OPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA

Transkripsi

1 Vol. 5, o. 3, Januar 2010 ISS OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud Manaemen Informatka, Gedung AH, Polteknk eger Malang Jl. Soekarno Hatta o.9 Malang **&*** Program Pasca Sarana Jurusan eknk Informatka, IS Jl. Raya IS, Kampus IS, Sukollo, Surabaya, E-Mal: * rrd@cs.ts.ac.d, ** agusza@cs.ts.ac.d, *** anny@cs.ts.ac.d Abstrak Metode regularsas danalsa untuk mengklasfkas data sehngga dperoleh hasl pengklasfkasan yang lebh tepat dalam pengenalan pola. Metode Dscrmnatvely Regularzed Least Square Classfcaton (DRLSC) dgunakan sebaga metode pengklasfkasan data berdasarkan nformas dskrmnatf dengan menerapkan penghtungan matrk Laplacan. Kelemahan DRLSC adalah hasl dar pengklasfkasan data dpengaruh oleh umlah tetangga terdekat dar setap data (K) dan parameter regularsas(η). Peneltan n bertuuan untuk menentukan umlah tetangga terdekat dan parameter regularsas secara otomats dengan memnmalkan ftness berdasarkan kesalahan pembelaaran untuk menghaslkan bobot dengan kualtas yang bak. Penentuan nla dlakukan dengan menggunakan Algortma Genetka (GA) sebaga metode optmas. GA menggunakan probabltas crossover 100% dan mutas gaussan dengan probabltas 20%. Seleks dalam operas crossover, dlakukan berdasarkan urutan data yang memlk nla ftness terbak hngga nla ftness terburuk. Metode GA yang dterapkan untuk mengoptmalkan metode DRLSC menghaslkan nla ftness yang lebh bak ka dbandngkan dengan metode DRLSC tanpa optmas, dengan perbedaan nla ftness antara e-004 hngga 0,0048. Kata Kunc: Algortma Genetka, Dscrmnatvely Regularzed Least Square Classfcaton, Pengenalan Pola. Abstract Regularzaton method has been appled n pattern recognton whch ams at producng of classfcaton data n order to obtan a more accurate classfcaton. he classfcaton of data based on the nformaton dscrmnatng based on Laplacan matrx method has been appled wth Dscrmnatvely Regularzed Least Squares Classfcaton (DRLSC). he weakness of DRLSC s that the result of data classfcaton s strongly nfluenced by the amount of the nearest neghbors on each data and regularzaton parameter. he purpose of ths study s to determne the number of the nearest neghbors and the regularzaton parameters automatcally by mnmzng the ftness based on the learnng error to produce good qualty. Optmzaton method used n ths study s the learnng method of Genetc Algorthm (GA). GA uses crossover probablty 100% and random gaussan mutaton wth a probablty 20%. he selecton n the crossover operaton s based on sequence of the data from best to worst ftness value. GA method whch s appled to optmze DRLSC method produces better ftness value f t s compared wth DRLSC method wthout optmzaton. he dfference ftness value s between e-004 and Key words: Genetc Algorthm, Dscrmnatvely Regularzed Least Squares Classfcaton, Pattern Recognton. 166

