Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815

Yogyakarta, 9 Maret 2013

ANALISIS PENGGUNAAN ALGORITMA GENETIKA UNTUK PERBAIKAN

JARINGAN SYARAF TIRUAN RADIAL BASIS FUNCTION
Wiharto1, Y.S. Palgunadi2, Muh Aziz Nugroho3
1,2,3
Riset Group Ilmu Rekayasa dan Komputasi FMIPA Universitas Sebelas Maret
Jl. Ir. Sutami No. 36 A Surakarta
E-mail:wi_harto@yahoo.com, palgunadi@uns.ac.id, aziztie@gmail.com

ABSTRACT
Training neural networks Radial Basis Function (RBF) is a neural network using a hybrid training which consist
of one hidden layer. Input hidden layer using algorithm, while the hidden layer to the output layer using the
Least Means Square (LMS). Problems often occur in the training using the LMS common is in a local solutions.
To overcome these problems, one of the solution is to use a Genetic Algorithm (GA) to generate a global
solution. Genetic algorithms have an improvement. One of the results of this improvement of Adaptive Genetic
Algorithm (AGA) is a GA with the determination of the probability of crossover and mutation probability
adaptively according to the fitness function. This study analyzes the accuracy of the RBF neural networks to
optimization using GA and AGA. RBF networks in determining the center on the hidden layer using K-Means
clustering algorithm and improved weight to the hidden layer to the output layer using the LMS algorithm.
Chromosome repre sentation for each gene in the form of weights from hidden layer to output layer with real
coding. The performance is produced by taking the case of the classification of the iris shows that GARBF and
AGARBF can improve accuracy for RBF architecture with the number of neurons in the hidden layer is 2, 3, 4
and 5, whereas for architecture by the number of neurons in the hidden layer and above 6 GARBF accuracy
relative AGARBF equal to the accuracy of RBF.

Keywords: Adaptive Genetic Algorithm, Genetic Algorithm, Neural Network, Radial Basis Function

ABSTRAK
Jaringan syaraf tiruan Radial Basis Function (RBF) merupakan jaringan syaraf tiruan dengan satu hidden
layer, serta menggunakan model pelatihan hybrid. Pelatihan input layer ke hidden layer menggunakan
algoritma clustering, sedangkan dari hidden layer ke output layer menggunakan Least Means Square(LMS ).
Permasalahan yang sering terjadi dalam pelatihan menggunakan LMS adalah terjadinya solusi lokal. Untuk
mengatasi masalah tersebut, salah satu alternatifnya adalah menggunakan Genetic Algorithm (GA) guna
menghasilkan solusi global. Algoritma genetika mempunyai perkembangan yang cepat, salah satu hasil
perkembangannya adalah Adaptive Genetic Algorithm (AGA) yaitu GA dengan penentuan probabilitas
crossover dan probabilitas mutasi yang adaptif sesuai dengan fungsi fitness. Penelitian ini menganalisa akurasi
RBF dengan optimasi menggunakan GA dan AGA. RBF dalam menentukan center pada hidden layer
menggunakan algoritma clustering K-Means dan perbaikan bobot pada hidden layer ke output layer
menggunakan algoritma LMS. Representasi kromosom untuk setiap gen berupa bobot dari hidden layer ke
output layer dengan pengkodean real. Hasil pengujian untuk kasus klasifikasi menunjukkan bahwa GARBF dan
AGARBF dapat memperbaiki akurasi untuk arsitektur RBF dengan jumlah neuron pada hidden layer yaitu 2, 3,
4 dan 5, sedangkan untuk arsitektur dengan jumlah neuron pada hidden layer diatas 6 akurasi GARBF dan
AGARBF relatif sama dengan akurasi RBF.

