KLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION)

Artikel Skripsi Universitas Nusantara PGRI Kediri

KLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION)

SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika

OLEH : MOH. DADANG HALIMI YUSUF 12.1.03.02.0226

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

MOH. DADANG HALIMI YUSUF | 12.1.03.02.0226 Teknik - Informatika

simki.unpkediri.ac.id || 1||


1. Halaman persetujuan lengkap TTD (scan)




2. Halam Pengesahan Lengkap TTD dan Stempel (Scan)




KLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION)

Moh. Dadang Halimi Yusuf 12.1.03.02.0266 Teknik - Informatika [email protected] Fatkhur Rohman, M.Pd dan Intan Nur Farida, M.KOM. UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Proses pengelompokan data forum pengaduan peserta pelatihan di UPT Diklat Pertanian Jawa Timur masih dilakukan secara manual. Sehingga membutuhkan waktu yang lama dan sering terjadi kehilangan data serta kesalahan dalam pengelompokkan data pengaduan. Rumusan masalah dalam penelitian ini (1)Bagaimana mengelompokkan data forum pengaduan peserta pelatihan sesuai dengan isinya berupa kritik atau saran?. (2)Berapa akurasi yang dihasilkan oleh metode LVQ dalam mengklasifikasikan komentar?. Sehingga tujuan dari penelitian ini adalah (1) Mengelompokkan data forum pengaduan peserta menjadi dua kelas. yaitu, kritik atau saran sehingga mempermudah pegawai terkait dalam memprioritakan aspirasi peserta yang harus ditangani terlebih dahulu tentang sarana dan prasarana.(2) Mengetahui akurasi terbaik metode LVQ dalam mengklasifikasikan komentar. Sistem ini menggunakan metode LVQ (Learning Vector Quantization), dimana masing-masing komentar akan dihitung dengan bobot dari hasil data learning serta membandingan komentar tersebut termasuk dalam kelas kritik atau saran. sehingga memberikan output label dari setiap komentar yang masuk. Pengelompokkan ini berdasarkan hasil dari penghitungan bobot dan komentar dengan mencari jarak terdekat dari hasil perhitungan tersebut. Sistem klasifikasi ini membantu pegawai dalam melakukan pengelompokkan data pengaduan peserta sesuai dengan kelasnya yaitu kritik atau saran. Hal ini berguna untuk memudahkan pekerjaan pegawai dalam pengelompokkan sera mengetahui masalah apa yang harus segera ditangani sehingga dapat memberikan hasil pelayanan yang maksimal.

Kata Kunci : Data mining, klasifikasi, Learning Vector Quantization.




I.

LATAR BELAKANG Perkembangan

teknologi

telah

mengakibatkan meningkatnya data dalam

Mengklasifikasikan dokumen abastrak tugas akhir sesuai dengan kategorinya.

jumlah besar. Data berukuran besar yang

Metode

data mining yang akan

sudah disimpan jarang digunakan secara

diterapkan dalam penelitian ini adalah

optimal karena manusia seringkali tidak

klasifikasi. Berbeda dengan clustering yang

memiliki waktu dan kemampuan yang

hanya mengelompokkan, proses klasifikasi,

cukup

(Hermadi,

yaitu proses learning, dan juga adanya kasus

2007). Data bervolume besar seperti data

baru yang akan dimasukkan ke dalam suatu

teks, jauh melampaui kapasitas pengolahan

kelas. Klasifikasi komentar adalah proses

manusia yang sangat terbatas (Toyota,

memberi label komentar sesuai

2012).

kategori

untuk

mengelolanya

Kasus yang diangkat adalah data

yang dimilikinya.

komentar merupakan

dengan

Klasifikasi

masalah

yang

pengaduan atau evaluasi peserta pelatihan di

mendasar namun sangat penting karena

UPT

Timur.

manfaatnya cukup besar mengingat jumlah

Pengaduan atau evaluasi peserta pelatihan di

komentar yang ada setiap hari semakin

UPT Diklat Pertanian Jawa Timur saat ini

bertambah.

