commit to user
2
2.
Algoritma Genetika
AG
Algoritma genetika adalah teknik pencarian
heuristik yang didasarkan pada gagasan evolusi seleksi alam dan genetik. Algoritma Genetika memanfaatkan
proses seleksi ilmiah yang dikenal dengan proses evolusi, yang dimana dalam proses tersebut terdapat suatu aturan
bahwa individu akan secara terus-menerus mengalami perubahan gen yang menyesuaikan dengan lingkungan
hidupnya. Teknik Algoritma Genetika dapat memecahkan masalah dengan cara mendapatkan solusi optimal. Sebagai
contoh masalah yang memerlukan solusi optimal adalah minimalisasi biaya, maksimalisasi keuntungan, efisiensi
jadwal, dan penggunaan sumber daya [10].
Proses-proses pada Algoritma Genetika membentuk sebuah siklus Algoritma Genetika. Siklus Algoritma
Genetika diperkenalkan pertama kali oleh David Goldberg.
Proses pertama pada siklus adalah membuat sebuah populasi
awal secara
acak, populasi
merupakan sekumpulan individu yang akan diproses bersama dalam
satu siklus proses evolusi. Tahapan kedua, tiap individu yang terdapat dalam populasi tersebut dihitung nilai
fitness-nya. Individu menyatakan salah satu solusi yang mungkin. Individu bisa dikatakan sama dengan kromosom,
yang merupakan kumpulan gen. Gen ini bisa biner, float, dan kombinational. Pada proses ketiga, dilakukan seleksi
individu, proses ini menyeleksi individu yang terbaik dimana yang memiliki nilai fitness terbesar. Proses
keempat yaitu individu yang telah diseleksi akan dilakukan proses reproduksi dimana terdapat dua proses, antara lain
proses crossover dan proses mutasi. Setelah dilakukan proses reproduksi maka akan terbentuk sebuah populasi
baru. Proses akan berlanjut terus sampai pada generasi ke- n, populasi baru akan mengalami siklus yang sama dengan
populasi sebelumnya [18].
Gambar 1. Siklus Algoritma Genetika oleh Zbigniew
Michalewicz
3. FIS Tsukamoto Dua Tahap
Sistem Inferensi Fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy,
aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy [9]. Sistem inferensi fuzzy menerima input crisp. Input ini
kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire strength akan
dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan.
Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output sistem.
Secara umum sistem inferensi Fuzzy meliputi 3 tahap, yaitu Fuzzyfikasi, inferensi, dan deffuzifikasi. Dari
ketiga proses
tersebut masing-masing
tahapannya membutuhkan waktu yang tidak sedikit sehingga dapat
dikatakan tidak efisien. Hal tersebut dapat diselesaikan dengan menggunakan Sistem Inferensi Fuzzy Dua Tahap.
Penggunaan inferensi Fuzzy dua tahap dinilai dapat mengurangi waktu operasi [5]. Pada sistem inferensi Fuzzy
dua tahap, tahapan deffuzzifikasi akan digunakan sebagai nilai input untuk tahapan Fuzzyfikasi selanjutnya.
Pada Metode Tsukamoto setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan
dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari
tiap-tiap aturan diberikan secara tegas crisp berdasarkan
α-predikat fire strength. Tahapan proses pada metode Fuzzy Tsukamoto
adalah langkah pertama membuat suatu aturan Fuzzy yang dibentuk mewakili himpunan Fuzzy.
Kemudian, dihitung derajat keanggotaan sesuai dengan aturan yang telah dibuat. Terdapat beberapa jenis grafik
fungsi keanggotaan diantaranya grafik fungsi ke anggotaan representasi keanggotaan trapesium. Grafik ini yang
digunakan pada penelitian ini. Pada gambar ini ditunjukan grafik fungsi keanggotaan trapesium.
Gambar 2. Grafik fungsi keanggotaan himpunan Fuzzy
representasi Keanggotaan Trapesium
� � = {
; �
�
�− −
; �
−� −
; �
; �
1 Variabel a, b, c, dan d merupakan batas-batas dari fungsi
keanggotaan. Batas-batas tersebut yang akan dilakukan optimasi dengan menggunakan Algoritma Genetika.
Setelah diketahui nilai derajat keanggotaan dari masing-masing aturan Fuzzy, langkah selanjutnya mencari
nilai alpha predikat dengan cara menggunakan fungsi implikasi min. Langkah terakhir adalah tahap defuzzifikasi
pada tahap ini didapatkan nilai output berupa nilai crisp z dengan menggunakan metode Center Average DeFuzzyfier.
Persamaan 2 merupakan persamaan deffuzifikasi.
Z =
∑ α_p
i
.z
i
∑ α_p
i
2
Ket:
α_p = nilai alpha predikat nilai minimal dari derajat keanggotaan,
i= jumlah data pada aturan Fuzzy, Zi = nilai crisp yang didapat dari rumus derajat
keanggotaan himpunan Fuzzy Z = defuzzifikasi rata-rata terpusat Center Average
DeFuzzyfier.
d c
b a
1 � �
commit to user
3
4. Akurasi Sistem
