BAB I PENDAHULUAN 1.

1 Latar Belakang Pada pendidikan jenjang universitas, nilai akhir mahasiswa ditentukan oleh beberapa parameter diantaranya adalah presensi, tugas, kuis, UTS dan UAS. Penilaian akhir dilakukan dengan mengalikan parameter dengan bobot tiap masing masing parameter. Untuk menentukan nilai akhir dengan bentuk huruf biasanya dilakukan dengan menentukan skala-skala tertentu yang sudah pasti. Tabel 1.1 Contoh perhitungan nilai dengan skala pasti Rentang Nilai 81 100 70 80 55 69 40 54 <40 Nilai Akhir Huruf A B C D E Sumber : (Khoiruddin, 2007)

Alternatif lain adalah dengan menggunakan perhitungan rerata dan standar deviasi. Tapi dengan nilai yang pasti seperti itu mungkin akan menyulitkan dosen jika terjadi kondisi-kondisi tertentu yang memerlukan pertimbangan dosen, pada sistem ini ditawarkan alternatif baru untuk penilaian dimana dosen diberi kebebasan (hak istimewa) untuk menentukan standart nilai menggunakan metode clustering dalam hal ini menggunakan fuzzy clustering. Banyak macam fungsi objektif telah dirumuskan, baik yang pendekatan tegas (crisp) maupun pendekatan fuzzy (Sato and Sato, 1995). Fuzzy clustering memainkan peran yang paling penting dalam pencarian struktur dalam data (Klir, 1995). Terdapat beberapa metode pada fuzzy clustering, salah satunya adalah yang digunakan dalam penelitian ini yaitu fuzzy c-means. Fuzzy c-means adalah salah satu teknik pengklasteran data yang mana keberadaan tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Metode ini dipilih karena dengan
1

metode ini, data-data beserta parameter-parameternya dapat dikelompokkan dalam cluster-cluster sesuai dengan kecenderungannya. Selain itu, metode FCM dipilih karena dengan metode ini, bisa ditentukan jumlah cluster yang akan dibentuk. Dengan penentuan jumlah cluster di awal, bisa diatur keragaman nilai akhir sesuai dengan clusternya. Dengan sistem berbasis FCM, bisa didapatkan nilai huruf yang labelnya A, B sampai E, atau juga bisa didapatkan yang labelnya A, A-, A/B, dan seterusnya. Pada fuzzy c-means, cluster terbaik akan didapatkan dengan mengoptimasi fungsi tujuan menggunakan iterasi sampai nilai matrik U relatif tidak berubah, cara iterasi ini sering menghantar pada penyelesaian yang merupakan optimum lokal dari himpunan penyelesaian yang mungkin. Algoritma genetika dikembangkan pertama kali oleh Holland tahun 1975 (Gen and Cheng, 2000). Sejak dikembangkan algoritma genetika terus mengalami perkembangan dalam banyak aplikasi. Algoritma genetika (Genetic Algorithm, GA) adalah algoritma pencarian yang didasarkan atas mekanisme seleksi alami dan evolusi biologis. Algoritma genetika mengkombinasikan antara deretan struktur dengan pertukaran informasi acak ke bentuk algoritma pencarian dengan beberapa perubahan bakat pada manusia. Pada setiap generasi, himpunan baru dari deretan individu dibuat berdasarkan kecocokan pada generasi sebelumnya (Goldberg, 1989). Pesatnya perkembangan applikasi GA pada berbagai problem optimasi dipacu oleh perkembangan teknologi komputer dan mikro prosesor. Penggunaan algoritma genetika untuk fuzzy clustering dimungkinkan dapat meningkatkan unjuk kerja fuzzy clustering, karena optimasi fungsi tujuan yang sebelumnya dilakukan secara klasik yaitu dengan iterasi sering menghantar pada penyelesaian yang merupakan optimum lokal dari himpunan penyelesaian yang mungkin. Pendekatan algoritma genetika dapat menjadi alternatif yang dapat diterapkan pada proses penyelesaian optimasi yang menghindari optimum lokal.

1.2

Perumusan Masalah Berdasarkan pada latar belakang yang dijelaskan sebelumnya, maka

perumusan masalah dalam penelitian ini adalah :

1.

Bagaimana algoritma genetika digunakan untuk mengoptimasi titik

pusat cluster pada fuzzy c-means dan menghindari adanya optimum lokal.
2.

