Professional Documents
Culture Documents
Terdapat data kelulusan mahasiswa dihubungkan dengan jumlah jam kehadirannya. Data
tersebut adalah sebagai berikut :
Dari data di atas diinginkan sebuah model matematis yang dapat memisahkan antara yang lulus
dengan yang tidak lulus berdasarkan data yang ada.
Pemodelan
Untuk memodelkan secara matematis untuk tipe data seperti di atas digunakan fungsi logistik
(persamaan 1)
1
y= ............................................................................(1)
1+e− z
Dimana z merupakan suatu persamaan linier (persamaan 2) sehingga jika di subtitusi ke
peraamaan 1 maka akan dihasilkan persamaan y yang baru (persamaan 3)
1
y= −θ 0−θ 1 x .......................................................................(3)
1+e
Persamaan 3 di atas masih persamaan awal, untuk dapat memodelkan data di atas harus di cari
nilai θ0 dan θ1 yang tepat. Caranya adalah dengan meminimumkan persamaan fungsi logistik
atau dalam arti menyelesaikan persamaan 4 di bawah ini.
N 2
1 1
Arg Min R ( θ 0 , θ1 ) = ∑ y i−
θ0 , θ1 2 i=1 1+e−θ −θ x (
.......................................(4)
0 1 i )
Pada metode Gradient, untuk mendapatkan nilai θ0 dan θ1 yang optimal, maka dilakukan iterasi
untuk setiap nilai θ0 dan θ1hingga ditemukan nilai R paling minimun untuk θ0 dan θ1 tsb. Proses
iterasi berhenti jika telah menemukan R yang paling minimum atau sudah mencapai iterasi ke-n
yang merupakan inetarasi terakhir (didefinisikan). Untuk meminimumkan persamaan 4 maka
=∑
d θ 0 i=1 (( y i−
1+e
−θ0−θ1 x i ) (1+e
. −θ0−θ1 x i 2
) ) ....................................... (5)
dR
N
1 x i . e−θ −θ x
0 1 i
=∑
d θ 1 i =1 (( y i−
1+ e−θ −θ x 0 1 i ) ( 1+ e
. −θ 0−θ 1 x i 2
) ) ........................................(6)
Selama proses iterasi, maka nilai θ0 dan θ1diinisialisasi dengan nilai sembarang. Untuk nilai
θ0 dan θ1selanjutnya didapatkan dengan cara mengurangi θ0 dan θ1lama dengan turunan R
terhadap θ0 dan θ1 yang dikalikan dengan α (persamaan 7 dan 8), dimana α adalah faktor
pengali untuk menentukan perubahan nilai θ0 dan θ1 selanjutnya. Nilai α cenderung kecil
dikarenakan data yang ada rangenya pendek dan diinginkan agar lebih detail dalam proses
penelusuran.
dR
θ0baru =θ0lama −α ...........................................................(7)
d θ0
dR
θ1baru =θ1lama−α ...........................................................(8)
d θ1
Untuk menyelesaikan permasalah di atas maka digunakan tools MatLab. Pada kasus ini proses
iterasi akan dilakukan hingga 10000 iterasi dengan nilai θ0 dan θ1yang digunakan adalah
random dan nilai α 0,01.
end
for k=1:n
newy(1,k)=1/(1+exp((-T0)-(T1*x(1,j))));
end
figure,plot(data1,newy,'k','Linewidth',2);
figure,plot(jumdata,r,'r','Linewidth',2);
figure,plot(jumdata,T0,'g','Linewidth',2);
figure,plot(jumdata,T1,'b','Linewidth',2);
Gambar 1 Gambar 2
Hasil ploting Y yang baru dapat dilihat pada gambar. 1. Namun disini masih terdapat kesalahan
dari segi coding melihat bentuk garisnya linier. Gambar 2 menunjukkan perubahan nilai r dari
iterasi ke 1 sampai ke 1000.