masih menggunakan cara manua, Masing

dikelompokkan ke dalam kategori tertentu

masing peserta diminta untuk mengisi kritik

berdasarkan kata-kata dan kalimat-kalimat

maupun

sudah

yang ada di dalam komentar tersebut.

akan di

Kata atau kalimat yang terdapat di dalam

kumopulkan oleh panitia untuk dilakukan

sebuah komentar memiliki makna tertentu

pengelompokan.

data

dan dapat digunakan sebagai dasar untuk

tersebut dilakukan secara manual sehingga

menentukan kategori dari komentar tersebut

sering

sehingga

Diklat

Pertanian

saran

disediakan.

di

Jawa

kertas

yang

Kertas tersebut

Pengelompokan

terjadi

kesalahan.

Untuk

Sebuah

meminimalkan

menanggulangi hal tersebut, diperlukan

sumber

adanya

pengklasifikasian.

mekanisme

pelabelan

data

komentar

daya

waktu

manusia

dapat

dan dalam

pengaduan secara otomatis, sehingga dapat

Berdasarkan permasalahan diatas

meminimalisir kesalahan.

penelitian ini akan membahas mengenai

Untuk memmberikan label pada data

maka

klasifikasi dokumen teks menggunakan

pengaduan peserta tersebut salah satunya

metode

bisa dengan menggunkan data mining

Quantization). Algoritma ini dikenal dengan

sebagaimana

kemampuannya dalam

dilakukuan

penelitian oleh

Hariri

yang

telah

(2014)

dalam


LVQ

(Learning

Vector

klasifikasi yang

mempunyai tinggkat akurasi

tinggi dan



kecepatan dalam hal proses (Hadnanto,

dalam evaluasi pelatihan sebanyak 4

1996).

angkatan pelatihan.

Penelitian ini fokus dalam melihat performa LVQ dalam mengklasifikasikan komentar dan

untuk

stemming

2. Komentar yang diolah hanya yang berbahasa Indonesia saja.

dokumennya

3. Isi komentar yang diolah hanya yang

menggunakan algoritma nazief & andriani

berupa kata-kata, sedangkan simbol dan

karena algoritma ini memiliki akurasi yang

angka tidak diolah.

lebih baik dibandingkan algoritma porter (Agusta, 2009).

4. Proses stemming hanya berlaku pada kata-kata berbahasa Indonesia saja. 5. Data akan dikelompokkan dalam 2

A. IDENTIFIKASI MASALAH

kelas, yaitu Kritik Atau Saran. 6. Untuk data learning dan testing jumlah

Berdasarkan uraian latar belakang

masing-masing kelas sebanding.

yang telah dipaparkan, maka pokok identifikasi masalah adalah sebagai berikut: 1. Proses

evaluasi

pelatihan

yang

dilakukan di UPT Diklat Pertanian Jawa Timur masih dilakukan secara manual

2. Pengelompokan data evaluasi / forum sering kali terjadi kesalahan dalam data

tersebut

apakah

Algoritma

Nazief

&

Adriani. 8. Akurasi ditentukan berdasarkan hasil asli

yang

algoritma LVQ. 9. Parameter yang diubah-ubah dan diamati hasilnya untuk mendapatkan kondisi terbaik

10. Pengecekan parameter reduksi dimensi

3. Sering terjadi kehilangan data karena pengumpulan

menggunakan

dokumen

adalah nilai dimensi.

termasuk kritik atau saran.

faktor

stemming

yang dibandingkan dengan hasil dari

dan belum terkomputerisasi.

pemahaman

7. Untuk

masih

dilakukan secara manual.

dilakukan antara 40% sampai 80% dengan penambahan parameter sebesar 20%. 11. Prototype yang akan dibuat hanya akan mensimulasikan proses pembentukan bobot

B. PEMBATASAN PENELITIAN Permasalahan yang akan dibahas di dalam penelitian ini dibatasi sebagai berikut: 1. Data komentar yang digunakan adalah data kalimat komentar dari peserta pelatihan yang sebelumya dituangkan II.

oleh

algoritma

LVQ

dan

proses

pengklasifikasian komentar. 12. Database menggunakan mySQL sebagai database pasif yang kedudukannya hanya digunakan menyimpan data. 13. Prototype dibangun menggunakan bahasa pemprograman PHP.