2 Rrd dkk, Optmas Metode Dscrmnatvely 167 PEDAHULUA Metode regularsas pada pengenalan pola telah mengalam perkembangan msalkan untuk pengklasfkasan dan pengelompokan data (clusterng). uuan dar pengklasfkasan data adalah kemampuan komputer dalam mengenal pola secara otomats untuk menghaslkan datadata berdasarkan kategor yang berbeda [1]. Pada beberapa metode regularsas sepert metode Support Vector Machne (SVM), Regularzaton etwork (R), Least Square Support Vector Machne (LS SVM), Generalzed Radal Bass Functon (GRBF) dan Manfold Regularzaton (MR), belum mengklasfkaskan data berdasarkan nformas dskrmnatf. Selan tu, metode-metode tersebut membutuhkan lebh dar satu parameter regularsas. Pada pengklasfkasan, nformas dskrmnatf bertuuan untuk memaksmalkan arak data-data yang berbeda kelasnya agar menghaslkan pengklasfkasan yang lebh akurat [2]. Metode Dscrmnatvely Regularzed Least Square Classfcaton (DRLSC) menggunakan dua grafk berdasarkan konsep keterhubungan data-data pada kelas yang sama (ntraclass) dan keterhubungan data-data pada kelas yang berbeda (nterclass) yang bertuuan untuk lebh memaksmalkan pengklasfkasan data berdasarkan nformas dskrmnatf. Sedangkan pada metode SVM, pengklasfkasan data yang terbag pada banyak kelas (multclass) dlakukan dengan beberapa kal pengklasfkasan data berdasarkan dua kelas (bnaryclass). Kelebhan dar metode DRLSC selan berdasarkan nformas dskrmnatf adalah dapat mengklasfkaskan data secara multclass dengan serangkaan persamaan lnear. Multclass tdak perlu dklasfkaskan ke dalam bentuk beberapa bnaryclass dengan menggunakan metode Least Square [2]. Metode DRLSC membutuhkan satu parameter regularsas untuk mengklasfkaskan data, sedangkan pada metode sebelumnya, yatu MR membutuhkan dua parameter regularsas. Kelemahan dar metode DRLSC adalah pada hasl pengklasfkasannya sangat dpengaruh oleh umlah tetangga terdekat setap data sebanyak K dan parameter regularsas. Berdasarkan hal n maka perlu adanya optmas pada penentuan umlah tetangga terdekat pada setap data (K) dan parameter regularsas ( η ). Peneltan n mengoptmaskan parameter K dan η dengan Algortma Genetka yang bertuuan untuk mendapatkan nla dar kedua parameter n secara otomats dengan memnmumkan ftness pembelaaran. DISCRIMIAIVE REGULARIZED LEAS SQUARE CLASSIFICAIO (DRLSC) Peneltan n dalam pengklasfkasannya menggunakan metode Dscrmnatve Regularzaton Least Square Classfcaton (DRLSC) yang dbangun berdasarkan graph dan operas matrk. Konsep graph pada metode DRLSC dterapkan ketka membangun matrk adacency dan matrk Laplacan sedangkan konsep penghtungan matrk dterapkan sebaga dasar dalam penghtungan Least Square. Konsep dasar pembangunan graph (G) dengan menggunakan metode K earest eghbor dgunakan untuk menentukan hubungan antara data. Pada setap data x, maka dcar K data yang memlk arak yang terdekat kemudan dbangun edge yang menghubungkan data x dengan K data. K data yang terdekat dsmpan pada varabel 1 ne()=x,..., x. Pada DRLSC dbangun dua k graph berdasarkan ntraclass (G w ) dan nterclass (G b ). Sebelum membangun graph maka perlu dbag data ne menad dua subset, yatu sepert yang dtunukkan dalam Persamaan (1) dan (2). ne w () ={ x ka x dan x masuk pada kelas yang sama, 1 K} (1) ne b () ={ x ka x dan x masuk pada kelas yang berbeda, 1 K} (2) Pembangunan graph G w dan G b berdasarkan matrk adacency dengan keanggotaan dar ne w dan ne b. Setelah pembangunan matrk G w dan G b, maka dlanutkan dengan pembangunan matrk Laplacan. Matrk Laplacan dbangun sebagamana Persamaan (3) dan (4). Lw Dw G w (3) Lb D b G b, (4) dmana D adalah matrk dagonal dengan w elemen dagonalnya merupakan umlah seluruh

