Gambar 3 Hasil akurasi klasifikasi citra menggunakan FLBP.
2.2 Probabilistic Neural Network PNN
PNN merupakan Artificial Neural Network ANN yang menggunakan teorema probabilitas klasik pengklasifikasian Bayes. PNN diperkenalkan oleh
Donald Specht pada tahun 1990. PNN menggunakan pelatihan training supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil
training melainkan nilai yang dimasukkan tersedia Wu et al. 2007.
Gambar 4 Struktur PNN. Struktur PNN pada Gambar 4 terdiri atas empat lapisan, yaitu lapisan
masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusankeluaran. Lapisan masukan merupakan objek � yang terdiri atas � nilai ciri yang akan
diklasifikasikan pada � kelas. Proses-proses yang terjadi setelah lapisan masukan adalah:
10 20
30 40
50 60
70 80
90 100
1 2
3 4
5 6
7 8
9 10 11 12 13 14 15 16 17 18 19 20
Akurasi Parameter fuzzifikasi F
FLBP 8,2
1. Lapisan pola pattern layer Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang
digunakan. Setiap node pola merupakan perkalian titik dot product dari vektor masukan � yang akan diklasifiksikan dengan vektor bobot �
, yaitu �
= � . � , �
kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu ������ � = exp −�
. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah.
� � = ��� − 5
��� ∶ �, ��������� ������� ����� ������ � ����� ��� � ����� 2. Lapisan penjumlahan summation layer
Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:
� � =
exp− 6
3. Lapisan keluaran output layer Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika
nilai � �
paling besar dibandingkan kelas lainnya.
2.3 Algoritme Genetika
Algoritme genetika atau genetic algorithm GA adalah pengoptimasian dan teknik pencarian berdasarkan prinsip genetik dan seleksi alam Haupt Haupt
2004. GA dapat diaplikasikan untuk menyelesaikan permasalahan optimasi kombinasi, yaitu dengan mendapatkan suatu nilai solusi optimal terhadap suatu
permasalahan yang mempunyai banyak kemungkinan solusi Hermawanto 2003. GA digunakan untuk menemukan solusi dalam masalah yang kompleks
melalui kumpulan-kumpulan metode atau teknik seperti fungsi evaluasi fitness function, pindah silang, mutasi, dan seleksi alam Owais et. al 2005.
GA dikarakterisasi dengan 5 komponen dasar yaitu : 1
Representasikan kromosom untuk memudahkan penemuan solusi dalam masalah pengoptimasian.
2 Inisialisasi populasi.
3 Fitness function yang mengevaluasi setiap solusi.
4 Proses genetik yang menghasilkan sebuah populasi baru dari populasi yang
ada. 5
Parameter genetika seperti ukuran populasi, probabilitas proses genetik, banyaknya generasi, dan lain-lain.
Gen dan Cheng 2000 menjelaskan bahwa algoritme genetika memelihara populasi dari individu Pi pada setiap generasi ke-i. Setiap individu
merepresentasikan sebuah solusi potensial yang kemudian dievaluasi untuk dinilai fitness-nya dan setiap individu menjalani transformasi stokastik menggunakan
operasi genetik untuk membentuk individu baru. Ada dua jenis transformasi yang digunakan yaitu mutasi dan pindah silang
crossover. Transformasi tersebut akan menghasilkan individu baru Ci yang akan dievaluasi kembali. Setelah beberapa generasi dilakukan pada setiap
individu, hasil akhir yang didapat menjadi konvergen dan terbaik. Individu terbaik inilah yang diharapkan menjadi solusi optimal atau suboptimal dari masalah.
Struktur umum dari algoritme genetika dijelaskan sebagai berikut: Prosedur: Algoritme Genetika
begin i ← 0;
inisialisasi Pi; evaluasi Pi;
while i = maksimum iterasi do begin
rekombinasi Pi; evaluasi Ci;
pilih Pi+1 dari Pi dan Ci; i ← i + 1;
end end