A JURNAL PENGKAJIAN DAN PENERAPAN
TEKNIK INFORMATIKA AB CDEF C B B B " #$ AE
% ' ( !B B
A E
SEKOLAH TINGGI TEKNIK – PLN (STT-PLN) JAKARTA
E B
B B
A
! B B%&$B
C . CA B / AF& ,($ - E
B%&$
%
"
C % 0 C !C % C * % 1 " A " )B "E , A " A ! A F C AE %& $+E . , A , AF ! A F 22345 )6B 57214885987 4885988 - :B 57214885989 + EF 0 ///B FF6) B BE 1 E) A 0 A , E;6 FEA< FF6) B BE "
. ! " A$E F + A) CE,EAE$, , ) $ F A C
FF
A B
C % DE B%&$B
C C % C B AB %(&)E) B%&$B ))' % A$E) B%&$B B EB AB C A$ D E B%&$B * ' AE B B E)E A ( B B%&$B A $+EAE B ,($ E A ' ( B%&$ * ' -EFAE E B % "
A BBC DE FC C
0 6 F ,E E F
! % =" 0 % ! C . % 1 " % -A , E A+EF 0 7 , )E ) $ 2 F ( > AE )E?
CEFE
C E
F
A
CD
E
A BC D DEF E DE E BE EF B AE E B DE E F E E A E FE A BE D D FE DE B CE E E E E BE E E B DE E B DE E E EE ! F " F " E "##$ BE CE F E BEFEE E BEE F FEB D F B F D FE E DE E E %& A FE CE E DE FEB D BE E E ' EFE E (E E) E E E * + DEB ) D E ,EB * ) ' F - E D E ' EBE . E E E
A EB CE A /A CE E E E 0 B F CE E B D F EDE EB B E E F E E ) E E E E DEB D E E F B) B) " E A E B E D E CE EBE DE BE E 1ED B B) * E DEB EE E FE E DE E ED F EDE 2 ) + DEB D EFE E E F AB E C DD EF FE EE E D F 3#435 6 D BB F EFE E E E E B B E F E EB B E EBE 7) B F EFE E E B D F EDE AB ) F E 1E E 7*8' E E F E D DBE E E) E E E D E D E * ) + E BB D ED EB E D E B DEB B DE EB E B F E F D BE B B E "34") E E E BB F E D E EB D F B F FE E D B D D ) E E E E DEB D B E D B E E E E FE BD AE D) D E F 9* E (7 E E EE B E E EB B D E EB E A E F BCF F EF E FA E F AA E F E A A F F CE DEF BE E DE / DE B E E B EB CE E EF A E B EFE F F E E
FE DEB E F E
D
E E E E E E EB FE EE E
E
PEDOMAN PENULISAN TUJUAN : Jurnal ”PETIR” diterbitkan oleh Perpustakaan, Penerbitan dan Percetakan STTPLN sebagai media penyebarluasan Hasil-hasil penelitian, Kajian Kepustakaan, Hasil Observasi, survei yang memiliki pemberatan terhadap Visi, Misi Jurusan Teknik Informatika STT PLN dan menunjang pengembangan Ilmu Pengetahuan dan Teknologi. JUDUL NASKAH : Huruf kapital 14 point Verdana dengan spasi 1 ditebalkan ditengah-tengah. Judul berupa suatu ungkapan pendek yang mencerminkan isi dari tulisan. NASKAH Naskah diketik pada kertas A4 dengan : Ditulis menggunakan MS Word. Nama Penulis, Lembaga/instansi, e-mail penulis diketik dibawah judul pada halaman pertama dan nama penulis ditulis tanpa gelar menggunakan huruf Verdana 9 Point diketik ditengah-tengah halaman tidak terpengaruh kolom. Abstrak ditulis dengan font italic maksimal 250 kata dan tidak terpengaruh kolom menggunakan Verdana 9 Point. Satu halaman terbagi 2(dua) kolom dengan tulisan Verdana 9 Point. TABEL DAN GAMBAR Tabel dan gambar diberi judul yang singkat dan jelas dengan penomoran tabel diletakkan berada diatas tabel sesuai urutan tabel dan penomoran gambar diletakkan berada dibawah gambar dengan huruf Verdana 8 point. DAFTAR PUSTAKA / REFERENSI Penulisan disusun menurut abjad dari nama penulis dengan format ; Nama penulis, Judul Buku, Penerbit, Kota terbit, Tahun. Jika referensi berasal dari internet ditulis Judul, alamat internet, Tanggal akses. Jika referensi berasal dari kumpulan jurnal atau berkala ilmiah harus ditambahkan halaman yang diacu pada akhir referensi.
