KONSEP DASAR JST 1: PELUANG

Sebelum masuk ke bahasan pertama terkait Jaringan Saraf Tiruan (JST) atau yang lebih dikenal dengan Artificial Neural Network (ANN), aku ingin share percakapan yang menurutku sangat menarik antara Pak Hastu (B) dan Aku (A) sewaktu pertama kali belajar. Nah, bagi yang mungkin belum baca postingan aku sebelumnya, jadi Pak Hastu adalah pegawai Puslitbang BMKG yang menjadi mentor atau guru yang mengajari aku secara detail tentang JST dan memiliki background pendidikan yang akrab dengan pemanfaatan JST.

B: Mbak bisa naik motor?

A: Bisa, Pak.

B: Kalau misal mau jalan dari kosan ke kampus, apakah Mbak harus tau gimana cara membuat motor?

A: Ndak, Pak.

B: Oke, sekarang seorang yang kerja di pabrik motor. Apakah bapaknya kalau mau berangkat kerja harus tau gimana cara awan atau hujan terbentuk?

A: Ndak, Pak.

B: Sekarang, Bapak tanya apakah anak TK bisa disuruh ngerjain trigonometri?

A: Mungkin saja tapi susah pak

B: Nggak mungkin lah. Kamu untuk bisa ngerjain trigonometri harus lulus apa dulu? Lulus SD, lulus SMP, kan? Harus bisa penjumlahan, pengurangan, perkalian, pembagian kan? Nah, sama Mbak. Semua ada tahapannya. Sekarang kamu belajar sesuatu yang sebenernya di luar ranah kamu. Biar apa? Biar kamu punya fondasi yang kuat, sama kayak bangun rumah harus bikin dasarnya dulu, nggak bisa ujug-ujug nata genteng.

A: Siap pak

B: Apakah salah kalau kamu tahu cara bikin motor? Ndak, kan? Apakah salah juga kalau pegawai pabrik motor tau teori tentang meteorologi? Nggak salah, kan? Jadi ya, nggak ada salahnya belajar.

Percakapan ini adalah salah satu percakapan yang “ngena” dan mungkin nggak akan bisa aku lupakan. Again, ingin kembali mengatakan terimakasih Bapaaak. Personally, aku sangat setuju dengan bapak, kita harus benar-benar mengerti dasarnya, kita harus mengerti bahwa suatu proses itu ada untuk dilewati satu persatu, bukan di-skip langsung ke bagian akhirnya dan yang lebih terpenting lagi adalah membiasakan diri buat bertanya kenapa kita penting belajar ini itu biar bisa memotivasi diri sendiri buat belajar lebih. Tentu, aku yakin bukan hanya aku. Kita seringkali kan belajar sesuatu, trigonometri, integral, turunan, dll tapi nggak tau buat apa, pengaruhnya apa di hidup kita mungkin. Iya apa iya? Hehe

Akhirnya, aku menemukan jawaban kenapa aku belajar peluang. Konsep peluang sangat penting dalam JST berbasis probabilistik seperti PNN dan CPNN. Nah, sebelum masuk ke pembahasan JST, ada beberapa tahapan lagi nih yang harus kita pahami. Mulai dari konsep peluang, Bayes rules, probability density function (pdf), normalisasi atau standardisasi data, Parzen, AI, JST, sampai akhirnya PNN dan CPNN. Well, disini aku bakal fokus bahas JST jenis PNN dan CPNN, mulai dari dasar. Tapiiii sebenarnya masih banyak JST jenis lain, seperti MLP, Random Forest, dll jadi JST tidak Cuma 2 itu. Spektrum JST sangat luas.

Jadi di materi pembukaan ini akan diawali dengan konsep dasar peluang, nantinya setiap topik akan aku bahas dalam 1 postingan khusus. Oke, let’s get started! Sebelumnya, ingat-ingat kembali konsep variabel bebas dan tidak bebas karena ini sangat terkait dengan bahasan prediksi/klasifikasi.

y       : variabel terikat/ variabel tidak bebas dan umumnya disebut sebagai respon

x       : variabel tidak terikat/ variabel bebas dan umumnya dikenal sebagai feature

Konsep yang perlu diingat disini adalah bahwa respon merupakan hasil dari modifikasi feature.

Lanjut ke konsep peluang, berikut adalah beberapa contoh soal dan sebelum lihat jawabannya coba kerjakan terlebih dahulu, ya!

KASUS I

CUACA	SUHU	KELEMBAPAN
C	S	Dr
H	S	Dr
H	D	Hu
C	P	Dr
C	P	Dr
C	P	Hu
C	S	Dr
H	D	Hu
H	D	Hu
C	P	Dr

Keterangan:

C             : Cerah

H             : Hujan

S              : Sedang

D             : Dingin

P             : Panas

Dr           : Dry

Hu          : Humid

HITUNG!

1. Peluang kondisi cuaca cerah [P(C)] dihitung berdasarkan jumlah kondisi cuaca cerah dibagi dengan jumlah member kondisi cuaca dalam satu himpunan data cuaca.

2. Peluang cuaca hujan [P(H)]

3. Peluang suhu Sedang [P(S)]

4. Peluang kondisi kelembapan dry [P(Dr)]

5. Peluang kondisi kelembapan Humid [P(Hu)]

Kenapa kita membahas konsep peluang? Karena pada dasarnya algoritma PNN dan CPNN adalah untuk mencari peluang kejadian berdasarkan beberapa feature yang kita miliki. Namun kuantifikasi peluang yang dihitung dalam algoritma PNN dan CPNN lebih rumit dibandingkan ini, tetapi jika dasar peluang masih bingung tentu kita akan kesusahan belajar ke tahap selanjutnya. See you on my next post! ^^