Kata Kunci: Adaptive Genetic Algorithm, Genetic Algorithm, Jaringan syaraf tiruan, Radial Basis Function

181
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)
Yogyakarta, 9 Maret 2013
1. LATAR BELAKANG
Jaringan Syaraf Tiruan (JST) merupakan
sistem komputasi yang dapat digunakan untuk
belajar dan menghasilkan aturan atau operasi dari
beberapa contoh yang diberikan. Salah satu model
JST adalah Radial Basis Function (RBF), model ini
melakukan pembelajaran secara hybrid, yaitu
menggabungkan antara pembelajaran terbimbing
dan pembelajaran tak terbimbing.
Beberapa penelitian sebelumnya tentang RBF,
bahwa RBF mempunyai kinerja yang lebih baik
dari pada MLP (Multi Layer Perceptron)
diantaranya adalah penelitian yang memaparkan
penggunaan model RBF untuk melakukan
diagnosis penyakit diabetes mellitus(Venkatesan,
2006). Tingkat akurasi pada system tersebut
mencapai 98%, selain itu waktu yang dibutuhkan
juga relatif lebih cepat dibandingkan dengan MLP.
Perkembangan penelitian selanjutnya, muncul
beberapa penelitian yang bertujuan untuk
mengoptimalkan jaringan syaraf tiruan RBF. Salah
satu algoritma yang dapat digunakan untuk
optimasi tersebut adalah algoritma genetika.
Penelitian yang memanfaatkan algoritma genetika
untuk optimasi RBF adalah penelitian yang
dilakukan oleh Zhangang, Yanbo, & Cheng (2007)
yang memaparkan pemanfaatan algoritma genetika
untuk mendapatkan parameter-parameter dalam
RBF dalam kasus peramalan. Dalam penelitian ini
representasi kromosom dalam algoritma genetika
berupa 3 buah parameter RBF yaitu bobot, posisi
center (biasanya diperoleh dengan algoritma
clustering) dan variance radial pada RBF. Hasil
penelitian tersebut menunjukkan bahwa GARBF
mempunyai tingkat akurasi peramalan yang lebih
baik dibandingkan RBF biasa.
Senada dengan penelitian tersebut adalah
penelitian yang dilakukan oleh Awad (2010) yang
memaparkan penggabungan RBF dengan GA untuk
function approximation. Pada penelitian tersebut
representasi kromosom GA menggunakan 2 buah
parameter RBF yaitu center dan parameter radial
pada RBF. Penelitian ini menghasilkan kinerja yang
lebih baik dibandingkan RBF.
Sementara itu penelitian yang dilakukan
Fahmi (2011) memaparkan penggabungan antara
JST Backpropagation (BP) dengan algoritma
genetika untuk peramalan harga saham. Penelitian
ini representasi kromosom GA-nya berupa bobot
dari hidden layer ke output layer. Hasil pengujian
diperoleh nilai MSE sebelum dan setelah optimasi
bobot ini mengalami penurunan sebesar 567.455%.
Penelitian yang dilakukan Fahmi(2011), jika
dilihat dari waktu yang dibutuhkan untuk
komputasinya memerlukan waktu yang relatif lebih
pendek dibandingkan penelitian yang dilakukan
vankantesan (2006) dan awad (2010). Hal tersebut
disebabkan panjang kromosom yang digunakan,
jika panjang kromosom lebih pendek maka dalam
generasi yang sama akan memerlukan waktu yang
182
ISSN: 2089-9815
lebih pendek.
Perkembangan peneltian selanjutnya adalah
tentang algoritma genetic itu sendiri. Dalam
algoritma genetika penentuan nilai probabilitas
crossover dan probabilitas mutasi berpengaruh
terhadap peforma GA. Pemilihan kedua parameter
tersebut yang tidak tepat dapat menyebabkan
terjadinya optimum lokal sehingga hasil peforma
GA tidak maksimal. Srinivas dan Patnaik (1994)
memaparkan metode AGA yaitu GA dengan
penentuan probabilitas crossover dan probabilitas
mutasi yang adaptif sesuai dengan fungsi fitness.
Penelitian ini melakukan pengujian untuk
penyelesaian TSP, optimasi jaringan syaraf tiruan
dan kasus VLSI sirkuit. Dari hasil percobaan dapat
disimpulkan bahwa kemampuan AGA lebih baik
dari pada algorima genetika standar (GA).
Selain itu penelitian berikutnya tentang GA
berkaitan dengan pemilihan pengkodean
kromosom. Pengkodean kromosom mempunyai
pengaruh terhadap peforma GA. Sarangi, Majhi, &
Panda (2012) memaparkan perbandingan
pengkodean biner dan pengkodean real pada kasus
klasifikasi menggunakan JST BP yang
dikombinasikan dengan GA. Dari percobaan
dengan beberapa dataset, penggunaan pengkodean
real menghasilkan akurasi yang lebih tinggi dari
pada pengkodean biner.
Berdasarkan beberapa penelitian sebelumnya
tersebut, penelitian ini membahas tentang analisis
pemanfaatan GA dan AGA untuk perbaikan kinerja
RBFNN dalam melakukan klasifikasi. Representasi
kromosom yang digunakan berupa bobot dari
hidden layer ke output layer dengan tujuan untuk
mengurangi waktu eksekusi, serta menggunakan
pengkodean kromoson berupa bilangan real, guna
memperoleh kinerja yang lebih optimal.
2. METODE PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian ini dapat dilihat pada
gambar 1 sebagai berikut :
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815
Yogyakarta, 9 Maret 2013

