu cara untuk menentukan sebuah nilai berdasarkan beberapa parameter. Istilah prediksi ini biasa disebut dengan regression. Prediksi menggunakan JST akan menghasilkan satu buah nilai keluaran saja (satu buah output) yang bernilai real. Contoh kasus prediksi: Prediksi harga rumah Prediksi usia seseorang Prediksi pemenang lomba Prediksi pemenang pilkada JST - Pertemuan 2

17 Prediksi Data Multivariat
Pada contoh kasus “Prediksi harga rumah”, proses prediksi bias dilakukan berdasarkan beberapa parameter: Luas tanah Luas bangunan Jumlah kamar tidur Jumlah kamar mandi Lokasi rumah Sekumpulan data training yang merupakan histori dari data penjualan terdahulu mutlak dibutuhkan untuk keperluan training. JST - Pertemuan 2

18 Prediksi Data Multivariat
Data Mentah No. LB (m^2) LT (m^2) JKT JKM Lokasi Harga (rupiah) 1 45 100 2 Umbulharjo Rp 50 90 3 Jombor Rp 120 Godean Rp 4 70 Rp 5 75 150 Gedongkuning Rp . . . 999 100 220 4 2 Ngaglik Rp 1000 75 150 3 1 Piyungan Rp JST - Pertemuan 2

19 Prediksi Data Multivariat
Data pada tabel sebelumnya adalah data mentah yang harus diolah terlebih dahulu agar bisa digunakan pada JST. Data yang harus diolah pada table tersebut adalah data “Lokasi” dan data “Harga”. Data “Lokasi”  ubah menjadi numerical Data “Harga”  dinormalisasi dalam rentang (0,1] dimana: x’ = data hasil normalisasi x = data yang dinormalisasi Max = sebuah nilai yang besar 𝑥 ′ = 𝑥 𝑀𝑎𝑥 JST - Pertemuan 2

20 Prediksi Data Multivariat
Data “Lokasi”  ubah menjadi numerical No Kecamatan Kode 1 Umbulharjo 2 Gedongkuning 3 Kotagede 4 8 Jombor 11 Godean …. 27 Piyungan 35 Ngaglik JST - Pertemuan 2

21 Prediksi Data Multivariat
Data “Harga”  dinormalisasi dalam rentang (0,1] Misal, Harga rumah = Rp , maka harga barunya setelah dinormalisasi menjadi (Anggap bahwa harga rumah termahal di Jogja adalah Rp 3 Milyar): x’ = / = 0.142 𝑥 ′ = 𝑥 𝑀𝑎𝑥 JST - Pertemuan 2

22 Prediksi Data Multivariat
Data Normalisasi No. LB (m^2) LT (m^2) JKT JKM Lokasi Harga (rupiah) 1 45 100 2 0.142 50 90 3 8 0.167 120 11 0.133 4 70 0.242 5 75 150 0.250 . . . 999 100 220 4 2 34 0.4 1000 75 150 3 1 27 0.183 JST - Pertemuan 2

23 Prediksi Data Multivariat
b1 b2 x1 LB z1 LT x2 y3 JKT x3 z2 JKM x4 z3 Lokasi x5 JST - Pertemuan 2

24 Prediksi Data Multivariat
Output dari neuron pada output layer masih dalam rentang (0,1). Oleh karena itu, harus didenormalisasi dahulu agar menghasilkan nilai harga rumah yang valid. Contoh: Jika output JST = 0.34, maka nilai harga rumahnya adalah: x = 0.34 x = Rp 𝑥=𝑥′.𝑀𝑎𝑥 JST - Pertemuan 2

25 Prediksi Data Time Series
Data Time Series adalah data yang saling terkait waktu, artinya data yang satu waktu memiliki pengaruh terhadap data di waktu berikutnya. Data pada waktu ke-n, misalnya, dipengaruhi oleh data-data pada waktu ke-(n-1), (n-2), (n-3), dst. Contoh data time series: Kurs mata uang Harga emas dan perak Konsumsi listrik Cuaca Harga saham JST - Pertemuan 2

