OPTIMASI PARAMETER NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA PADA STUDI KASUS DETEKSI KENKER PAYUDARA : Penulis : Adam Mizza Zamani - 5108100042 : Dosen Pembimbing : Bilqis Amaliah, S.Kom., M.Kom. Abdul Munif, S.Kom., M.Sc. 11/07/2012 1 Tugas Akhir – KI091391
19
Embed
: Penulis : Adam Mizza Zamani - 5108100042 : Dosen Pembimbingdigilib.its.ac.id/public/ITS-paper-25819-5108100042-Presentation.pdfGambaran umum metode 11/07/2012 Tugas Akhir 4 Pembangkitan
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
OPTIMASI PARAMETER NEURAL NETWORK MENGGUNAKAN
ALGORITMA GENETIKA PADA STUDI KASUS DETEKSI KENKER
• Kanker payudara adalah salah satu kanker mematikan yang sering diderita kaum wanita.
• Dibutuhkan pendeteksian kanker lebih dini agar dampak buruk dapat dicegah.
2
• Diperlukan metode klasifikasi untuk pendeteksian dini kanker payudara.
• Metode kombinasi Neural Network dan Association Rules.
• Hasil akurasi prediksi masih kurang maksimal, dan butuh dioptimalkan.
3
• Pengembangan metode klasifikasi Neural Network.
• Optimasi parameter jumlah unit hidden layer dan learning rate.
• Algoritma genetika merupakan solusi yang tepat.
11/07/2012 2 Tugas Akhir
Rum
usan
M
asal
ah
1
• Bagaimana menemukan parameter jumlah unit (node) pada hidden layer dan learning rate agar terbentuk model Neural Network dengan akurasi terbaik dengan memanfaatkan algoritma genetika pada kasus dataset breast cancer wiscosin.
2
• Manakah metode yang menghasilkan performa akurasi paling baik dari tiga macam metode yang diuji. Optimasi parameter Neural Network menggunakan algoritma genetika ataukah metode Neural Network dengan optimasi Association Rules ataukah metode Naïve Bayesian.
11/07/2012 3 Tugas Akhir
Gambaran umum metode
11/07/2012 4 Tugas Akhir
Pembangkitan populasi awal acak [10,15]
Seleksi Roulette Wheel
Selection
Kawin Silang Crossover
Mutasi
Pelatihan model
< learning >
Pengujian model
< testing >
Nilai fitness kromosom
Mencari nilai fitness
???
Generasi ke - 1
Neural Network Model
Learning rate
N unit hidden layer
Inisialisasi bobot awal
Preprocessing data
10 fold cross validation
Data pelatihan
Data uji
Generasi ke - n
Pembangkitan Populasi Awal
11/07/2012 Tugas Akhir 5
Bangkitkan bilangan acak n antara 10 s/d 15.
Bangkitkan bilangan acak k1 antara 1 s/d 7.
Bangkitkan bilangan acak k2 antara 1 s/d 63.
Konversi nilai k1 ke dalam biner dengan panjang 3 bit.
Konversi nilai k2 ke dalam biner dengan panjang 6 bit.
Gabungkan k1 dan k2.
n = 11
k1 = 7 k2= 26
111 011010
111011010
n = 11
k1 = 6 k2= 25
110 011001
110011001
n = 1
n Kromosom
1 110011001
.
.
.
.
.
.
11 111011010
Pelatihan Model Neural Network
11/07/2012 Tugas Akhir 6
Tahap umpan maju (feedforward)
1
1
2
2
1
3
Pelatihan Model Neural Network (lanjutan)
11/07/2012 Tugas Akhir 7
Tahap umpan mundur (backward)
1
1
2
2
1
3
Pelatihan Model Neural Network (lanjutan)
11/07/2012 Tugas Akhir 8
Tahap perubahan
bobot w dan v UW
(Update weight)
Nilai bobot w yang baru:wij(baru) = wij(lama) + Δwij;w0(baru) = w0(lama) + Δw0;
(bias)
Nilai bobot v yang baru:vjk(baru) = vjk(lama) + Δvjk;v0(baru) = v0(lama) + Δv0;
(bias)
Pengujian Model Neural Network
11/07/2012 Tugas Akhir 9
START
Input :Data uji
ndata = jumlah data;
i = 1;t = target;
TP (True Prediction) = 0;
[feedforward]yk = nilai output
res = Math.Round(yk,0)
res = target
TP = TP + 1;
i ≤ ndata
Ya
Tidak
i = i + 1;
YaHitung akurasi
(TP / ndata) * 100%
Tidak
END
Metode
Evaluasi
PREDICTED
CLASS
ACTUAL
CLASS
1 0
1 a
(TP)
b
(FP)
0 c
(FP)
d
(TP)
1
1
2
2
1
3
Roulette Wheel Selection
11/07/2012 Tugas Akhir 10
Langkah - langkah seleksi :
1) Jumlahkan seluruh nilai fitness
2) Mencari probabilitas tiap kromosom
3) Membentuk chance table
4) Memilih kromosom berdasarkan nilai r, dimana r adalah bilangan acak antara 0 s/d 1.
