Pengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing). Oleh karena itu, di Bab 4 ini untuk memudahkan memahami proses pengolahan data, maka diberikan contoh pengolahan data pada data 10 orang siswa : 1.Tabel 4.1 hal.27 : data 10 siswa yang akan diolah
2.Kemudian data tersebut diurutkan berdasar-kan urutan scoring di kolom data target (t). Hasilnya dapat dilihat pada Tabel 4.4 hal.28 : data 10 siswa yang akan diolah. 3.Setelah data sudah diurutkan, maka data tersebut dapat diproses : * Bila ingin data input dalam bentuk biner maka: untuk data nilai rapor ikuti algoritma I hal 29, untuk data hasil angket ikuti cara transformasi data hasil angket di hal 32, dan untuk data target ikuti cara transformasi data target hal 36-37. Maka hasilnya adalah Tabel 4.11 hal 37.
•
Bila ingin data input dalam bentuk Interval maka: untuk data nilai rapor tetap, untuk data hasil angket ikuti cara transformasi data hasil angket program excel di Lampiran 5 hal 91, dan untuk data target ikuti cara transformasi data target hal 36-37. Lalu dilanjutkan dengan menormalisasi data-data tsb dengan Persamaan (4.8) hal 36. Hasilnya yaitu Tabel 4.12 hal 37.
Pengimplementasian Algoritma RBFNN Diawali dengan perancangan penentuan parameter-parameter dalam pembentukan model jaringan, antara lain : 1. Fungsi basis : fungsi gauss 2. Menentukan pusat dengan FCM, lalu jarak antar vektor input dengan vektor pusat dengan norm euclidean dan lebar ditentukan dengan Pers. 4.15 hal .41. 3. Menentukan bobot, dengan pers. 4.20 hal 43.
Setelah perancangan parameterparameter maka proses implementasi dapat dilakukan. Pengimplementasian merupakan proses menerjemahkan algoritma dari metode RBFNN sehingga dapat dibentuk kode program MATLAB-nya. Hasilnya dapat dilihat pada Algoritma V hal 44-46
Apabila algoritma V (algoritma RBFNN) diterapkan pada data 10 siswa yang telah diolah sebelumnya (contoh : pengolahan data) maka hasil yang diperoleh adalah : 1. Proses awal : proses ini sudah dilewati yang hasilnya adalah Tabel 4.11 dan 4.12. 2. Proses traning : Tahap 1 : Menggunakan alg FCM untuk menentukan pusat.
Setelah pusat ditentukan maka jarak (dgn pers 4.14) dan lebar dapat ditentukan dgn pers. 4.15. Tahap 2 : Hitung keluaran fungsi basis (fungsi gauss), yaitu dengan mensubsitusi jarak dan lebar yang diperoleh sebelumnya. Tahap 3 : Hitung bobot dgn pers 4. 21. Tahap 4 : Hitung output RBFNN dan errornya.
Untuk proses testingnya mengikuti. Maka hasilnya adalah sebagai berikut : Data
Jumlah Data
% Error Klasifikasi
% Keakuratan klasifikasi
Biner
Interval
Biner
Interval
Pelatihan
7
14.28
28.57
85.72
71.43
Pengujian
3
0
0
100
100
Analisis yang dapat dilakukan untuk hasil proses simulasi ini adalah Dari hasil yang diperoleh diatas maka dapat dikatakan bahwa RBFNN baik dengan data berbentuk biner maupun interval mempunyai tingkat keakuratan dalam mengkalsifikan data cukup tinggi.
Error yang diperoleh adalah pada pola data ke-5, dalam penelitian ini belum tentu menunjukkan ketidakmampuan RBFNN mengklasifikasikannya dalam suatu kelompok. Apabila diperiksa kembali ternyata dalam data-data inputnya menunjukkan adanya ketidakcocokkan antara minat/pilihan jurusan oleh siswa dengan pilihan jurusan yang ditentukan oleh guru.
Oleh karena itu pihak sekolah bisa mengambil suatu tindakan, misalnya memanggil siswa (pola data ke-5) tersebut ke bagian bimbingan konseling (BK) untuk memberikan penjelasan kepada siswa kenapa tidak masuk dikelas jurusan yang diinginkannya.
Hasil Klasifikasi Data dengan RBFNN dan BP Setelah melalui proses simulasi pelatihan baik RBFNN dan BP, maka diperoleh hasil klasifikasi data dan dari hasil tersebut dapat diukur tingkat keakuratan (%) dari kedua jaringan membaca pola data. Hasil klasifikasi data yang diperoleh dari siswa SMA yang melalui proses penjurusan TA 2005/2006 s.d 2008/2009 sebagai berikut :
Pada proses klasifikasi Data dengan RBFNN dan BP, data pada Tabel 1 dibagi menjadi dua bagian, yaitu 70% digunakan sebagai data pelatihan sedangkan sisanya sebanyak 30% digunakan sebagai data pengujian. Data (pelatihan, pengujian) untuk TA 05/06 s/d 08/09 masing-masing terdiri dari (202,87) ;(226,97);(238,104) dan (241,104) pola data
No.
1
2
3
4
TA
05/06
06/07
07/08
08/09
Data
Jumlah Data
% Error Klasifikasi Biner
Interval
% Keakuratan Klasifikasi Biner
Interval
Pelatihan
202
3.47
29.21
96.53
70.79
Pengujian
87
3.45
11.49
96.55
88.51
Pelatihan
226
9.29
32.74
90.71
67.26
Pengujian
97
10.31
11.34
89.69
88.66
Pelatihan
238
2.11
52.52
97.89
47.48
Pengujian
102
1.96
27.48
98.04
72.55
Pelatihan
241
9.54
29.46
90.46
70.54
Pengujian
104
8.65
12.50
91.35
87.50
No.
TA
Data
Jumlah Data
% Error Klasifikasi Biner
1
2
3
4
05/06
06/07
07/08
08/09
% Keakuratan Klasifikasi
Interval
Biner
Interval
Pelatihan
202
9.80
35.65
90.20
64.35
Pengujian
87
9.45
29.89
90.55
70.11
Pelatihan
226
15.29
26.55
84.71
73.45
Pengujian
97
10.31
27.84
89.69
72.16
Pelatihan
238
11.11
19.75
88.89
80.25
Pengujian
102
10.92
29.55
89.08
70.45
Pelatihan
241
12.54
27.39
87.46
72.61
Pengujian
104
9.7
25.00
90.30
75.00
Hasil klasifikasi data dengan RBFNN mempunyai Kemampuan klasifikasi/tingkat keakuratan yang cukup tinggi yaitu rata-rata 93,91% untuk data biner dan 84,31 % untuk data interval. Sedangkan untuk BP hanya mampu membaca pola data rata-rata sebesar 89,91 % untuk data biner dan mencapai 71,93 % untuk data interval.
Klasifikasi data dengan RBFNN dikatakan lebih akurat atau mampu membaca pola dibandingkan dengan klasifikasi data menggunakan BP. Hal ini dapat dilihat dari hasil rata-rata persentasi keakuratan yang diperoleh dari proses klasifikasi data dengan RBFNN yaitu 93.91 % untuk data biner dan 84.41 % untuk data interval. Dibandingkan dengan persentasi hasil klasifikasi dengan BP yang hanya mencapai rata-rata 89.91% untuk data biner dan 71.93% untuk data interval.
Hasil dari proses pelatihan dan pengujian ini selain tingkat keakuratan klasifikasi, juga menunjukkan error klasifikasi. Seperti pada contoh pengklasifikasian data 10 orang siswa yang dibahas pada subbab 4.2.3. salah satu penyebab Error klasifikasi data terjadi karena kemungkinan pada saat pengambilan keputusan untuk data target tidak mematuhi aturan kriteria penjurusan (ada bakat, minat atau kemampuannya siswa yang tidak memenuhi syarat suatu kelas).
Misalnya pada data target tercatat bahwa seorang siswa terpilih masuk pada jurusan IPA akan tetapi pada data input yaitu nilai-nilai mata pelajaran rapor yang menjadi ciri khas jurusan IPA (Matematika, Fisika, Kimia dan Biologi) ada yang tidak memenuhi/tidak tuntas maka output jaringan yang dihasilkan pun akan berbeda dengan target yang sudah ditentukan
1.Klasifikasi data yang telah dilakukan dengan RBFNN tingkat keakuratannya dalam membaca pola data lebih tinggi dibandingkan dengan klasifikasi data dengan BP. 2.Error yang diperoleh dari hasil klasifikasi data dengan simulasi pelatihan RBFNN dan BP kemungkinan adalah pola-pola data (siswasiswa) yang memiliki ketidaksesuaian baik itu pada bakat, minat atau kemampuannya dengan output nyata (data target) yang diperoleh sebelumnya.
1.Untuk pemanfaatan dari hasil penelitian ini, khususnya pada proses penjurusan di SMA. Berikut beberapa langkah awal yang dapat dilakukan untuk mempermudah penggunaannya a. Dengan mengkomputerisasikan sistem data, b. Mengusai penggunaan program MATLAB dan Excel. c.Pengaplikasian untuk data TA selanjutnya (2009/2010 - dst). data target ini diperoleh dari hasil keputusan pemilihan jurusan, yang ditentukan oleh masing-masing guru wali kelas X.
2. Dari data error yang didapatkan pihak sekolah bisa mengambil suatu tindakan, misalnya dengan memanggil siswa yang bersangkutan ke ruang bimbingan konseling (BK) untuk membahas ketidakcocokan antara pilihan jurusan siswa dengan bakat, minat atau kemampuan yang dimiliki oleh siswa tersebut. 3. Untuk pengembangan penelitian ini lebih lanjut masih bisa dilakukan. Misal diaplikasikan pada bidang yang berbeda.
[1] Dhaneswara, Giri. dan Veronica S.M., (2004), “ Jaringan Saraf Tiruan Propagasi Balik untuk Klasifikasi Data”, Vol.9, No 3. [2] Du, K-L. dan Swamy, M.N.S., (2006), Neural Networks in a Softcomputing Framework, Springer-Verlag, London, Inggris. [3] Fausett, L., (1994), Fundamentals of Neural Networks, Architectures, Algorithms, and Applications, Prentice Hall Inc, New Jersey, USA. [4] Gupta, M.M, Jin, L. dan Homma, N., (2003), Static and Dynamic Neural Networks: From Fundamental to Advanced Theory, Jhon Wiley & Sons, New York, USA. [5] Sarimveis, H. dan Doganis, P. dan Alexandridis, A., (2006), “A Classification Technique Based on radial Basis Function Neural Networks”, Journal of Advance in Engineering Software 37, 218–221. [6] SMAN 3 Surabaya (2006-2009), Surat Keputusan Kepala SMAN 3 Surabaya : Tentang Kriteria Penjurusan Program, SMAN 3, Surabaya.