maksimal lakukan :
Hitung eucledian dengan rumus
,
(3)
(4)
Dimana
d(x,y) : hasil jarak eucledian
x : data yang akan dikelompokkan
k : urutan cluster
j : urutan data yang akan dikelompokkan
y : nilai center yang telah ditentukan
D : jumlah dimensi
Hitung center baru dengan rumus
1 (5)
k : urutan cluster
Nk : Jumlah data-data pada cluster k
m : urutan iterasi ke-m
Cl : cluster
Hitung Je iterasi
Gambar 1. Tahapan Penelitian c. Menyusun arsitektur jaringan RBF

Tahapan Penelitian penelitian tersebut dapat

dijabarkan sebagai berikut :
1. Membangun arsitektur jaringan RBF dengan
langkah sebagai berikut :
a. Menentukan fungsi basis. Fungsi basis ini
akan digunakan untuk aktivasi fungsi di
hidden layer. Fungsi yang digunakan adalah
fungsi berbasis radial yaitu fungsi Gaussian.
Banyaknya center akan mempengaruhi
arsitektur jaringan Radial Basis Function
karena banyaknya center akan menjadi
neuron pada hidden layer jaringan RBF
(Haryono, 2005)
b. Penentuan center dengan algoritma K-
Means (Vakatesan, 2006). Adapun algoritma
K-Means adalah sebagai berikut :
i. Load data
ii. Inisialisasi jumlah cluster (k) dan iterasi
maksimal
iii. Inisialisasi center membagi data pada
range tersebut sebanyak jumlah cluster
(k).
iv. Hitung Je iterasi awal. Je adalah sum-of-
square-error atau jumlahan kuadrat
error masing-masing data pada cluster
terdekat. Adapun rumus perhitungan Je
adalah sebagai berikut :
2. Pelatihan jaringan RBF
(1)
(2)
Jk : Error data-data terhadap masing -
masing center
x : data yang akan dikelompokkan
m : nilai center yang telah ditentukan
k : jumlah cluster yang digunakan
Pk : subset yang berisi data-data untuk
cluster ke -k
v. Selama Je(i+1) tidak sama dengan Je
iterasi dan atau iterasi belum mencapai
Gambar 2 Arsitektur JST RBF
Pada penelitian ini input data untuk
jaringan RBF adalah 4 atribut data iris
yaitu :
X1 panjang sepal dalam cm
X2 lebar sepal dalam cm
X3 panjang petal dalam cm
X4 panjang petal dalam cm
Output akhir jaringan RBF untuk
klasifikasi tumbuhan iris dengan
threshold = 0 adalah sebagai berikut
Y1 = 0, Y2 = 0 adalah iris setosa
Y1 = 0, Y2 = 1 adalah iris versicolour
Y1 = 1, Y2 = 1 adalah iris virginica
Algoritma pelatihan RBF adalah sebagai berikut
(Kusaedi, 2004)
a. Langkah 1 : Inisialisasi iterasi maksimal dan
learning rate ().
b. Langkah 2 : Inisialisasi bobot pada hidden
layer
c. Langkah 3 : Selama epoch <= maksimal
epoch dan atau MSE <= MSE maksimal,
untuk setiap sinyal latih kerjakan langkah 4
selesai