5) Berada di posisi indeks manakah r dalam chance table, maka kromosom pada indeks itulah yang dipilih.
Kromosom Fitness Probabilitas
110111100 0.675 0,09
001100011 0.875 0,12
100001010 0.984 0,13
100001100 0.867 0,12
111001110 0.345 0,05
011111111 0.555 0,08
010111110 0.900 0,12
011010100 1 0,14
101001111 0.233 0,03
111000001 0.812 0,11
010011001
Jumlah
0.122
7.368 0,02
1
Kromosom Batas bawah Batas atas
110111100 0 < 0,09
001100011 0,09 < 0,21
100001010 0,21 < 0,34
100001100 0,34 < 0,46
111001110 0,46 < 0,51
011111111 0,51 < 0,58
010111110 0,58 < 0,71
011010100 0,71 < 0,84
101001111 0,84 < 0,87
111000001 0,87 < 0,98
010011001 0,98 < 1
r Indeks Kromosom
0,0307 1 110111100
0,5899 7 010111110
0,0550 1 110111100
0,7401 8 011010100
0,2895 3 100001010
0,9171 10 111000001
Crossover
11/07/2012 Tugas Akhir 11
• Pertukaran bit gen dari dua induk secara acak. Crossover dilakukan pada setiap individu dengan nilai probabilitas (cp) tertentu.
• Langkah - langkah crossover :
1) Bangkitkan cp secara acak antara 0 s/d 0.75.
i. Bangkitkan r secara acak untuk setiap kromosom.
ii. Terjadi atau tidaknya crossover ditentukan dengan syarat :
iii. Jika terjadi crossover, maka bangkitkan idx secara acak antara 1 s/d 8.
iv. Jika tidak, kromosom menjadi offspring (keturunan).
Individu r cp idx induk offspring
101000010 0,9 0.45 101000010 101000010
100100011 0.4 0.45 2 100100011 10|1111011
011111011 01|0100011
011111011 0.1 0.45 7 011111011 1111111|11
111111101 0111110|01
111111101 0.2 0.45 4 111111101 1111|00010
101000010 1010|11101
cp = 0.45
Mutasi
11/07/2012 Tugas Akhir 12
• Mutasi gen merupakan operator yang menukar nilai gen dengan nilai invers-nya. Setiap kromosom mengalami mutasi gen dengan probabilitas tertentu (mp).
• Langkah - langkah mutasi :
1) Bangkitkan mp secara acak antara 0.01 s/d 0.09
i. Bangkitkan r secara acak untuk setiap kromosom.
ii. Terjadi atau tidaknya mutasi ditentukan :
i. Bangkitkan numbit antara 1 s/d 9. Menunjukkan banyaknya bit yang termutasi.
ii. Bangkitkan place antara 1 s/d 9 sebanyak jumlah numbit. Menunjukkan posisi bit mana yang termutasi.
Kromosom r mp numbit place offspring
101011110
001010101
010101111
111111110
.546
.031
.010
.045
.05
.05
.05
.05
1
5
3
9
1,2,3,1,6
5,1,2
101011110
001010100
001100111
100101110
mp = 0,05
Data Uji Coba • Dataset yang awalnya berjumlah 684 data akan dibagi
menjadi 10 fold (bagian). Masing-masing fold berjumlah 68 data (684 dibagi 10 sisa 4 data). 4 data yang tersisa digunakan untuk tambahan data uji pada setiap fold-nya, artinya 4 sisa data tersebut selalu ditambahkan pada fold yang berfungsi sebagai data uji.
• Kombinasi 9 fold yang berbeda akan digabung dan digunakan sebagai data pelatihan, sedangkan 1 fold (sisa) digunakan sebagai data uji.