JURNAL PENGKAJIAN DAN PENERAPAN TEKNIK INFORMATIKA SEKOLAH TINGGI TEKNIK – PLN (STT-PLN) JAKARTA A
BBC DE
FF
F
A
FC
C
E E A A 1. Sistem Penyaluran Energi Listrik Menggunakan Basis Data Fuzzy Model Tahani Muhamad Jafar Elly ................................................................................................... 2. Perancangan Aplikasi Kriptografi Dengan Metode DES, Triple DES, RC2, DAN Rijndael Serta Pengukuranya Berdasarkan Besar File Dan Waktu Proses Rizqia Cahyaningtyas; Meilia Nur Indah; Donner Mangasa ....................................... 3. Model Aplikasi Pengenalan Pola Mata Berkatarak Menggunakan Jaringan Syaraf Tiruan Dengan Aturan Perceptron Rakhmadi Irfansyah Putra .......................................................................................... 4. Perancangan Aplikasi Keamanan File Menggunakan Metode Hidden File Dan Registry Yessy Fitriani .............................................................................................................. 5. Pemanfaatan Komputer 80486DX Untuk Sistem Pengaman Ruangan Dengan Sensor Infra Merah Berbasiskan Pemrograman Bahasa C Indrianto ..................................................................................................................... 6. Sistem Peramalan Beban Listrik Menggunakan Jaringan Syaraf Tiruan Tri Puji Rahayu ......................................................................................................... 7. Pemodelan Warna CMYK Pada Model Ruang Kerucut Heksa Ganda Darma Rusjdi ............................................................................................................. 8. Rancang Bangun Robot Koordinat Terkendali SMS Luqman ...................................................................................................................... 9. Analisis Ketidakpastian Pengukuran Studi Kasus Kalibrasi Analitical Balance Merek Sartorius Single Pan/ L 2842 Menggunakan Microsoft Excell Wisnu Hendromartono ............................................................................................... 10. Rancang Bangun Sistem Dan Pengukuran File Hasil Kompresi Model Huffman Dan Enkripsi Teknik PCC Meilia Nur Indah ......................................................................................................... 11. Perancangan Aplikasi Enkripsi Dan Dekripsi Data Dengan Menggunakan Algoritma Skipjack Yessy Asri .................................................................................................................. 12. Pengukuran Metode Self Organizing Map Dan Simplified Differential Competitive Learning Pada Proses Pengenalan Suara Berbasis Kuantitasi (Studi Clusterisasi Vektor) Iriansyah BM Sangadji; Titi Okvita Dewi .................................................................... 13. Spelling With P300 BCI: An Offline Signal Processing Analysis Indar Sugiarto ……………………………………………………………………………….
112 – 120 121 – 129
130 – 134
135 – 140
141 – 152 153 – 161 162 – 167 168 – 174
175 – 180 181 – 189
190 – 200
201 – 207 208 - 212
PENGUKURAN METODE 67< /0A 1; ;1A 3 ? Dan 6;3?<; ;72 2; 70718; < 5/3?78;8;47 <7 01;1A PADA PROSES PENGENALAN SUARA BERBASIS KUANTITASI (Studi Clusterisasi Vektor) Iriansyah BM Sangadji; Titi Okvita Dewi Jurusan Teknik Informatika STT – PLN Menara PLN, Jl Lingkar Luar Duri Kosambi Jakarta Barat Email ;
[email protected]
ABC This papers explain attempt of simplified differential competitive learning ( SDCL) And self organizing map and also compare the performances. SDCL is new training algorithm which can be viewed as repair from DCL. Test sequence based on experimental research method by before. The Results of compares both of the algorithms above with using 2 x 14 vector inputs showing that the SDCL algorithm better to achieve convergence at 1608 epochs than 1837 SOM epochs from 2000 epochs initialized. Measurements of Time show that SDCL is less than SOM algorithm too in 1 minute 30 seconds and 1 minute 34 seconds. Analysis be continued with comparing recognize percentage of voice recognizing using SDCL and SOM algorithms. Analysis SOM Map show results that recognize using SDCL training Algorithm is better than SOM algorithms with average percentage in 74.225% and 70.967% DEF
A
epoch, SDCL. SOM, Voice Recognize
AB Pada tulisan ini menjelaskan hasil percobaan simplified differential competitive learning (SDCL) dan self organizing map serta membandingkan kinerja keduanya. SDCL adalah algoritma pelatihan baru yang dapat dipandang sebagai perbaikan dari DCL. Runtunan metode uji coba data dilakukan berdasarkan penelitian sebelumnya Hasil uji coba perbandingan antara SDCL dan SOM dengan menggunakan data dengan sebuah nilai vektor 2x14 menunjukkan bahwa SDCL unggul dalam mencapai konvergensi pada epoch ke+1608 sedangkan SOM pada epoch ke+1837 dari 2000 epoch yang diinisialisasikan. Pengukuran waktu SDCL memiliki jumlah waktu proses yang lebih singkat dibandingkan SOM yaitu masing+masing 1 menit 30 detik untuk SDCL dan 1 menit 34 detik untuk SOM menggunakan stopwatch. Analisis dilanjutkan dengan membandingkan presentasi pengenalan yang dihasilkan pengenalan suara menggunakan algoritma pelatihan SDCL dan SOM. Hasil analisa dengan menggunakan SOM Map memperlihatkan bahwa hasil pengenalan dengan menggunakan metode pelatihan SDCL lebih baik daripada SOM dengan nilai persentase rata+rata pengenalan masing+masing 74,225% dan 70.967%. DB B
C
epoch, SDCL. SOM, Pengenalan suara
Pendahuluan Semakin berkembangnya bidang jaringan saraf buatan menandakan semakin besarnya keinginan para ahli untuk mensimulasikan mekanisme kerja otak manusia. Telah banyak sistem simulasi yang dibangun, seperti proses pengenalan suara, pengenalan aroma, pengenalan sidik jari, pengenalan wajah, hingga pengenalan tekstur bahan (DIAN,2000).
