Metode Mutasi Perubah Rentang Bilangan dalam Algoritma Genetika Representasi Real untuk Pencarian Bobot Jaringan Syaraf Tiruan

YONATHAN PURBO SANTOSA, Faizah, S.Kom., M.Kom.

2014 | Skripsi | ILMU KOMPUTER

Genetic algorithm neural network atau yang sering disingkat dengan GANN dapat digunakan untuk menyelesaikan sebuah permasalahan klasifikasi. GANN yang merupakan algoritma hybrid mampu memiliki akurasi yang lebih baik dalam melakukan proses klasifikasi daripada masing-masing algoritma tersebut secara sendirian. Namun, pada metode GANN yang sudah ada menggunakan proess normalisasi data. Proses normalisasi data dapat mengurangi signifikansi dari atribut pada data untuk dijadikan data training sehingga performa dari algoritma tersebut menjadi berkurang. Dari latar belakang di atas, penelitian ini dilakukan untuk menyelesaikan permasalahan GANN yaitu pencarian bobot tanpa proses normalisasi data. Pengusulan dalam metode mutasi dalam GANN dilakukan dengan tujuan untuk dapat merubah rentang data kromosom seiring dengan bertambahnya generasi dari algoritma genetika. Penelitian dilakukan untuk mengetahui performa dari metode usulan tersebut. Oleh karena itu dilakukan pengujian menggunakan GANN dengan normalisasi data dan GANN tanpa normalisasi data terhadap 5 buah data set yang diambil dari UCI Machine Learning Repository. Kelima data set tersebut yakni data set penyakit jantung, evaluasi pembelian mobil, kanker payudara, fertilitas organ reproduksi pada pria, dan kekuatan beton. Hasil pengujian dari kedua metode tersebut terhadap kelima data set yang berupa akurasi kemudian dibandingkan untuk mengetahui seberapa baik performa yang dihasilkan. Dari hasil percobaan yang dilakukan, ternyata metode GANN tanpa normalisasi data berhasil memiliki akurasi yang lebih baik daripada GANN dengan normalisasi data pada data set penyakit jantung, evaluasi mobil, fertilitas pria, dan kekuatan beton. Keberhasilan metode tersebut diatas adalah karena tidak dilakukannya proses normalisasi data sehingga signifikansi dari data tidak berkurang dan tidak mengurangi akurasi dari GANN.

Genetic algorithm neural network or in short GANN can be used to solve a classification problem. GANN which is a hybrid algorithm has better accuracy in general than neural network or genetic algorithm itself. In previous method of GANN, data normalization used to simplify the process of the algorithm. Data normalization can reduce the significance of an attribute of a data. In result, the GANN accuracy can be reduced. From those problem mentioned above, this research is done to find a solution of GANN by finding a method that can find neural network's weight without doing data normalization. A mutation method will be made so that GA can change its initial range as it's iteration is increased. In this research, a method is proposed, so we need to know how good is it. This method is tested and compared to GANN with data normalization. 5 data sets that collected from UCI Machine Learning Repository are used to determine the GANN's accuracy. Those data sets are heart disease, car evaluation, breast cancer, men's fertility, and concrete compressive strength. The result of both GANN tests are compared to find out how good this algorithm is. The result shown that GANN without data normalization has better accuracy than GANN with data normalization. GANN without data normalization is better at heart disease, car evaluation, men's fertility, and concrete compression strength data sets while GANN with data normalization is better at breast cancer data set. The success of those method above is by not doing data normalization on the data sets so the data significance is not reduced thus GANN's accuracy is not reduced.

Kata Kunci : Algoritma genetika, Algoritma genetika representasi real, jaringan syaraf tiruan, GANN, evolutionary neural network