3 168 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm elemen dar G w. Sedangkan D b merupakan matrk dagonal dmana elemen dagonalnya merupakan umlah seluruh elemen dar G. Pada pengklasfkasan bnary class dmana parameter R, dapat drumuskan sebagamana Persamaan (5) I b 0 = y b (5) Dmana b adalah varabel bas, merupakan varabel perkalan Langrange (Langrange multpler), dan S ddapatkan dar Persamaan (6). S L L X X w 1 b (6) Dmana x, x S x 1, 1,..., 1, 1,...,, I R, I merupakan matrk denttas dan X adalah kumpulan dar data-data x. Jka data dproyekskan berdasarkan kernel, maka perlu pembangunan matrk kernel dengan cara data dproyekskan ke dalam fungs kernel kemudan dlanutkan dengan penyelesaan persamaan lner [2]. Kernel yang dgunakan adalah kernel gaussan [2]. Persamaan (7) adalah persamaan untuk kernel gaussan [3][4][5]. 2 x x K(x,x )= exp. 2 2σ (7) Penghtungan bobot (w) berdasarkan Persamaan (8). w ( S ) x (8) 1 Untuk pengklasfkasan multclass, maka pada label kelas dbangun secara vektor dengan tuuan dapat mengatas permasalahan multclass. Jka data x termasuk pada kelas k maka target kelas adalah Y=[0,...,1,...,0] R c, dmana kelas ke-k bernla 1 dan yang lan bernla 0. Penghtungan actual output pada multclass dapat dlakukan dengan menggunakan Persamaan (9). f ( x) w x b (9) Dmana wr nxc, br c Persamaan multclass ddefnskan dalam Persamaan (10). b I Y (10) Dmana 1,...,,0 c 0,...,0,Y y1,..., y, parameter yang lan termasuk Ω memlk penyelesaan yang sama dengan penyelesaan pada bnary class. Algortma Genetka (GA) Algortma Genetka memlk konsep natural selecton untuk permasalahan search dan optmas. Dalam hal n mencar data dengan nla terbak dar suatu kumpulan data. Ruangan dar semua kumpulan nla n dnamakan search space. Setap pont pada search space mampu memberkan suatu solus. Dengan demkan setap pont pada search space dapat dberkan nla ftness tergantung dar defns permasalahan. GA berusaha mencar satu pont terbak dar search space. Permasalahan dalam hal n adalah local mnma dan nla awal dar pencaran data. Penggunaan random pada GA merupakan hal yang sangat pentng, karena pada proses seleks dan pada reproduks membutuhkan random. Setap teras pada pembelaaran dengan metode GA akan selalu menympan populas yang memlk nformas yang terbak. Kelebhan dar algortma n adalah tdak adanya pembatasan dalam menentukan permasalahan pada setap gennya. Dengan kelebhan n, maka GA mampu menyelesakan semua permasalahan. Kelemahan GA adalah pada search space. Ia dapat mengalam kegagalan ka search space tdak tepat atau tdak adanya pont solus yang tepat pada search space. Maka perlu adanya batasan pada search space yatu batas atas dan batas bawah pada setap gen. GA tdak hanya menggunakan proses mutas tetap uga recombnaton atau dkenal dengan stlah crossover. uuan dar crossover adalah reproduks dua kromosom untuk menghaslkan kromosom baru dengan karakterstk dar kedua parent. Pada lmu bolog, metode recombnaton yang umum dengan crossover adalah dengan menentukan satu ttk potong pada setap kromosom dan dlanutkan dengan menggabungkan pada setap setengah kromosom. Hasl dar crossover adalah mendapatkan ndvdu baru yang dhaslkan η

