BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA adalah konsep hybrid yang menggunakan sistem fuzzy ke dalam proses algoritma genetika. Karena dalam proses algoritma genetika, pengguna harus mendefinisikan beberapa parameter pada awal running agar proses dapat berjalan dengan baik. Terdapat tiga parameter penting dalam algoritma genetika yaitu ukuran populasi, probabilitas pindah silang, dan probabilitas mutasi. Ketiga parameter ini harus didefinisikan secara hati-hati agar tidak terjadi konvergensi dini atau lokal optimum yaitu dimana individu-individu dalam populasi konvergen pada suatu solusi optimum lokal (Suyanto, 2005). Xu dan Vukovich (1993), melakukan penelitian terkait penggunaan logika fuzzy dalam algoritma genetika untuk mengatasi dua permasalahan yang biasa terjadi pada algoritma genetika yaitu kecepatan pencarian solusi yang lambat dan konvergensi dini. Pemanfaatan logika fuzzy dalam algoritma genetika ditujukan untuk memudahkan pengguna dalam mendefinisikan parameter yang digunakan. Model yang dikenalkan oleh Xu dan Vukovich adalah penggunaan logika fuzzy untuk penentuan nilai probabilitas pindah silang dan nilai probabilitas mutasi menggunakan aturan fuzzy dengan dua masukan yaitu ukuran populasi dan jumlah generasi. Seiring dengan munculnya konsep FEA, sebuah toolbox yang menerapkan konsep FEA model Xu dan Vukovich telah dikembangkan. Toolbox FEA tersebut dapat digunakan untuk menyelesaikan beberapa permasalahan yang dapat diselesaikan dengan algoritma genetika. Toolbox FEA juga memiliki fungsifungsi yang menerapkan konsep FEA yang dapat digunakan oleh pengguna melalui command windows (Muzid dkk, 2009). Konsep FEA yang dikembangkan oleh Xu dan Vukovich masih memiliki kelemahan yaitu apabila nilai masukan untuk aturan fuzzy pada setiap generasi 1
2
bernilai statis maka nilai keluaran dari aturan fuzzy yang meliputi nilai probabilitas pindah silang dan probabilitas mutasi juga akan bernilai statis. Hal ini memungkinkan hasil yang ditemukan kurang optimum karena parameter yang digunakan dalam FEA bernilai statis. Oleh karena itu dibutuhkan sebuah model yang mampu beradaptasi dan menghasilkan nilai dinamis sehingga nilai keluaran yang dihasilkan oleh FEA bernilai dinamis. Eiben dkk (2004) melakukan penelitian dan menghasilkan sebuah model perhitungan yang digunakan untuk menentukan ukuran populasi baru yang akan digunakan pada generasi berikutnya. Model tersebut adalah Population Resizing on Fitness Improvement Genetic Algorithm (PRoFIGA) yaitu model perhitungan untuk menentukan ukuran populasi baru berdasarkan dari perkembangan nilai fitness terbaik. Ukuran populasi merupakan sebuah parameter yang penting dalam algoritma genetika. Jika ukuran populasi terlalu kecil akan memungkinkan terjadinya konvergensi dini, dan jika terlalu besar akan mengakibatkan lamanya waktu yang dibutuhkan algoritma genetika dalam menghasilkan solusi terbaik. Dalam model ini ukuran populasi yang dihasilkan dapat beradaptasi menjadi lebih sedikit atau lebih banyak pada setiap generasi seiring dengan perkembangan nilai fitness terbaik sehingga dapat meningkatkan performansi algoritma genetika. Dengan latar belakang tersebut, diperlukan sebuah pengembangan untuk memperbaiki kelemahan pada konsep FEA model Xu dan Vukovich serta pengembangan toolbox FEA dengan menggabungkan model PRoFIGA kedalam konsep FEA tersebut agar sistem fuzzy yang digunakan dapat menghasilkan nilai keluaran yang dinamis sehingga dapat menghasilkan solusi yang lebih optimum dan mampu meningkatkan performansi dari algoritma genetika. 1.2. Rumusan Masalah Berdasarkan latar belakang masalah diatas akhirnya dapat dirumuskan beberapa rumusan sebagai berikut: 1. Mengembangkan konsep FEA model Xu dan Vukovich yang digabungkan dengan model penentuan ukuran populasi PRoFIGA.
