OPTIMASI PARAMETER PADA KLASIFIKASI FUZZY ARTMAP BERBOBOT BERBASIS ALGORITMA GENETIKA

OPTIMASI PARAMETER PADA KLASIFIKASI FUZZY ARTMAP

BERBOBOT BERBASIS ALGORITMA GENETIKA

Bain Khusnul Khotimah1*_{, Agus Zainal Arifin}2_{, Anny Yuniarti}3

Pascasarjana Teknik Informatika, Fakultas Teknologi Informasi ITS, Surabaya Indonesia1*, email: bain@cs.its.ac.id

Pascasarjana Teknik Informatika, Fakultas Teknologi Informasi ITS, Surabaya, Indonesia2, 3

ABSTRAK

Klasifikasi menggunakan fuzzy ARTMAP berbobot adalah metode baru dalam klasifikasi yang diperoleh dengan mengkombinasikan simplified fuzzy ARTMAP dan symmetric fuzzy ART ditambah pembobotan feromon sesuai konsep koloni semut. Metode ini memiliki kelebihan dalam hal efisiensi dan toleran dalam mencari kedekatan kelas serta menyesuaikan node output dengan pola. Kelemahan metode ini sangat dipengaruhi estimasi parameter significant pada saat melakukan training sehingga mempengaruhi kinerja classifier. Untuk mengatasi masalah tersebut perlu dilakukan pemilihan parameter yang signifikant yang sangat berpengaruh dalam meningkatkan nilai akurasi pada klasifikasi. Penelitian ini melakukan optimasi parameter pada klasifikasi fuzzy ARTMAP berbobot menggunakan algoritma genetika atau disebut GA-FAMB. Algoritma ini melakukan pencarian parameter dengan menentukan pembobotan pheromon, pembobotan likenessIntensity dan nilai batas vigilance untuk mendapatkan hasil akurasi yang optimal. Pada algoritma genetika mampu mendapatkan nilai parameter optimal secara otomatis pada klasifikasi FAMB dengan tingkat akurasi yang lebih tinggi untuk set data uci repository menghasilkan ± 92%, sedangkan dengan menggunakan algoritma grid search yang digunakan sebagai algoritma pembanding menghasilkan nilai akurasi ± 88%.

kata kunci : fuzzy ARTMAP, simplified fuzzy ARTMAP, symmetric fuzzy ART, fuzzy ARTMAP berbobot, algoritma genetika , algoritma grid search

1. Pendahuluan

Klasifikasi adalah suatu kegiatan

menggolongkan sebuah obyek ke kategori atau kelas tertentu. Proses klasifikasi dilakukan dengan menggunakan model klasifikasi. Sebuah obyek yang belum diketahui kelasnya diprediksi kelasnya berdasarkan model klasifikasi dengan menyesuaikan nilai attribut-attribut atau fitur-fiturnya (Pang Ning Tang, 2005)..

Saat ini terdapat banyak algoritma

pembelajaran untuk membangun model

klasifikasi seperti Adaptive Resonance Theory

(ART) merupakan jenis klasifikasi baru dari

neural network (Grossberg, 1976). ART

dikembangkan menjadi ART-1 untuk

mengkluster data biner (Grossberg, 1987).. Selanjutnya dilakukan ART-2 yang mempunyai

kelemahan dalam proses searching dimana

seluruh output neuron uncummited. Kelemahan

ART dapat diperbaiki menggunakan fuzzy

ARTMAP dengan cara mengkonversi searching

problem menuju optimization problem (Baraldi,

2002).

Fuzzy ARTMAP diperoleh dengan

mengkombinasikan antara simplified fuzzy

ARTMAP dan symmetric fuzzy ART yang

mempunyai fungsi aktifasi dan fungsi mach

yang terpengaruh jumlah data di dalam node,

hal ini menimbulkan ketidakadilan terhadap

node yang memiliki jumlah pattern lebih

banyak. Untuk mengatasi masalah tersebut dilakukan modifikasi pembobotan dengan menambahkan konsep algoritma koloni semut

pada fuzzy ARTMAP sehingga disebut FAM

berbobot atau fuzzy ARTMAP berbobot.

