Jaringan Syaraf Tiruan Dengan Pembelajar (1)

Seminar Nasional Matematika dan Aplikasinya 2013

Jaringan Syaraf Tiruan dengan Pembelajaran
Algoritma Genetika dan Diversitas untuk Deteksi
Kelas Penyakit
Abidatul Izzah 1), Ratih Kartika Dewi 2)
1)2)

Jurusan Teknik Informatika ITS Surabaya
Jl. Teknik Kimia Kampus Teknik Informatika ITS Surabaya
1)

2)

aza.syaifa@gmail.com
ratihkartikadewi@yahoo.com

Abstract— Dewasa ini pendeteksian suatu penyakit
tidak hanya dilakukan oleh ahli medis namun juga
dapat dilakukan oleh sistem cerdas. Perkembangan
ilmu ini dapat membantu kinerja ahli medis sebagai

pertimbangan untuk pengambilan keputusan dalam
diagnosa suatu penyakit. Seiring perkembangan dari
soft computing , maka metode tersebut dapat
digunakan untuk mendiagnosa suatu penyakit.
Diantara soft computing yang pernah dikembangkan
adalah Jaringan Syaraf Tiruan (JST) dan Algoritma
Genetika (GA). JST memiliki keunggulan dengan
adanya proses pembelajaran sedangkan GA
merupakan algoritma evolusioner untuk optimasi
yang memiliki kelemahan terjebak pada lokal
optimum. Untuk mengatasi permasalahan pada
algoritma evolusioner ini maka digunakan fase
eksplorasi dan eksploitasi milik Diversity-guided
Evolutionary
Algorithm
(DGEA)
yang
memanfaatkan
ukuran
diversitas

populasi.
Penelitian ini bertujuan untuk mendeteksi kelas
penyakit menggunakan JST dengan algoritma
pembelajaran
GA-Diversitas
(GAD)
untuk
menentukan kombinasi bobot dan bias optimal pada
JST yang digunakan untuk mengklasifikasi kelas
penyakit positif atau kelas penyakit negatif. Studi
kasus yang digunakan sebagai uji coba adalah
klasifikasi dataset penyakit kanker payudara yang
diperoleh dari UCI Machine Learning . Penelitian ini
menggunakan 3 skenario dan menunjukkan bahwa
JST dengan algoritma pembelajaran GAD secara
rata-rata
menghasilkan
akurasi
tertinggi
dibandingkan dengan GA dan backpropagation,

yaitu 97,75 %.
Keywords — Algoritma Genetika,
Jaringan Syaraf Tiruan, Klasifikasi

Diversitas,

I. PENDAHULUAN
Kesehatan menjadi hal yang penting dalam
kehidupan manusia. Seiring perkembangan
zaman, penyakit makin banyak dan beragam
sehingga diperlukan sistem cerdas untuk
mendeteksi
penyakit
secara
otomatis.
Pendeteksian penyakit dengan sistem cerdas
diperlukan untuk otomatisasi deteksi penyakit
misalnya membuat prediksi kelas penyakit positif
atau negatif untuk kanker payudara (Saxena dkk,
2013). Deteksi kelas penyakit juga dapat dilakukan

dengan teknologi soft computing. Dalam soft
computing, proses prediksi dapat dilakukan dengan

sebelumnya melakukan proses pembelajaran dari
dataset.
Salah satu teknologi dalam soft computing
adalah algoritma Jaringan Saraf Tiruan (JST).
Jaringan saraf tiruan dapat dioptimalkan
performanya dengan menggunakan Algoritma
Genetika (GA) untuk optimasi nilai bobot pada
JST (Saxena, 2013). JST memiliki keunggulan
dengan adanya proses pembelajaran sedangkan
GA merupakan algoritma evolusioner untuk
permasalahan optimasi. Namun sebagai algoritma
evolusi, GA memiliki kelemahan yaitu terjebak
pada lokal optimum (Cutello dkk, 2014). Untuk
mengatasi permasalahan pada GA, maka fase
eksplorasi dan eksploitasi pada Diversity-guided
Evolutionary
Algorithm