4 Rrd dkk, Optmas Metode Dscrmnatvely 169 dar kedua parent yatu bapak dan bu. Pembentukan ndvdu baru n sangat pentng, karena kedua ndvdu baru akan memlk karakterstk dar kedua parent. Jka kedua parent memlk karakterstk yang bak maka dharapkan ndvdu baru yang terbentuk uga memlk karakterstk yang bak. Pada GA, parent adalah data-data yang dbelaarkan yang telah terplh melalu proses seleks. Metode mutas pada GA merupakan cara lan untuk mendapatkan perubahan dalam ndvdu baru dalam hal perubahan gen. Kegunaan dar mutas adalah membantu mempercepat proses pencaran nla optmal. Selan tu, mutas bertuuan untuk menghndar teradnya local mnma [6]. Jka crossover bertuuan untuk mendapatkan kemungknan ndvdu yang baru dengan nla ftness yang lebh bak, maka mutas menngkatkan wlayah search pont setelah ndvdu baru terbentuk [6]. GA berusaha menangan permasalahan dengan menganalsa setap solus pada masngmasng populas. Langkah pertama adalah dengan melakukan kode pada setap kromosom sesua dengan permasalahan yang akan dselesakan. Berkutnya adalah persapan pembelaaran dengan operator GA. Operator reproduks pada GA dlakukan dengan mutas dan crossover. Seleks berdasarkan ftness dgunakan untuk mengetahu kualtas dar data yang terseleks. Semakn besar nla ftness maka semakn bak kualtas data. amun dalam permasalahan mnmum cost, konsep tersebut dbalk menad bahwa semakn kecl nla ftness maka kualtas data semakn bak. Berkut adalah penelasan dar proses-proses yang merupakan pembelaaran GA pada setap terasnya (lhat Gambar 1): 1. Dlakukan random sebesar n populas yang merupakan n kromosom. 2. Mengevaluas ftness dar setap kromosom. 3. Membangun populas baru hngga dcapa nla optmal dengan perulangan sebagamana berkut: a. Selecton: memlh dua parent kromosom berdasarkan ftness. Semakn bagus nla ftness, maka kemungknan untuk dplh semakn besar. b. Crossover: crossover kedua parent untuk mendapatkan generas baru. c. Mutaton: dengan adanya mutaton probablty, setap locus dlakukan mutas. d. Acceptng: populas lama dgant dengan populas baru. e. Replace: populas baru dgunakan untuk pembelaaran teras berkutnya. f. est: ka telah memenuh hasl yang dngnkan proses berhent, ka tdak maka lakukan Loop. g. Loop: kembal ke langkah dua untuk mengevaluas ftness. Crossover adalah proses penggabungan genetk dar kedua parent untuk mendapatkan satu atau lebh anak yang merupakan generas baru. Sedangkan mutas adalah perubahan genetk dar ndvdu dengan cara beberapa genetk awal dar ndvdu mengalam perubahan secara random. Berdasarkan analsa proses dar GA, maka dapat dsmpulkan beberapa hal yang pentng dalam pembelaaran GA, yatu: 1. Permasalahan yang akan dselesakan. 2. Penghtungan ftness. 3. Varas dar varabel dan parameter pada kromosom. 4. Hasl akhr dan cara untuk pemberhentan pembelaaran (pemberhentan teras). Penghtungan ftness adalah cara pembelaaran GA mendapatkan solus untuk mendapatkan data yang menghaslkan suatu nla yang mendekat optmal. Penentuan nla ftness berdasarkan permasalahan yang akan dpecahkan. Penentuan nla ftness memlk tuuan untuk mengoptmas parameter pembelaaran sebagamana pada Gambar 1. Dalam peneltan n, analsa ftness berdasarkan Mean Square Error dgunakan dalam menganalsa optmas kualtas bobot dan real code dterapkan dalam proses pembelaaran. Kelebhan dar real code [7] adalah: 1. Menngkatkan tngkat efsens dengan tdak perlu adanya proses pengubahan dar nla bnary ke nla real ataupun sebalknya. 2. Menngkatkan press nla.