Prinsip algoritma ini mirip dengan

penyelesaian kasus terpendek dimana setiap semut akan mengikuti jalan yang mengandung

jumlah pheromon lebih banyak dibanding

lainnya. Semakin dekat jalur yang dilalui semut maka semut yang lewat akan semakin

banyak dan jejak pheromon yang ditinggalkan

juga semakin banyak, begitu juga sebaliknya.

Sehingga cluster node yang dihasilkan akan

menyesuaikan dengan jumlah pattern dan

dapat menampung pattern lebih banyak

(Darlis, 2009).

Kelemahan metode fuzzy ARTMAP

berbobot optimization problem sangat

dipengaruhi oleh inisialisasi parameter pada

saat training yang mempengaruhi hasil

melakukan estimasi parameter dengan

menggunakan algoritma genetika yang

tujuannya dapat meningkatkan kinerja pada

classifier. Algoritma genetika sangat baik untuk menyelesaikan permasalahan optimasi dan

melakukan search point dengan mencari pola

baru yang diharapkan memiliki nilai fitness

yang lebih baik dari seluruh kromosom dan

dapat meningkatkan kinerja pada classifier

(Limai, 2009). Dalam melakukan estimasi

parameter pada klasifikasi fuzzy ARTMAP

berbobot menggunakan algoritma genetika atau

disebut metode GA-FAMB dibandingkan

dengan algoritma grid search yang disebut

GS-FAMB. Algoritma grid search yaitu salah satu

algoritma umum yang sering digunakan untuk estimasi parameter, dengan prinsip kerjanya dengan menentukan beberapa nilai parameter pada rentang tertentu, kemudian memilih parameter pada nilai terbaik pada rentang tersebut dan melakukan pencarian berulang

pada grid (rentang nilai) yang lebih kecil, dst.

Kelemahan algoritma ini pada pencarian grid

yang terlalu kecil dapat mengakibatkan

overfitting.

2 Tinjauan Pustaka

2.1 Simplified Fuzzy ARTMAP (SFAM)

SFAM pada dasarnya merupakan sequential

counterpart dari parallel fuzzy ARTMAP yaitu dengan menyederhanakan algoritma dengan

hasil yang sama. Sebagai classifier, network

training digunakan untuk mencari himpunan

template yang berupa hiperrectangle yang

mengelompokkan/mengklasifikasikan dari suatu pola sedemikan rupa sehingga mampu memberi Gambaran terbaik tentang data anggota yang ada didalamnya [3]. Misalkan himpunan

templateW = {w1, w2, …, wC} dan jumlah pola

dari X yang sesuai dengan setiap template N

={N1, N2, …, NC}. Yang perlu dicatat bahwa

jumlah output node, himpunan W dan N akan

bertambah (growing) secara dinamis. Tiga

fungsi utama Algoritma SFAM adalah fungsi T

(), M () and U (). Sedangkan NEWNODE(new)

dalam algoritma tersebut adalah sebuah macro

routine yang mengalokasikan new node

(template) untuk network, yaitu T (x, w) disebut

sebagai choice function atau activation function,

yang digunakan untuk mengukur derajat dari

resemblance dari x dengan w.

wj w x w x T _j j   



) , ( (2.1)

Dimana a adalah choice parameter, a > 0

M( x, wj) disebut match function, yang

digunakan untuk menentukan seberapa jauh

kesamaan wj dengan x. x w x w x M j j   ) , ( (2.2)

Fungsi ini digunakan sebagai conjunction

untuk vigilance parameter





 

0

,

1

, dimana



x w_j







M , yang berarti resonansi.

Vigilance merupakan parameter network

terpenting untuk menentukan resolusinya :

larger vigilance value normally yields larger number dari output nodes dan presisi yang bagus.

U ( x, wj) disebut update function, yang

digunakan untuk mengupdate sebuah template setelah resonansi dengan sebuah pola:

U(x,wj)(1)wj (x wj) (2.3)

dimana



adalah learning rate,

0







1

.

Nilai yang lebih tinggi dari



dihasilkan

dalam faster learning. Disebut sebagai fast

learning dalam ART ketika



= 1.