• Uji performa dengan membandingkan Inisialisasi bobot awal Neural Network :
•Inisialisasi bobot secara acak
•Inisialisasi bobot dengan metode Nguyen-Widrow
Skenario 3
• Uji performa dengan membandingkan kisaran nilai crossover probability :
•0 - 0.5
•0 - 0.75
•0 - 1
Skenario 4
•Uji perfrorma rata-rata akurasi untuk 10 fold :
•Klasifikasi Neural Network dengan optimasi parameter menggunakan algoritma genetika
•Klasifikasi Naïve Bayesian
11/07/2012 14 Tugas Akhir
Hasil & Analisis skenario 1
Untuk kriteria maximum(100) generation, didapatkan rata-rata akurasi 98.4% dan standar deviasi sebesar 0.013
Untuk kriteria konvergent generation, didapatkan rata-rata akurasi 99.0% dan standar deviasi sebesar 0.010
11/07/2012 Tugas Akhir 15
91
92
93
94
95
96
97
98
99
100
101 1 8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
Aku
rasi
(%)
Generasi ke-n
Konvergensi
Max Fitness
91
92
93
94
95
96
97
98
99
100
101
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
Aku
rasi
(%)
Generasi ke-n
100 generasi
Max Fitness
Hasil & Analisis skenario 2
Untuk inisialisasi bobot awal secara acak, didapatkan rata-rata akurasi 92.5% dan standar deviasi sebesar 0.018
Untuk inisialisasi bobot awal dengan metode Nguyen Widrow, didapatkan rata-rata akurasi 93.4% dan standar deviasi
sebesar 0.013
11/07/2012 Tugas Akhir 16
87
88
89
90
91
92
93
94
1 2 3 4 5
Aku
rasi
(%)
percobaan ke-n
Inisialisasi bobot awal Neural Network
Random
Nguyen Widrow
Hasil & Analisis skenario 3
Untuk cp 0 - 0.5 menghasilkan rata-rata akurasi sebesar 96.84% dan standar deviasi sebesar 0,018
Untuk cp 0 - 0.75 menghasilkan rata-rata akurasi sebesar 97.08% dan standar deviasi sebesar 0,009
Untuk cp 0 - 1.0 menghasilkan rata-rata akurasi sebesar 97.28% dan standar deviasi sebesar 0,010
11/07/2012 Tugas Akhir 17
95
95,5
96
96,5
97
97,5
98
1 2 3 4 5
Aku
rasi
(%)
percobaan ke-n
Crossover probability
0 - 0.5
0 - 0.75
0 - 1
Hasil & Analisis skenario 4
Metode
“Optimasi parameter Neural Network dengan optimasi algoritma genetika”
:: Rata-rata akurasi sebesar 97.0% ::
Metode
“Klasifikasi Naïve Bayesian”
:: Rata-rata akurasi sebesar 96.2% ::
11/07/2012 Tugas Akhir 18
fold Rata-rata akurasi
(%)
1 98,6
2 100
3 98,6
4 98,6
5 98,6
6 95,8
7 94,4
8 98,6
9 94,4
10 91,7
Rata-rata 97,0
fold Rata-rata akurasi
(%)
1 97,2
2 98,6
3 98,6
4 97,2
5 97,2
6 95,8
7 93,1
8 97,2
9 97,2
10 90,3
Rata-rata 96,2
Kes
impu
lan
•Metode Neural Network yang dioptimalkan parameternya menggunakan algoritma genetika terbukti mampu menghasilkan nilai rata-rata akurasi yang tinggi untuk studi kasus deteksi awal kanker payudara
1
•Memiliki keunggulan dalam hal tingkat akurasi yang tinggi dibandingkan metode Naïve Bayesian dan metode Neural Network menggunakan optimasi Association Rules
2
•Kelemahan dari metode optimasi parameter Neural Network menggunakan algoritma genetika ini adalah membutuhkan waktu komputasi yang lama.
3
•Parameter optimal untuk cp (crossover probability) adalah range antara 0.0 – 1.0
4
•Penggunaan metode Nguyen Widrow untuk inisialisasi bobot awal Neural Network terbukti menghasilkan rata-rata akurasi lebih baik dari pada inisialisasi secara acak
5
•Nilai rata-rata akurasi yang dapat dicapai oleh sistem sebesar 97,00%