5 170 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm PERACAGA SISEM Rancangan sstem pengklasfkasan data dengan metode DRLSC, penentuan umlah K tetangga terdekat pada metode K, dan penentuan nla regularzaton parameter secara otomats dtunukkan dalam Gambar 2. Gars ttk-ttk pada Gambar 2. merupakan proses GA untuk mengoptmas DRLSC. Data yang dmasukkan adalah data-data yang akan danalsa, yatu berupa dataset IRIS, WIE dan LESA. Sebelum data dbelaarkan perlu adanya proses normalsas data sebagamana Persamaan (11). Gambar 1. Flowchart Pembelaaran GA. Gambar 2. Konsep Optmas Metode DRLSC dengan GA. x x mnmumnla feature(f) maxmumnla feature()- mnmumnla feature() (11) ormalsas data dlakukan dengan cara setap ftur dkurang nla mnmum pada ftur tersebut kemudan dbag dengan nla maksmum ftur dan dkurang dengan nla mnmum ftur. uuan dar proses normalsas data adalah menghndar nla yang terlalu besar antara data pembelaaran dan data u coba. Insalsas Parameter Langkah awal untuk memperoleh nla parameter K dan parameter regularzaton yang optmum adalah dengan nsalsas. Insalsas pada peneltan n dlakukan secara random sebagamana pada GA. Insalsas awal adalah sebesar data untuk parameter K dan regularzaton parameter. Pada peneltan n umlah masukan data sebesar 20 data. Setap data terdr dua bagan, berupa parameter yang akan doptmas, yatu nla K dan Ita (η). Langkah nsalsas data adalah sebaga berkut: 1. Random 20 data dengan perntah berkut: Populas = rand(20,2) Maka akan dhaslkan 20 data dmana setap data memlk dua parameter yang akan doptmas dengan rancangan kromosom/ partkel sebagamana abel Pengubahan menad nla sebenarnya pada 20 data berdasarkan batas atas dan batas bawah sebagamana perntah berkut: X(:,1)=round(Batas Bawah + (Batas Atas-Batas Bawah)*Populas(:,1)); X(:,2)=Batas Bawah + (Batas Atas- Batas Bawah)*Populas(:,2);

6 Rrd dkk, Optmas Metode Dscrmnatvely 171 Pengertan dar X(:,1) adalah varabel yang menympan hasl dar pemetaan nla random populas pada kolom pertama terhadap Batas Atas dan Batas Bawah yang sesua dengan parameter X(:,1). la X(:,1) adalah data-data yang memlk nla K. Pengertan dar X(:,2) adalah varabel yang menympan hasl pemetaan pada parameter kedua. la X(:,2) adalah parameter Ita yang memlk batasan lebh kecl atau sama dengan 1 (abel 2). Pengklasfkasan DRLSC dlakukan setelah penentuan nsalsas ke-20 parameter. Mendapatkan Ftness Hasl Pembelaaran DRLSC Hasl pembelaaran DRLSC adalah penentuan data-data pembelaaran yang terkelompokkan pada kelas ke-, dmana =1 hngga C yang merupakan umlah kelas dengan menerapkan Persamaan (1) hngga (10). la actual output yang merupakan nla keluaran sebenarnya dgunakan sebaga dasar menghtung error mnmum dengan cara mencar selsh target kelas dkurangkan dengan nla actual output pada seluruh data kelas. Ftness yang dgunakan adalah Mean Square Error (MSE). Berdasarkan nla MSE, akan ddapatkan nla parameter K dan Ita yang palng tepat dengan memperkecl error untuk mendapatkan kualtas bobot. Hasl dar pembelaaran DRLSC adalah mendapatkan ftness berdasarkan actual output, dengan persamaan ftness sebagamana Persamaan (12). 