iv metode learning part 1
DESCRIPTION
Metode LearningTRANSCRIPT
5/12/2018 IV Metode Learning Part 1 - slidepdf.com
http://slidepdf.com/reader/full/iv-metode-learning-part-1 1/5
Universitas Islam Majapahit Mojokerto 1
MODUL IVMETODE LEARNING (Part 1)
Kompetensi Dasar : Menempatkan metode learning dalam menyelesaikan suatu
masalah dengan tepat dan baik.
Materi Pokok :
1. Pengertian Metode Learning
2. Macam-macam Metode Learning
3. Contoh penggunaan Metode Learning
4.1 Pengertian Metode Learning
Metode ini berbeda dengan metode-metode yang sebelum-sebelumnya. Di mana
metode yang sebelum-sebelumnya dalam menyelesaikan suatu masalah harus
mendefinisikan aturan-aturan yang perlu dipakai. Padahal terkadang pada masalah
tertentu kita tidak atau kesulitan dalam mendefinisikan aturan secara benar dan lengkap.
Metode Learning merupakan metode pembelajaran dari data-data yang sudah ada
dan bisa secara otomatis menemukan aturan yang diharapkan dapat berlaku umum
untuk data-data yang belum pernah diketahui. Secara garis besar setiap program
computer dapat meningkatkan performansinya melalui experience. Terdapat contoh data
penerimaan pegawai:
Diketahui:
∑ Pelamar = 11 Orang
∑ Parameter/Atribut= 3 Item (IPK, Psikolog, Wawancara)
∑ Hasil IPK = 3 Item (Bagus, Cukup, Kurang)
∑ Hasil Psikolog = 3 Item (Tinggi, Sedang, Rendah)
∑ Hasil Wawancara = 2 Item (Baik, Buruk)
∑ Kelas = 2 Kelas (Ya dan Tidak)Berikut table data pegawai:
KECERDASAN BUATAN/ AIOleh:Yesi Diah Rosita, S.Kom.
5/12/2018 IV Metode Learning Part 1 - slidepdf.com
http://slidepdf.com/reader/full/iv-metode-learning-part-1 2/5
Universitas Islam Majapahit Mojokerto 2
Pelamar IPK Psikolog Wawancara Diterima
P1 Bagus Tinggi Baik Ya
P2 Bagus Sedang Baik Ya
P3 Bagus Sedang Buruk Ya
P4 Bagus Rendah Buruk Tidak
P5 Cukup Tinggi Baik Ya
P6 Cukup Sedang Baik Ya
P7 Cukup Sedang Buruk Ya
P8 Cukup Rendah Buruk Tidak
P9 Kurang Tinggi Baik Ya
P10 Kurang Sedang Buruk Tidak
P11 Kurang Rendah Baik Ya
Tabel 4.1 Data Penerimaan Pegawai
Semestinya jika data dikatakan lengkap dengan sudah diketahui jumlah parameter
beserta hasilnya, maka hasil kombinasinya dapat diperoleh dari:
3 (∑ Hasil IPK) * 3 (∑ Hasil Psikolog) * 2 (∑ Hasil Wawancara) = 18 Kombinasi
4.2 Macam-macam Metode Learning
Terdapat 3 macam metode learning :
1. Decision Tree Learning
2. Jaringan Syaraf Tiruan
3. Algoritma Genetika
4.2.1 Decision Tree Learning Merupakan metode yang berusaha menemukan fungsi-fungi pendekatan yang
bernilai diskrit dan tahan terhadap noisy data serta mampu mempelajari ekspresi-ekspresi
disjunctive (OR). Pada bahasan ini akan mempelajari salah satu jenis DTL yang sangat
terkenal yakni Iterative Dychotomizer version 3 atau dikenal dengan ID3.
ID3 membangun sebuah DTL secara Top-Down, maksudnya atribut mana yang
pertama kali harus dicek dan diletakkan pada root. Maka dengan adanya hal ini
digunakan suatu ukuran statistic yakni Information Gain untuk mengukur efektivitas suatu
5/12/2018 IV Metode Learning Part 1 - slidepdf.com
http://slidepdf.com/reader/full/iv-metode-learning-part-1 3/5
Universitas Islam Majapahit Mojokerto 3
atribut dalam mengklasifisikan kumpulan sampel data. Tetapi sebelum menghitung
Information Gain, harus memahami ukuran Entropy untuk mengukur heterogenitas dari
kumpulan sampel data.
Entropy (S) ∑ dimana :
c = ∑ Parameter/Atribut
pi = ∑ Sampel Data untuk Kelas i
maka :
p1 = 8 sampel (untuk kelas ‘Ya’)
p2 = 3 sampel (untuk kelas ‘Tidak)
Selanjutnya dapat dihitung Entropy-nya :
Entropy (S) = -(8/11)(8/11) -(3/11)(3/11)
= 0.8454
Untuk sampel data yang dikelompokkan dalam 2 kelas,maka entropy-nya adalah 1. Jika
lebih dari 2 kelas, maka dapat diperoleh dengan menggunakan rumus:
c
Berikut ini graik fungsi entropy untuk kumpulan data dengan 2 kelas.
1
0.5
0 0.5 1p1
Entropy (S)
5/12/2018 IV Metode Learning Part 1 - slidepdf.com
http://slidepdf.com/reader/full/iv-metode-learning-part-1 4/5
Universitas Islam Majapahit Mojokerto 4
Setelah mengetahui nilai entropy-nya, maka dapat diukur efektivitas suatu
parameter/atribut (Information Gain). Adapun rumusnya sebagai berikut:
di mana:
A = parameter/atribut
V = menyatakan suatu nilai yang mungkin untuk atribut A
Values(A) = himpunan nilai-nilai yang mungkin untuk atribut A
|Sv| = jumlah sampel untuk nilai v
|S| = jumlah seluruh sampel data
Entropy(Sv) = entropy untuk sampel-sampel yang memiliki nilai v
Menghitung Information Gain untuk IPK
Lihat pada table 4.1.
Dimisalkan:
- Atribut ‘Ya’ dikatakan sampel positif (+)
- Atribut ‘Tidak’ dikatakan sampel negative (-)
Diketahui:
- Values(IPK) = Bagus, Cukup, Kurang; maka:
- S = [8+,3-]; |S| = 11
SBagus = [3+, 1-]; |SBagus| = 4
SCukup = [3+, 1-]; |SCukup| = 4
SKurang = [2+, 1-]; |SKurang| = 3
Dihitung Information Gain IPK:
Entropy(S) = -(8/11)(8/11) -(3/11)(3/11)
= 0.8454
Entropy(SBagus) = -(3/4)(3/4) -(1/4)(1/4)
= 0.8113
Entropy(SCukup) = -(3/4)(3/4) -(1/4)(1/4)
5/12/2018 IV Metode Learning Part 1 - slidepdf.com
http://slidepdf.com/reader/full/iv-metode-learning-part-1 5/5
Universitas Islam Majapahit Mojokerto 5
= 0.8113
Entropy(SKurang) = -(2/3)(2/3) -(1/3)(1/3)
= 0.9183
Jadi, Gain(S,IPK) = ∑ *+
= ( )
( )
( )
=0.8454 – ((4/11)*0.8113) - ((4/11)*0.8113) –
((3/11)*0.9183)
= 0.8454 – 0.2950 - 0.2950 – 0.2504
= 0.0049
Gain(S,Psikolog) & Gain(S,Wawancara) ???