METODE




Jaringan saraf

tiruan Learning

vektor input

dengan

vektor

bobot

Vector Quantization (LVQ) telah banyak

menggunakan Euclidean distance. Secara

dimanfaatkan untuk pengenalan pola baik

matematis

berupa citra, suara, dan lain-lain. Jaringan

dirumuskan : (Kohonen,1988)

Ecluidean

Distance

dapat

LVQ sering pula digunakan untuk ekstraksi pola.

Metode

Jaringan

Syaraf

LVQ

dimana :

termasuk dengan Supervised Learning dalam

penentuan

bobot

/

…..(1)

ij

ciri (feature) pada proses awal pengenalan

dj2 = distance

model

pembelajarannya, dimana pada metode

Xt = Node data input

LVQ ditentukan hasil seperti apa selama

Wij = Bobot ke-ij

proses

pembelajaran.

Selama

proses

pembelajaran nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah pengelompokan unit-unit yang hampir sama dalam satu area tertentu. Pembelajaran seperti ini sangat cocok untuk pengelompokan (klasifikasi) pola

LVQ

minimum. Dimana node yang terpilih (winner) berjarak minimum akan di update bobot, update bobot node winner yang dirumuskan sebagai berikut :

𝑤ij

adalah

pengurangan node-node

𝑤ij

dari

(neighbour)

(Kusumadewi,2003),

sehingga

pada

akhirnya hanya ada satu node output yang yang

dilakukan perhitungan jumlah jarak selisih

algoritma

kerja

tetangganya

terpilih

antara node output dengan input maka

Jika sesuai target memakai rumus:

(Efendi,2009) Prinsip

Setelah diketahui tiap-tiap jarak

(winner

node).

dilakukan

Pertama

adalah

kali

melakukan

+1

𝑤ij

dan jika tidak 𝑤ij 𝑤ij

+1

𝑤ij

0<𝛼

Setelah diberikan bobot, maka jaringan

x

maka

jaringan

mulai

melakukan

perhitungan jarak vektor yang didapatkan

𝛼

. 𝑥

, 𝑗 ∈ 𝑁𝑒 .....(3)

Dimana :

input. Setelah input diterima jaringan,

. 𝑥

, 𝑗 ∈ 𝑁𝑒 .....(2)

inisialisasi bobot untuk tiap-tiap class. diberi input sejumlah dimensi node/neuron

+𝛼

< 1 .…………...... (4)

= Input pixel

w = bobot Ne = Nilai neighborhood t

= waktu

dengan menjumlah selisih/jarak antara MOH. DADANG HALIMI YUSUF | 12.1.03.02.0226 Teknik - Informatika



i

= index node input

j

= index node output

α

= alpha learning rate

-

sehingga

perubahan

-

minimum

Perbaiki Wj dengan ketentuan

o Jika T=Cj maka :

bobot

Wj(baru)=Wj(lama)

yang berubah terhadap perubahan error. Perubahan alpha

||X-Wj||

(Sebutsebagai Cj)

α(t) merupakan alpha/learning rate yaitu faktor pengali pada

Tentukan j sedemikian rupa

+α(X-

Wj(lama))

ini sesuai dengan

o Jika T≠Cj maka :

banyaknya input yang masuk. Faktor

Wj(baru)=Wj(lama)

pengali

Wj(lama))

alpha/learning rate

ini

akan

selalu berkurang bila tidak ada perubahan error. Dalam penelitian ini alpha learning rate

akan

berubah

berkurang

c. 4.

+1

0.1 ∗ 𝛼

Kurangi nilai α

Kembali ke langkah ke-3, jika

secara

(Epoch < maxEpoch) atau (α > eps)

geometris sebagai berikut: (Balza,2005) 𝛼

-α(X-

tidak terpenuhi, selesai.

...........(5)

Setelah dilakukan pelatihan, akan

algoritma

diperoleh bobot akhir (W). Bobot-bobot ini

Learning Vector Quantization (LVQ)

nantinya akan digunakan untuk melakukan

sebagai berikut:

klasifikasi terhadap data baru. Gambar 2.1

Secara

1.

garis

besar

Siapkan data learning, x (m,n) dan

dibawah

mengilustrasikan

proses

perhitungan metode LVQ.

target T (1,n).

