ABSTRAKSI: Jaringan Syaraf Tiruan (JST) merupakan mesin pengklasifikasian yang sangat akurat dalam pengklasifikasian data. Akan tetapi, JST tidak memberikan secara implisit tentang cara pengklasifikasian yang dilakukan. JST mengklasifikasikan data berdasar pada nilai bobot – bobot yang terbentuk pada saat learning. Tugas Akhir ini membahas tentang bagaimana mengadaptasi tata cara pengklasifikasian dari JST (rule) menjadi bentuk pola IF…THEN agar lebih dapat dimengerti. Rule diekstrak menggunakan Algoritma Genetika (AG). Bobot – bobot pada JST akan digunakan sebagai inputan pada AG dalam pembentukan kromosom. Hal ini didasarkan karena proses pengklasifikasian JST ialah melalui proses pengaktivasian bobot – bobot dari layer ke layer pada node JST. Setelah itu, kemudian dilakukan perhitungan nilai fitness, permutasi, seleksi, dan dilakukan sampai beberapa generasi untuk mendapatkan individu yang akan digunakan sebagai acuan dalam pembuatan rule. Rule dihasilkan dalam format IF…THEN disertai nilai fitness yang menjadi dasar pembuatan rule. Metode ini sangat efektif dari segi waktu yang mana diperoleh waktu relatif tetap dengan arsitektur JST yang berbeda kompleksitasnya. Sehingga lebih efektif apabila digunakan pada studi kasus dengan ruang lingkup yang luas. Akan tetapi, terkadang akurasi yang didapat, jauh dari hasil optimum sehingga diperlukan beberapakali percobaan untuk mendapatkan akurasi mendekati optimum.
Kata Kunci : Jaringan Syaraf Tiruan, bobot, Algortima Genetika, nilai fitness,ABSTRACT: Artificial Neural Network (ANN) is a classification machine which has keen on accuracy towards classification matters. However, it doesn��t have simbolic rule or other form of knowledge structure. ANN makes it decision by using activation of the nodes (input and hidden) combined with the weights of the connections beetwen these nodes. In this Final Project, we are going to extract the rule of ANN into IF��THEN form thus easily interpret by human experts. Extracting rule of ANN is accomplished by enumerating fitness value each cromosom constructed based on Neural Network��s weights. Fitness value are enumerated by using Genetic Algorithm (AG). In case, cross-over, mutation, and generalisation are used in order to achieve statisfied fitness value. This method strong point is in it��s ability to search rule in relatively short time (less than 0.2 seconds per 100 generation) on whichever ANN architecture it��s implemented in. Therefore, this method is best implemented in case study which involve in relatively large dataset and attributes. But it flaws at accuracy, some case it need more than once experiments in order obtain accuracy close to optimum results.
Keyword: Artificial Neural Network, weight, Genetic Algorithm, Fitness Value,