REDUKSI DATA LATIH DENGAN K-SVNN SEBAGAI PEMROSESAN AWAL PADA ANN BACK-PROPAGATION UNTUK PENGURANGAN WAKTU PELATIHAN
ABSTRAK: Sistem klasifikasi
yang akurat membutuhkan masukan data yang baik juga. Agar didapatkan kualitas
data masukan yang baik, maka pemrosesan awal dapat dilakukan. Pemrosesan awal
data masukan yang dapat dilakukan pada masalah dimensi adalah reduksi dimensi
dan reduksi data masukan. Data masukan tersebut yang digunakan sebagai data
latih pada algoritma pelatihan Artificial Neural Network (ANN). Jumlah data
masukan yang besar dapat menjadi masalah karena dapat menambah waktu eksekusi
pelatihan. Pada sistem klasifikasi dengan algoritma ANN, semakin banyak jumlah
data latih, maka iterasi pelatihan pada ANN semakin banyak dan waktu eksekusi
juga semakin lama. Hal ini disebabkan pada tiap iterasi setiap data latih akan
diproses tepat satu kali. Penelitian ini bertujuan untuk melakukan uji coba
penggunaan K-Support Vector Nearest Neighbor (K-SVNN) sebagai pemrosesan awal
data untuk mereduksi data latih yang kurang berpengaruh pada garis keputusan
ANN. ANN yang digunakan dalam penelitian ini adalah ANN Back-propagation. Hasil
yang dicapai adalah berkurangnya jumlah data latih yang dieksekusi ditiap
iterasi tetapi tetap mempertahankan kualitas hasil pelatihan. Pengurangan
jumlah data latih yang dieksekusi diukur dengan waktu yang digunakan selama
proses pelatihan, sedangkan kualitas hasil pelatihan diukur dengan nilai
akurasi yang didapat ketika dilakukan prediksi. Hasil yang dicapai cukup baik,
waktu pelatihan berkurang sebesar 15% hingga 80%, sedangkan perbedaan akurasi
prediksi ada penurunan, penurunan sebesar 0% hingga 4.76%.
Penulis: Eko Prasetyo
Kode Jurnal: jptmesindd150537