HASIL PE NGUJIAN DE NGAN M E NGGUNAKAN ALGORITM A
4.4. Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi
Algoritma GenClust yang telah dimodifikasi akan digunakan untuk penentuan centroid. Hasil penentuan centroid dengan menggunakan Algoritma GenClust yang telah dimodifikasi ini kemudian akan diuji pada algoritma K-Means di dalam mengklasifikasikan Iris Dataset. Modifikasi algoritma GenClust ini dilakukan dengan menggunakan inisialisasi kromosom yang keseluruhan menggunakan perhitungan deterministik. Sehingga berbeda dengan algoritma GenClust sebelumunya. Pada algoritma GenClust jumlah kromosom yang digunakan sebanyak 6 kromosom, yaitu 3 kromosom menggunakan inisialisasi kromosom dari bilangan acak dan 3 kromosom menggunakan perhitungan deterministik. Pada algoritma GenClust yang telah dimodifikasi 6 buah kromosom yang digunakan berasal dari perhitungan deterministik. Kemudian centroid yang diperoleh dari algoritma GenClust yang telah dimodifikasi akan diuji untuk mengklasifikasikan data pada Iris Dataset. Perhitungan performance
dinyatakan dengan menggunakan nilai Mean Square Error (MSE). Nilai MSE yang semakin kecil berarti hasil klasifikasi yang diperoleh semakin baik, sebaliknya nilai MSE yang semakin besar berarti hasil klasifikasi yang diperoleh kurang baik. Jumlah iterasi yang digunakan di dalam algoritma GenClust yang telah dimodikasijuga sama yaitu menggunakan jumlah iterasi sebesar 50, 75, dan 100
4.4.1. Pengujian dengan Jumlah Iterasi Sebanyak 50
Pengujian dilakukan sebanyak 10 kali dengan menggunakan 6 cluster dan jumlah iterasi sebesar 50 untuk melihat nilai MSE. Jumlah cluster sebesar 6 karena terdapat 6 buah kromosom yang berasal dari penentuan dengan menggunakan perhitungan deterministik. Pengujian dilakukan sebanyak 10 kali dan hasil pengujian dapat dilihat pada Tabel 4.9.
Tabel 4.9. Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi Dengan Menggunakan Jumlah Iterasi Sebesar 50
Pengujian Ke- Mean Square Error
1 0.34 2 0.67 3 0.93 4 0.67 5 1 6 0.63 7 0.4 8 0.67 9 0.67 10 0.74 Rata-rata MSE 0.673 Best MSE 0.34
Dari Tabel 4.9. terlihat bahwa secara umum nilai MSE dapat bervariasi untuk tiap kali pengujian. Variasi tersebut disebabkan oleh terdapatnya pembangkitan bilangan acak pada algoritma genetika untuk tahap crossover dan mutasi. Pengujian dilakukan sebanyak 10 kali, hasil pengujian menunjukkan bahwa perbedaan MSE yang diperoleh tidak begitu besar, MSE terbaik adalah sebesar 0.34 dan MSE terburuk adalah sebesar 1. Nilai Rata-rata MSE yang diperoleh adalah sebesar 0.673.
diperoleh melalui perhitungan deterministik. Pengujian dilakukan sebanyak 10 kali dan hasil pengujian dapat dilihat pada Tabel 4.10.
Tabel 4.10. Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi Dengan Menggunakan Jumlah Iterasi Sebesar 75
Pengujian Ke- Mean Square Error
1 0.35 2 0.39 3 0.63 4 0.67 5 0.63 6 0.67 7 0.47 8 0.93 9 0.93 10 0.39 Rata-rata MSE 0.606 Best MSE 0.35
Dari Tabel 4.10. terlihat bahwa secara umum nilai MSE dapat bervariasi untuk tiap kali pengujian. Variasi tersebut disebabkan oleh terdapatnya pembangkitan bilangan acak pada algoritma genetika untuk tahap crossover dan mutasi. Pengujian dilakukan sebanyak 10 kali, hasil pengujian menunjukkan bahwa tidak terdapat perbedaan MSE
pada pengujian dengan menggunakan jumlah iterasi sebesar 50. Namun, nilai Best MSE sedikit kurang baik dibandingkan dengan menggunakan jumlah iterasi sebesar 50.
4.4.3. Pengujian dengan Jumlah Iterasi Sebanyak 100
Pengujian dilakukan sebanyak 10 kali dengan menggunakan 6 cluster dan jumlah iterasi sebesar 75 untuk melihat nilai MSE. Perhitungan distance menggunakan Euclidean Distance. Jumlah cluster sebesar 6 karena menggunakan 6 buah kromosom yang diperoleh melalui perhitungan deterministik. Pengujian dilakukan sebanyak 10 kali dan hasil pengujian dapat dilihat pada Tabel 4.11.
