Category Archives: Data mining
Data Mining dengan pemrograman matlab
Penerapan Algoritma Particle Swarm Optimization (PSO) Pada Kasus Prediksi
Particle Swarm Optimization (PSO) merupakan algoritma berbasis populasi yang mengeksploitasi individu dalam pencarian. Dalam PSO populasi disebut swarm dan individu disebut particle. Setiap partikel berpindah dengan kecepatan yang diadaptasi dari daerah pencarian dan menyimpannya sebagai posisi terbaik yang pernah dicapai.
PSO didasarkan pada perilaku sosial sekawanan burung atau sekumpulan ikan. Perilaku sosial terdiri dari tindakan individu dan pengaruh dari individu-individu lain dalam suatu kelompok.
Berikut ini merupakan contoh penerapan algoritma PSO pada kasus prediksi. PSO diimplementasikan untuk mengoptimasi algoritma jaringan syaraf tiruan backpropagation dalam memprediksi Indeks Harga Saham Gabungan (IHSG). Langkah-langkah pemrogramannya adalah sebagai berikut:
Algoritma Genetika untuk Travelling Salesman Problem
Algoritma genetika (AG) merupakan algoritma pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika alamiah. Karena didasarkan pada teori-teori dalam ilmu biologi, banyak istilah dan konsep biologi yang digunakan dalam algoritma ini. AG telah banyak diterapkan pada beberapa kasus seperti optimasi, pemrograman otomatis, machine learning, pemodelan ekonomi, pemodelan sistem imunisasi, pemodelan ekologis, serta interaksi antara evolusi dan belajar (Suyanto, 2005).
Berikut ini merupakan contoh penerapan algoritma genetika untuk optimasi kombinasi dalam kasus Travelling Salesman Problem. Optimasi dilakukan untuk mencari jalur/rute terpendek yang menghubungkan antara dua titik lokasi. Langkah-langkah pemrogramannya adalah sebagai berikut: -read more->
Klasifikasi Jenis Kendaraan Menggunakan Algoritma Extreme Learning Machine
Extreme Learning Machine (ELM) merupakan jenis jaringan syaraf tiruan dengan satu lapisan tersembunyi yang biasa disebut dengan single hidden layer feedforward neural network (SLNs). Metode ini memiliki kecepatan pembelajaran yang lebih cepat dibandingkan metode jaringan syaraf tiruan konvensional seperti backpropagation.
Contoh arsitektur jaringan syaraf tiruan Extreme Learning Machine ditunjukkan pada gambar di bawah ini
Klasifikasi Jenis Buah Menggunakan Linear Discriminant Analysis
Linear Discriminant Analysis (LDA) merupakan salah satu metode yang digunakan untuk mengelompokkan data ke dalam beberapa kelas. Penentuan pengelompokan didasarkan pada garis batas (garis lurus) yang diperoleh dari persamaan linear.
Berikut ini merupakan contoh aplikasi pengolahan citra untuk mengklasifikasikan jenis buah menggunakan linear discriminant analysis. Jenis buah yang diklasifikasikan adalah buah apel dan buah jeruk. Kedua jenis buah tersebut dibedakan berdasarkan ciri warnanya menggunakan nilai hue dan saturation. Contoh citra buah pada masing-masing kelas ditunjukkan pada gambar di bawah ini.
Prediksi Harga Saham Menggunakan Algoritma ANFIS
Adaptive Neuro Fuzzy Interference System (ANFIS) merupakan salah satu algoritma yang menggabungkan sistem fuzzy dengan sistem jaringan syaraf tiruan. Dasar dari penggabungan adalah kelebihan dan kekurangan dari masing-masing sistem. Kelebihan utama jaringan syaraf tiruan adalah dapat mengenali sistem melalui proses pembelajaran untuk memperbaiki parameter adaptif. Kekurangan dari sistem ini adalah kerumitan strukturnya. Sedangkan sistem fuzzy mempunyai konsep yang mirip dengan konsep berpikirnya manusia. Gabungan keduanya akan saling melengkapi kelebihan dan kekurangan masing-masing sistem.
Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Penduduk
Salah satu penerapan algoritma jaringan syaraf tiruan adalah untuk sistem prediksi (forecasting). Prediksi dapat dilakukan dalam bentuk urutan waktu (time series) atau dapat pula dilakukan dalam bentuk bukan urutan waktu.
Dalam sistem prediksi urutan waktu, data masukan adalah berupa beberapa data dalam kurun waktu tertentu, sedangkan data keluarannya adalah data pada kurun waktu berikutnya. Pada sistem prediksi ini data keluaran diasumsikan hanya dipengaruhi oleh data-data sebelumnya.