201
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
Penelitian oleh Guilherme dan Aluzio yang memperbaiki algoritma pembelajaran DCL dan menghasilkan 2 (dua) buah algoritma baru, yaitu Simplified Differential Competitive Learning (SDCL) dan Generalized Differential Competitive Learning (GDCL). Pada Tulisan ini akan diimplementasikan dua algoritma diatas, yaitu Self Organizing Map (SOM) dan Simplified Differential Competitive Learning (SDCL).
Modul clustering data suara menggunakan algoritma pembelajaran SOM. Ini tergolong algoritma pembelajaran tanpa pengarahan. Algoritma SOM dan SDCL dapat melakukan tugas yang sama yaitu clusterisasi, sehingga timbul kemungkinan peran SOM dalam proses pengenalan suara dapat digantikan oleh SDCL terutama bila dapat dibuktikan kinerja SDCL ternyata lebih baik. Tulisan ini akan membandingkan kinerja SOM dan SDCL, kemudian melihat pengaruh pergantian modul SOM dengan modul SDCL pada proses pengenalan suara melalui data yang diperoleh dari percobaan yang telah dilakukan sebelumnya. Tujuan Penulisan 1. Melakukan analisa terhadap perbandingan kinerja SOM dan SDCL dengan melakukan uji coba melalui pelatihan data pada kedua algoritma. 2. Analisa karakteristik proses pengenalan suara dengan mengolah data dari hasil percobaan pengenalan suara dengan sampel 10 orang yang mengucapkan kata “maju” yang dilakukan oleh mahasiswa Fakultas Ilmu Komputer Universitas Indonesia, yang dilakukan dengan mengganti modul algoritma pelatihan SOM dengan algoritma SDCL. Dimana analisa tersebut dilakukan melalui Penilaian kualitas pengenalan suara berdasarkan sebaran nilai rata rata tertinggi simpangan baku dan persentase menggunakan SOM Map. Metode Analisis Dalam metode analisis penulis menggunakan 2 metode pada masing masing hasil percobaan yang dilakukan. Pada percobaan perbandingan algoritma SOM dan SDCL yang diimplementasikan pada MATLAB 6.5, menggunakan metode statistik. Sedangkan untuk percobaan pergantian mosul SOM dan SDCL pada proses pengenalan suara, menggunakan toolbox SOM Map untuk metode analisis korelasi pada data hasil.
hanaan dan generalisasi DCL (GUILHERME & ALUIZIO,1998). Algoritma pertama, dinamakan Simplified Differential Competitive Learning (SDCL), melakukan penyederhanaan pada DCL dengan menghilangkan aspek redudansi pada mekanisme kompetisi DCL. Pada DCL, neuron pemenang dipilih berdasarkan jarak terpendek dengan mengukur jarak euclid. Metode lain untuk mendapatkan neuron pemenang adalah dengan memilih neuron yang memiliki nilai aktifasi tertinggi setelah melalui koneksi inhibatory. Kedua mekanisme ini digunakan dalam DCL dan tidak memberikan kelebihan tertentu, oleh karena itu tahap kelima pada metode pembelajaran DCL dapat disederhanakan menjadi :
Yi(t+1) = Yj(t) + ∑ Si(Xi) Wij(t) Hasilnya, penghitungan nilai aktifasi menjadi lebih sederhana dan hal ini tentu menghemat komputasi terlebih lagi bila fungsi sinyal adalah fungsi non+linear (GUILHERME&ALUIZIO,1998). Dikarenakan hal yang disebutkan diatas maka dalam tulisan ini hanya algoritma SDCL dan SOM yang akan diimplementasi kan dan diuji coba.
Implementasi Algoritma Algoritma algoritma yang telah disinggung akan diimplementasikan dalam suatu perangkat lunak berupa bahasa pemrograman. Algoritma yang diimplementasikan adalah Self Organizing Map (SOM) dan Simplified Differential Competitive Learning (SDCL).
Perangkat yang dibutuhkan Algoritma SOM dan SDCL diimplementasikan dengan perangkat lingkungan pengembangan sebagai berikut : Sistem : Microsoft Windows XP Professional version 2002 Computer : Intel[R] Celeron[R] CPU 1.70 GHz 96.0 MB of RAM Bahasa Pemrograman : MATLAB version 6.5
Format Data Landasan Teoritis Jaringan 6E# /A B 3B% Jaringan Self Organizing Map yang juga disebut sebagai jaringan ketetanggaan mengasumsikan adanya struktur topologi antara unit unit cluster (FAUSETT,1994). Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron neuron tetangganya akan memperbaiki bobot bobotnya (SRI,2004). Jaringan 6 <EBA
%#
E
2
EAE
B# 5
%E
9E
Guilherme dan Aluzio mengajukan dua buah algoritma yang dapat dipandang sebagai penyeder
202
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
Seluruh data input pada program digunakan data bentuk vektor. Hal ini tentu saja didasarkan pada karakteristik bahasa pemrograman yang digunakan yaitu MATLAB versi 6.5. Dimana MATLAB hanya dapat memproses data masukkan dengan bentuk matrik atau vektor. Pada percobaan yang akan dilakukan pada program, digunakan dua kelompok data input yang ditentukan secara random (acak) dan disimpan dalam satu M File dengan extension .m. Data tersebut masing masing vektor 2x14 dan 2x30. Sedangkan untuk format data keluaran ada dua macam, yaitu data berbentuk vektor 1x1 yang menunjukan kelompok cluster dari masing masing data input dan gambar visualisasi dari vektor input yang dikelompokkan dengan warna yang berbeda antara satu kelompok dengan lainnya.