Tabel 4.11. Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi Dengan Menggunakan Jumlah Iterasi Sebesar 100
Pengujian Ke- Mean Square Error
1 0.11 2 0.67 3 0.63 4 0.4 5 0.63 6 0.45 7 0.44 8 0.67 9 0.35 10 0.33 Rata-rata MSE 0.468
Dari Tabel 4.11. terlihat bahwa secara umum nilai MSE dapat bervariasi untuk tiap kali pengujian. Variasi tersebut disebabkan oleh terdapatnya pembangkitan bilangan acak pada algoritma genetika untuk tahap crossover dan mutasi. Pengujian dilakukan sebanyak 10 kali, hasil pengujian menunjukkan bahwa tidak terdapat perbedaan MSE yang cukup besar antara MSE terbaik dengan MSE terburuk. MSE terbaik adalah sebesar 0.11 dan MSE terburuk adalah sebesar 0.67. Nilai Rata-rata MSE yang diperoleh adalah sebesar 0.468. Nilai rata-rata MSE lebih baik dibandingkan dengan pada pengujian dengan menggunakan jumlah iterasi sebesar 50 dan 75. Begitu juga nilai
Best MSE juga jauh lebih baik dibandingkan pengujian dengan menggunakan jumlah iterasi sebesar 50 dan 75.
Adapun hasil pengujian secara umum dengan menggunakan algoritma GenClust yang telah dimodifikasi dapat dilihat pada Tabel 4.12. dan Gambar 4.3.
Tabel 4.12. Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi
Jumlah Iterasi Average MSE Best MSE
50 0.673 0.34
75 0.606 0.35
100 0.468 0.11
Berdasarkan Tabel 4.12. dapat terlihat bahwa peningkatan jumlah iterasi akan memberikan performance yang lebih baik pada Algoritma GenClust yang telah dimodifikasi. Hal ini dapat dilihat pada diperolehnya nilai MSE yang lebih baik baik ditinjau dari Average MSE dan juga nilai Best MSE. Nilai Best MSE pada pengujian dengan menggunakan jumlah iterasi sebesar 50 lebih baik dibandingkan nilai Best MSE
Adapun hasil pengujian dengan menggunakan Algoritma GenClust yang telah dimofikasi dengan menggunakan jumlah iterasi 50, 75, dan 100 dapat dilihat pada Gambar 4.3.
Gambar 4.3. Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi
Pada Gambar 4.3 terlihat bahwa secara umum pada tiap tahap pengujian dapat memberikan nilai MSE yang berbeda. Variasi tersebut disebabkan oleh terdapatnya pembangkitan bilangan acak pada algoritma genetika untuk tahap crossover dan mutasi. Pada beberapa tahap pengujian nilai MSE dengan jumlah iterasi 50 dapat lebih baik dibandingkan dengan nilai MSE dengan jumlah iterasi sebesar 75 maupun 100. Sebagai contoh, pada pengujian ke-1 dengan jumlah iterasi sebesar 50 memberikan nilai MSE yang cukup baik yaitu sebesar 0.34. Namun, secara umum jumlah iterasi yang lebih banyak akan memberikan hasil MSE yang lebih baik. Hal ini disebabkan pada algoritma
K-Means nilai centroid yang telah ditentukan dengan menggunakan algoritma GenClust
dapat disesuaikan berdasarkan pada data yang dimasukkan ke dalam suatu cluster.
0.34 0.67 0.93 0.67 1 0.63 0.4 0.67 0.67 0.74 0.35 0.39 0.63 0.67 0.63 0.67 0.47 0.93 0.93 0.39 0.11 0.67 0.63 0.4 0.63 0.45 0.44 0.67 0.35 0.33 0 0.2 0.4 0.6 0.8 1 1.2 1 2 3 4 5 6 7 8 9 10 Me a n S q u a re E rr o r Pengujian Ke
H A S I L P E N G U J I A N D E N G A N M E N G G U N A K A N
A L G O R I T M A G E N C L U ST YA N G T E L A H
D I M O D I F I K A S I
4.5. Pembahasan
Pada bagian sebelumnya telah dilakukan pengujian dengan menggunakan algoritma K-Means klasik, algoritma GenClust, dan Algoritma GenClust yang telah dimodifikasi. Kaitan antara penentuan centroid dengan performance dari algoritma K-Means menarik untuk diamati. Pada algoritma K-Means klasik penentuan centroid dilakukan dengan menggunakan bilangan acak. Pada algoritma GenClust penentuan centroid berdasarkan pada algoritma genetika, di mana digunakan 6 buah kromosom yaitu 3 buah kromosom diperoleh dengan menggunakan bilangan acak dan 3 buah kromosom diperoleh dengan menggunakan perhitungan deterministik, yang selanjutnya kromosom ini akan mengalami tahapan seleksi, crossover, dan mutasi sehingga dihasilkan kromosom terbaik yang nantinya akan digunakan sebagai centroid pada Algoritma K-Means.
