Jumlah Hidden Layer
1=3, 2=4, 3=5, 4=6, 5=7,6= 8, 7=9,8=10
Akurasi RBFNN dan RBFNN-PMX
Akurasi RBFNN (%) Akurasi RBFNN - PMX (%)
penelitian ini menggunakan laptop dengan spesifikasi processorIntel Core i3 dan memori 2 GB dengan sistem operasi Windows 7 Ultimate 64-bit dan menggunakan data yang diambil dari UCI Machine Learning Repository yaitu Iris Dataset.
Dari pengamatan yang dilakukan oleh penulis melihat hasil pengujian untuk menganalisis akurasi arsitektur RBFNN menggunakan algoritma genetika crossover PMX , dimana variasi arsitektur jaringan hidden layer mulai dari 3 hingga 10 hidden layer, variasi nilai epoch mulai 50 sampai 400 epoch dan variasi nilai learning rate 0.01 sampai 0.5. Keseluruhan simulasi yang dilakukan untuk mendapatkan nilai akurasi pada RBFNN memiliki berbagai macam hasil akurasi. Terlihat dengan jelas pengaruh akurasi dari arsitektur RBFNN adalah penentuan jumlah neuron hidden layer yang sesuai untuk jumlah input 4 neuron dan jumlah output 2 neuron. Dari simulasi yang dilakukan pada penelitian ini dengan variasi jumlah hidden layer, untuk mendapatkan nilai akurasi juga dipengaruhi oleh learning rate. Dapat dilihat pada tabel 4.1 arsitektur jaringan dengan jumlah hidden layer 3 mampu menghasilkan akurasi 100% dengan nilai learning rate 0.5. Begitu juga dengan RBFNN menggunakan algoritma genetika crossover PMX, arsitektur jaringan yang menghasilkan akurasi terbaik adalah arsitektur dengan jumlah hidden layer 3.
Arsitektur RBFNN yang memiliki akurasi diatas 50% yaitu arsitektur dengan jumlah hidden layer 3, 4 dan 5. Sedangkan untuk arsitektur yang memiliki jumlah hidden layer 5, 6, 7, 8, 9, 10 memiliki nilai akurasi dibawah 50%. Dapat dilihat dari gambar 4.33 yang menyatakan semakin banyak jumlah hidden layer maka nilai akurasi semakin menurun. Hal ini disebabkan dengan banyaknya jumlah hidden layer maka perhitungan semakin kompleks sehingga ketelitian numerik akan semakin berkurang.
Pada gambar 4.33 dapat dilihat bahwa RBFNN menggunakan algoritma genetika crossover PMX secara keseluruhan memperbaiki nilai akurasi RBFNN. Hal ini dapat terjadi karena algoritma genetika yang mampu mendapatkan solusi global
5.1 Kesimpulan
Berdasarkan pembahasan serta pengujian yang dilakukan pada penelitianini, maka kesimpulan yang dapat diambil adalah :
1. Algoritma genetika dengan metode crossover PMX dalam RBFNN dapat menghasilkan solusi global yang mempengaruhi nilai akurasi RBFNN. RBFNN secara umum menghasilkan akurasi sebesar 46.63%, sedangkan RBFNN-PMX menghasilkan akurasi sebesar 48.46%. Berdasarkan simulasi pengujian penggunaan algoritma genetika dengan metode crossover PMX pada penelitian ini dapat meningkatkan nilai akurasi RBFNN dalam melakukan klasifikasi sebesar 1.83 %. Penggunaan metode crossover PMX dalam penelitian ini terlihat memberikan pengaruh untuk memperbaiki nilai akurasi. Hal ini dikarenakan konsep crossover dan mutasi yang acakdimungkinkan untuk dapat bobot yang baik.