Data Uji Coba Semua algoritma yang telah diimplementasikan dalam program akan diuji coba dengan menggunakan dua kelompok data buatan. Dibawah ini tahapan penentuan data input : 1. Data input adalah vektor berdimensi 2. 2. Data buatan ditentukan secara random (acak). 3. Data vektor hasil random adalah vektor 2x14 dan 2x30. Data ini dijadikan sampel yang mewakili data vektor pada range [0 1]. 4. Data input yang dimasukkan pada program ditujukan guna menguji kemampuan algoritma dalam membentuk cluster yang merepresen tasikan data pencilan, yaitu :
Sedangkan untuk percobaan II, parameternya adalah sebagai berikut: Tabel 3. Parameter parameter Algoritma Percobaan II Parameter
SDCL
Range Data
Range data berada pada kisaran [ 0 1] Data masukkan dari user (vektor 2 x 14) Input Layer = 1 Bias = 1 Output Layer = 1
Data Input Arsitektur Jaringan
Jumlah epoch maksimum pelatihan Besar frekuensi perubahan mse Batas nilai mse Besar laju pemahaman Batas waktu pelatihan
500 epoch (pembelajaran) 25 epoch 0.0001 0.01 60 detik
SOM Range data berada pada kisaran [ 0 1] Data masukkan dari user (vektor 2 x 14) Input Layer = 1 Output Layer = 1 Topologi layar = [ 5 8] Fungsi Topologi = Hextop Fungsi Jarak = Euclidis 500 epoch (pembelajaran) 25 epoch 0.0001 0.01 60 detik
Tabel 1. Data Input 2 x 14 dan 2 x 30 Vektor 2x14 v1=(0.1987,0.6038)
v6=(0.8462,0.5252)
v11=(0.7095,0.4289)
v2=(0.2722,0.1988)
v7=(0.2026,0.6721)
v12=(0.3046,0.1897)
v3=(0.0153,0.7468)
v8=(0.8381,0.0196)
v13=(0.1934,0.6822)
v4=(0.4451,0.9318)
v9=(0.6813,0.3795)
v14=(0.3028,0.5417)
v5=(0.466,0.4186)
v10=(0.8318,0.5028)
v1=(0.3274,0.2353)
v11=(0.9331,0.7781)
v21=(0.7704,0.3779)
v2=(0.8507,0.6954)
v12=(0.0965,0.4996)
v22=(0.4435,0.7528)
v3=(0.0805,0.1424)
v13=(0.7051,0.2149)
v23=(0.8316,0.3092)
v4=(0.1659,0.8948)
v14=(0.1614,0.6673)
v24=(0.5687,0.1255)
v5=(0.4368,0.0342)
v15=(0.4723,0.2638)
v25=(0.9665,0.8477)
v6=(0.5014,0.4795)
v16=(0.7366,0.8033)
v26=(0.8160,0.6647)
v7=(0.1374,0.7976)
v17=(0.7035,0.2991)
v27=(0.1826,0.1200)
v8=(0.4415,0.1809)
v18=(0.9941,0.4861)
v28=(0.2208,0.2317)
v9=(0.4553,0.0404)
v19=(0.0578,0.6078)
v29=(0.2475,0.0992)
v10=(0.6801,0.3739)
v20=(0.1551,0.8633)
v30=(0.5246,0.7468)
Vektor 2x30
Penentuan Parameter yang digunakan
Hasil Uji Percobaan I Pada percobaan I dengan menggunakan parameter parameter yang telah ditentukan (dapat dilihat padat tabel 3) dilakukan pelatihan sebanyak 10 kali dengan data input yang sama. Hal ini bertujuan untuk melihat kestabilan program dalam proses pelatihan serta melakukan perhitungan secara statistik pada data dari hasil pelatihan. Hasil uji coba dari program sebagai berikut : Tabel 4. Data Hasil Uji Percobaan I Percobaan KePercobaan I
Percobaan II
Pada tahapan pembuatan program untuk kedua algoritma SOM dan SDCL, diperlukan rancangan parameter yang digunakan dalam proses inisialisasi awal. Dalam bahasa pemrograman MATLAB versi 6.5 telah disediakan banyak fungsi yang dapat menunjang perancangan inisialisasi program tersebut (default). Ada beberapa perbedaan parameter parameter algoritma antara SOM dan SDCL. Dibawah ini tabel parameter dari algoritma untuk percobaan I dengan menggunakan data vektor 2x14.
