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%.
Kata kunci: pemrosesan awal, reduksi data latih, waktu latih, K-SVNN, ANN back-propagation
Penulis: Eko Prasetyo
Kode Jurnal: jptmesindd150537

Artikel Terkait :