Operator  dalam persamaan (2.1) hingga

(2.2) adalah bitwise AND operator, yaitu a

b = (a1 AND b1, a2 AND b2, … acCAND bc) ,

dan|| a|| adalah dirumuskan sebagai berikut,



  D i i a a 1 (2.4)

2.2 Simmetric Fuzzy ART (S-Fuzzy ART)

ART-1 menggunakan inherently

nonsymmetrical architecture untuk

menghitung intrinsically symmetric fuzzy ART

(S-Fuzzy ART) yang mengadopsi symmetric

activation dan match function, yaitu

T(x,wj)=T(wj,x) dan T(x,wj)=M(x,wj) (Baraldi,

2002). Dua bentuk dari symmetric activation

dan match function adalah: 2 1 1 ) , ( ) , ( j j j w x w x M w x T     (2.5) atau







     D d D d d d D d d d j j w x w x w x M w x T 1 1 1 } , min{ ) , ( ) , ( (2.6)

S-Fuzzy ART dapat diimplementasikan

menggunakan skema EART-2. Hal ini

daripada fuzzy ART dalam hal akurasi

klaterisasi dan robust terhadap perubahan dari

urutan representasi data. Setelah S-Fuzzy ART

menemukan tujuan awalnya, Andrew Baraldi dan Ethem Alpaydin mengusulkan group baru

dari ART networks yang disebut simplified

ART (SART), merupakan generalisasi dari

S-Fuzzy ART dan dapat diimplementasikan

menggunakan skema EART, GART dan

S-Fuzzy ART adalah dua contoh dari SART.

2. 3 Fuzzy ARTMAP Berbobot

Metode ini merupakan pengembangan dari

SFAM dan fuzzy ARTMAP yang mana

algoritma ini secara umum mengkombinasikan

antara fuzzy ARTMAP dan synmetric fuzzy

ART serta ditambah dengan pembobotan node

cluster berdasarkan jumlah pola dan size dari

node cluster tersebut. Ada beberapa hal yang

perlu diperhatikan dalam fuzzy ARTMAP

sebagai berikut dimana nilai fungsi dari aktifasi

T() dan match (M) pada suatu node output tidak

terpengaruh terhadap jumlah data yang ada

dalam node terxebut, dengan kata lain jika ada

dua node output yang memiliki bentuk dan

ukuran yang sama, tetapi memiliki jumlah

pattern yang ada tidak sama, maka nilai T() maka menimbulkan ketidakadilan terhadap node yang memiliki jumlah pattern yang lebih

banyak. Sehingga ide dasar fuzzy ARTMAP

berbobot adalah mencari bentuk formula baru dari T() dan M() yang merupakan hasil relaksasi

fungsi pada SFAM dan S-fuzzy ART dengan

mengalikan dengan parameter likenessintensity

(Li). Serta dijumlahkan dengan bobot pheromon

dengan maksud memberi nilai lebih besar pada

ukuran cluster node yang memiliki pattern lebih

banyak.

Proses pembobotan dalam algoritma ini

mengadopsi sistem pheromon dan peluruhannya

pada sistem koloni semut, dan penerapan jejak

pheromon pada metodeARTMAP terletak pada

seberapa pertambahan size (pola baru sudah didalam cluster). Jika tidak terjadi pertambahan

size (pola baru sudah didalam cluster) maka

tingkat kepekatan pheromon dalam node

tersebut semakin besar walaupun terjadi peluruhan karena waktu. Akan tetapi, jika pola

baru menyebabkan ukuran cluster node

bertambah besar, maka tingkat

peluruhan/evaporasi kepekatan pheromon juga

semakin besar karena harus disebar ke ruang

baru sehingga tingkat kepekatan pheromon

menjadi berkurang [2]. Ilustrasi dari perubahan

kepekatan pheromon seperti ditunjukkan pada

Gambar 2.1.

Gambar 2.1. Size cluster node bertambah

karena beresonansi dengan pola baru

Dari ilustrasi Gambar 2.1, jejak pheromon

dapat ditulis dengan persamaan :

) 1 ( ) (   t w t w r j j (2.1)



( ( () ( ())) ( 1) || ( 1)|| ) 1 ( 1

)

1

(





 _ tr t if t w t else t w j j j j j j

t

   



(2.2) Dimana :

r =ratio pertambahan size cluster node baru

dengan size clusternode lama.