2. Penentuan jumlah cluster yang merupakan penentuan dasar dalam menentukan jumlah jaringan hidden layer mempengaruhi akurasi pada RBFNN dalam melakukan klasifikasi. Semakin banyak jumlah hidden layer maka semakin menurun nilai akurasinya. Hal ini dibuktikan dari hasil pengujian pada penelitian ini yang menyatakan arsitektur jaringan dengan jumlah hidden layer lebih dari tiga nilai akurasi yang dihasilkan rata-rata dibawah 50%.
3. Pengujian yang dilakukan pada penelitian ini dengan variasi jumlah hidden layer, menghasilkan akurasi terbaik RBFNN dalam melakukan klasifikasi dengan jumlah input 4 neuron dan output 2 neuron yaitu menggunakan arsitektur hidden layer sebanyak 3 neuron.
hasil yang lebih baik.
2. Penelitian selanjutnya dapat menggantikan algoritma K-Means clustering yang digunakan pada penelitian ini dengan algoritma clustering yang lainnya untuk menentukan pusat cluster. Hal ini dilakukan untuk melihat pengaruh algoritma clustering yang dipilih terhadap hasil akurasi RBFNN.
Ahmed, Z. H. (2015). Experimental Analysis of Crossover and Mutation Operators on The Quadratic Assignment Problem. SpringerNew York
Andreica, A., &Chira. C (2014). Best order Crossover for Permutation based Evolutionary Algorithms. Springer Science
Awad, M. (2010). Optimization RBFNNs Parameters Using Genetic Algorithms:
Applied on Function Approximation. International Journal of Computer Science and Security (IJCSS) ,4 (3): 295-307
Berkhin, Pavel. 2015. Survey on Clustering Data Mining Techniques. Department of Electrical and Computer Engineering University of California
Bors, Andrian. G. 2003. Introduction of The Radial Basis Function (RBF) Network.
York: Department of Computer Science University of York
Cui, L., Wang, C., & Yang, B. (2012). Application of RBF Neural Network Improved by PSO Algorithm in Fault Diagnosis. Journal of Theoretical and Applied Information Technology. 46 (1)
Cruz, D. P. F., Maia, R. D., Silva, L. A., & Castro, L. N. (2014). A Bee- Inspired Data Clustering Approach to Design RBF Neural Network Classifiers. Springer
Czarnowski, I., &Jedrzejowicz, P. (2014). Designing RBF Networks using the Agent-Based Population Learning Algorithm. New Generation Computing Springer Japan. 32(2014): 331-351
Davis, L. 1991. Handbook of Genetic Algorithms. Van Nostrand Reinhold: New York.
Deep, K., &Hadush, M. (2012). Variant of Partially Mapped Crossover for the Travelling Salesman Problems. International Journal of Combinatorial Optimization Problems and Informatics, 47-69
Engelbrecht, A. P. 2007. Computational Intelligence an Introduction.Jhon Wiley and Sons: USA
Gen, M., & Cheng, R. 2000. Genetic Algorithms and Engineering Optimization.
