Optimisasi Smoothing Parameters Pada Probabilistic Neural Network (PNN) Dengan Menggunakan Algoritma Genetika (Studi Kasus Pada Pengenalan Wajah).

Abstract

Probabilistic Neural Network (PNN) merupakan Jaringan Syaraf Tiruan (JST) untuk pengenalan pola yang digunakan pada fungsi pendugaan kepekatan peluang metode kernel. Silverman (1990) membuktikan bahwa pemilihan kernel yang berbeda pada fungsi penduga kepekatan peluang tidak berpengaruh nyata terhadap MISE (Mean Integrated Square Error) tetapi pemilihan smoothing parameters yang optimal merupakan hal yang sangat penting dalam pendugaan kepekatan peluang. Sedangkan algoritma genetika merupakan salah satu metode optimisasi stochastic yang digunakan untuk melakukan optimisasi pada permasalahan yang sulit (Gen & Cheng, 1997). Pada penelitian ini, PNN diimplementasikan untuk melakukan pengenalan wajah (face recognition). Dengan mengimplementasikan algoritma genetika untuk optimisasi smoothing parameters pada PNN, diharapkan dapat diketahui tingkat akurasi maksimum yang dihasilkan PNN untuk melakukan identifikasi atau pengenalan wajah. Pada penelitian ini digunakan sebanyak tiga puluh data wajah berukuran 120x128 pixel dari sepuluh orang yang berbeda. Jadi, total data yang digunakan berjumlah tiga ratus data wajah. Terdapat tiga buah faktor yang diamati pada penelitian ini yaitu persentase data training yang digunakan oleh PNN, persentase keragaman data pada preprocessing data dengan Principal Components Analysis (PCA) dan smoothing parameter. Hasil penelitian menunjukkan bahwa PNN dapat melakukan identifikasi wajah dengan tingkat akurasi yang tinggi dan algoritma genetika dengan efektif dapat digunakan untuk mendapatkan smoothing parameters (h) yang optimum pada PNN. Terjadi peningkatan tingkat akurasi dengan meningkatnya persentase data training yang digunakan dan persentase keragaman data pada preprocessing dengan PCA. Penelitian ini juga mendapatkan hasil bahwa PNN dengan smoothing parameters (h) berbeda relatif lebih baik melakukan identifikasi dibandingkan dengan PNN dengan dengan smoothing parameters (h) sama. PNN dengan dengan smoothing parameters (h) berbeda dapat mencapai tingkat akurasi 100% dengan hanya menggunakan data training sebesar 10% dan keragaman data 98,5%. Sedangkan PNN dengan dengan smoothing parameters (h) sama mendapatkan tingkat akurasi 100% dengan menggunakan data training sebesar 30% dan keragaman data 98,5%.