(DGEA)
dapat
dimanfaatkan. Dua fase ini dijalankan berdasarkan
ukuran diversitas populasi. Sebelumnya telah
dilakukan Hybrid DGEA dengan Algoritma
Artificial Bee Colony (ABC) untuk mengatasi
permasalahan konvergensi dini dan terjebak pada
lokal optimum (Lee dan Cai, 2011).
Dalam makalah ini diusulkan Hybrid
Algoritma
hybrid
GA-Diversitas
(GAD)
permasalahan klasifikasi penyakit. GAD ini
kemudian
digunakan
sebagai
algoritma
pembelajaran pada JST. Algoritma pembelajaran
digunakan untuk menentukan kombinasi bobot

dan bias optimal pada JST yang digunakan untuk
mengklasifikasi kelas penyakit positif atau kelas
penyakit
negatif.
Dengan
menggunakan
pendekatan metode ini diharapkan hasil diagnosa
yang diperoleh dapat dijadikan sebagai alat bantu
oleh ahli medis dalam mendiagnosis suatu
penyakit. Penelitian ini bertujuan untuk
mendeteksi kelas penyakit menggunakan JST
dengan algoritma pembelajaran GAD.
II. STUDI PUSTAKA
A. Jaringan Syaraf Tiruan

JST terinspirasi dari susunan sel syaraf
(neuron) manusia. JST merupakan algoritma
supervised learning yang memetakan data input
terhadap data output atau targetnya. JST mampu
memodelkan permasalahan non linier kompleks

yang sulit dipecahkan dengan menggunakan
persamaan matematis biasa. Struktur JST terdiri

Seminar Nasional Matematika dan Aplikasinya 2013

dari lapisan input, lapisan hidden, dan lapisan
output. Masing-masing node antar lapisan
dihubungkan dengan bobot dan dipengaruhi oleh
bias. (Jin dan Shu, 2013).
Terdapat banyak macam struktur JST. Salah
satunya adalah JST single layer dimana terdapat
satu lapisan tersembunyi yang terdiri dari
beberapa neuron hidden. Contoh struktur JST
single layer dapat dilihat pada Gambar 1.
Input
layer

Hidden
layer

Output
layer

Input
Input

Output

Input
w

Gambar 1. Struktur Neural Network Single Layer

Struktur tersebut menggambarkan JST single
layer dengan lapisan input yang terdiri dari 3
neuron, lapisan tersembunyi yang terdiri dari 4
neuron, dan satu output.
B. Algoritma Genetika
GA ditemukan pertama kali oleh Holland
pada tahun 1960. Algoritma ini terinspirasi dari

fenomena yang terjadi pada sistem biologis
makhluk hidup. (Obitko, 1998). Langkah pertama
penyelesaian masalah adalah inisialisasi populasi
kromosom. Inisialisasi populasi ini dilakukan
secara random. Kemudian dilakukan perhitungan
nilai fitness pada masing-masing kromosom pada
populasi tersebut.
Langkah kedua adalah melakukan seleksi
kromosom berdasarkan evaluasi fitness.Semakin
baik atau semakin tinggi nilai fitness suatu
kromosom,
semakin
besar
kemungkinan
kromosom tersebut terpilih. Beberapa teknik
seleksi yang bisa dipakai dalam seleksi adalah
roulette wheel, turnamen, dan elitism.

Inisialisasi

Langkah selanjutnya adalah melakukan
operator genetika yaitu crossover dan mutasi pada
kromosom yang terseleksi. Tahapan ini didasarkan
pada probabilitas terjadinya crossover (P c) dan
probabilitas terjadinya mutasi ( P m). Hasil
crossover dan mutasi adalah terbentuknya anakan.
Langkah terakhir adalah pembentukan populasi
baru dari induk dan anakan yang terbentuk. Proses
evolusi akan terus berlangsung sampai kriteria
penghentian tercapai (Gen dan Cheng, 1997).
Prosedur GA dapat dilihat pada Gambar 2.
C. Algoritma Diversitas
DGEA merupakan algoritma yang digunakan
untuk memperbaiki performa dari algoritma
evolusi untuk mengetahui kondisi kekonvergenan
(Ursem, 2002). Strategi ini digunakan untuk
mengatasi populasi dengan nilai diversitas atau
keberagaman data yang kecil sehingga cenderung
menyebabkan terjadinya kovergensi yang terlalu
cepat dan terjebak pada lokal optimu. Pengukuran

diversitas data dilakukan untuk memilih fase
eksplorasi atau eksploitasi dalam GA. Ukuran
diversitas data diperoleh dengan menggunakan
Persamaan 1.

