P E N D A H U L U A N Latar Belakang

KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh :

Dhanang Fitra Riaji (NRP : 2208205737)

PROGRAM MAGISTER BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY) JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK ELEKTRO INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

PENDAHULUAN Latar Belakang  Fungsi standard perangkat bergerak (mobile device) belum mampu menyediakan informasi konteks ruang yang akurat kepada user  Lokasi adalah satu bentuk konteks yang paling sering digunakan karena mudah dalam mengumpulkan data  Dari data lokasi akan diklasifikasikan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.

BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

PENDAHULUAN Perumusan Masalah  Permasalahan yang diangkat pada penelitian ini adalah menentukan data lokasi yang dikunjungi pengguna (user) yang akurat sesuai dengan koordinat lokasi (latitude dan longitude) pada saat user berada. Kemudian mengelompokkan lokasi yang dikunjungi dengan menggunakan metode Self-Organizing Map (SOM) untuk mendapatkan tempat yang paling sering dikunjungi (important plce) dan tempat yang jarang dikunjungi (not important place).


PENDAHULUAN Tujuan Penelitian  Tujuan utama dilakukan penelitian ini adalah untuk membuat sebuah kerangka kecerdasan buatan dengan menggunakan metode Self-Organizing Map (SOM) untuk mengklasifikasikan lokasi sering dikunjungi.  Dari hasil pengklasifikasian tersebut diharapkan akan diperoleh sebuah pola yang dapat digunakan untuk mengetahui lokasi yang paling sering dikunjungi dalam waktu tertentu.


PENDAHULUAN Batasan Masalah  Perancangan sistem menggunakan platform J2ME  Aplikasi berjalan pada handphone yang memiliki fasilitas Java ME dengan profil MIDP 2.0 atau lebih, konfigurasi CLDC 1.0 atau lebih, perangkat GPS internal dan koneksi wireless GRPS atau lebih  Lokasi penelitian yang digunakan adalah daerah Malang Kota  Penelitian ini tidak membahas tentang keamanan (security) jaringan dalam aplikasi yang dibuat  Data yang digunakan adalah diambil dari data lokasi user yang terdiri dari longitude dan latitude  Metode jaringan saraf tiruan yang digunakan adalah Self-Organizing Map (SOM) BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

PENDAHULUAN Manfaat Penelitian  Dari penelitian yang dilakukan diharapkan diperoleh manfaat diantaranya adalah memperoleh sebuah model klasifikasi lokasi yang dikunjungi pada waktu dan lokasi tertentu serta menjadi kerangka untuk mengembangkan sistem kecerdasan transportasi Transportation System) dalam (Intelligent aplikasinya.


TINJAUAN PUSTAKA Jaringan Syaraf Tiruan (JST)  Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusumadewi, 2003)


TINJAUAN PUSTAKA Self-Organizing Map (SOM)  Jaringan Self- Organizing Map merupakan salah satu model jaringan saraf tiruan yang menggunakan metode pembelajaran tanpa supervisi (unsupervised learning)  Salah satu keunggulan dari algoritma SelfOrganizing Map adalah mampu untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah.  Proses pemetaan terjadi apabila sebuah pola berdimensi bebas diproyeksikan dari ruang masukan ke posisi pada array berdimensi satu atau dua BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

TINJAUAN PUSTAKA Pembelajaran Self-Organizing Map (SOM)

 dimana Wij adalah fungsi berubah sesuai dengan dengan neuron pemenang rate. Nilai fungsi aktifasi berubahan nilai bobot dari neuron tetangganya.


tetangga yang nilainya jarak neuron tersebut dan β adalah learning menentukan besarnya neuron pemenang dan

TINJAUAN PUSTAKA Euclidean Distance  Euclidean distance pada dasarnya adalah jarak antara dua titik yang dapat diukur dengan menggunakan penggaris, yang juga dapat dilakukan dengan menggunakan teori phytagoras. Dengan menggunakan metode ini untuk menghitung jarak antar neuron ruang euclidean dapat diubah menjadi ruang metrik. Untuk n dimensi, P = (p1, p2,…,pn) dan Q = (q1, q2, …,qn) euclidean distance diberikan dengan persamaan :


TINJAUAN PUSTAKA Algoritma Pembelajaran SOM 1. inisialisasi : bobot vektor lapisan output (Wij) dengan nilai acak, learning rate, fungsi tetangga yang digunakan 2. hitung tingkat kemiripan atara bobot neuron pada lapisan output dengan data yang dimasukan dan pilih neuron pemenangnya (BMU) 3. update learning rate dan hitung fungsi tetangganya 4. lakukan langkah 2 sampai 3 hingga nilai interasi (epoch) tercapai


TINJAUAN PUSTAKA Global Positioning System (GPS)  



Sistem radio navigasi penentuan posisi dengan menggunakan satelit GPS dapat memberikan posisi suatu objek di muka bumi dengan akurat dan cepat (tiga dimensi koordinat x, y, z) dan memberikan informasi waktu serta kecepatan bergerak secara kontinyu di seluruh dunia Satelit GPS mempunyai konstelasi 24 satelit dalam enam orbit yang mendekati lingkaran. Setiap orbit ditempati oleh 4 buah satelit dengan interval antara yang tidak sama


TINJAUAN PUSTAKA Global Positioning System (GPS)


METODOLOGI PENELITIAN Perancangan Sistem

Studi literatur

Membuat aplikasi Mobile LBS

Pengambilan data Latitude dan Longitude

Pengolahan data dengan metode SOM

Melakukan Analiasa data


METODOLOGI PENELITIAN Arsitektur Sistem Mobile LBS


METODOLOGI PENELITIAN Prinsip Kerja Sistem


METODOLOGI PENELITIAN Proses Pengambilan Data


METODOLOGI PENELITIAN Metode Klasifikasi Data


METODOLOGI PENELITIAN Proses Klasifikasi Data (clustering)


HASIL DAN PEMBAHASAN Pengiriman Data Lokasi


HASIL DAN PEMBAHASAN Grafik Data Lokasi Aktifitas User


HASIL DAN PEMBAHASAN Mobile LBS java

Mulai

Inisialisasi Data GPS

Setup Timer Setiap 1 Menit

Tunggu Timer

Tidak

Ya Baca data GPS

Data GPS Valid?

