Tugas Besar AI_Algoritma Genetika_Neural network

14:01 Pemrograman Web 2 Comments

TB Kecerdasan Buatan

Algoritma Genetika

Neural network



Neural network adalah sistem pengolah informasi yang mempunyai karakteristik mirip dengan jaringan syaraf biologis, yaitu jaringan syaraf pada otak manusia.

  Karakteristik dari neural network ditentukan oleh beberapa hal, yaitu:

1)Arsitektur, merupakan bentuk pola hubungan antara neuron-neuronnya. 

2)Learning algorithm (algoritma untuk proses belajar), merupakan metode yang digunakan untuk menentukan bobot dari hubungannya

3)Fungsi aktivasi, merupakan fungsi untuk menghasilkan output.

Tujuan dari pelatihan neural network
adalah untuk mencari bobot-bobot yang terdapat dalam tiap layer.
Ada dua jenis pelatihan dalam sistem neural network, yaitu :
a)proses belajar terawasi (supervised learning)
b)proses belajar tak terawasi (unsupervised learning).
  
Langkah-langkah Persiapan pada Algoritma Genetik
Langkah persiapan yang harus dilaksanakan adalah sebagai berikut :
1. Menentukan bentuk representasi genetik.
    Representasi gennya bisa berupa:
    a. Representasi Bit: gen dalam kromosom hanya dapat bernilai 0 atau 1.
 
    b. Representasi Floating Point : allele
        dari setiap gen bertipe floating point.
           
     c. Representasi Integer : allele dari setiap gen bertipe integer.
            
2. Menentukan suatu cara untuk menciptakan populasi awal.
3. Menentukan fungsi fitness (Fitness Function). Fungsi fitness akan menentukan keoptimuman
    suatu individu dan nilai yang dihasilkan oleh fungsi tersebut disebut dengan nilai fitness.
4. Menentukan operasi-operasi genetik yang akan digunakan.
5. Menentukan parameter-parameter pengendali jalannya algoritma genetik, yaitu:
    a. Ukuran populasi (L), yaitu banyaknya individu yang terdapat dalam populasi.
    b. Jumlah maksimum generasi (Gen), yaitu jumlah maksimum iterasi yang akan dijalankan pada 
        algoritma genetik.
    c. Probabilitas crossover (Pc), probabilitas mutasi (Pm), dan probabilitas reproduksi (Pr) yang 
        masing-masing menentukan besarnya kemungkinan individu untuk melakukan operasi 
        crossover, mutasi dan reproduksi.
6. Menentukan suatu kriteria untuk menghentikan jalannya algoritma, yaitu: 
    a. Apabila generasi saat ini telah mencapai jumlah maksimum generasi. 
    b. Apabila solusi yang paling optimal telah ditemukan.
7. Menentukan individu terbaik yang terdapat dalam populasi pada saat kriteria pemberhentian 
     jalannya algoritma terpenuhi.
Diagram Flow Pelatihan Neural Network Dengan Algoritma Genetik

 Kesimpulan
-Dari beberapa percobaan yang telah dilakukan, dapat diketahui bahwa algoritma genetik tidak 
  melakukan perbaikan terhadap neural network. Memang, kalau backpropagation tersebut ditambah
  dengan iterasi milik algoritma genetik akan menghasilkan output yang lebih optimal tetapi  
  membutuhkan waktu yang lebih tinggi. Padahal, seandainya jika waktu tersebut diberikan kepada 
  metode backpropagation maka akan dihasilkan suatu output yang jauh lebih optimal lagi. Jadi 
  sebenarnya, algoritma genetik tidak melakukan perbaikan sama sekali.
-Hasil pelatihan neural network baik dengan dan tanpa algoritma genetik sangat tergantung pada 
  proses inisialisasi yang diambil dari nilai acak (random) sehingga hasilnya akan berlainan setiapkali 
  melakukan pelatihan.
-Keakuratan data sangat tergantung pada nilai error yang dihasilkan pada saat pelatihan. Semakin 
  kecil nilai error yang dihasilkan maka solusi yang dihasilkan akan semakin akurat dan untuk 
  mendapatkan nilai error yang semakin kecil diperlukan jumlah iterasi yang banyak pula. Dalam hal 
  ini, jumlah iterasi pada pelatihan neural network yang menggunakan algoritma genetik adalah 
  jumlah generasi.
-Semakin besar populasi dan semakin banyak jumlah generasi maka waktu yang diperlukan untuk 
  proses pelatihan akan semakin lama. Tetapi, lebih baik menggunakan jumlah ukuran populasi
  yang lebih sedikit dan dikompensasikan dengan jumlah generasi yang lebih banyak. 



Nama  : Muh.Rezky Putra M

NPM   : 1134013
Kelas  : D4 TI.3A

2 komentar: