Yoga Hidayatuloh
18010046 – 3T2
GEP merupakan perkembangan alami dari GA dan GP. GEP dulu diusulkan oleh
Ferreira [21]. Sebagian besar operator genetik digunakan di GA juga dapat
diimplementasikan di GP dan GEP dengan perubahan kecil.
: set fungsi, set terminal, fungsi fitness atau kecocokan, control parameter dan
stop condition.
Setiap gen GEP terdiri dari daftar simbol dengan panjang tetap yang dapat
berupa elemen apa pun dari set fungsi seperti {+, *, /, Sqrt} dan set terminal
seperti {l, a, b, c, d}. Gen GEP khas dengan fungsi yang diberikan dan set
terminal dapat menjadi persamaan (1).
di mana '.' digunakan untuk memisahkan elemen agar mudah dibaca; Sqrt
Untuk misalnya :
Gambar 1 Contoh GEP ETs.
... (2)
set dan set terminal harus memiliki properti penutupan; setiap fungsi harus
dapat mengambil nilai dari tipe data yang mana dapat dikembalikan oleh
fungsi atau diasumsikan oleh terminal.
Misalnya, fungsi bagian harus diproteksi mengembalikan nilai yang wajar jika
terjadi pembagian dengan nol.
Hanya merotasi lima anggota gen pertama (1) sampai akhir dan memiliki
panjang yang sama yaitu 20, tetapi ekspresi K-nya yang valid dimana
kurangnya 10; artinya, hanya delapan elemen pertama yang digunakan
secara kredibel membangun fungsi solusi (c + a) * (d -), dengan ekspresi yang
sesuai ditunjukkan pada Gambar 1b.
Oleh karena itu, panjang ekspresi-K yang valid mungkin sama dengan atau
kurang dari panjang gen. Untuk memastikan validitas genom yang dipilih
secara acak, GEP menggunakan metode kepala-ekor. Setiap gen tersusun dari
kepala dan ekor. Kepala mungkin berisi simbol dari kedua set fungsi dan set
terminal, ekor hanya berisi terminal [22].
Jaringan saraf adalah alat pemodelan data yang kuat yang mampu menangkap
dan merepresentasikan setiap jenis hubungan input-output [11].
Sebuah saraf jaringan terdiri dari elemen sederhana yang disebut "neuron"
atau
Ide dari dari back propagaration adalah dari turunan ini dapat dihitung secara
efisien memulai dengan lapisan output dan back propagaration melalui lapisan
[25, 26]. Sebuah sistem jaringan dapat dikembangkan untuk aplikasi tertentu.
R-kuadrat prediksi dengan persamaan regresi persentase pada data uji 74,30%.
Maksimum dan minimum persentase kesalahan untuk persamaan regresi di
data uji masing-masing adalah 11,34% dan 0,62%. Ujian Hasil untuk analisis
regresi linier berganda ditunjukkan pada gambar dibawah . Seperti yang dapat
dilihat dari hasil, beberapa baris analisis regresi linier dilakukan jauh lebih
buruk daripada algoritma GEP dan jaringan saraf.
Ini adalah sebuah hasil yang diharapkan, terutama karena sifat fisik benang
tergantung pada banyak faktor yang berbeda, dan hubungan antara faktor-
faktor ini sangat nonlinier dan kompleks
Experimen
Diketahui bahwa model empiris termasuk statistik dan model kecerdasan
buatan, didasarkan pada data experimen. Selain itu, model fisik juga
membutuhkan verifikasi experimen. Data yang digunakan dalam GEP, ANN dan
model statistik dikumpulkan dari tekstil benang terletak di Isparta, Turki. Data
yang dikumpulkan adalah untuk periode tiga bulan (data selama 90 hari
produksi). Prediksi kekuatan putus benang dari sifat seratnya sangat penting
dalam pembuatan benang. Cepat dan akurat tingkat pengukuran sifat serat
dengan menggunakan Uster High Sistem pengujian Volume Instrument (HVI)
dan lebih kuat pada komputer adalah dua alasan utama kecenderungan ini.
Sifat tarik benang dievaluasi pada Uster Mesin uji tarik tensile. Kekuatan putys
papad pengujian benang dilakukan sesuai dengan ASTM Standard D5446-99
[27].
Benang kapas dengan parameter serat disajikan dalam Tabel 1, digunakan
untuk percobaan.Terdapat 10 variabel yang dianggap sebagai input ke GEP dan
algoritma pembelajaran jaringan saraf.
Metode regresi berganda memiliki keuntungan dari penyederhanaan dalam
menggambarkan hubungan kuantitatif antara sifat bahan tekstil. Oleh karena
itu, metode ini dipilih untuk membangun hubungan antara serat dan sifat
benang. Uji statistik menunjukkan bahwa terdapat hubungan yang hampir
linier antara sifat serat dan sifat benang.
Analisis statistik dilakukan menggunakan SPSS 13.0.
Data experimen
Hasil yang ditunjukan berdasarkan metode pengujian :
METODE ANN
Hasil terbaik dari R² pada ANN sebesar : 0.940
Hasil terburuk dari R² pada ANN sebesar : 0.038
METODE GEP
Hasil terbaik dari R² pada GEP : 0.988
Hasil terburuk dari R² pada GEP : 0.330