Desain dan Implementasi Komputasi Paralel dengan Algoritma Genetik untuk Prapemrosesan Probabilistic Neural Network Vol 3, No 1, 2005

Abstract

"Probabilistic Neural Network (disingkat PNN) merupakan salah satu jaringan saraf tiruan yang banyak dikembangkan bagi kepentingan manusia. PNN memiliki tingkat akurasi klasifikasi yang cukup tinggi dan waktu pelatihan yang cukup singkat. Salah satu faktor yang mempengaruhi akurasi klasifikasi PNN adalah parameter penghalus (σ). Proses pencarian nilai σ yang optimum merupakan salah satu prapemrosesan yang harus dilakukan sebelum masuk ke PNN. Nilai parameter σ tidak dapat ditentukan secara langsung. Oleh sebab itu algoritma genetik dapat digunakan untuk mencari nilai σ yang optimum. Pada umumnya solusi dari algoritma genetik semakin baik apabila jumlah populasi yang dibangkitkan cukup besar dan proses alamiah evolusi sering terjadi. Hal ini tentunya membutuhkan banyak iterasi dan sumberdaya komputasi yang cukup besar. Permasalahan ini dapat diatasi dengan menggunakan komputasi paralel yang menerapkan metode pelemparan pesan. Dengan mengkombinasikan metode algoritma genetik dan pemrosesan paralel untuk menduga parameter penghalus (σ), maka diharapkan akan diperoleh model PNN yang optimum. Penelitian ini bertujuan untuk menguji dan membandingkan kinerja dari algoritma genetik sekuensial, algoritma genetik paralel mode vektor baris, dan algoritma genetik mode vektor kolom. Penelitian menggunakan basis data bunga iris yang dikembangkan oleh R.A. Fisher. Berbagai kriteria yang digunakan untuk uji analisis adalah akurasi klasifikasi PNN, waktu eksekusi total, rasio kebergantungan mesin, peningkatan kecepatan, dan efisiensi. Dari percobaan didapatkan kesimpulan bahwa secara umum kinerja algoritma genetik paralel jauh lebih baik apabila dibandingkan dengan algoritma genetik sekuensial. Sedangkan kinerja antara algoritma genetik paralel mode vektor baris dan kinerja algoritma genetik paralel mode vektor kolom tidak terlampau jauh berbeda."