Ashikaga Institute of Technology :Jepang
Goldberg, D. E. 1989. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley Publishing Company, Inc: Massachusetts
0957-8887
Kumar, N., Karambir.,& Kumar, R. (2012). A Comparative Analysis of PMX, CX and OX Crossover operators for solving Travelling Salesman Problem. International Journal of Latest Research in Science and Technology, 1(2): 98-101
Kühn, M., Severin, T. &Salzwedel, H. (2013). Variable Mutation Rate at Genetic Algorithms: Introduction of Chromosome Fitness in Connection with Multi-chromosome Representation. International Journal of Computer Applications 72(17) : 0975 – 8887
Loohach, Richa dan Garg, Kanwal. (2012). Efffect of Distance Functions on k-Means Clustering Algorithm. International Journal of Computer Application. 49(6): 7-9
Perdana, A. 2015. Analisis Performansi padaPenerapan Hukum Ketetapan Hardy-Weinberg dalam Algoritma Genetika. Tesis Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Rafsanjani, M. K., &Eskandari,S. (2012). The Effect a New Generation Based
Sequential Operator on the Performance of Genetic Algorithm. Indian Journal of Science and Technology, 5(12)
Rani, K,.& Kumar, V. (2014). Solving Travelling Salesman Problem using Genetic Algorithm based on Heuristic Crossover and Mutation Operator. International Journal of Research in Engineering & Technology (IMPACT : IJRET), 2 (2):
27-34
Sarangi, P. P., Majhi, B., & Panda, M. (2012). Performance Analysis of Neural Networks Training using Real Coded Genetic Algorithm. International Journal of Computer Applications ,51: 30-36
Sharma, P., Wadha, A. & Komal. (2014). Analysis of Selection Schemes for Solving and Optimization Problem in Genetic Algorithm. International Journal of Computer Applications. 93(11): 0975 – 8887
Optimization. International Journal of Advanced Research in Computer and Communication Engineering, 1 (7)
Thandar, A. M., &Khaing, M. K. (2012). Radial Basis Function (RBF) Neural Network Classification based on Consistency Evaluation Measure. International Journal of Computer Applications, 54(15): 0975-8887
Tsai, M. W., Hong, T. P., & Lin, W. T. (2015). A Two Dimensional Genetic Algorithm and Its Application to Aircraft Scheduling Problem. Hindawi Publishing Corporation Mathematical Problems in Engineering
Venkatesan, P., &Anitha, S. (2006). Application of a Radial Basis Function neural network for diagnosis of diabetes mellitus. Journal Current Science, 91(9) Wiharto.,Palgunadi, Y.S., &Nugroho, A.M. (2013). Analisis Penggunaan Algoritma
Genetika Untuk Perbaikan Jaringan Syaraf Tiruan Radial Basis Function.
Seminar Nasional Teknologi Informasi dan Komunikasi (SENTIKA). ISSN:
2089-9815
William, Graham. 2015. Data Mining Cluster. ANU Data Mining Group
Zhangang, Y., Yanbo, C., & Cheng, K. E. (2007). Genetic Algorithm-Based RBF Neural Network Load Forecasting Model. IEEE Conference Power Engineering Society General Meeting
Zhao, W. (2013). Logistic Requirement Prediction by a Hybrid Model of PSO Algorithm and RBF Neural Network. Journal of Computational Information Systems. 9 (1): 41-46
1 Pemodelan
5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa
6.2,2.8,4.8,1.8,Iris-virginica 6.1,3.0,4.9,1.8,Iris-virginica 6.4,2.8,5.6,2.1,Iris-virginica 7.2,3.0,5.8,1.6,Iris-virginica 7.4,2.8,6.1,1.9,Iris-virginica 7.9,3.8,6.4,2.0,Iris-virginica 6.4,2.8,5.6,2.2,Iris-virginica 6.3,2.8,5.1,1.5,Iris-virginica 6.1,2.6,5.6,1.4,Iris-virginica 7.7,3.0,6.1,2.3,Iris-virginica 6.3,3.4,5.6,2.4,Iris-virginica 6.4,3.1,5.5,1.8,Iris-virginica 6.0,3.0,4.8,1.8,Iris-virginica 6.9,3.1,5.4,2.1,Iris-virginica 6.7,3.1,5.6,2.4,Iris-virginica 6.9,3.1,5.1,2.3,Iris-virginica 5.8,2.7,5.1,1.9,Iris-virginica 6.8,3.2,5.9,2.3,Iris-virginica 6.7,3.3,5.7,2.5,Iris-virginica 6.7,3.0,5.2,2.3,Iris-virginica 6.3,2.5,5.0,1.9,Iris-virginica 6.5,3.0,5.2,2.0,Iris-virginica 6.2,3.4,5.4,2.3,Iris-virginica 5.9,3.0,5.1,1.8,Iris-virginica