memilih coding, pengkodean dan operasi crossover dan kemudian proses pengkodean biner.
3. Menentukan fungsi fitness.
Hal ini mencerminkan bahwa seberapa kuat kemampuan pas individu untuk keadaan adalah dengan fungsi fitness.
4. Untuk menentukan metode operasi GA.
Dalam operasi GA, metode yang harus ditentukan adalah terutama pemilihan, metode metode crossover dan mutasi.
5. Seleksi operator.
Dalam rangka warisan biologis dan evolusi alam, spesies yang memiliki daya adaptasi lebih tinggi untuk lingkungan hidup, akan memperoleh lebih banyak
kesempatan untuk menyebarkan ke generasi berikutnya, sedangkan yang lebih rendah akan mendapatkan lebih sedikit. Meniru kursus ini, GA membuat
individu dari grup diproses kelangsungan bagi yang terkuat dengan memanfaatkan operator seleksi.
6. Crossover operator.
Dalam tesis ini, operator crossover menerapkan metode persimpangan dua- titik. Probabilitas crossover tidak boleh terlalu kecil karena operasi crossover
adalah pencarian global, mungkin dari 90 menjadi 100 .
2.5.2. Parameter dalam Algoritma Genetika
Parameter dalam dalam algoritma genetika adalah hal yang harus ditentukan dalam mengimplementasikan algoritma genetika ke dalam penyelesaian masalah.
Parameter ini menentukan ukuran populasi, probabilitas penyilangan Pc, dan probabilitas mutasi.
Probabilitas mutasi Pm dalam algoritma genetika seharusnya diberi nilai yang kecil karena tujuan mutasi adalah untuk menjaga perbedaan kromosom
dalam populasi sehingga dapat menghindari konvergensi prematur. Parameter lain yang ikut berperan untuk menjaga efisiensi kinerja
algoritma genetika adalah ukuran populasi popsize. Parameter ini menunjukkan banyaknya kromosom dalam satu populasi. Jika jumlah kromosom dalam populasi
Universitas Sumatera Utara
terlalu sedikit maka algoritma genetika hanya mempunyai probabilitas yang kecil untuk melakukan penyilangan. Sebaliknya, jika jumlah kromosom dalam populasi
terlalu banyak, maka algoritma genetika akan cenderung lambat dalam menemukan solusi.
Algoritma Genetika Untuk Fuzzy Clustering
Algoritma genetika GA sebagai teknik optimasi dapat diterapkan pada clustering yang berbasis optimasi fungsi tujuan. Pada pendekatan GA untuk fuzzy clustering
fungsi fitness diambil dari fungsi objektif yang diminimumkan, yaitu Jm U,V Widyastuti dan Hamzah 2007.
2.5.3. Validitas Clustering dan Classification Rate
Hasil akhir FCM atau GGA-FCM adalah V,U dan Rm tertentu untuk suatu c yang diinputkan. Pada beberapa kasus c yang tepat mungkin tidak diketahui. Untuk itu
beberapa pendekatan telah diusulkan untuk menentukan berapa sebaiknya c sehingga hasil clustering dapat dianggap terbaik. Ukuran ini dikenal sebagai
validitas clustering.
2.5.4. Algoritma Fuzzy Clustering konvensional
Berikut diuraikan algoritma fuzzy clustering konvensional, yaitu penyelesaian fuzzy clustering dengan cara iteratif dengan melakukan update pada matrik
keanggotan U dan matrik prototipe kluster V. Dalam algoritma diperlukan sampel
objek sebanyak n
1
X ={x
, tiap objek p parameter, dituliskan :
1
, x
2
,.... ,x
n
} x
i
∈ R
I = 1,2,…,n. Ditentukan dalam proses penyelesaian melalui iterasi :
P
U = [
µ
ικ
k =1,2,…,n; V={v1,v2,…,vc} i=1,2,…,c.
] matrik ukuran cxn ; i=1,2,…,c ;
Universitas Sumatera Utara
Berikut adalah algoritma yang diajukan :
1. Initialization step:
Tentukan: n = cacah objek yang akan dikluster; p = cacah parameter dalam tiap objek; c = cacah kluster; t = 0 iterasi ke; m = derajat fuzziness = dipilih 2;
ε =nilai yang cukup kecil mendekati 0 Tentukan secara acak : U
dan V
2.
Iteration step :
a Dengan menggunakan U
t
, hitung pusat kluster V
t
menurut rumus :
∑
=
=
n k
ik m
ik m
ik i
x
1
1 V
µ µ
...........................................................................
Untuk i=1,2,...,c. 2.7
b Dengan menggunakan V
t
∑
= −
−
−
=
c j
m
j k
m i
k ik
v x
v x
1 2
1 1
2
1 1
µ
, hitung derajat keanggotaan dengan rumus:
........................................................ 2.8
c Jika max
ε µ
µ
−
− 1
t ik
t ik
berhenti, Jika tidak ulangi langkah 2.a.
2.5.5. Fuzzy C-Means
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C- Means. Fuzzy C-Means adalah suatu teknik pengklusteran yang mana
keberadaannya tiap-tiap titik data dalam suatu kluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981. Fuzzy C-means Clustering FCM, atau dikenal juga sebagai Fuzzy