26 Prediksi Data Time Series
Data Time Series adalah data yang saling terkait waktu, artinya data yang satu waktu memiliki pengaruh terhadap data di waktu berikutnya. Data pada waktu ke-n, misalnya, dipengaruhi oleh data-data pada waktu ke-(n-1), (n-2), (n-3), dst. Contoh data time series: Kurs mata uang Harga emas dan perak Konsumsi listrik Cuaca Harga saham JST - Pertemuan 2

27 Grafik History Harga Emas (IDR)
JST - Pertemuan 2

28 Prediksi Data Time Series
Dengan menggunakan data time series, kita dapat mengetahui nilai suatu data pada satu waktu. Misal, memprediksi harga emas 1 minggu atau bahkan 1 bulan kemudian, sehingga investor bisa memprediksi kapan sebaiknya dia menjual atau membeli emas. Contoh lain, memprediksi cuaca esok hari atau beberapa hari ke depan. Hal ini dapat dilakukan karena data time series memiliki pola naik-turun yang dapat diprediksi. JST - Pertemuan 2

29 Prediksi Data Time Series
Tanggal Harga Emas (IDR) 1-Nov-16 480784 2-Nov-16 600434 3-Nov-16 500101 4-Nov-16 702023 5-Nov-16 534244 6-Nov-16 ? JST - Pertemuan 2

30 Prediksi Data Time Series
? Berapa perkiraan harga emas pada tanggal 6 November 2016? JST - Pertemuan 2

31 Grafik History Harga Emas (IDR)
JST - Pertemuan 2

32 History Harga Emas 10 Tahun (IDR)
Tanggal Harga (Rp) 01-Jan-07 02-Jan-07 03-Jan-07 04-Jan-07 05-Jan-07 06-Jan-07 07-Jan-07 08-Jan-07 09-Jan-07 10-Jan-07 11-Jan-07 12-Jan-07 Tanggal Harga (Rp) 25-Nov-16 26-Nov-16 27-Nov-16 28-Nov-16 29-Nov-16 30-Nov-16 1-Des-16 2-Des-16 3-Des-16 4-Des-16 5-Des-16 6-Des-16 . . . JST - Pertemuan 2

33 Pembagian Data Latih dan Data Uji
JST - Pertemuan 2

34 Pemrosesan Data Latih Time Series
Misal, N = 3. Tanggal Harga (Rp) 01-Jan-07 02-Jan-07 03-Jan-07 04-Jan-07 05-Jan-07 06-Jan-07 07-Jan-07 08-Jan-07 09-Jan-07 10-Jan-07 11-Jan-07 12-Jan-07 No. N-3 N-2 N-1 N 1 2 3 4 5 6 7 dan seterusnya… JST - Pertemuan 2

35 Normalisasi Data Latih
𝑥 ′ = 𝑥 𝑀𝑎𝑥 No. N-3 N-2 N-1 N 1 2 3 4 5 6 7 dan seterusnya… JST - Pertemuan 2

36 Prediksi Data Time Series
b2 b1 No. N-3 N-2 N-1 N 1 2 3 4 5 6 7 x1 N-1 z1 y3 N-2 x2 z2 N-3 x3 JST - Pertemuan 2

37 Pemrosesan Data Latih Time Series
Misal, N = 5. Tanggal Harga (Rp) 01-Jan-07 02-Jan-07 03-Jan-07 04-Jan-07 05-Jan-07 06-Jan-07 07-Jan-07 08-Jan-07 09-Jan-07 10-Jan-07 11-Jan-07 12-Jan-07 No. N-5 N-4 N-3 N-2 N-1 N 1 2 3 4 5 6 7 dan seterusnya… JST - Pertemuan 2

38 Prediksi Data Time Series
b1 b2 x1 N-1 z1 N-2 x2 y3 N-3 x3 z2 N-4 x4 z3 N-5 x5 JST - Pertemuan 2

39 Contoh Pengujian MLP untuk Prediksi Harga Emas
2010 2011 2012 2013 2014 2015 2016 JST - Pertemuan 2


Download ppt "Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)"

Presentasi serupa


Iklan oleh Google