1 2 MeanSquare Error(MSE) = (y f(x)) (12) Optmas Metode DRLSC dengan GA Operator GA berperan pentng dalam mendapatkan optmas kromosom. Peneltan n menggunakan crossover dan mutas sebaga operator GA. Persamaan crossover M data ddefnskan dalam Persamaan (13). ' x * x (1 ) x 1 1,2,..., M1 (13) ' x * x (1 ) x1 M, la dar Persamaan (13) adalah nla yang dapat bernla konstan atau random. dan M ddapatkan dar umlah nsalsas parameter. Berdasarkan Persamaan (13), maka kedua parent menghaslkan satu anak. Dmula dar data pertama crossover dengan pola kedua, dlanutkan data kedua crossover dengan data ketga demkan berlanut hngga pola ke-m crossover dengan pola pertama. Metode n sesua dengan tuuan seleks yatu mendapatkan parent yang bak untuk generas berkutnya. abel 1. Rancangan Kromosom pada Peneltan. Parameter 1 Parameter 2 K abel 2. Rancangan 20 Partkel yang Dgunakan. Data Populas (data,1) Populas (data,2) Dengan pengurutan ftness, pola pertama dan kedua adalah populas dengan nla ftness yang terbak. Dharapkan generas berkutnya

7 172 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm akan mendapatkan search pont yang lebh bak dbandngkan kedua parent. Untuk menympan ndvdu terbak pada generas sebelumnya, maka proses crossover dmula pada data ke-2 (Gambar 3). Jka tdak menympan generas terbak sebelumnya, maka dapat terad nak turunnya nla ftness. Proses selanutnya adalah mutas. Proses mutas adalah mengubah satu atau seluruh gen berdasarkan probabltas random yang bertuuan untuk menghndar local mnmum. Jka probabltas sebesar 100%, maka seluruh data dan seluruh gen pada data dmutas. Jka probabltas mutas 0%, maka populas berkutnya sama dengan populas sebelumnya. Metode mutas yang dgunakan berdasarkan random gaussan. Metode n ddefnskan dalam Persamaan (14). x' k x k normrand(0,1, [ umlah gen]) (14) la gaussan ddapatkan sepanang umlah gen yang dbelaarkan. Pada gen pertama, maka gen dtambahkan dengan nla gaussan yang pertama, dan demkan seterusnya. Penentuan nla gaussan dlakukan berdasarkan normrand, yatu penghtungan nla gaussan dar seumlah data sepanang umlah gen yang telah d-random. Proses optmas dlakukan dengan melakukan proses crossover dan mutas pada setap terasnya hngga mendapatkan nla dar kedua parameter, yatu parameter K dan, untuk menghaslkan nla ftness yang terbak (memnmumkan ftness). Stoppng Crtera Berdasarkan Gambar 2, proses akan kembal pada penentuan nla K dan ka belum memenuh proses stoppng crtera. Jka telah memenuh stoppng crtera, maka proses berhent (pembelaaran telah konvergen). Setap gen dtambahkan dengan blangan random dan dkalkan dengan nla gaussan. abel 3. Hasl Percobaan 1 anpa Optmas. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 1,1e ,33% 6 1 Wne 0, ,89% 3 0,95 Lensa 0, ,82% 3 0,95 abel 4. Hasl Percobaan 1 dengan GA. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 2,04e ,33% 8 0,9984 Wne 0, ,89% 11 0,9757 Lensa 5,6e ,82% abel 5. Hasl Percobaan 2 anpa Optmas. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 6,7e ,67% 6 1 Wne 2,9e ,33% Lensa 0, ,31% abel 6. Hasl Percobaan 2 dengan GA. Data Set Error pembelaaran Jumlah teras Prosentase u coba K Ita Irs 6,7e ,67% 6 1 Wne 1,4e ,33% 9 0,9004 Lensa 2,8e ,31%

8 Rrd dkk, Optmas Metode Dscrmnatvely 173 Gambar 3. Proses Crossover. (a) (b) Gambar 4. Grafk Hasl Pembelaaran GA Pada abel 6. (a) Grafk Metode GA Data IRIS, (b) Grafk Metode GA Data WIE, dan (c) Grafk Metode GA Data LESA. (c)