183
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815
Yogyakarta, 9 Maret 2013

d. Langkah 4 : Hitung keluaran jaringan RBF

dengan rumus [2]:
, (6)
Dengan fungsi basis didefinisikan sebagai
berikut :
/2 0, 0
(7)
Dimana nilai didefinisikan sebagai berikut
[19]:
(8)
Sebelum masuk fungsi aktivasi dengan
threshold hasil diaktivasi dengan
fungsi sigmoid terlebih dahulu untuk
membatasi nilai agar tetap berada pada
Gambar 3. Flowchart GA dan AGA RBF
range 0-1 (Bors,2003). Adapun fungsi
sigmoid adalah sebagai berikut
a. Representasi Kromosom dan Inisialisasi
(9) Populasi
Dengan c : konstanta Kromosom direpresentasikan dalam
Dan fungsi aktivasi sebagai berikut : string bilangan real. Setiap gen berisi nilai
1 real yang mewakili bobot basis di hidden
(10) layer pada jaringan RBF. Panjang
0
Langkah 5 : Hitung kesalahan (error) antara kromosom sebanyak jumlah bobot basis dan
sinyal terhadap (d) dengan keluaran RBF y. bias pada jaringan RBF.
error = d y Inisialisasi populasi yaitu dengan
e. Langkah 6 : Update bobot-bobot tiap fungsi mengambil bobot sebanyak jumlah
basis dan bobot basis dengan metode LMS. kromosom pada epoch-epoch akhir pelatihan
f. Langkah 7 : Hitung MSE = akar dari jaringan RBF.
jumlahan kuadrat error b. Evaluasi
g. Langkah 8 : epoch = epoch + 1 Evaluasi fitness yaitu menghitung nilai
Dimana : fitness tiap-tiap kromosom dengan rumus
yi = output ke i (Ali, 2008)
_
q = jumlah neuron pada hidden layer (11)
_ _ _
wj,i = bobot unit hidden layer j ke output i
Data yang digunakan untuk menghitung
x = vector input data
fitness adalah data training RBF.
cj = vector center ke j
c. Seleksi
= eucledian norm
Seleksi ini bertujuan untuk memberikan
= Radial Basis Function
kesempatan reproduksi yang lebih besar bagi
= nilai spread
anggota populasi yang paling baik. Seleksi
akan menentukan individu-individu mana
3. Ubah bobot dengan GA dan AGA
saja yang akan dipilih untuk dilakukan
Pada Algoritma Adaptive Genetic Algorithm
rekombinasi (Kusumadewi, 2003). Metode
(AGA) pada dasarnya sama dengan GA biasa
yang digunakan dalam penelitian ini adalah
namun perbedaan mendasar pada AGA adalah
metode seleksi roullet wheel.
penentuan probabilitas crossover dan probabilitas
d. Crossover
mutasi yang adaptif sesuai dengan nilai fitness.
Metode crossover yang digunakan
Flowchart Algoritma GA dan AGA adalah
adalah Crossover menengah. Pada crossover
sebagai berikut :
menengah Nilai variabel anak dipilih di
sekitar dan antara nilai-nilai variabel induk.
anak dihasilkan menurut aturan sebagai
berikut (Kusumadewi, 2003)
Anak = induk 1 + alpha(induk 2induk 1)
Dengan alpha adalah faktor skala yang
dipilih secara random pada interval [-d,1+d],
biasanya d = 0,25. nilai alpha dipilih ulang
untuk tiap variabel.
e. Mutasi
Mutasi dilakukan pada bilangan real.
Yaitu dengan mengubah gen yang dimutasi

