Genetic Algorithm Neural Network (GANN)

Pada kesempatan kali ini saya akan berbagi mengenai salah satu bentuk hybrid dalam metode soft computing. Seperti yang kita ketahui bahwa penerapan genetic algorithm atau algoritma genetika sangat banyak dalam bidang - bidang seperti data mining, text classification, peramalan dll. Algoritma genetika merupakan algoritma yang sangat power full dalam masalah-masalah optimalisasi. Meskipun algoritma genetika dapat diandalkan dalam masalah-masalah optimalisasi namun algoritma genetika bukanlah algoritma yang memiliki proses pembelajaran yang cukup baik.

Neural network atau jaringan saraf tiruan juga merupakan salah satu metode dalam soft computing. Penerapan jaringan saraf tiruan sangat banyak misalnya adalah untuk memproses pengenalan sidik jari, tulisan, peramalan, pemodelan dan lain sebagainya. Mesikipun jaringan saraf tiruan sangat baik dalam proses pembelajaran namun tidak seperti algoritma genetika yang handal dalam proses optimalisasi. Jadi itulah perbedaan mendasa dalam algoritma genetika dan jaringan saraf tiruan.

Karena masing-masing kelebihan dan kekurangan kedua metode tersebut maka lahirlah sebuah metode yang menggabungkan kedua metode tersebut sehingga dapat saling menghilangkan kelemahan. Metode hasil penggabungan algoritma genetika dan jaringan saraf tiruan salah satunya adalah Genetic Algorithm Neural Network (GANN). GANN diharapkan handal dalam proses-proses optimalisasi dan pembelajaran.

Ide awal GANN berangkat dari jaringan saraf tiruan yang disupport oleh algoritma genetika. Dalam GANN ada tiga pendekatan yang umumnya dilakukan pertama algoritma genetika untuk optimalisasi input-input jaringan saraf tiruan, kedua algoritma genetika digunakan untuk optimalisasi arsitektur jaringan saraf tiruan, terakhir algoritma genetika digunakan untuk optimalisasi bobot-bobot jaringan saraf tiruan.

Algoritma genetika digunakan sebagai optimalisasi input - input jaringan saraf tiruan maksudnya adalah untuk menyeleksi variabel-variabel mana saja yang dijadikan sebagai input jaringan saraf tiruan. Misalkan dalam jaringan saraf tiruan kita menggunakan 10 variabel input maka algoritma genetika dapat kita gunakan untuk memilih variabel mana saja yang dijadikan input. Tujuan akhir dari optimalisasi input jaringan saraf tiruan adalah untuk mengefisienkan waktu pemrosesan dan melihat input mana saja yang memberikan kontribusi yang signifikan.

Algoritma genetika digunakan sebagai optimalisasi arsitektur jaringan saraf tiruan maksudnya adalah untuk mencari arsitektur seperti apa yang efisien untuk jariangan saraf tiruan. Misalkan kita ingin mencari berapa banyak node di hidden layer atau berapa banyak hidden layer yang digunakan dalam arsitektur tersebut. 

Algoritma genetika digunakan sebagai optimalisasi bobot-bobot jaringan saraf tiruan. Aritnya bobot-bobot dalam jaringan sarat tiruan dioptimalisasi dan diperbaiki menggunakan algoritma genetika. Tujuannya adalah untuk mencari bobot-bobot yang optimal dalam jaringan saraf tiruan tersebut.

Itulah penjelasan sederhana dari hybrid Algoritm genetika dan jaringan saraft tiruan, semoga tulisan ini bermanfaat bagi kita semua.

sumber gambar : http://sites.psu.edu/renko/files/2013/03/dna.jpg