9 174 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm HASIL DA PEMBAHASA Peneltan n menggunakan dataset u coba IRIS, WIE, dan LESA. Hasl u coba tanpa optmas ddapatkan dengan umlah teras dpengaruh oleh umlah data terkecl dar kelas yang ada dengan lambang. Sehngga nla K dmula dar 2 hngga + 1. Untuk nla η, u coba tanpa optmas menggunakan batas bawah bernla 0 dan batas atas bernla 1. abel 3 dan abel 4 menunukkan hasl u coba dengan data pembelaaran sebesar 50% dan data u coba sebesar 50% pada setap kelas. Ftness yang ddapatkan dar hasl tanpa optmas memlk error pembelaaran yang lebh besar ka dbandngkan dengan hasl pembelaaran yang doptmas dengan GA (abel 4). Maka, untuk menngkatkan kualtas bobot yang lebh bak dbutuhkan optmas untuk mendapatkan nla parameter K dan η terbak. Hasl pembelaaran dengan menggunakan data yang sama sebagamana data-data dar abel 3 yang telah doptmas dengan GA dtamplkan pada abel 4. Hasl ftness pada abel 4 memlk kecenderungan lebh kecl ka dbandngkan dengan u coba pada abel 3. Hasl ftness pada abel 5 dperoleh dengan menggunakan data pembelaaran yang merupakan data u coba pada abel 3 dan abel 4. la ftness memlk kecenderungan menghaslkan nla ftness yang lebh besar ka dbandngkan error pembelaaran pada abel 6. Hal n dsebakan parameter K dan η pada abel 5 belum doptmas dengan metode GA. Hasl ftness pembelaaran data IRIS, WIE dan LESA pada abel 6 memlk kecenderungan menghaslkan nla ftness yang lebh kecl ka dbandngkan dengan hasl pada abel 3 yang belum doptmas. Gambar 4 menunukkan terad penurunan nla ftness pada setap terasnya. Proses pembelaaran akan berhent ka nla ftness telah mendapatkan n teras dengan nla ftness yang sama. la ftness pada peneltan adalah Mean Square Error, dmana semakn kecl nla error maka dharapkan kualtas bobot yang ddapatkan semakn bak. SIMPULA Berdasarkan hasl u coba dan pembahasan, dapat dambl smpulan sebagamana berkut: 1. Parameter K dan η dapat secara otomats ddapatkan dengan menerapkan metode optmas GA. 2. GA yang dterapkan untuk mengoptmas metode DRLSC memlk kecenderungan mampu menghaslkan nla ftness yang lebh bak ka dbandngkan metode DRLSC tanpa optmas yatu antara e-004 dan DAFAR PUSAKA [1] Bshop CM. Pattern Classfcaton and Machne Learnng. ew York: Sprnger Berln Hedelberg [2] Xue H, Chen S, and Yang Q. Dscrmnatvely Regularzed Least- Squares Classfcaton. Scence Drect, Pattern Recognton. 42: [3] Rfkn RM and Lppert RA. Computer Scence and Artfcal Intellgence Laboratory echncal Report. otes on Regularzed Least Squares URL: lcatons/ps/mi-csail-r pdf, dakses tanggal 10 Agustus [4] Arune K and Gopal M. Least Squares wn Support vector machnes for pattern classfcaton. Scence Drect, Expert Systems wth Applcatons. 36: [5] Schölkopf B, Guyon I and Weston J. Statstcal Learnng and Kernel Methods n Bonformatcs. Proceedngs AO Advanced Studes Insttute on Artfcal Intellgence and Heurstcs Methods for Bonformatcs [6] Svanandam S and Deepa S. Introducton to Genetc Algorthms. ewyork: Sprnger Berln Hedelberg [7] Wrght AH. Genetc Algorthms for Real Parameter Optmzaton. Montana Mssoula: Department of Computer Scence, Unversty of Montana Mssoula