184
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815
Yogyakarta, 9 Maret 2013

dengan bilangan random antara nilai 60

tertinggi dan terendah gen dari kromosom Akurasi GARBF terbaik diperoleh pada
yang dimutasi (Kusumadewi, 2003). arsitektur dengan 6 neuron pada hidden layer
f. Update probabilitas crossover dan dengan variabel learning rate = 0.1, epoch = 200,
probailitas mutasi populasi = 10 dan generasi = 40 dengan akurasi 96
Rumus yang digunakan untuk Update %.
probabilitas crossover dan probailitas
mutasi adalah (Awad, 2010): 3.3 Simulasi Pada Variable AGARBF
(12) Variasi simulasi yang digunakan sama dengan
(13) GARBF. Akurasi AGARBF terbaik diperoleh pada
Dengan batasan arsitektur dengan 7 neuron pada hidden layer
, (14) dengan variabel learning rate = 0.1, epoch = 200,
populasi = 10 dan generasi = 40 dengan akurasi
, (15)
97.55%.
Dengan k1, k2 k3, k4 1.0
Dimana :
3.4 Perbandingan Akurasi GARBF terhadap
pc : probabilitas crossover
RBF
pm : probabilitas mutasi
Dari hasil simulasi, GARBF mempunyai
fmax : fitness maksimal
akurasi lebih tinggi atau lebih rendah dari pada
f : fitness terbesar dari solusi yang dimutasi
RBF tergantung pada arsitekturnya.
f : fitness terbesar dari solusi yang
Adapun besarnya perbaikan akurasi disajikan
disilangkan
pada Tabel 3, sementara besarnya penurunan

akurasi disajikan pada Tabel 4.
2.2 Data
Tabel 3. Perbaikan Akurasi GARBF terhadap RBF
Database iris diperoleh dari UCI Machine
Neuron Akurasi
Learning Repository [9]. Total data sebanyak 150 Akurasi Perbaikan
Hidden AGARBF
data, 50 data (33.3%) untuk masing masing class RBF (%) (%)
Layer (%)
yaitu iris setosa, iris versicolour dan iris virginica
(C.Black, 1998). 2 14.44 88.89 74.45
3 57.11 88.67 31.56
3. HASIL DAN PEMBAHASAN 4 60.22 90.89 30.67
3.1 Simulasi Pada Variable RBF 5 19.98 69.78 49.80
Simulasi dilakukan dengan variasi learning 6 95.55 96.00 0.45
rate dan epoch, dengan variasi sebagai berikut :
Tabel 1. Variasi Simulasi Pada Variabel RBF Tabel 4 Penurunan Akurasi GARBF terhadap RBF
No Jenis Variasi Keterangan Neuron Akurasi
Akurasi Penurunan
1 Variasi learning rate 0.01 Hidden AGARBF
RBF (%) (%)
0.05 Layer (%)
0.1 7 97.78 95.33 2.45
2 Variasi banyaknya epoch 50 8 97.78 96.00 1.78
100 9 97.78 95.78 2.00
150 10 96.89 96.00 0.89
200
Akurasi RBF terbaik mencapai akurasi 3.5 Perbandingan Akurasi AGARBF vs RBF
97.78% yang diperoleh pada arsitektur dengan 7 Dari hasil simulasi, AGARBF mempunyai
neuron pada hidden layer yaitu dengan variabel akurasi lebih tinggi atau lebih rendah dari pada
learning rate = 0.1 dan epoch = 200. RBF tergantung pada arsitekturnya. Besarnya
perbaikan akurasi disajikan pada Tabel 5,
3.2 Simulasi Pada Variable GARBF sementara besarnya penurunan akurasi disajikan
Simulasi dilakukan dengan variasi learning pada Tabel 6.
rate dan epoch, dengan variasi sebagai berikut :
Tabel 2. VariasiVariabel GARBF dan Tabel 5. Perbaikan Akurasi RBF vs AGARBF
AGARBF Neuron Akurasi
Akurasi Perbaikan
No Jenis Variasi Keterangan Hidden AGARBF
RBF (%) (%)
1 Variasi populasi 10 Layer (%)
20 2 14.44 90.44 76.00
30 3 57.11 80.67 23.56
2 Variasi generasi 20 4 60.22 73.78 13.56
40 5 19.98 53.11 33.13

