Salah satu metode pengelompokan/pengklasifikasian yang sering
digunakan adalah analisis diskriminan. Pada analisis diskriminan terdapat
asumsi yang harus dipenuhi oleh data, khususnya asumsi bahwa data harus
berdistribusi multivariate normal. Selain harus memenuhi asumsi tersebut,
data juga harus melalui tahapan uji multikolinieritas dan uji kesamaan vektor
rata-rata. Padahal tidak semua data dapat memenuhi asumsi tersebut. Selain
itu juga terkadang meskipun data sudah berdistribusi multivariate normal,
hasil pengklasifikasian yang diperoleh pun kurang maksimal. Oleh sebab itu,
diperlukan adanya solusi untuk mengatasi hal tersebut, salah satunya dengan
menggunakan metode jaringan syaraf tiruan. Metode jaringan syaraf tiruan ini
adalah suatu metode yang dapat digunakan untuk mengklasifikasikan suatu
data tanpa melihat asumsi yang mengikuti data.
Tujuan dalam penelitian ini adalah mengetahui arsitektur dari jaringan
syaraf tiruan yang paling maksimal dan mengetahui besarnya kemampuan
jaringan syaraf tiruan dalam mengklasifikasikan suatu data.
Berdasarkan hasil penelitian diketahui bahwa data sudah berdistribusi
multivariate normal. Kemudian apabila metode pengklasifikasian yang
digunakan adalah analisis diskriminan, maka akan memberikan hasil yang
kurang maksimal karena adanya beberapa objek data yang salah
pengklasifikasiannya. Setelah mengetahui hal tersebut, maka langkah
selanjutnya adalah melakukan pengklasifikasian dengan jaringan syaraf tiruan.
Pengklasifikasian menggunakan jaringan syaraf tiruan dengan metode
backpropagation memberikan hasil yang maksimal. Hasil yang maksimal ini
diperoleh tanpa harus melalui terlebih dahulu uji asumsi pada data yang akan
digunakan dalam penelitian, khususnya uji normalitas pada data. Dari hasil
pengklasifikasian yang maksimal ini dapat diketahui bahwa arsitektur yang
menghasilkan pengklasifikasian terbaik dari data status gizi mahasiswa UIN
MALIKI Malang Tahun 2009/2010 adalah arsitektur yang terdiri dari 1 input,
1 hidden layer dengan 3 hidden node, dan 4 output. Dimana arsitektur tersebut
menghasilkan kemampuan dalam pengklasifikasian adalah sebesar 0 yang
mana nilai MSE tersebut (0) menunjukan bahwa tidak terdapat objek data
yang salah diklasifikan ke dalam kelompok lain.
digunakan adalah analisis diskriminan. Pada analisis diskriminan terdapat
asumsi yang harus dipenuhi oleh data, khususnya asumsi bahwa data harus
berdistribusi multivariate normal. Selain harus memenuhi asumsi tersebut,
data juga harus melalui tahapan uji multikolinieritas dan uji kesamaan vektor
rata-rata. Padahal tidak semua data dapat memenuhi asumsi tersebut. Selain
itu juga terkadang meskipun data sudah berdistribusi multivariate normal,
hasil pengklasifikasian yang diperoleh pun kurang maksimal. Oleh sebab itu,
diperlukan adanya solusi untuk mengatasi hal tersebut, salah satunya dengan
menggunakan metode jaringan syaraf tiruan. Metode jaringan syaraf tiruan ini
adalah suatu metode yang dapat digunakan untuk mengklasifikasikan suatu
data tanpa melihat asumsi yang mengikuti data.
Tujuan dalam penelitian ini adalah mengetahui arsitektur dari jaringan
syaraf tiruan yang paling maksimal dan mengetahui besarnya kemampuan
jaringan syaraf tiruan dalam mengklasifikasikan suatu data.
Berdasarkan hasil penelitian diketahui bahwa data sudah berdistribusi
multivariate normal. Kemudian apabila metode pengklasifikasian yang
digunakan adalah analisis diskriminan, maka akan memberikan hasil yang
kurang maksimal karena adanya beberapa objek data yang salah
pengklasifikasiannya. Setelah mengetahui hal tersebut, maka langkah
selanjutnya adalah melakukan pengklasifikasian dengan jaringan syaraf tiruan.
Pengklasifikasian menggunakan jaringan syaraf tiruan dengan metode
backpropagation memberikan hasil yang maksimal. Hasil yang maksimal ini
diperoleh tanpa harus melalui terlebih dahulu uji asumsi pada data yang akan
digunakan dalam penelitian, khususnya uji normalitas pada data. Dari hasil
pengklasifikasian yang maksimal ini dapat diketahui bahwa arsitektur yang
menghasilkan pengklasifikasian terbaik dari data status gizi mahasiswa UIN
MALIKI Malang Tahun 2009/2010 adalah arsitektur yang terdiri dari 1 input,
1 hidden layer dengan 3 hidden node, dan 4 output. Dimana arsitektur tersebut
menghasilkan kemampuan dalam pengklasifikasian adalah sebesar 0 yang
mana nilai MSE tersebut (0) menunjukan bahwa tidak terdapat objek data
yang salah diklasifikan ke dalam kelompok lain.
No comments:
Post a Comment