Klasifikasi Biner Bipolar Pada Data Kusioner Pelamar Asisten Laboratorium Menggunakan Model Hebbian Dan Perceptron

Sari

Abstrak: Penelitian ini bertujuan untuk mengimplementasikan model Hebbian dan Perceptron untuk klasifikasi data kuesioner pelamar Asisten Laboratorium yang dikonversi ke format biner dan bipolar. Data kuesioner mengukur ketertarikan dan pengetahuan pelamar terkait bidang ilmu komputer guna menganalisis efektivitas, kecepatan, dan akurasi masing-masing model. Hasil implementasi menunjukkan bahwa model Hebbian dengan input biner tidak mengenali pola hingga epoch ke-10, sedangkan dengan input bipolar berhasil pada epoch ke-2. Model Perceptron dengan input biner mengenali pola pada epoch ke-2, sementara dengan input bipolar pada epoch ke-3. Kedua model dilatih dengan bobot dan bias awal = 0, serta parameter Perceptron berupa threshold (θ) = 0.5 dan learning rate (η) = 0.1. Dari empat pelamar, dua berminat mendaftar. Data dianalisis menggunakan model Hebbian dan Perceptron untuk mengevaluasi ketepatan, kecepatan, akurasi, serta efektivitas. Hasilnya, model Perceptron lebih direkomendasikan karena fleksibel dan mampu bekerja dengan format biner serta bipolar. Temuan ini memberikan wawasan dalam memilih model klasifikasi yang tepat untuk seleksi pelamar Asisten Laboratorium.

Kata kunci: Klasifikasi, Hebbian, Perceptron, Biner - Bipolar

Abstract: This research aims to implement the Hebbian and Perceptron models for the classification of Laboratory Assistant applicant questionnaire data converted to binary and bipolar formats. The questionnaire data measures the applicant's interest and knowledge related to the field of computer science to analyze the effectiveness, speed, and accuracy of each model. The implementation results show that the Hebbian model with binary input does not recognize patterns until the 10th epoch, while with bipolar input it succeeds at the 2nd epoch. The Perceptron model with binary input recognized the pattern at the 2nd epoch, while with bipolar input at the 3rd epoch. Both models were trained with initial weight and bias = 0, and Perceptron parameters of threshold (θ) = 0.5 and learning rate (η) = 0.1. Of the four applicants, two were interested in applying. The data was analyzed using Hebbian and Perceptron models to evaluate precision, speed, accuracy, and effectiveness. As a result, the Perceptron model is more recommended as it is flexible and able to work with binary as well as bipolar formats. The findings provide insights in choosing the right classification model for Laboratory Assistant applicant selection.

Keywords: Classification, Hebbian, Perceptron, Binary - Bipolar