(1)
dimana P menyatakan populasi data, N adalah
dimensi permasalahan, |L| adalah panjang diagonal
pada ruang pencarian dengan
,
adalah
nilai ke-j dari individu ke-i,dan adalah nilai ratarata yang ke-j (Ursem, 2002).
Jika dhigh merupakan suatu ambang batas dari
ukuran diversitas,
maka jika P > dhigh
menunjukkan bahwa ukuran diversitas populasi
tinggi sehingga dapat menyebabkan konvergensi
yang lambat dan perlu dilakukan eksplorasi lebih
lanjut. Namun jika P < dhigh menunjukkan bahwa
kondisi diversitas populasi rendah sehingga dapat
menyebabkan konvergensi dini dan perlu
dilakukan fase eksploitasi (Ursem, 2002).
Bagan prosedur pemilihan fase dapat dilihat
pada Gambar 3.
Hitung P dan dhigh

Evaluasi

P > dhigh

Seleksi

N

eksploitasi

Y
Crossover

Mutasi

eksplorasi
Gambar 3. Prosedur Pemilihan Fase

Populasi Baru
Gambar 2. Prosedur Algoritma Genetika

Seminar Nasional Matematika dan Aplikasinya 2013

III. METODE
A. Hybrid Algoritma Genetika – Diversitas
Algoritma diversitas dilakukan setelah proses
evolusi genetika selesai untuk satu kali generasi.
Ukuran diversitas populasi N kromosom dapat
ditentukan dengan Persamaan 1. Sedangkan batas
diversitas dari populasi akan berkurang setiap
waktu yang dinyatakan dengan Persamaan 2.

(2)
dimana C menyatakan iterasi saat ini, MNC
menyatakan jumlah iterasi maksimum atau epoch
dan nilai dari winitial adalah 0.5 dan nilai wfinal
adalah 0.
Bila nilai diversitas P lebih kecil dari nilai line
(t) maka akan dilakukan fase eksplorasi dengan
menggunakan Persamaan 3. Dimana
dan
adalah indeks
random yang dipilih, dan
merupakan nilai
random antara [0,1].
(3)
Sebaliknya, bila P lebih besar dari nilai line(t)
maka akan dilakukan fase eksploitasi. Pada fase
eksploitasi untuk menentukan posisi solusi baru
menggunakan Persamaan 4. Sedangkan untuk
mencari solusi baru yang lain digunakan
Persamaan 5. Dimana
,
, k dan j adalah indeks yang dipilih secara
random,
adalah nilai random antara [-0.5, 0.5]
dan nilai random antara [0,1].
,

(4)
(5)

B. GAD sebagai Algoritma Pembelajaran pada
JST
Langkah
pertama
adalah
melakukan
preprocessing data dan membagi data menjadi data
latih dan data uji. Kemudian dilakukan normalisasi
data sehingga data bernilai antara 0 dan 1. Selain
itu menentukan parameter yang digunakan, antara
lain adalah P c, P m, PopSize, jumlah neuron hiden,
dan maxEpoh.

Gambar 4. Struktur Kromosom

Langkah selanjutnya adalah membangkitakan
kromosom yang merupakan kombinasi bobot dan

bias. Struktur kromosom dapat dilihat pada
Gambar 4.
Pengkodean bobot dan bias yang digunakan
adalah pengkodean matriks dimana kromosom i
menyatakan solusi ke-i yang terdiri dari
merupakan bobot dari layer input ke layer hidden,
adalah bobot dari layer hidden ke layer output,
adalah bias pada layer input dan
merupakan
bias pada layer hidden.
Sebelumnya, Mirjalili dkk (2012) telah
menjelaskan tentang fungsi aktifasi dan fungsi
fitness yang digunakan untu pembelajaran dalan
JST. Fungsi aktifasi yang digunakan di hidden
layer sesuai dengan Persamaan 6.
.