Ya

Buka Koneksi GPRS Dan Kirim Melalui HTTP


Tidak

Selesai

HASIL DAN PEMBAHASAN Mobile LBS Server


HASIL DAN PEMBAHASAN Mobile LBS Server


HASIL DAN PEMBAHASAN Hasil Pelatihan SOM




HASIL DAN PEMBAHASAN

Hasil Pelatihan SOM

Parameter Pelatihan SOM

Keterangan

Inisialisasi bobot

Acak

Algoritma pelatihan

Batch

Bentuk jaring

Shape

Bentuk topologi jaring

Hexa

Jumlah neuron jaring

60

Ukuran peta jaring

10 x 6

Epoch

200
















KESIMPULAN DAN SARAN Kesimpulan 1. Pengelompokan dari 1085 data yang dilakukan secara manual diperoleh hasil untuk lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi jalan sebanyak 601 atau 55.39%, lokasi yang dikunjungi rumah makan sebanyak 249 atau 22.95% dan lokasi yang dikunjungi tempat kerja sebanyak 196 atau 18.06%. 2. Dari hasil pengelompokan data (clustering) dengan menggunakan metode Self-Organizing Map (SOM) berdasarkan peta SOM neighbor weight distances diperoleh empat kelompok yaitu lokasi yang dikunjungi rumah sebanyak 39 atau 3.59%, lokasi yang dikunjungi rumah makan sebanyak 248 atau 22.86%, lokasi yang dikunjungi tempat kerja sebanyak 196 atau 18.06%, sedangkan sisanya adalah lokasi yang dikunjungi jalan (perjalanan) sebanyak 602 atau 55.48%. BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

KESIMPULAN DAN SARAN Kesimpulan 1.

2.

3.

Terdapat perbedaan antara penghitungan secara manual dan dengan metode Self-Organizing Map (SOM) yaitu lokasi yang dikunjungi jalan yaitu 601 data atau 55.39% dan 602 atau 55.48%, dan pada saat lokasi yang dikunjungi rumah makan yaitu 249 data atau 22.95% dan 248 atau 22.86%. dapat digunakan untuk Metode Self Organizing Map (SOM) mengelompokkan data (clustering) untuk mencari lokasi yang paling sering dikunjungi berdasarkan data lokasi (latitude dan longutude). Diperoleh model klasifikasi terhadap lokasi yang dikunjungi yaitu rumah, jalan, rumah makan dan tempat kerja, sehingga diperoleh lokasi yang paling sering dikunjungi (important place) berdasarkan peta SOM neighbor weight distances yaitu rumah makan. Sedangkan jalan dan rumah digolongkan ke dalam klasifikasi tempat yang dianggap tidak penting (not important place) karena berdasarkan peta SOM neighbor weight distances tidak menunjukkan warna yang sama (uniform).


KESIMPULAN DAN SARAN Saran 1. Untuk mendapatkan data lokasi (latitude dan longitude) yang lebih baik diperlukan perangkat GPS reciever yang memiliki akurasi tinggi. 2. Menggunakan banyak user (multi user) dalam pengambilan data lokasi untuk pengembangan selanjutnya 3. Pengembangan selanjutnya dapat digunakan digunakan untuk pengembangan Sistem Transportasi Cerdas (Inteligent Transportation System)


DAFTAR PUSTAKA

1. Ahmed El-Rabbany, (2002), Introduction to GPS: the Global Positioning System. by, Artech House mobile communications series 2. Edi S. Mulyanta, S.Si, (2005), Pengenalan Protokol Jaringan Wireless Komputer, Penerbit ANDI, Jogjakarta 3. Fauset, L, (1994), Fundamental of Neural Network. Prentice Hall 1. http://code.google.com/apis/maps/documentation/, Google Maps documentation, (Akses : 29 Juni 2010) 2. http://developers.sun.com/mobility/reference/techart/index.jsp , J2ME and Location-Based Services, (Akses : 6 Februari 2010)

3. http://en.wikipedia.org/wiki/Global_Positioning_System , GPS, (Akses : 6 Februari 2010) BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

DAFTAR PUSTAKA

1. http://www.ittelkom.ac.id/, Location-Based Services (Akses : 6 Februari 2010) 1. Kohonen, T, (1995), Self-Organizing Map, 2nd ed. Springer-Verlag, Berlin 2. Kusumadewi, Sri, (2003), Artificial Intellegence (Teknik dan Aplikasinya). Jogjakarta: Graha Ilmu 3. Liman, J, (2005). Feedforward Neural Network. www.ukrida.co.id, diakses tanggal 27 November 2005 4. Mauridhi Hery P, Agus Kurniawan, (2006). Supervised Neural Network dan Aplikasinya. Jogjakarta: Graha Ilmu BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY)

DAFTAR PUSTAKA

1. Suparman dan Marlan, (2005), Komputer Masa Depan Pengenalan Artificial Intelligence, Penerbit ANDI, Jogjakarta 2. Suyanto, (2007), Artificial Intelligence Searching, Reasoning, Planning, dan Learning. Bandung: Informatika


PENUTUP


P E N D A H U L U A N Latar Belakang

Recommend Documents