Bagaimana

mengimplementasikan

algoritma

genetika

untuk

mengklaster nilai mahasiswa dengan mengadopsi fungsi-fungsi yang terdapat pada fuzzy c-means. 1.3 Batasan Masalah Batasan masalah dalam penelitian ini antara lain : 1. Sampel data yang digunakan dalam penelitian ini adalah nilai akhir

mahasiswa politeknik negeri malang. 2. Penentuan jumlah cluster dan pelabelan cluster dilakukan secara

manual oleh dosen. 3. Algoritma genetika difokuskan hanya untuk optimasi titik pusat

cluster pada fuzzy c-means. 4. Data yang digunakan dalam pengujian adalah satu data yang sama.

1.4

Keaslian Penelitian Khoiruddin dkk telah melakukan penelitian dengan judul Menentukan nilai

akhir kuliah dengan fuzzy c-means dimana metode clustering digunakan untuk mempermudah perhitungan nilai akhir. Pada fuzzy c-means titik pusat cluster diawal dibangkitkan secara acak, dan dengan menggunakan matriks U dapat dihitung titik pusat cluster yang baru kemudian dicek apakah titik pusat cluster tersebut sudah lebih kecil dari minimum kesalahan atau belum, jika belum maka titik pusat cluster tersebut digunakan untuk mengupdate matriks U dan dari matriks U dapat dihitung titik pusat cluster yang baru lagi, demikian proses ini
3

berlangsung terus menerus sampai didapatkan titik pusat cluster yang lebih kecil dari minimum kesalahan. Disini terjadi yang namanya optimum lokal dimana optimasi titik pusat cluster tergantung dari nilai awal V yang dibangkitkan secara acak, dimana jika dilakukan dua kali perhitungan dengan nilai awal V yang berbeda mungkin hasilnya juga akan berbeda. Pada penelitian ini penulis akan mencoba mengimplementasikan algoritma genetika untuk mengoptimasi titik pusat cluster dan dimungkinkan dapat menghindari adanya optimum lokal seperti yang terdapat pada penelitian sebelumnya. Kemudian akan dilakukan pengujian seberapa besar pengaruh algoritma genetika dalam mengoptimasi titik pusat cluster dilihat dari fungsi objektif dan waktu proses. 1.5 Tujuan Penelitian Tujuan dari penelitian ini adalah sebagai berikut : 1. Membuat sistem untuk mempermudah dan memberikan hak istimewa pada dosen untuk menentukan nilai akhir kuliah mahasiswa politeknik malang. 2. 3. Untuk mengimplementasikan algoritma genetika yang digunakan untuk mengoptimasi cluster pada fuzzy c-means. Dengan algoritma genetika diharapkan dapat menemukan titik pusat cluster yang paling optimum dan mendapatkan hasil yang lebih valid. 1.6 Manfaat Penelitian Manfaat dari penelitian ini adalah sebagai berikut : 1. Algoritma genetika sebagai alternatif baru untuk mengoptimasi pada fuzzy c-means sehingga dapat menghindari

titik pusat cluster

optimum lokal yang terdapat pada fuzzy c-means. 2. Bagi dosen, penelitian ini nantinya diharapkan dapat menjadi

media pendukung yaitu membantu mempermudah dosen untuk

mengklaster nilai akhir kuliah dalam menentukan nilai akhir huruf mahasiswa. 1.7 Metodologi Penelitian Dalam penyusunan tesis ini langkah-langkah yang akan ditempuh adalah sebagai berikut :

1. Studi literatur Melakukan studi literatur dengan cara mempelajari berbagai referensi dari buku, e-book, jurnal nasional/internasional,dll yang berhubungan dengan penelitian yang akan dilakukan 2. Pengumpulan data Melakukan pengambilan data yaitu nilai akhir mahasiswa Politeknik Negeri Malang. 3. Analisis Penelitian Pengkajian Penerapan Algoritma Genetika pada fuzzy c-means. a. Pada fuzzy c-means nilai awal titik pusat cluster dibangkitkan secara acak sehingga terjadi optimum lokal, dimana proses selanjutnya bergantung pada nilai awal yang dibangkitkan secara acak, disini akan digunakan algoritma genetika untuk mengoptimasi nilai awal titik pusat cluster. b. Pada algoritma genetika nilai matrik U akan dihitung dari nilai titik pusat cluster V yang dibangkitkan secara acak. c. Fungsi fitness yang digunakan dalam algoritma genetika mengadopsi fungsi obyektif yang terdapat pada fuzzy c-means. d. Pada algoritma genetika titik pusat cluster (V) akan mengalami evolusi yaitu seleksi, cross over dan mutasi untuk mendapatkan individu terbaik
5

e. Dilakukan pengecekan apakah V sudah memenuhi criteria optimasi, jika belum lakukan peng-update-an matriks U dengan mengadosi rumus yang terdapat pada fuzzy c-means

Fuzzy C-means Algoritma Genetika Digunakan untuk optimasi nilai awal V Hitung titik pusat cluster

Tentukan jumlah cluster ( V dibangkitkan secara acak, terdapat sehingga terdapat optimum lokal)

Dibangkitkan secara acak Tentukan matriks U Hitung matriks U Mengupdate matriks u dengan mengadopsi fungsi yg sama pada fuzzy c-means

Hitung titik pusat cluster Fungsi update matriks U Fungsi Obyektif

Fungsi fitness

V mengalami proses evolusi untuk mendapatkan individu terbaik

no Minimum kesalahan ?