(6)

Sedangkan fungsi fitness yang digunakan
adalah MSE yang sesuai dengan Persamaan 7.
(7)
IV. UJI COBA DAN ANALISIS
A. Data Uji Coba
Data yang digunakan dalam penelitian ini
adalah dataset Breast Cancer yang diambil dari
UCI Machine Learning Repository. Dataset
tersebut terdiri dari 699 record, dengan 15 record
mengandung missing value. Oleh karena itu perlu
dilakukan preprocessing untuk menangani data
dengan missing value tersebut. Preprocessing data
dilakukan dengan cara menghapus 15 record
dengan missing value sehingga dataset yang
awalnya berjumlah 699 record tereduksi menjadi
684 record. Kelimabelas record itu masingmasing adalah 13 record dari kelas Benign (kelas
0), dan 2 record dari kelas Malignant (kelas 1).
Pada akhirnya digunakan 684 record yang terdiri
dari 445 record kelas Benign dan 239 record kelas
Malignant.
B. Skenario Uji Coba

Uji coba dilakukan dengan 3 skenario.
Skenario pertama, menjadikan dataset sebagai
data latih sekaligus data uji. Skenario ini bertujuan
untuk mengetahui kebaikan akurasi dari model
yang ada. Skenario ini dilakukan sebanyak 20
replikasi. Skenario kedua adalah dengan
mempertimbangkan running time untuk masingmasing metode. Skenario terakhir adalah dengan
menggunakan metode 10-fold cross validation,
yaitu membagi masing-masing dataset menjadi 10
fold yang sama. Kemudian kombinasi 9 fold yang
berbeda akan digunakan sebagai data latih,
sedangkan 1fold yang lain digunakan sebagai data
uji. Skenario ini juga dilakukan sebanyak 20
replikasi.

Seminar Nasional Matematika dan Aplikasinya 2013

Parameter yang digunakan adalah P c = 0.6,
P m = 0.1, PopSize = 10, jumlah neuron hiden = 2,
dan maxEpoh = 50. Metode pembelajaran hybrid
GAD akan dibandingkan dengan metode
pembelajaran
menggunakan
GA
dan
backpropagation. Selanjutnya dari hasil yang
diperoleh dilakukan uji statistik one-way ANOVA
dan uji lanjutan Turkey untuk mengetahui
pengaruh adanya algoritma diversitas untuk
algoritma genetika.

1) Skenario 1: Pada skenario ini secara rata-rata
akurasi model menggunakan metode GAD
memiliki nilai paling tinggi yakni 97.745%.
Sementara akurasi model menggunakan metode
GA dan Backpropagation diperoleh nilai masingmasing sebesar 97.701% dan 97.222%. Grafik
akurasi model masing masing metode dapat dilihat
pada Gambar 5 dengan indeks 1 adalah GAD, 2
adalah GA, dan 3 adalah Backpropagation.
Grafik Akurasi Model
97.74524

97.70132

97.5

97.222745

97

96.5
1

2

9E-10

3

Gambar 5. Grafik Akurasi Model dari 3 Metode

Selanjutnya dari hasil yang diperoleh dilakukan
uji statistik one-way ANOVA diperoleh nilai pvalue 0.00 sehingga dilakukan uji lanjutan Turkey
dengan nilai masing-masing p-value dapat dilihat
pada Tabel 1.

7.5E-10
7E-10

7E-10
6E-10
1

2

3

Selanjutnya dari hasil yang diperoleh dilakukan
uji statistik one-way ANOVA diperoleh nilai pvalue > alpha sehingga dapat disimpulkan bahwa
walaupun secara rata-rata nilai running time
Backpropagation paling cepat namun tidak
signifikasn secara statistik.
3) Skenario 3: Pada skenario ini dilihat dua
nilai akurasi yakni akurasi dari pembentukan
model dari yakni proses pelatihan dan nilai akurasi
dari penggunaan model yakni proses pengujian.
secara rata-rata akurasi model menggunakan
metode GAD memiliki nilai paling tinggi yakni
97.749% untuk pembelajaran dan 97.545% untuk
pengujian.
Sementara
akurasi
model
menggunakan metode GA dan Backpropagation
pada saat pembelajaran masing-masing bernilai
97.749% dan 96.991%, sedangkan pada saat
pengujian masing-masing bernilai 97.274% dan
96.499%. Grafik akurasi hasil dari 10 Cross
Validation dapat dilihat pada Gambar 7.
Selanjutnya dari hasil yang diperoleh dilakukan
uji statistik one-way ANOVA diperoleh nilai pvalue > alpha sehingga dapat disimpulkan bahwa
walaupun secara rata-rata nilai akurasi dari 1- cross
validation GAD memiliki akurasi paling tinggi
namun tidak signifikan secara statistik.