= constant pheromon yang ditinggalkan

setiap terjadi update clusternode.



=constant evaporasi/peluruhan setiap terjadi

update clusternode.

) 1 (t j

 = jejak pheromon jika terjadi

resonansi antara pola dengan node output.

Pengembangan lainnya dari algoritma SFAM ini dengan menggabung antara nilai yang dihasilkan dari T() dan M() pada persamaan

dengan nilai dari symmetric fuzzy ARTMAP,

dimana T() dan M() berbobot ditunjukkan pada persamaan berikut ini:

2 1 1 * * ) 1 ( ) , ( j j j j i w x w n w x w x T          (2.7) j j j j j i w x w w x w x M          ₂ 1 1 * * ) 1 ( ) , ( (2.8)

Dimana nilai



adalah bobot kesimetrisan

yang jika nilainya



1berarti sama dengan

persamaan fuzzy ARTMAP ditambah

pembobotan dan jika nilai



0maka prinsip

3. Optimasi parameter menggunakan Algoritma Genetika

Algoritma genetika atau GA (Genetic Algorithm) adalah jenis nonpolynomial (NP) Secara khusus dapat di terapkan untuk memecahkan masalah optimasi yang kompleks, sehingga baik untuk aplikasi yang memerlukan startegi pemecahan masalah secara adaptif. Penggunaan algoritma ini secara inheren paralel, karena pencarian pemecahan yang terbaik dilakukan melalui struktur genetik yang

menyatakan sejumlah kemungkinan

penyelesaian (Godberg, 1989).

Diagram alir optimasi parameter dengan menggunakan algoritma genetika ditunjukkan pada Gambar 3.1

Gambar 3.1. Optimasi parameter menggunakan algoritma genetika

3.1 Inisialisasi Parameter

Sebelum menganalisa fitness, maka perlu

menganalisa parameter yang berpengaruh

terhadap classifier diantaranya analisa fungsi

pada metode fuzzy ARTMAP berbobot

diantaranya RHO= vigilance untuk tingkat

resonansi pada saat learning , PI =

PheromonIntensity untuk pembobotan nilai

bias, dan LI = LikenessIntensity untuk

menentukan kisimetrisan yang menentukan

jumlah node cluster yang terbentuk.

3.2Fitness Function

Kromosom pada individu mewakili

parameter fungsi fuzzy ARTMAP untuk

menghasilkan nilai fitness. Nilai fitness

dihitung pada setiap populasi kromosom dan diambil nilai fitness tertinggi pada setiap populasi [4]. Fitness yang digunakan untuk mengukur performansi klasifikasi.

fitness = accuracy klasifikasi (3.1)

3.3 Desain Kromosom

Algoritma genetika digunakan untuk

menentukan estimasi parameter yang

tujuannya untuk meningkatkan akurasi

klasifikasi. Pendekatan fitur diperoleh dari hasil ekstraksi fitur dan hasil analisa parameter

fungsi fuzzy ARTMAP berbobot yang terdiri

dari parameter



=vigilance (Rho), Pi =

pheromonintensity dan Li = likenessintensity.

Nilai minimum dan maksimum pada parameter

dibatasi oleh user. Kromosom gen

diilustrasikan pada Gambar 3.2 dan dinyatakan

dalam bit string dengan ghenotype yang

disimbolkan    n g g1 ~ _{menyatakan nilai}

parameter vigilance, npi

pi pi g g1 ~ _{menyatakan nilai} parameter pi, nli li li g g1 ~ _{menyatakan parameter} li.

Gambar 3.2 desain kromosom pada inisialisasi parameter Rho, Pi dan Li

Proses pengubahan ghenotype menjadi

phenotype dinyatakan sebagai berikut:

xd p _p p_l p 1 2 min max min     (3.2) dimana :

p = phenotype pada bit string

minp= nilai minimum pada parameter

maxp= nilai maksimum pada

parameter

d = nilai desimal pada bit string l = panjang bit string

3.4. Pindah Silang (Crossover)

Pindah silang bisa juga berakibat buruk jika ukuran populasinya sangat kecil. Dalam suatu populasi yang sangat kecil, suatu kromosom dengan gen-gen yang mengarah ke solusi akan

