oleh Holland tahun 1975, algoritma genetika Genetic Algoritms=GA terus mengalami perkembangan dalam banyak aplikasi Gen dan Cheng 2000.
Pesatnya perkembangan aplikasi GA pada berbagai problem optimasi dipacu oleh perkembangan teknologi komputer dan mikro prosessor. Salah satu
minat dalam aplikasi genetic-fuzzy system adalah genetic-fuzzy clustering. Pada fuzzy clustering berbasis fungsi tujuan persoalan mencari kluster terbaik akan
identik dengan persoalan optimasi fungsi tujuan algoritma genetika untuk fuzzy clustering dimungkinkan dapat meningkatkan unjuk kerja fuzzy clustering. John
Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi alami maupun buatan dapat diformulasikan ke dalam terminologi genetika. Sifat
algoritma genetika adalah mencari kemungkinan-kemungkinan dari calon solusi untuk mendapatkan yang optimal bagi penyelesaian masalah.
Fuzzy clustering adalah salah satu teknik untuk menentukan kluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian
untuk jarak antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi atura-aturan fuzzy Kusumadewi 2004..
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means FCM. Fuzzy C-Means adalah suatu teknik pengklusteran data
yang mana keberadaan tiap-tiap titik data dalam suatu kluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada
tahun 1981. Konsep dasar FCM adalah menentukan pusat kluster yang akan menandai lokasi rata-rata untuk tiap-tiap kluster. Pada kondisi awal, pusat cluser
masih belum akurat. Dengan cara memperbaiki pusat kluster dan nilai keanggotaan tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat
kluster akan bergerak menuju lokasi yang tepat Kusumadewi 2004.
1.2. Perumusan Masalah
Masalah yang akan dibahas dalam tesis ini adalah bagaimana tiap-tiap propinsi di Indonesia di kluster berdasarkan teknik pengenalan pola dalam Fuzzy Clustering
menggunakan Fuzzy C-Means Clustering dengan pendekatan algoritma genetika.
Universitas Sumatera Utara
1.3. Batasan Masalah
Adapun batasan masalah dari penulisan ini adalah: 1.
Parameter yang digunakan dalam proses pengklusteran dengan menggunakan algoritma FCM.
2. Data yang dianalisis sebanyak 33 terdiri atas tiap-tiap Propinsi di
Indonesia.
1.4. Tujuan Penelitian
Berdasarkan uraian pada latar belakang masalah dan perumusan masalah diatas, maka tujuan yang ingin dicapai dalam penelitian ini adalah untuk
mengidentifikasi unsur IPM yang kuat dan masih lemah untuk tiap-tiap propinsi di Indonesia dalam penentuan kluster yang merupakan persoalan optimasi fungsi
tujuan pada algoritma genetika.
1.5. Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut: a.
Memberikan kontribusi bagi penelitian lanjutan dalam bidang pengenalan pola dalam peningkatan kinerja fuzzy clustering.
b. Hasil penelitian ini diharapkan dapat memberikan masukan pada
manajemen perusahan sebagai dasar untuk menentukan pusat kluster yang akan menandai lokasi rata-rata untuk tiap-tiap kluster.
c. Lembaga-lembaga yang terkait dengan pembangunan manusia yang
bergerak dalam bidang relevansi ekonomi untuk memacu pertumbuhan IPM baik sisi pendidikan, kesehatan, dan ekonomi.
Universitas Sumatera Utara
BAB II
TINJAUAN PUSTAKA
2.1. Pengenalan Pola
Sebuah pola adalah setiap antar hubungan data analog atau digital, kejadian atau konsep yang dapat dibedakan. Pengenalan pola merupakan bidang dalam
pembelajaran mesin dan dapat diartikan sebagai tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data. Dengan demikian, pengenalan pola
merupakan himpunan kaidah bagi pembelajaran diselia supervised learning. Ada beberapa definisi lain tentang pengenalan pola, di antaranya:
1. Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau
beberapa kategori. 2.
Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi pengenalan dari suatu pengukuran.
3. Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi,
susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan. Berdasarkan beberapa definisi di atas, pengenalan pola dapat didefinisikan
sebagai cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian objek ke dalam klas-klas tertentu untuk menyelesaikan masalah tertentu. Salah
satu aplikasinya adalah pengenalan suara, klasifikasi teks dokumen dalam kategori contoh. surat-E spambukan-spam, pengenalan tulisan tangan,
pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan wajah manusia. Aplikasi ini kebanyakan menggunakan analisis citra bagi
pengenalan pola yang berkenaan dengan citra digital sebagai input ke dalam sistem pengenalan pola.
2.2. Teknik Pengenalan Pola