Percobaan III
Tabel 2. Parameter parameter Algoritma Percobaan I
Percobaan VII
Parameter Range Data Data Input Arsitektur Jaringan
Jumlah epoch maksimum pelatihan Besar frekuensi perubahan mse Batas nilai mse Besar laju pemahaman Batas waktu pelatihan
SDCL Range data berada pada kisaran [ 0 1] Data masukkan dari user (vektor 2 x 14) Input Layer = 1 Bias = 1 Output Layer = 1
2000 epoch (pembelajaran) 25 epoch 0.0001 0.01 90 detik
Percobaan IV
Percobaan V
Percobaan VI
SOM Range data berada pada kisaran [ 0 1] Data masukkan dari user (vektor 2 x 14) Input Layer = 1 Output Layer = 1 Topologi layar = [ 5 8] Fungsi Topologi = Hextop Fungsi Jarak = Euclidis 2000 epoch (pembelajaran) 25 epoch 0.0001 0.01 90 detik
Percobaan VIII
Percobaan IX
Percobaan X
SOM Epoch = 1744/2000 Time = 0.0100056% Stopwatch = 1 menit 34 detik Cluster = 6 Epoch = 1596/2000 Time = 0.0100021% Stopwatch = 1 menit 36 detik Cluter = 6 Epoch = 1481/2000 Time = 0.0100032% Stopwatch = 1 menit 37 detik Cluster = 6 Epoch = 1818/2000 Time = 0.0100022% Stopwatch = 1 menit 33 detik Cluster = 6 Epoch = 1743/2000 Time = 0.0100022% Stopwatch = 1 menit 34 detik Cluster = 6 Epoch = 2000/2000 Time = 0.0100023% Stopwatch = 1 menit 34 detik Cluster = 6 Epoch = 2000/2000 Time = 0.0100050% Stopwatch = 1 menit 29 detik Cluster = 6 Epoch = 1988/2000 Time = 0.0100072% Stopwatch = 1 menit 33 detik Cluster = 6 Epoch = 2000/2000 Time = 0.0100132% Stopwatch = 1 menit 35 detik Cluster = 6 Epoch = 2000/2000 Time = 0.0100065% Stopwatch = 1 menit 33 detik Cluster = 6
SDCL Epoch = 1445/2000 Time = 0.0100054% Stopwatch = 1 menit 31 detik Cluster = 6 Epoch = 1547/2000 Time = 0.0100044% Stopwatch = 1 menit 32 detik Cluster = 6 Epoch = 1501/2000 Time = 0.010011% Stopwatch = 1 menit 31 detik Cluster = 6 Epoch = 1490/2000 Time = 0.0100021% Stopwatch = 1 menit 31 detik Cluster = 6 Epoch = 1525/2000 Time = 0.0100022% Stopwatch = 1 menit 32 detik Cluster = 6 Epoch = 1852/2000 Time = 0.010001% Stopwatch = 1 menit 31 detik Cluster = 6 Epoch = 1812/2000 Time = 0.0100044% Stopwatch = 1 menit 31 detik Cluster = 6 Epoch = 1764/2000 Time = 0.0100056% Stopwatch = 1 menit 28 detik Cluster = 6 Epoch = 1792/2000 Time = 0.0100021% Stopwatch = 1 menit 30 detik Cluster = 6 Epoch = 1851/2000 Time = 0.0100066% Stopwatch = 1 menit 30 detik Cluster = 6
Tabel diatas merupakan data hasil dari 10 kali percobaan yang dilakukan. Pada tiap percobaan dicatat 4 hasil parameter dari pelatihan, yaitu
203
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
besar epoch, persentase waktu pelatihan, pengukuran waktu run melalui stopwatch, dan banyak cluster yang terbentuk. Empat paramerter diatas dapat menunjukkan kinerja yang dimiliki oleh algoritma dalam program. Untuk mendapatkan perbandingan data yang akurat antara kedua hasil, maka akan dilakukan pengolahan data selanjutnya menggunakan salah satu rumus statistika yaitu perhitungan rata rata (average) dari kelima data percobaan, dengan rumus: Average = ∑ Xi / n i=1
Dengan melakukan perhitungan rata rata menggunakan rumus di atas didapat data dibawah ini: Gambar 1. Hasil Clusterisasi Algoritma SOM dan SDCL Tabel 5. Hasil Perhitungan Rata rata Parameter
SOM
SDCL
Rata-rata epoch
1837 / 2000
1658 / 2000
Rata-rata Time pelatihan
0.01000495% (90.04455 dtk)
0.01000448% (90.04032) dtk
Rata-rata waktu stopwatch
1 menit 34 detik
1 menit 30 detik
Dapat dilihat dari tabel 5, ternyata algoritma SDCL memiliki rata rata pencapaian epoch yang lebih cepat dibandingkan algoritma SOM. Pada total jumlah epoch yang ditentukan pada insialisasi awal sebesar 2000 epoch, ternyata SDCL mampu melakukan clusterisasi pada rata rata epoch ke 1658. Sedangkan SOM baru dapat melakukan clusterisasi pada rata rata epoch ke 1837. Adapun dari jumlah waktu yang terpakai baik waktu yang diukur melalui pelatihan data pada program dan melalui stopwatch, didapatkan bahwa rata rata persentase waktu untuk algoritma SOM pada saat run sebesar 0.01000495% atau 90.04455 detik, lebih besar dibandingkan waktu untuk algoritma SDCL pada saat run sebesar 0.01000448% atau 90.04032 detik dan begitu pula pengukuran waktu melalui stopwatch, dimana rata rata waktu untuk algoritma SOM sebesar 1 menit 34 detik sedangkan untuk SDCL sebesar 1 menit 30 detik. Sehingga dapat dikatakan bahwa SDCL memiliki tingkat konvergensi yang lebih cepat dibandingkan SOM. Dari hasil pengolahan data yang telah dilakukan diatas, sehingga dapat disimpulkan pada percobaan I ini bahwa algoritma SDCL lebih baik dari algoritma SOM. Dibawah ini salah satu hasil percobaan clusterisasi dari algoritma SOM dan SDCL.