sangat cepat menyebar ke

kromosom-kromosom lainnya. Untuk mengatasi masalah ini digunakan suatu aturan bahwa pindah silang hanya bisa dilakukan dengan suatu probabilitas

tertentu Pc. Artinya pindah silang bisa

dilakukan hanya jika suatu bilangan random

(0,1) yang dibangkitkan kurang dari Pc yang

ditentukan. Peluang crossover yang digunakan

adalah 0.9. Pindah silang bisa dilakukan dalam beberapa cara berbeda. Pindah silang yang digunakan adalah pindah silang satu titik potong (one-point crossover). Suatu titik potong dipilih secara random, kemudian bagian pertama dari orang tua 1 digabungkan dengan bagian kedua dari orang tua 2 (Utami, 2008).

3.5. Mutasi

Mutasi digunakan untuk memperkenal-kan beberapa penyebaran tiruan dalam populasi untuk mencegah konvergensi dini pada titik optimum lokal. Prosedur mutasi sangatlah sederhana dan untuk semua gen yang ada jika bilangan random yang dibangkitkan kurang dari

probabilitas mutasi Pmut yang ditentukan maka

ubah gen tersebut menjadi nilai kebalikannya (dalam binary encoding, 0 diubah 1, dan 1

diubah 0). Besarnya Pmut diset sebagai 1/n, di

mana n adalah jumlah gen dalam kromosom.

Dengan Pmut sebesar ini berarti mutasi hanya

terjadi sekitar satu gen saja (Utami, 2008)..

3.7. Elitisme

Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja individu tersebut akan rusak (nilai fitnessnya menurun) karena proses pindah silang. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur ini dikenal sebagai

elitisme (Utami, 2008).

Tabel 1.Karakteristik data set UCI repository

Set Data Jumlah

Sample Jumlah Attribut Jumlah Kelas Wine Ionosphere Sonar WBCD 178 155 208 351 13 34 60 10 3 2 2 2

IV. Uji Coba dan Hasil Penelitian 4.1 Data Dan Skenario Uji Coba

Tahapan klasifikasi dilakukan pelatihan (training) untuk mendapatkan pemodelan, sedangkan tahapan testing untuk mengukur pemodelan yang menghasilkan akurasi. Hasil akhir dari proses pengklasifikasian menggunakan metode fuzzy ARTMAP berbobot, dilakukan analisis terhadap hasil akurasi, serta dilakukan uji performansi k-folds cross-validation untuk membandingkan antara hasil yang dicapai oleh metode FAMB berbasis GA atau GA-FAMB dan FAMB berbasis Grid Search atau disebut GS-FAMB. Sedangkan diagram alur estimasi parameter ditunjukkan pada Gambar 4.1. Uji coba yang dilakukan pada penelitian ini menggunakan 4 dataset UCI repository yang terdiri data wine, sonar, WBCD, dan ionosphere. Uji coba dilakukan pada sebagian set data UCI machine learning repository pada Tabel 1. Data tersebut didapat di alamat

http://www.ics.uci.edu/~mlearn-/databases.

Algoritma genetika digunakan untuk

mendapatkan parameter terbaik yang

digunakan untuk training menghasilkan

pemodelan. Sedangkan algoritma grid search ditunjukkan pada Gambar 4.2. Prinsip GS yaitu memilih parameter terbaik dengan menentukan nilai parameter pada rentang

tertentu untuk setiap parameter untuk

menghitung performansi dengan k-fold cross

validation, kemudian pilih nilai terbaik.

Selanjutnya lakukan pencarian ulang pada grid (rentang nilai) yang lebih kecil. Kelemahan dari metode ini melakukan pencarian pada grid yang terlalu kecil yang mengakibatkan

overfitting.

4.2 Hasil Penelitian

Hasil uji coba ditunjukkan pada Tabel 1. menunjukkan hasil uji coba pembelajaran data set WBCD, nilai fitness tertinggi maksimal sebanding nilai akurasi training yang diperoleh pada fold1 dan fold 5. Berdasarkan uji coba pada Gambar 4.1 maka nilai fitness diperoleh dari nilai akurasi training klasifikasi fuzzy ARTMAP berbobot pada fold 1. Uji coba dilakukan hingga mencapai n iterasi yang sama sampai memperoleh nilai fitness tertinggi dan nilai sama untuk setiap iterasi yaitu kondisi konvergen (Godberg, 1989).

