KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE

Abstract

Data mining merupakan suatu proses pengekstrakan informasi penting pada data yang berukuran besar. Salah satu fungsionalitas yang sering digunakan pada data mining adalah klasifikasi, yang berfungsi menemukan sekumpulan model/fungsi sehingga dapat mambedakan kelas data untuk keperluan prediksi. Jaringan Syaraf Tiruan (JST), merupakan salah satu teknik klasifikasi yang cukup handal dikarenakan kemampuannya dalam memprediksi. JST mempunyai toleransi yang tinggi terhadap data yang mengandung noise serta bersifat adaptive, dimana jaringannya mampu belajar dari data yang dilatihkan kepadanya. Oleh karena itu penelitian ini menganalisis pengklasifikasian data dengan menggunakan JST Backpropagation Momentum dengan adaptive learning rate untuk mendapatkan hasil yang optimal. Sebelum memasuki tahap klasifikasi, proses yang dilakukan adalah feature selection. Feature selection merupakan tahap preprocessing yang bertujuan untuk mencari atribut yang relevan terhadap label kelas. Dengan kata lain, feature selection dapat dikatakan sebagai teknik mereduksi dimensi sebagai usaha untuk meningkatkan performansi dari sebuah classifier. Metode feature selection yang digunakan adalah information gain. Setelah dilakukan preprocessing data, kemudian dilakukan tahap klasifikasi menggunakan JST Backpropagation Momentum dengan adaptive learning rate.. Hasil pengujian menunjukkan bahwa dengan adanya konstanta momentum dan adaptive learning rate mempercepat kecepatan belajar jaringan. Selain itu juga berpengaruh terhadap nilai keakuratan sehingga dapat mencapai tingkat akurasi sebesar 96%.