204
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
Hasil Uji Percobaan II Pada percobaan II, data yang digunakan adalah data buatan vektor 2x30. Pada percobaan II ini dilakukan uji coba dengan data pelatihan dan inisialisasi awal yang telah ditentukan. Didapatkan pada suatu kali dari beberapa percobaan ternyata SOM gagal melakukan clusterisasi, sedangkan SDCL walaupun jumlah cluster yang terbentuk tidak sebanyak jumlah cluster dari SOM, namun SDCL selalu dapat melakukan clusterisasi dengan baik. Percobaan ini ditujukan untuk lebih meyakinkan bahwa kinerja SDCL memang lebih unggul dibandingkan SOM. Hasil dari percobaan II sebagai berikut : Tabel 6. Data Hasil Percobaan II Percobaan KePercobaan I
SOM Epoch = 500/500 Time = 0.00861917% Cluster = Tidak berhasil melakukan clusterisasi
SDCL Epoch = 500/500 Time = 0.0094235% Cluster = 6
Dapat dilihat dari tabel perbandingan hasil uji coba, ternyata algoritma SDCL lebih baik dibandingkan algoritma SOM. Dengan menggunakan data input yang sama, ternyata algoritma SOM gagal melakukan clusterisasi dari data input. Sedangkan algoritma SDCL berhasil membentuk 6 buah pusat cluster. Dibawah ini gambar hasil clusterisasi dari algoritma SOM dan SDCL.
Gambar 2. Algoritma SOM yang gagal melakukan clusterisasi
Gambar 3. Hasil clusterisasi Algoritma SDCL
Uji Coba dan Analisa Pergantian Modul SOM dan SDCL Pada Proses Pengenalan Suara Data Uji Coba
Data yang digunakan dalam uji coba perbandingan kinerja SDCL dan SOM sama dengan data yang digunakan dalam tesis Ivan Fanany, dengan kriteria sebagai berikut (DIAN,2000) : 1. Uji coba pada proses pengenalan suara dilakukan pada komputer dengan spesifikasi berikut: a. Komputer Pentium III 450 MHz b. Memori 64 MB c. Sistem Operasi LINUX d. Bahasa Pemrograman C 2. Suara diperoleh langsung menggunakan perangkat lunak yang dimiliki oleh SoundBlaster 16 dengan PC pentium 75 Hz, sistem operasi Windows 98, memori 32 MB, yang dilengkapi dengan peralatan microphone (NURUL,1999).
205
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
3. Suara diambil dari 10 pembicara dengan masing masing pembicara mengucapkan kata “maju” berulang kali sebanyak 20 kali. 4. Sinyal suara yang didapat memiliki frekuensi 11000 Hz pada rentang waktu 1.28 detik dan disimpan dalam file berekstensi .wav. 5. Sebelum dipakai sebagai data input pada bispektrum, data pada file .wav dihilangkan headernya dan disimpan dalam file .raw. Proses konversi dari file mode .wav ke mode .raw, fasilitas ini sudah ada pada SoundBlaster 16, sehingga pengkonversian dilakukan dengan manual. Sinyal data yang dihasilkan terdiri atas sinyal data tanpa noise dan dengan noise. 6. Data pelatihan terdiri atas 20 sampel suara tanpa noise (~dB) dari masing masing pembicara, sedangkan data pengujian adalah data pelatihan ditambah data dengan noise Gaussian dengan SNR 20dB, SNR 10dB, dan SNR 0dB. Rancangan Uji Coba Uji coba terbagi atas beberapa kasus uji coba, yaitu (DIAN, 2000): 1. Uji coba karakteristik yaitu uji coba dengan mengganti nilai nilai parameter pada algoritma SOM dan SDCL. Tujuan uji coba ini adalah untuk mengetahui pengaruh perubahan nilai parameter kedua algoritma terhadap persentase pengenalan suara. 2. Uji coba statistik yang dilakukan dengan mengambil sebanyak 60 sampel menjalankan program proses pengenalan suara menggunakan algoritma SOM dan SDCL. Tujuan dari uji coba ini adalah untuk mengetahui apakah dapat disimpulkan bahwa pemakaian algoritma SDCL pada proses pengenalan suara lebih baik bila dibandingkan dengan penggunaan algoritma SOM. Uji Coba dan Analisis dengan Perubahan Parameter 5# EA Pada uji coba menggunakan jaringan yang menghasilkan 4 buah cluster dan satu tetangga, ternyata algoritma SOM gagal melakukan clusterisasi sedangkan SDCL masih mampu melakukan clusterisasi. Hasil clusterisasi kedua algoritma adalah sebagai berikut: Tabel 7. Hasil clusterisasi SOM dan SDCL
SOM 0.526681 0.526681 0.526681 0.526681
0.264581 0.264581 0.264581 0.264581
SDCL 0.175455 0.823515 0.441949 0.813945
0.069437 0.21783 0.195687 0.590891
Perbandingan hasil pengenalan menggunakan algoritma propagasi balik dengan pelatihan sebesar 10000 epoch adalah sebagai berikut (DIAN,2000):
dua jenis data yang ada. Dibawah ini gambar 4 memperlihatkan tingkat korelasi dari SOM dan SDCL.