Gambar 4.1 Sistem arsitektur algoritma genetika pada optimasi parameter klasifikasi fuzzy berbobot

Gambar 4.2 Estimasi parameter dengan algoritma Grid Search

Tabel 4.2. Hasil uji coba data set WBCD menggunakan algoritma genetika

Uji ke- Sensitifitas Spesifisitas Akurasi Fitness rho P I

1 100 91.6667 97.1014 100 0.2416 0.0415 0.4417 2 97.7778 100 98.5507 99.8371 0.0061 0.0175 0.2149 3 97.7778 95.8333 97.1014 99.5114 0.1982 0.0131 0.4809 4 98.0456 100 98.5507 99.8371 0 .3067 0.3755 0.6626 5 97.7273 95.8333 97.0588 100 0.0544 0.0025 0.1661 6 97.7273 95.8333 97.0588 99.8374 0.0258 0.0109 0.178 7 95.4545 95.8333 96.1882 99.8374 0.0643 0.0236 0.2612 8 97.7273 95.8333 97.0588 99.5122 0.2401 0.0396 0.332 9 95.4545 100 97.0588 99.6748 0.0533 0.004 0.2382 10 100 91.3043 97.0149 99.6753 0.1935 0.0107 0.3403 Rata-rata 97.52134 96.21375 97.27425

Tabel 4.3. Hasil uji coba data set WBCD menggunakan algoritma Grid Search

Uji ke- Sensitifitas Spesifisitas Akurasi rho P I

1 97.7778 100.0000 97.1014 0.3000 0.0200 0.7600 2 93.3333 100.0000 95.6522 0.3000 0.2000 0.7600 3 93.3333 95.0000 95.6522 0.9000 0.8600 0.6000 4 100.0000 83.3333 94.203 0.5400 0.2200 0.2600 5 95.4545 95.0000 97.0588 0.4800 0.0600 0.2200 6 86.3636 95.8333 89.7059 0.2600 0.1000 0.6600 7 90.909 95.8333 92.6471 0.5000 0.4000 0.7800 8 97.7273 95.8333 97.0588 0.2000 0.1000 0.7400 9 97.7273 91.6667 95.5882 0.8600 0.4600 0.8600 10 97.7273 95.6522 95.5882 0.1600 0.0600 0.6600 Rata-rata 95.0353 94.8152 95.0256

Pada Gambar 4.3 menunjukkan nilai ujicoba pada GA dari keempat data set. Pembelajaran dilakukan hingga konvergen dengan parameter yang berbeda untuk setiap data set menyesuaikan karakteristik data set yang digunakan. Pada wine maksimal generasi sebanyak 10, sonar sebanyak 50 generasi, WBCD dan ionosphere mencapai

100 generasi. Sedangkan perbandingan nilai iterasi ketika mencapai konvergen diperoleh pada data wine mulai iterasi 1 sampai 10 nilai konvergen, sonar pada itersi ke-14, WBCD pada iterasi ke-78 dan ionosphere pada iterasi ke-24. semakin banyak atribut dari data set semakin banyak iterasi yang dibutuhkan untuk mencapai konvergen.

Gambar 4.3 Perbandingan nilai fitness dengan generasi fold 1

Tabel 4.3 Rekapitulasi hasil uji coba ten fold cross validation

Dari rekapitulasi hasil uji coba yang ditunjukkan pada Tabel 4.3 dapat diketahui

bahwa metode GA-FAMB memiliki mean

selisih akurasi positif untuk seluruh 4 dataset

(wine, sonar, WBCD, dan ionosphere) mean

selisih akurasinya sigifikan pada confidence

level 95%. Dari 4 sisanya, pada 1 dataset

(ionosphere) signifikan pada confidence level

98%. Sedang pada dataset sonar mean

selisihnya tidak signifikan secara statistic

Keterangan Wine Sonar WBCD Ionos phere Rata-rata selisih akurasi (GA- FAMB)-(GS-FAMB) + + + + Fold GA-FAMB menang 7 6 7 7 Fold GA-FAMB seri 2 1 3 1 Fold GA-FAMB kalah 1 3 0 2 Significant pada tingkat kepercayaan 95% ya ya ya Tidak

ditunjukkan pada Gambar 4.5 dan Gambar 4.6.

