|
Total jumlah User: 3169
|
| Menu |
| Home |
| Registration User |
| Login |
| Prosiding |
| 2002 |
| 2003 |
| 2004 |
| 2005 |
| 2006 |
| 2007 |
| 2008 |
| 2009 |
Data Prosiding IES |
||
| IES Tahun | : | 2006 |
| Authors | : | Yuliana Setiowati, Arna Fariza, Nur Rosyid Mubatada’i |
| Kategori | : | COMPUTATION & INFORMATION SYSTEM |
| Institusi | : | Politeknik Elektronika Negeri Surabaya Kampus ITS Sukolilo Surabaya 60111 |
| Judul | : | Pembangkitan Aturan Klasifikasi yang Melibatkan Operator Logika AND dan OR Menggunakan Genetic Programming dengan Populasi Awal Non-Random |
| Abstrak | : | Genetic programming adalah metode pencarian heuristik yang didasarkan pada proses evolusi biologi. Genetic programming merupakan cabang dari algoritma genetika. Karena ketangguhannya, maka genetic programming banyak digunakan dalam berbagai aplikasi, termasuk dalam proses klasifikasi. Keakuratan aturan yang dihasilkan dari proses klasifikasi mempunyai ketergantungan yang tinggi terhadap aturan-aturan yang dihasilkan pada saat pembangkitan populasi awal. Seringkali aturan klasifikasi yang dibangkitkan dengan populasi awal random bersifat minimal lokal yang pada gilirannya akan mempengaruhi kualitas klasifikasi yang dihasilkan. Dalam Penelitian ini dikembangkan sebuah algoritma pembangkitan aturan klasifikasi yang melibatkan operator logika AND dan OR berbasis genetic programming dengan populasi awal non random. Algoritma ini ditujukan untuk memperbaiki keakuratan klasifikasi yang dihasilkan oleh pembangkitan aturan klasifikasi yang menggunakan pembangkitan populasi awal random dengan genetic programming. D0alam hal ini, oleh karena sebuah aturan klasifikasi ditentukan oleh atribut-atribut prediksinya, maka penerapan metode pembangkitan populasi non random dimaksudkan untuk mengatur kemunculan atribut prediksi dalam aturan klasifikasi agar mempunyai peluang yang sama dan memberikan solusi yang bersifat global. Dalam penelitian yang dilakukan, representasi individu dalam proses pembangkitan aturan klasifikasi disajikan dalam bentuk tree. Sedang proses pembangkitan populasi awal non random dengan kromosom yang berbentuk tree tersebut dilakukan dengan menggabungkan metode populasi uniform dan metode pembangkitan tree. Dalam uji coba, tingkat keakuratan aturan klasifikasi yang dihasilkan dalam penelitian ini dibandingkan dengan keakuratan klasifikasi yang dihasilkan oleh metode pembangkitan aturan klasifikasi yang melibatkan populasi awal radom dan yang dihasilkan oleh perangkat lunak C4.5. Hasil uji coba menunjukkan bahwa secara rata-rata tingkat keakuratan aturan klasifikasi yang dibangkitkan dengan populasi awal non-random 4,48% lebih baik jika dibandingkan dengan hasil yang diperoleh melalui pembangkitan populasi awal random, dan 9,41% lebih baik jika dibandingkan dengan hasil yang diperoleh dengan menggunakan perangkat lunak C4.5. Sedangkan secara rata-rata waktu komputasi proses klasifikasi yang diperlukan dengan populasi awal non random 185% lebih lama dibandingkan dengan waktu proses yang diperlukan melalui pembangkitan populasi awal random. Kata Kunci: aturan klasifikasi, Genetic Programming, populasi awal non random |
| Hits | : | 357 |
Prosiding Industrial Electronics Seminar (IES) EEPIS
Homepage : http://ies.eepis-its.edu, Email : ies.eepis-its.edu
Homepage : http://ies.eepis-its.edu, Email : ies.eepis-its.edu