Tabel 8. Hasil Pegenalan SDCL + LVQ ∞dB
20dB
SOM + LVQ 10dB
Speaker 0 Speaker 1
0.55 0.75
0.45 0.65
0.7 0.8
Speaker 2
0.65
0.15
Speaker 3
0.55
0.35
Speaker 4
0.5
Speaker 5 Speaker 6
∞dB
0dB
20dB
0.5 0.8
Speaker 0 Speaker 1
0.35 0.65
0.3 0.4
0.7
0.7
Speaker 2
0.7
0.6
0.55
Speaker 3
0.2
0.3
0.5
0.5
Speaker 4
0.25
0.25
0.25
0.35
0.75
0.65
0.7
0.75
Speaker 7
0.6
0.2
0.35
Speaker 8
0.4
0.35
Speaker 9
0.75
Rata-rata
0.58
10dB
0dB
0.35 0.6
0.4 0.65
0.4
0.7
0.7
0.3
0.35
0.3
0.4
0.2
0.25
0.35
Speaker 5
0.45
0.45
0.5
0.4
Speaker 6
0.7
0.4
0.65
0.6
0.6
Speaker 7
0.3
0.05
0.15
0.4
0.55
0.65
Speaker 8
0.35
0.2
0.35
0.5
0.15
0.65
0.8
Speaker 9
0.35
0.05
0.25
0.45
0.35
0.58
0.62
Rata-rata
0.445
0.275
0.415
0.475
Lama Eksekusi = 1.555278 jam
Lama Eksekusi = 2.635 jam
Keterangan: ∞dB : Non Noisy Environment 0dB : Very Noisy Environment
Analisis Korelasi Menggunakan SOM 3B% Analisis korelasi guna mengetahui keterhubungan antar dua data hasil pengenalan menggunakan SOM dan SDCL dilakukan dengan menggunakan toolbox SOM Map pada MATLAB versi 6.5. Sampel data yang diambil sebagai input adalah data hasil running program proses pengenalan suara sebanyak 60 kali menggunakan parameter parameter SOM dan SDCL yaitu, 1. Learning rate = 1 2. cluster = 4 3. epoch = 10000 4. neighboorhood = 3 dan membuat algoritma propagasi balik melakukan epoch sebanyak 10000. Uji coba ini memerlukan beberapa parameter yaitu, 1. S2 yaitu varian suatu contoh acak berukuran n, dengan rumus:
n ( X i − ( X i )2 n (n − 1) 2
S2 =
dengan n yaitu banyaknya sampel dan B adalah nilai dari sampel ke i. 2. Simpangan Baku adalah akar dari varians √S2 3. Persentase dari data pengenalan Data yang digunakan untuk melakukan uji coba ini dapat dilihat pada lampiran. Data tersebut adalah data hasil pengenalan pada proses pengenalan suara dengan menggunakan algoritma SDCL dan SOM untuk melakukan clusterisasi. Analisa Hasil Grafik Analisa menggunakan toolbox SOM Map menghasilkan keluaran berupa diagram pewarnaan yang dapat memperlihatkan analisis korelasi dari
206
JURNAL PETIR VOL. 2 NO. 2 JULI 2009
Gambar 4. Diagram pewarnaan analisis korelasi (a) Map Simpangan Baku, (b) Map Persentase, (c) Label
Berdasarkan gambar diatas, dapat dilihat (gambar 2.4 (a) dan (b)) bahwa pewarnaan antara data persentase dan simpangan baku SOM dengan SDCL memiliki tingkat korelasi yang tinggi. Berarti dapat disimpulkan bahwa SOM dan SDCL memiliki korelasi (hubungan) yang dekat. Dalam hal ini korelasi yang dimaksud adalah tingkat pembentukan cluster SOM dan SDCL. Namun pada label mengidentifikasi bahwa SDCL memiliki tingkat pengenalan yang lebih baik dibandingkan SOM. Ini terlihat berdasarkan inisialisasi nilai rata rata tertinggi sebaran simpangan baku dan persentase berwarna coklat yang teridentifikasi sebagai cluster SDCL, dimana jumlah cluster SOM terbentuk sebanyak 12 cluster dan jumlah cluster SDCL yang terbentuk 14 cluster. Kesimpulan Dari hasil pengimplementasian SDCL dan SOM serta studi perbandingan antara pemakaian kedua algoritma tersebut pada proses pengenalan suara, dapat disimpulkan hal sebagai berikut: 1. Hasil clusterisasi pada data dengan sebuah nilai pencilan menunjukkan bahwa : a. Pengujian program dengan input data vektor 2x14, diperoleh bahwa metode pelatihan SDCL lebih baik dibandingkan dengan menggunakan metode pelatihan SOM. b. Kecepatan konvergensi dari metode SDCL jauh lebih cepat dibandingkan dengan SOM. Uji coba menunjukkan SDCL mencapai konvergensi dengan rata rata epoch ke 1658, sedangkan SOM baru mencapai