Contoh sistem prediksi urutan waktu:
sistem untuk memprediksi jumlah penduduk pada bulan tertentu di mana data masukannya adalah jumlah penduduk pada 12 bulan sebelumnya.
Untuk sistem prediksi bukan urutan waktu, data masukannya adalah berupa beberapa variabel data yang dianggap mempengaruhi nilai data keluaran, sedangkan data keluarannya adalah berupa data pada kurun waktu berikutnya. Pada sistem prediksi ini variabel-variabel yang mempengaruhi nilai data keluaran diikutsertakan untuk melakukan prediksi.
Contoh sistem prediksi bukan urutan waktu:
sistem untuk memprediksi jumlah penduduk pada bulan tertentu di mana data masukannya adalah jumlah penduduk pada 1 bulan sebelumnya, tingkat kesejahteraan penduduk, tingkat keamanan lingkungan, faktor politik, dan faktor-faktor demografi lainnya pada 1 bulan sebelumnya.
Jaringan Syaraf Tiruan untuk Identifikasi Jenis Bunga
Jaringan syaraf tiruan (neural network) merupakan algoritma yang mampu melakukan identifikasi suatu kelas berdasarkan ciri masukan yang diberikan. Algoritma ini akan melatihkan ciri masukan yang diberikan pada masing-masing kelas sehingga diperoleh suatu arsitektur jaringan dan bobot-bobot awal yang mampu memetakan ciri masukan ke dalam kelas keluaran.
Terdapat banyak jenis jaringan syaraf tiruan, di antaranya adalah backpropagation, perceptron, probablistik neural network, radial basis network, dll.
Berikut ini merupakan contoh aplikasi pemrograman matlab (menggunakan matlab r2015b) untuk mengidentifikasi jenis bunga menggunakan algoritma jaringan syaraf tiruan radial basis function (rbfnn). Pada proses pelatihan jaringan digunakan 100 citra latih yang terdiri dari 50 citra bunga dengan jenis kansas state flower dan 50 citra bunga berjenis marguerite daisy. Sedangkan pada proses pengujian digunakan 60 citra uji yang terdiri dari 30 citra bunga kansas state flower dan 50 citra bunga marguerite daisy.
Citra bunga yang digunakan dalam pemrograman ini diunduh dari halaman website http://www.robots.ox.ac.uk/~vgg/data/flowers/17/. Contoh citra bunga yang digunakan ditunjukkan pada gambar berikut.
Pembuatan Database Mahasiswa menggunakan MATLAB
Berikut ini merupakan contoh pemrograman GUI Matlab R2015b untuk pembuatan database mahasiswa. Sistem yang dirancang meliputi Form Registrasi Mahasiswa, Form Status Mahasiswa, dan Form Database Mahasiswa. Data mahasiswa disimpan dalam bentuk tabel dengan ekstensi .mat.
Langkah-langkah registrasi dan visualisasi database mahasiswa adalah sebagai berikut:
1. Membuka tampilan menu awal
Pada menu ini terdapat beberapa tombol untuk menuju ke sub menu lain di antaranya adalah Form Registrasi, Form Status, Form Database, dan Sub menu keluar
Pembuatan Database menggunakan Matlab dan Ms. Excel
Dalam pembuatan basis data (database), Matlab dapat diintegrasikan dengan beberapa software lain contohnya adalah Microsoft Office Excel 2007. Berikut ini merupakan contoh aplikasi pemrograman matlab untuk membuat database mahasiswa menggunakan GUI Matlab R2015b.
Sistem basis data yang dirancang terdiri dari 4 buah tampilan GUI yaitu:
1. Tampilan menu Utama (Home)
Pada menu ini disajikan 4 buah tombol untuk masuk ke dalam tampilan submenu yang lain. Submenu yang lain antara lain yaitu Menu Registrasi Mahasiswa, Menu Status Mahasiswa, Menu Database Mahasiswa, dan Menu Keluar.
Jaringan Syaraf Tiruan untuk Klasifikasi Citra Daun
Salah satu penerapan dari algoritma jaringan syaraf tiruan adalah untuk proses klasifikasi citra. Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan klasifikasi terhadap citra daun. Citra daun dikelompokkan ke dalam 4 kelas spesies yaitu Bougainvillea sp, Geranium sp, Magnolia soulangeana, dan Pinus sp. Pada contoh ini digunakan 40 citra daun yang terdiri dari 10 citra pada masing-masing kelas. Contoh dari citra daun yang digunakan ditunjukkan pada gambar di bawah ini:
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Mempersiapkan citra latih dan citra uji. Pada contoh ini 40 citra daun dibagi menjadi dua bagian yaitu 24 citra untuk citra latih dan 16 citra untuk citra uji.
Pemrograman Matlab 