SELEKSI CROSSOVER MUTASI

no Kriteria optimasi ? yes

yes

Selesai Selesai Fuzzy c-means Algoritma Genetika

Gambar 1.1 Penerapan Algoritma Genetika pada Fuzzy C-means Sumber : Penulis

4. Perancangan Sistem a. Input Sistem: Data nilai akhir mahasiswa yang akan dicluster Jumlah Cluster, berapa pengelompokan nilai yang diinginkan Label Nilai, sesuai dengan jumlah cluster

 Parameter genetika meliputi Pc,Pm, Jumlah populasi, jumlah Generasi b. Encoding Kromosom V menggunakan real encoding Nilai awal V dibangkitkan secara acak kemudian di encodingkan c. Fungsi fitness yang digunakan adalah fungsi objektif yang meminimumkan jarak antara u dan v dengan mengadopsi rumus dari Fuzzy C-means (Persamaan 3.3) d. Seleksi induk menggunakan kombinasi roulette wheel dan rank dimana individu yang mempunyai nilai fitness yang tinggi akan menjadi bagian dari populasi baru pada generasi selanjutnya. e. Crossover dilakukan menggunakan metode one cut point f. Mutasi dilakukan dengan cara menentukan secara acak kemudian mengubah bit dari 0 menjadi 1 dan sebaliknya g. Kriteria optimasi untuk menentukan apakah nilai V yang didapatkan sudah paling optimum atau belum, jika belum akan dilakukan pengupdatetan pada matriks U (Persamaan 3.4) h. Jika sudah mendapatkan nilai V yang paling optimal, maka dosen akan memberikan pelabelan nilai sesuai dengan kebutuhan Langkah-langkah tersebut diperjelas pada flowchart yang terdapat pada Gambar 1.2.

Gambar 1.2. Perancangan Sistem Sumber : Penulis

5. Implementasi Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan analisis dan perancangan sistem yang telah ditentukan dengan menggunakan bahasa pemrograman Java dan basis data Mysql. 6. Pengujian sistem Proses pengujian dilakukan melalui empat tahapan (strategi) yaitu untuk menguji kesahihan titik pusat cluster.

a. Untuk menguji kesahihan titik pusat cluster, dilakukan dengan cara membandingkan hasil titik pusat cluster yang di optimasi menggunakan FCM dan dioptimasi menggunakan Algoritma Genetika b. Dilakukan pengujian dengan mengubah-ubah parameter genetika untuk mendapatkan fungsi objektif yang paling minimum 7. Penulisan laporan Tahap ini dilakukan penyusunan laporan dari setiap tahap penelitian yang berbentuk sebagai laporan tesis.

1.8

Sistematika Penulisan BAB I PENDAHULUAN Bab ini akan menguraikan secara singkat mengenai latar belakang masalah, batasan masalah, perumusan masalah, keaslian penelitian, manfaat penelitian, tujuan penelitian, tinjauan pustaka, metode penelitian dan sistematika penulisan. BAB II TINJAUAN PUSTAKA Bab ini membahas tinjauan pustaka yang digunakan sebagai bahan refrensi dalam penelitian ini. BAB II LANDASAN TEORI Bab ini menguraikan teori dasar yang berkaitan dengan penelitian yang dilakukan dan akan menjadi dasar dalam pemecahan masalah. BAB IV ANALISA DAN PERANCANGAN SISTEM Bab ini akan menguraikan tentang analisa dan perancangan sistem yang dipergunakan sebagai acuan dalam pemecahan masalah serta desain tampilan antarmuka sebagai penghubung antara pengguna dengan sistem.

BAB V

IMPLEMENTASI Bab ini berisikan kode program dan tampilan antarmuka program dari implementasi sistem.

BAB VI HASIL DAN PEMBAHASAN Bab ini berisikan hasil akhir dari sistem yang dibangun, disertai dengan penjelasan dari setiap keluaran proses. BAB VII KESIMPULAN DAN SARAN Berisikan kesimpulan serta saran dari hasil penelitian.

10