185
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815
Yogyakarta, 9 Maret 2013

6 95.55 95.78 0.25

Pengaruh jumlah neuron pada hidden layer
terhadap waktu yang diperlukan untuk run time
bagi masing-masing jaringan ditunjukkan pada
Tabel 6. Penurunan Akurasi RBF vs AGARBF gambar 5. Secara keseluruhan run time untuk RBF
Neuron Akurasi relatif lebih kecil dibandingkan dengan GARBF
Akurasi Penurunan dan AGARBF.
Hidden AGARBF
RBF (%) (%)
Layer (%)
7 97.78 97.55 0.22 3 RBF
8 97.78 97.11 0.67 2,5 AGARBF

RunTime(detik)
9 97.78 97.11 0.66
2
10 96.89 95.78 1.11 GARBF
1,5
3.6 Perbandingan Akurasi AGARBF vs 1
GARBF 0,5
Perbandingan AGARBF terhadap GARBF
0
disajikan pada Tabel 7 berikut
2 3 4 5 6 7 8 9 10
Tabel 7. Perbandingan AGARBF vs GARBF NeuronHiddenLayer
Neuron Akurasi Akurasi
Perbedaan Gambar 5. Pengaruh Jumlah Neuron pada Hidden
Hidden GARBF AGARBF
Akurasi (%) Layer terhadap Run Time
Layer (%) (%)
2 88.89 90.44 + 0.22
3 88.67 80.67 - 8.00 Hasil akurasi pada simulasi RBF, GARBF dan
4 90.89 73.78 - 17.11 AGARBF ditunjukkan pada Gambar 6. Pada
5 69.78 53.11 - 16.67 Gambar 6 dapat dilihat bahwa GARBF dan
6 96.00 95.78 - 0.22 AGARBF dapat memperbaiki akurasi RBF.
7 95.33 97.55 + 2.22 Perbaiakan terjadi pada arsitektur dengan jumlah
8 96.00 97.11 + 1.11 neuron hidden layer yaitu 2, 3, 4, 5 dan 6,
9 95.78 97.11 + 1.33 sedangkan untuk arsitektur dengan jumlah neuron
hidden layer yaitu 7, 8, 9 dan 10 tidak terjadi
10 96.00 95.78 - 0.22
perbaikan namun relatif sama atau bahkan terjadi
penurunan akurasi. Sedangkan untuk AGARBF
3.7 Hasil Pengukuran pada Proses Training
lebih baik dari GARBF untuk arsitektur dengan
dan Pengujian
jumlah neuron pada hidden layer 2, 3, 4 dan 5,
Pada proses training dapat dilihat pengaruh
selebihnya relatif sama.
jumlah neuron pada hidden layer terhadap MSE
untuk masing-masing jaringan RBF, GARBF dan
100
AGARBF ditunjukkan pada gambar 4. Pada
gambar tersebut ditunjukkan bahwa MSE akan 80
menjadi besar ketika menggunakan jumlah neuron RBF
Akurasi