konvergensi dengan rata rata epoch ke 1837, walaupun jumlah cluster yang terbentuk dari kedua metode sama (cluster=6). c. Metode SDCL memiliki besar persentase rata rata waktu pelatihan data pada program yang lebih kecil sebesar 0.01000448% atau 90.04032 detik, sedangkan persentase waktu SOM 0.01000495% atau 90.04455 detik. Begitu pula dengan data waktu pada pengukuran dengan stopwatch yaitu sebesar 1 menit 30 detik untuk SDCL dan 1 menit 34 detik untuk SOM. d. SOM gagal melakukan clusterisasi pada satu kali percobaan menggunakan nilai pencilan vektor 2x30, berbeda dengan SDCL yang mampu menemukan 6 pusat cluster. 2. Pada proses pengenalan suara setelah dilakukan pergantian 2 modul yang berbeda didapatkan: a. Nilai persentase pengenalan yang dihasilkan oleh SDCL lebih stabil dibandingkan dengan SOM bila dilakukan perubahan epoch. b. Persentase pengenalan suara dengan menggunakan metode pelatihan SDCL lebih baik walaupun tidak terlalu signifikan apabila dibandingkan dengan menggunakan metode pembelajaran SOM. Pada tulisan ini, rata rata persentase pengenalan suara dengan metode SDCL adalah 74.225%, sedangkan dengan metode SOM adalah 70.967%. c. Didasarkan pada analisa menggunakan SOM Map dihasilkan data SDCL dapat membentuk 14 cluster dan SOM membentuk 12 cluster, sehingga dapat disimpulkan bahwa korelasi antar kedua metode dekat karena selisih jumlah cluster SDCL dan SOM tidak besar.
DAFTAR PUSTAKA [1]
[2]
[3]
207
Arhami, Muhammad dan Anita Desiani. Pemrograman MATLAB Edisi Pertama. Yogyakarta : ANDI, 2005. Barreto, Guiherme de A. Dan Aluizio F.R. Aroujo. Improving the Performance of Differentialial Competitive Learning Model in Clustering Tasks, Proceeding of IASTED International Conference Artificial Intelligence and Soft Computing, May 27 30. Cancun, Mexico, 1998. Fanany, Mohammad Ivan. Bispectrum Pattern Analysis and Quantization to Speaker Identification. Tesis Magister. Depok : Universitas Indonesia, 1998. JURNAL PETIR VOL. 2 NO. 2 JULI 2009
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11] [12]
[13] [14]
[15]
[16]
[17]
[18]
Fausett, Lauren. Fundamentals of Neural Network: Architecture, Algorithm, and Application. Prentice Hall : Englewood Cliffs, NJ 07632, 1994. Hasan, Talib Hashim. Belajar Sendiri Dasar dasar Pemrograman MATLAB Lengkap Disertai Teori dan Aplikasi. Yogyakarta : Gava Media, 2005. Hidayat, Nurul. Pengembangan Sistem Pengenal Suara Menggunakan Estimasi Trispektrum dan Kuantisasi Skalar. Tesis Magister. Depok : Universitas Indonesia, 1999. Indrawaty, Dian. Analisis Metode Self Organizing Map dan Differentialial Compe+ titive Learning Pada Proses pengenalan suara. Depok : Universitas Indonesia, 2000. Kosko, Bart. Neural Network and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Prentice Hall,1992. Kusumadewi, Sri. Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link), Edisi Pertama. Yogyakarta : Penerbit Graha Ilmu, 2004. Nadiah. Pengenalan Suara dengan Jaringan Neural Buatan ARTMAP. Depok : Universitas Indonesia,1999. Owens, F.J. Signal Processing of Speech. The Macmillan Press ltd, 1993. Prawirohartono, Slamet dan Suhargono Hadisumarto, Sains Biologi+2b. Jakarta : P.T. Bumi Aksara, 1999. Rich, Elaine dan Kevin Knight. Artificial Intelligence. Mc Graw Hill, 1991. Russel, Stuart J. dan Peter Norvig, Artificial Intelligence: A Modern Approach, International Edition. Prentice Hall, 1995. Sangadji, Iriansyah BM. Handout Jaringan Saraf Buatan/Artificial Neural Network/ANN. Jakarta, 2005. Saptawijaya, Ari. Perancangan dan Pengembangan Jaringan Saraf Hibrida PB SKNC Serta Aplikasinya Pada Pengenalan Aroma. Depok, 1999. Siang, Jong Jek. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta : ANDI, 2005. Triyanto, Adi. Ekstrasi Ciri Pada Data Suara Menggunakan Spektra Orde Tinggi dan Kuantisasi Vektor Untuk Identifikasi Pembicara Menggunakan Jaringan Neural Buatan. Tesis Magister. Depok : Universitas Indonesia, 2000.
