Feddy Purnomo, 080513299 (2010) Pengelompokan Data Menggunakan Algoritma Genetik dengan Crossover Single Point dan Mutasi Invers. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview	Text (Abstrak) gdlhub-gdl-s1-2011-purnomofed-15077-abstrak-p.pdf Download (210kB) | Preview
	Text (Full Text) gdlhub-gdl-s1-2011-purnomofed-13081-kkckkm-p.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Skripsi ini bertujuan untuk mene rapkan algoritma genetik pada pengelompokan data. Pengelompokan data dapat dikatakan semakin baik apabila data yang berada dalam kelompok yang sama semakin homogen, dan data yang berada pada kelompok berbeda semakin berbeda. Algoritma genetik pada pengelompokan data dimulai dengan membangkitkan kromosom secara acak dengan pengkodean nilai (angka) sebanyak ukuran populasi dan disebut se bagai populasi awal. Kemudian setiap kromosom dihitung nilai fungsi fitness -nya. Fungsi fitness nya adalah trace dari matrik SSCP W . Semakin minimum nilai fitness -nya maka semakin baik kromosomnya. Selanjutnya, operator- operator genetik, yaitu : seleksi, crossover, dan mutasi akan bekerja untuk menghasilk an kromosom baru. Lalu kromosom baru tersebut akan digabung dengan kromosom dalam populasi awal dan dievaluasi berdasarkan fungsi fitness untuk mendapatkan populasi baru. Pada populasi baru terdapat kromosom yang dianggap terbaik (memiliki nilai fitness yang paling minimum) dan diharapkan me ndekati solusi optimal. Populasi baru ini pulalah yang digunakan sebagai populasi awal dalam suatu pr oses iterasi yang berkelanjutan yang disebut generasi. Proses diulangi sampai maksimum generasi yang diinginkan. Hasil penulisan skripsi ini ber upa program pengelompokan data menggunakan algoritma genetik yang dibuat pada Borland C++ Builder 6.0 . Program ini diimplementasikan pada data sekunder. Pada data I, hasil pengelompokan terbaik memiliki nilai fitness 15 (parameter algoritma genetik : pop_size = 40, c p = 0,7; m p = 0.01, jumlah generasi = 5). Sedangkan pada data II, hasil pengelompokan terbaik yang diperoleh memiliki nilai fitness 339.119262 (parameter algoritma genetik : pop_size = 100, c p = 0,9; m p = 0,1; jumlah generasi = 5). Kemudian hasil penge lompokan tersebut dibandingkan dengan hasil penggelompokan k-means menggunakan Minitab 14. Hasil perbandingan memperlihatkan bahwa program pengelompokan data menggunakan algoritma genetik menemukan hasil pengelompokan yang lebih baik pada data I. Sedangkan pada data II, k-means dengan minitab menghasilkan hasil pengelompokan yang lebih baik.

Actions (login required)

View Item