60
pada hidden layer 5. Sedangkan MSE akan relatif AGARBF
stabil untuk semua jenis jaringan syaraf tiruan pada 40
jumlah neuron pada hidden layer diatas 5. 20
GARBF
0,6
0
RBF
0,5 2 3 4 5 6 7 8 9 10
AGARBF
0,4 NeuronHiddenLayer
GARBF
Gambar 6. Perbandingan Akurasi RBF, GARBF,
MSE

0,3 AGARBF
0,2
3.8 Analisis Algoritma
0,1 Pada Tabel 3 dan Tabel 4 diketahui bahwa
perbaikan yang diperoleh dari proses GARBF dan
0 AGARBF pada arsitektur dengan jumlah neuron
2 3 4 5 6 7 8 9 10 hidden layer yaitu 2, 3, 4 dan 5. Perbaikan yang
dihasilkan cukup signifikan karena dapat
NeuronHiddenLayer
memperbaiki akurasi lebih dari 10%. Perbaikan
Gambar 4. Pengaruh Jumlah Neuron pada Hidden tersebut terjadi karena dengan arsitektur yang
Layer terhadap MSE sederhana, RBF tidak dapat mencapai akurasi yang

186
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)
Yogyakarta, 9 Maret 2013
baik dengan kombinasi learning rate dan epoch
yang ditetapkan pada simulasi, sehingga pengaruh
GA maupun AGA dalam memperbaiki sangat
terlihat karena dengan konsep crossover dan mutasi
yang acak untuk GA dan adaptif untuk AGA
menghasilkan MSE yang lebih baik.
Pada Gambar 4 dan 6 dapat dilihat bahwa
pada arsitektur dengan 5 neuron pada hidden layer,
algoritma RBF, GARBF dan AGARBF
menghasilkan MSE dan akurasi terburuk, hal ini
terjadi karena arsitektur dengan 5 neuron pada
hidden layer adalah arsitektur yang tidak cocok
untuk JST dengan jumlah neuron pada input layer
= 4 dan jumlah neuron pada output layer = 2 untuk
kasus klasifikasi tumbuhan iris berdasarkan rumus
empiris penentuan jumlah neuron pada hidden
layer, seperti ditunjukkan pada tabel 8.
Tabel 8. Rumus Empiris Penentuan Jumlah Neuron
pada Hidden Layer (Fahmi, 2011)
No Rumus Empiris Nh
1 2 1 9
2 3 12
2 0.5 3 penurunan akurasi yang relatif kecil.
3 3
4 2 /3
5 3
6 2
Ni = Jumlah input yaitu 4
No = Jumlah output yaitu 2
Nh =Jumlah neuron pada hidden layer
Dari perhitungan penentuan hidden layer
tersebut tidak diperoleh nilai 5, sehingga dapat
dikatakan bahwa arsitektur dengan 5 neuron pada
hidden layer tidak tepat untuk klasifikasi tumbuhan
iris. Penggunaan 5 neuron pada hidden layer akan
menghasilkan akurasi yang paling rendah.
Sementara untuk arsitektur dengan jumlah neuron
pada hidden layer = 3 maupun kelipatannya adalah
arsitektur yang cocok untuk klasifikasi tumbuhan
iris. Hal tersebut sesuai dengan perhitungan rumus
empiris pada table 8. Dari hasil pengujian
klasifikasi RBF, GARBF maupun AGARBF
arsitektur dengan jumlah neuron pada hidden layer
= 3 atau kelipatannya diperoleh hasil akurasi yang
tinggi
Sementara pada arsitektur dengan jumlah
neuron pada hidden layer = 7, 8, 9 dan 10, akurasi
GARBF dan AGARBF mengalami penurunan
dibandingkan dengan RBF. Dapat dilihat pada
Tabel 4 dan Tabel 5 bahwa akurasi RBF pada
arsitektur ini sudah lebih dari 96 %, dan setelah
dilakukan simulasi dengan GARBF dan AGARBF
akurasi justru mengalami penuruan.
Pada Tabel 7, menunjukkan bahwa GARBF
secara keseluruhan lebih baik dari pada AGARBF.