Start

2.

Inisialisasi bobot (W), maksimum

Tetapkan Data Learning dan Bobot awal (W)

Epoch (Max Epoch), error minimum Inisialisai MaxEpoh , Eps, dan Learning rate (alpha)

yang diharapkan (Eps), learning

(Epoh<max) or (alpha>eps)

rate (α). Max Epoch dan learning

Y

i = 1

rate digunakan untuk menentukan i
batas ambang komputasi

T

Epoh=epoh+1

Y

C=||X-Wj||

T

3.

Melakukan proses sebagai berikut selama

(Epoch<maxEpoch)

Y

atau

Persamaan 2

(α>eps).

T

Persamaan 3

Learning rate - i++

Selesai

a. Epoch = Epoch+1

Gambar 2.4 Flowchart LVQ

b. Kerjakan untuk i=1 sampai n III. MOH. DADANG HALIMI YUSUF | 12.1.03.02.0226 Teknik - Informatika

Target=C

HASIL DAN KESIMPULAN simki.unpkediri.ac.id || 5||


Dalam

tahapan

awal

membuat

sebuah aplikasi, tentu diperlukan sebuah

digunakan oleh user.

Yaitu halaman

admin, serta halaman peserta.

rancangan awal sebagai patokan dan sebagai

dasar

fondasi

aplikasi tersebut

agar

nantinya

1.

Halaman Form Login

bisa berjalan sesuai

Fungsi : sebagai halaman login untuk

dengan tujuan awal dibangunnya aplikasi

pegawai, Ka.Subag Tata Usaha, dan

tersebut. Maka dari itu, dalam sub bab

Kepala UPT.

Desain Rancangan Aplikasi ini, penulis berusaha

menguraikan

tahapan-tahapan

dalam merancang sistem ini yang nantinya meliputi desain sketsa input serta output, DFD (Data Flow Diagram), dan terakhir adalah daftar tabel-tabel yang digunakan untuk menyimpan data dari sistem yang dibuat.

Gambar 5.13 halaman login 2.

Halaman admin Pada halaman admin terdapat :

Nantinya, desain sketsa input

a). Beranda admin

meliputi rancangan input data komentar, login. Lalu desain sketsa input meliputi

Fungsi : Setelah berhasil login

rancangan

admin,

akan muncul tampilan seperti di

dalam

bawah ini, yang menampilkan

preporsesing terdapat beberapa output

komentar kritik dn saran sesuai

meliputi

tabelnya,

komentar,

ouput data

beranda

komentar,

pembobotan

TF,

di

Stemming

yang

telah

Indexing, dn terhir penghitungan metode

kelompokkan

LVQ.

Tampilan Home/ Dasboard dapat

Setelah

selesai

dengan

tahapan

oleh

di

system.

dilihat pada gambar 5.14 :

perancangan sebuah aplikasi pada sub bab sebelumnya, langkah selanjutnya adalah tahapan implementasi dan evaluasi yang menampilkan tampilan (interface), inputoutput, serta fungsi-fungsi dari aplikasi yang sedang dibangun secara keseluruhan. Terutama yang akan dibahas dalam hal ini adalah tampilan keseluruhan dari dua (2)

Gambar 5.14 beranda admin b). Menu Komentar

halaman pokok selain halaman login yang MOH. DADANG HALIMI YUSUF | 12.1.03.02.0226 Teknik - Informatika



Fungsi

:

menu

ini

untuk

memasukkan komentar baru

Fungsi

:

berisikan

Halaman

data-data

ini

komentar

hasil dari proses pembobotan TF.

