Implementasi algoritma genetika pada pelatihan jaringan syaraf tiruan untuk klasifikasi skala sentra industri :: Studi kasus skala industri di Kabupaten Kudus

DARMANTO, Eko, Prof. Drs. Subanar, Ph.D

2010 | Tesis | S2 Ilmu Komputer

Jaringan Syaraf Tiruan (JST) mempunyai kemiripan dengan jaringan otak manusia yang dapat digunakan untuk menyelesaikan suatu permasalahan. JST memiliki beberapa karakteristik yang ditentukan oleh arsitektur, algoritma pelatihan dan fungsi aktivasi. Algoritma genetika (AG) adalah metode pencarian heuristik yang didasarkan pada proses evolusi biologi. AG banyak digunakan dalam berbagai aplikasi termasuk dalam pelatihan JST. Penelitian ini bertujuan untuk membangun sistem aplikasi yang dapat mengimplementasikan AG pada optimasi bobot-bobot JST untuk klasifikasi skala sentra industri. Optimasi bobot-bobot dilakukan oleh AG standar dengan populasi biner. Arsitektur jaringan syaraf yang digunakan adalah jaringan Feedforward Neural Networks (FFNN) dengan satu layer tersembunyi. Pembentukan struktur JST yang berupa bobot dan bias dibangkitkan dari populasi acak bilangan biner yang dievaluasi dengan pendekatan evolusi menggunakan AG. Pada proses pelatihan melibatkan komponen-komponen AG standar yaitu seleksi individu, elitisme, pindah silang dan mutasi. Metode seleksi individu yang digunakan adalah Roulette-wheel, Rank-Based Assignment dan Tournament. Bobot-bobot optimal hasil pelatihan diujikan pada berbagai kombinasi data skala industri untuk mendapatkan output jaringan. Berdasarkan analisa hasil dan uji coba dapat membuktikan bahwa semakin baik fitness maka error ratio semakin kecil. Pada saat uji coba, jika belum mencapai konvergen meskipun nilai fitness semakin baik belum tentu error ratio semakin kecil, demikian juga ketika sudah mencapai konvergen setiap kelompok data sampel dari kumpulan data yang sama memiliki error ratio yang berbeda-beda. Sistem aplikasi klasifikasi dapat digunakan setelah struktur jaringan FFNN diperoleh dari proses pelatihan menggunakan AG dan dimungkinkan cukup sekali pelatihan untuk mendapatkan struktur jaringan FFNN terbaik atau hanya mengambil dan menggunakan struktur FFNN terbaik untuk menentukan kelas untuk data-data skala industri baru.

Neural Network (NN) has similarities to human brain that can be used to solve a problem. NN has several characteristics that are determined by the architecture, training algorithm and activation functions. A Genetic Algorithm (GA) is a heuristic search method based on the process of biological evolution. GA widely used in various applications including the NN training. This research aims to build an application system that can implement the Genetic Algorithm optimization weights in neural networks to classification of an industrial scale. Weights optimization performed by the standard genetic algorithm with binary population. Neural network architecture used is the Feed Forward Neural Networks (FFNN) with one hidden layer. ANN structure formation in the form of weights and biases generated from a random population of binary numbers which are evaluated by evolutionary approach using Genetic Algorithm. In the training process involves the components of the standard Genetic Algorithm which individual selection, elitism, crossover and mutation. Individual selection method used is the Roulette-wheel, Rank-Based Assignment and Tournament. Optimal weights training results tested on various combinations of industrial-scale data to obtain the network output. Based on the analysis and test results of this study can prove that the better fitness is the smaller of the error ratio. At the time of trial, if it has not reached convergence despite the better fitness value is not necessarily the smaller of the error ratio, so when it reaches convergence of each group of sample data from the same data set has an error ratio is different. Application system of classification can be used after a FFNN network structure derived from the training process using the GA and the training was quite possible to get the best FFNN network structure or just take and use the best FFNN structure to determine the class for the data of new industrial scale.

Kata Kunci : Algortima genetik,Optimasi bobot FFNN,Klasifikasi skala industri, Genetic Algorithms, Optimization of network weights, Industrial scale classification