Grafik Akurasi 10 Cross Validation

TABEL 1. PERBANDINGAN P-VALUE SKENARIO 1
Metode

8E-10

8E-10

Gambar 6. Grafik Running Time dari 3 Metode

C. Hasil dan Analisis Uji Coba

98

Grafik Run Time Model

98

p-value
GAD

GA

BP

97.5

GAD

-

.846

.000

97

GA

.846

-

.000

96.5

BP

.000

.000

-

97.749085
97.749085
96.99071
97.545605
97.27439
96.499545

96

2) Skenario 2: Pada skenario ini secara ratarata running time metode GAD memiliki nilai
paling tinggi yakni 8x1010. Sementara waktu yang
dibutuhkan metode GA dan Backpropagation
diperoleh nilai masing-masing sebesar 7.5x1010
dan 7x1010. Hal ini menunjukkan bahwa metode
GAD membutuhkan waktu yang relatif lebih lama
daripada metode yang lain dan Backpropagation
membutuhkan waktu paling cepat. Grafik waktu
yang dibutuhkan masing masing metode dapat
dilihat pada Gambar 6.

95.5

1

2

3

Gambar 7. Grafik Akurasi dan Pengujian Model dari 3 Metode

V. KESIMPULAN
Hasil pembelajaran untuk JST menggunakan
algoritma GAD memberikan model dengan hasil
akurasi yang lebih baik jika dibandingkan dengan
GA dan Backpropagation yakni 97,75 %. Dengan
pengujian menggunakan metode 10 cross

Seminar Nasional Matematika dan Aplikasinya 2013

validation, nilai akurasi model dan pengujian juga
menunjukkan nilai paling tinggi yakni 97.749%
untuk pembelajaran dan 97.545% untuk
pengujian. Namun jika ditinjau dari running time
yang dibutuhkan, secara rata-rata GAD cenderung
memakan waktu lebih lama. Dari hasil yang telah
didapatkan, dapat disimpulkan bahwa GAD
mampu memberikan nilai akurasi yang lebih baik
jika dibandingkan dengan GA. Namun, pengaruh
dari adanya algoritma diversitas tidak terlihat
signifikan untuk GA sebagai metode pembelajaran
pada JST untuk masalah dengan data yang kecil
atau berdimensi rendah. Penelitian selanjutnya
diharapkan dapat memanfaatkan JST dengan
pembelajaran GAD untuk kasus data yg lebih
besar dengan dimensi yang lebih tinggi.

DAFTAR PUSTAKA
Cutello, dkk, 2014, Escaping Local Optima via Parallelization
and Migration. Nature Inspired Cooperative
Strategies for Optimization, Vol. 512, pp 141-152

Gen, M. Cheng, R. 1997, Genetic Algorithms and Engineering
Design, Wiley, New York
Jin, F., Shu, G., 2013, Back Propagation Neural Network
Based on Artificial Bee Colony Algorithm, Strategic
Technology, Seventh International Forum, pp. 1-4
Mirjalili, S., dkk, 2012, Training feedforward neural networks
using hybrid particle swarm optimization and
gravitational search algorithm. Applied Mathematics
and Computation , Vol. 218, pp. 11125–11137
Lee, W. P., Cai, W. T., 2011, A novel artificial bee colony
algorithm with diversity strategy. In Natural
Computation
(ICNC),
Seventh
International
Conference, Vol. 3, pp. 1441-1444
Obitko, M. 1998, Genetic Algorithms, Czech Technical
University, Prague., Czech Republic
Saxena, dkk., 2013, A Survey on Neural Network Techniques
for Classification of Breast Cancer Data .
International Journal of Engineering And Advanced
Technology, Vol. 2, pp. 234-237
Ursem, R., 2002, Diversity- guided evolutionary algorithms.
Parallel Problem Solving from Nature—PPSN VII, pp.
462–471