Dari uji coba pembelajaran, dapat disimpulkan bahwa secara umum metode GA-FAMB memiliki akurasi yang lebih baik dari metode GS-FAMB pada parameter

optimal. Pada Gambar 4.4 grafik

menunjukkan rata-rata nilai akurasi metode GA-FAMB lebih tinggi dibandingkan metode GS-FAMB. Nilai akurasi tertinggi diperoleh pada data set WBCD sedangkan terendah pada akurasi data sonar.

wine sonar WBCD Ionosphere

GS 90.4 71.9 95.0 89.8 GA 93.9 76.4 97.5 93.7 0.0 20.0 40.0 60.0 80.0 100.0 120.0 A k u r a s i (% )

Gambar 4.4 Grafik perbandingan Nilai Akurasi Klasifikasi GA-FAMB vs GS-FAMB 60 65 70 75 80 85 90 95 100 1 2 3 4 5 6 7 8 9 10 A k u r a s i (% ) Fold

ke-Wine WBCD Ionosphere Sonar

Gambar 4.5 Grafik Perbandingan Nilai Akurasi metode GA-FAMB

60 65 70 75 80 85 90 95 100 1 2 3 4 5 6 7 8 9 10 A k u ra si ( % ) Fold

ke-Wine WBCD Ionosphere Sonar

Gambar 4.6. Grafik Perbandingan Nilai Akurasi metode GS-FAMB

5. Kesimpulan

1. Algoritma genetika mampu mendapatkan

nilai parameter optimal secara otomatis dengan hasil yang lebih tinggi untuk set data wine sebesar 93.88%, sonar sebesar

76.35%, WBCD sebesar 97.51%,

ionosphere sebesar 93.74% dibandingkan algoritma grid search untuk set data wine sebesar 90.41%, sonar sebesar 71.86% , WBCD sebesar 95.03%, ionosphere sebesar 89.80%.

2 Dari hasil uji t-test berpasangan, algoritma

genetika menunjukkan bahwa nilai

akurasi, sensitifitas dan spesifisitas rata terbukti nilainya lebih besar dan rata-rata selisih akurasinya signifikan pada tingkat kepercayaan 95% dibandingkan pada algoritma grid search.

3. Algoritma GA-FAMB mampu mencapai kondisi konvergen pada 10 kali uji coba dengan nilai akurasi yang lebih tinggi dari metode GS-FAMB pada data UCI

repository kecuali data sonar dipengaruhi

jumlah fitur yang banyak.

4. Algoritma GA-FAMB mampu melakukan proses klasifikasi dengan baik dan menghasilkan nilai akurasi yang lebih baik dibandingkan metode GS-FAMB

7. Pustaka

Baraldi and Ethem Alpaydm (1998)

”Simplified ART-A new class of ART

Science Institute, Berkeley, CA, TR-98-004

Herumurti, Darlis (2009). ”Klasifikasi

Individu Penderita Osteoporosis dengan

Menggunakan Fuzzy ARTMAP

Berbobot. Tesis, Jurusan Informatika,

Pasca Sarjana, Institut Teknologi

Surabaya

Kasuba, T. (1993) ”Simplified Fuzzy

ARTMAP” AL Expert, 8, (11), pp 18-25

Whitley, Darrell (1993). ”A Genetic

Algorithm Tutorial”, Colorado State Univirsity.

Goldberg, David E (1989), Genetic

Algorithms in Search, Optimization and

Machine Learning, Kluwer Academic

Publishers, Boston, MA.

Huang, et al (2006). A GA-based feature selection and parameters optimization for

support vector machines. Elsevier,

Expert Systems with Applications, pp. 231–240.

Tan, P.N., Steinbach, M. dan Kumar, V.,

(2006), Introduction to Data Mining,

Pearson Education, Inc., Boston.

Utami, N.D. (2008). Analisis Teknik

Crossover Pada Penyelesaian

Penjadwalan Praktikum Dengan

Algoritma Genetika, Skripsi, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya, Malang.

Whitley, Darrell (1993). ”A Genetic

Algorithm Tutorial”, Colorado State University.