AGARBF memiliki akurasi lebih baik dari pada
GARBF hanya pada arsitektur dengan jumlah
ISSN: 2089-9815
neuron pada hidden layer = 2, 7, 8 dan 9 dengan
selisih akurasi yang tidak terlalu signifikan,
sedangkan untuk arsitektur lainnya GARBF
memiliki akurasi lebih baik dari pada AGARBF.
Perbedaan akurasi yang signifikan diperoleh pada
arsitektur dengan jumlah neuron pada hidden layer
= 4 dan 5 dengan perbedaan akurasi lebih dari 10
%.
4. KESIMPULAN DAN SARAN
Penelitian ini menganalisa pengaruh GA
(Genetic Algorithm) AGA (Adapative Genetic
Algorithm) pada JST RBF untuk klasifikasi dengan
data tumbuhan iris. Evaluasi dari simulasi
menunjukkan bahwa JST GARBF dan AGARBF
dapat memperbaiki akurasi untuk arsitektur JST
RBF yang sederhana yaitu pada arsitektur dengan
jumlah neuron pada hidden layer = 2, 3, 4 dan 5,
sedangkan untuk arsitektur yang lebih kompleks
yaitu pada arsitektur dengan jumlah neuron pada
hidden layer = 6, 7, 8, 9 dan 10, akurasi GARBF
dan AGARBF relatif sama dengan akurasi RBF,
namun cenderung menurun dengan presentase
Untuk pengembangan penelitian selanjutnya
perlu dikembangkan penggunaan metode crossover
3 dan mutasi yang bervariasi pada GARBF ate
AGARBF dan penggunaan algoritma clustering
8 yang lain misalnya algoritma FCM (Fuzzy C-
Means).
PUSTAKA
Venkatesan, P., & Anitha, S. (2006). Application of
a Radial Basis Function neural network for
diagnosis of diabetes mellitus. Journal
Current Science Vol. 91. No. 9
Zhangang, Y., Yanbo, C., & Cheng, K. E. (2007).
Genetic Algorithm-Based RBF Neural
Network Load Forecasting Model. IEEE
Conference Power Engineering Society
General Meeting.
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.
Fahmi, Y. (2011). Peramalan Nilai Harga Saham
Menggunakan Jaringan Syaraf Tiruan Dan
Algoritma Genetik. Yogyakarta: UII
Yogyakarta.
Srinivas, M., & Patnaik, L. M. (1994). Adaptive
Probabilities of Crossover and Mutation in
Genetic Algorithms. IEEE Transaction on
systems , 656-667.
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.
Haryono, M. E.(2005). Pengenalan Huruf
187
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815
Yogyakarta, 9 Maret 2013

menggunakan Model Jaringan syaraf tiruan of York.

radial basis function dengan randomize cluster Ali, A. H. (2008). Self-Organization Maps for
decision. Proceding Seminar Nasional Prediction of Kidney Dysfunction.
Aplikasi Teknologi Informasi 2005. F63-F67. Telecommunicztions Forum TELFOR 2008 ,
Kusaedi. (2004). Perancangan Kendali Kecepatan 775-778.
Motor DC Dengan Jaringan Syaraf Tiruan Kusumadewi. (2003). Penyelesaian Masalah
Radial Basis Function (RBF) Menggunakan Heuristik. Jakarta: Andi.
Skema Fix Stabilising Controller. Semarang: C.Blak. (1988, September 21). Retrieved Mei 19,
UNDIP Semarang. 2012, From Uci Machine Learning
Bors, Andrian. G. (2003). Introduction of The Repository: Http://Archive.Ics.Uci.Edu/Ml/
Radia Basis Function (RBF) Network. York:
Department of Computer Science University

188