Gambar 5.15 Form Komentar

Gambar 5.18 Tampilan data Pembobotan

Setelah komentar di isikan dan

e). Menu Stemming

seluruh form di isi dan di klik

Fungsi

tambah

berisikan data-data hasil dari

maka

akan

muncul

tampilan dari komentar yang sudah

:

Halaman

ini

proses Stemming.

di tokenisasi dan di Stemming seperti gambar 5.16 :

Gambar 5.19 Menu Stemming f). Menu Indexing Fungsi Gambar 5.16 Hasil tambah

berisikan data-data hasil dari

c). Menu Data Komentar Fungsi

:

Halaman

: Halaman ini

proses ini

Stemming

dan

pembobotan lalu di index.

berisikan data-data komentar yang telah dimasukkan oleh User

Gambar 5.20 Tampilan indexing Gambar 5.17 Data Komentar d). Menu Pembobotan

g). Menu LVQ Fungsi

:

Halaman

untuk

menampilkan

ini

proses

penghitungan LVQ. MOH. DADANG HALIMI YUSUF | 12.1.03.02.0226 Teknik - Informatika



update komentar setelah dihitung dengan metode LVQ .

Gambar 5.21 Tampilan Hasil LVQ

Gambar 5.22 Tampilan Data

h). Menu Hasil Update

IV.

Update

Fungsi

:

Halaman

untuk

menampilkan

ini

proses

DAFTAR PUSTAKA

Agusta,

Ledi.

2009

.

Perbandingan

Teknologi Informasi & Pendidikan Vol.6 NO.2.

Algoritma Stemming Porter dengan Algoritma Nazief & Adriani untuk Stemming Dokumen Teks Bahasa Indonesia.

Konferensi

Effendy, N., Imanto, R., 2009. Deteksi Pornografi Pada Citra Digital

Nasional

Menggunakan Pengolahan Citra

Sistem dan Informatika. 106-39

Dan

Alfiyanto, Dian ,Ratnawati ,Ridok. 2010,

Jaringan

Saraf

Tiruan,

Pengklasifikasian Kritik Dan Saran

/2010/02/deteksi-pornografi.pdf>.

Dengan

Diakses pada tanggal 3 Oktober

Menggunakan

Metode

2015.

Fuzzy K-Nearest Neighbour (FKnn).

Program

Studi

Ilmu

Komputer,

Program

Teknologi

Informasi

dan Ilmu

Komputer

Fayyat,

Usama.

1996.

Advanced

in

Knowledge and Discovery and Data Mining. MTI Press.

Universitas Brawijaya. Hamid, Andini, Silfia. 2013, Klasifikasi Dokument Teks Naive

Menggunakan Bayes

Pemograman

Algoritma

Nihal

M.

Algorithm-Based Clustering.

Dengan

Bahasa

Conference

Java.

Jurnal

Technology.


dkk.

2013,

Bees

Document International

on

Information



Hariri, Fajar Rahman., 2014. Implementasi Learning

Vector

Stemming Algorithm for Bahasa

Quantization

Indonesia, Fakulty of Computer Science University of Indonesia.

Untuk Klasifikasi Dokumen. Tugas Akhir.Yogyakarta

:

STMIK

AMIKOM Yogyakarta.

Prasetyo, Eko. 2012. Data Mining Konsep dan

Hermadi, I.2007, Clustering Menggunakan Self-Organizing

Maps

Institut Pertanian Bogor. 5: 2. Kadir,

Abdul.

2010.

MATLAB,

Algoritma

Toyota,

T.,

dan

C++. Yogyakarta : Andi.

Search

Kohonen, T.,1988, An introduction to Neural

Network.,1:3-16 Kusumadewi,

Sri.

Intelligence Aplikasinya.

:

Artificial

Teknik

Yogyakarta:

Nobuhara,

H.

2012,

& Graha

Ilmu.

Using

Restricted

and

Region

Dimensionality

Reduction. JACIII. 16: 222. Turban, E, .2005.Decision Support System and

2003.

Penerbit

Based on Efficient Self-Organizing Map

network,

Yogyakarta.

Visualization of the Internet News

Pemrograman Menggunakan C &

neural

menggunakan

ANDI.

(Studi

Kasus: Data PPMB IPB). FMIPA

Aplikais

Intelligent

Bahasa

System,

Indonesia

edisi jilid

1.Yogyakarta.Penerbit ANDI. Yakub. 2012. Pengantar Sistem Informasi. Yogyakarta : Graha Ilmu

Nazief, Bobby dan Mirna Adriani. 1996. Confix-Stripping:

Approach

to



KLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION)

Recommend Documents