Peneliti memodifikasi algoritma GenClust dimana peneliti menggunakan 6 buah kromosom, di mana semua kromosom tersebut diperoleh melalui perhitungan deterministik, yang kemudian kromosom tersebut akan mengalami proses di dalam algoritma gentika yang meliputi seleksi, crossover, dan mutasi sehingga menghasilkan
centroid yang nantinya akan digunakan sebagai centroid pada algoritma K-Means. Pengujian algoritma K-Means dilakukan dengan menggunakan jumlah iterasi yang beragam yaitu sebesar 50, 75, dan 100. Adapun hasil pengujian dapat dilihat pada Tabel 4.13.
Tabel 4.13. Hasil Pengujian dengan Menggunakan Algoritma K-Means Klasik, Algoritma GenClust, dan Algoritma GenClust yang Telah Dimodifikasi
50 Iterasi 75 Iterasi 100 Iterasi
Average
MSE
Best MSE Average
MSE
Best MSE Average
MSE Best MSE Algoritma K-Means Klasik 1.041 0.6 0.893 0.43 0.503 0.24 Algoritma GenClust 0.9637 0.36 0.818 0.4 0.506 0.36 Algoritma 0.673 0.34 0.606 0.35 0.468 0.11
Berdasarkan pada Tabel 4.13 dapat dilihat bahwa secara umum penentuan centroid
berpengaruh terhadap performance dari algoritma K-Means yang ditunjukkan di dalam nilai Mean Square Error (MSE) yang diperoleh berdasarkan pada hasil klasifikasi. Penentuan centroid berpengaruh terhadap performance dari algoritma genetika karena penempatan suatu data ke dalam suatu dataset berdasarkan pada kedekatan antara koordinat objek tersebut dengan koordinat centroid dimana perhitungan distance yang digunakan adalah Euclidean Distance.
Pada algoritma K-Means klasik penentuan centroid dilakukan dengan menggunakan bilangan acak. Pada algoritma GenClust penentuan centroid berdasarkan pada algoritma genetika, di mana digunakan 6 buah kromosom yaitu 3 buah kromosom diperoleh dengan menggunakan bilangan acak dan 3 buah kromosom diperoleh dengan menggunakan perhitungan deterministik, yang selanjutnya kromosom ini akan mengalami tahapan seleksi, crossover, dan mutasi sehingga dihasilkan kromosom terbaik yang nantinya akan digunakan sebagai centroid pada Algoritma K-Means.
Peneliti memodifikasi algoritma GenClust dimana peneliti menggunakan 6 buah kromosom, di mana semua kromosom tersebut diperoleh melalui perhitungan deterministik, yang kemudian kromosom tersebut akan mengalami proses di dalam algoritma gentika yang meliputi seleksi, crossover, dan mutasi sehingga menghasilkan
centroid yang nantinya akan digunakan sebagai centroid pada algoritma K-Means. Perhitungan deterministik memiliki keunggulan karena diukur berdasarkan
density dari tiap data untuk tiap atribut pada dataset. Pada penelitian sebelumnya yang telah dilakukan oleh Rahman dan Islam (2014), algoritma GenClust digunakan untuk penentuan centroid. Peneliti tertarik untuk menggunakan 6 buah kromosom yang seluruhnya diperoleh melalui perhitungan deterministik dan hasil pengujian sebagaimana yang dapat dilihat pada Tabel 4.13, performance yang diberikan oleh algoritma GenClust yang telah dimodifikasi lebih baik dibandingkan dengan menggunakan algoritma K-Means Klasik dan juga algoritma K-Means yang dikemukakan oleh Rahman dan Islam (2014).
Performance yang lebih baik dari algoritma GenClust yang telah dimodifikasi ditunjukkan dalam bentuk nilai Average MSE dan juga nilai Best MSE yang lebih baik,
GenClust. Selain itu pembangkitan bilangan acak juga dapat menentukan sejumlah proses di dalam algoritma genetika seperti seleksi, crossover, dan mutasi.