3
2. Mengembangkan toolbox FEA dengan aturan fuzzy model Xu dan Vukovich yang dinamis untuk pengontrolan parameter pada setiap generasinya. 3. Membuat fungsi baru dengan menggunakan algoritma FEA yang dinamis pada setiap generasi dan dapat digunakan untuk menyelesaikan berbagai masalah optimasi yang dapat diintegrasikan dengan bahasa pemrograman tertentu. 1.3. Batasan Masalah Agar permasalahan yang dibahas tidak melebar terlalu luas diperlukan batasan masalah. Adapun batasan yang digunakan adalah sebagai berikut: 1. Model FEA yang dikembangkan adalah model Xu dan Vukovich yang digabungkan dengan model Population Resizing on Fitness Improvement Genetic Algorithm (PRoFIGA) untuk penentuan ukuran populasi dari perkembangan nilai fitnes terbaik. 2. Permasalahan yang diuji adalah permasalahan Travelling Salesman Problem (TSP) dan optimasi fungsi. 3. Hasil pengujian dibandingkan dengan hasil pengujian menggunakan FEA model Xu dan Vukovich, algoritma genetika. 4. Metode yang digunakan untuk mendeteksi signifikasi perbedaan hasil dari ketiga metode tersebut menggunakan metode analysis of variance (ANOVA). 5. Metode yang digunakan untuk mendeteksi keberagaman individu dalam populasi menggunakan metode perhitungan varians dan standar deviasi. 1.4. Tujuan Penelitian Adapun tujuan dari penelitian ini adalah sebagai berikut: 1. Mengembangkan model hybrid FEA model Xu dan Vukovich yang digabungkan dengan model PRoFIGA. 2. Mengembangkan toolbox FEA dengan aturan fuzzy model Xu dan Vukovich didalamnya.
dinamis
yang
digabungkan
dengan
model
PRoFIGA
4
3. Membuat fungsi baru untuk penerapan konsep FEA model Xu dan Vukovich yang digabungkan dengan model PRoFIGA yang dapat digunakan oleh pengguna yang bisa dintegrasikan dengan bahasa pemrograman tertentu untuk menyelesaikan berbagai masalah optimasi. 4. Melakukan pengujian konsep FEA model Xu dan Vukovich yang digabungkan dengan model PRoFIGA pada permasalahan optimasi fungsi dan Travelling Salesman Problem (TSP) serta membandingkannya dengan penyelesaian masalah menggunakan algoritma genetika standar dan konsep FEA model Xu dan kolega.
1.5. Manfaat Penelitian Manfaat yang didapatkan dari penelitian adalah sebagai berikut: 1. Menghasilkan toolbox FEA yang dinamis agar dapat digunakan untuk menyelesaikan berbagai masalah optimasi. 2. Menghasilkan fungsi baru yang menerapkan konsep FEA yang dinamis agar dapat digunakan oleh pengguna untuk diintegrasikan dengan bahasa pemrograman tertentu untuk menyelesaikan berbagai masalah optimasi. 3. Menerapkan model hybrid FEA model Xu dan Vukovich yang digabungkan dengan model PRoFIGA untuk menghasilkan solusi yang lebih optimum dan meningkatkan performansi algoritma genetika. 4. Membantu dan memudahkan pengguna untuk memahami teori algoritma fuzzy evolusi dan menyelesaikan masalah menggunakannya. 5. Menambah wawasan dan ilmu pengetahuan dalam bidang soft computing dengan model FEA yang lebih dinamis.
1.6. Keaslian Penelitian Pada penelitian sebelumnya penulis telah mengembangkan toolbox FEA yang menerapkan konsep hybrid antara algoritma genetika dan logika fuzzy. Model yang digunakan pada toolbox FEA tersebut adalah model Xu dan Vukovich. Toolbox tersebut masih memiliki kelemahan yaitu masukan yang digunakan dalam logika fuzzy yang berupa ukuran populasi masih bernilai statis sehingga
5
keluaran yang dihasilkan dari FEA juga bernilai statis. Hal ini memungkinkan hasil yang ditemukan tidak merupakan solusi optimum sehingga membutuhkan sebuah pengembangan agar toolbox FEA tersebut lebih dinamis dalam menghasilkan nilai parameter. Pada penelitian ini menghasilkan sebuah model pengembangan FEA yang dinamis yang menggabungkan sistem fuzzy model Xu dan Vukovich dengan model PRoFIGA. Selain itu juga menghasilkan toolbox dan fungsi FEA yang dinamis dalam pengontrolan parameter-parameter sehingga menghasilkan solusi yang lebih optimum dan meningkatkan performansi algoritma genetika dalam menemukan solusi.
1.7. Metode Penelitian Dalam penelitian ini, metode pengembangan perangkat lunak yang dilakukan adalah menggunakan metode prototype dan diawali dengan studi kepustakaan. Tahapan dari metode penelitian tersebut adalah sebagai berikut: 1. Studi pustaka. Studi pustaka dilakukan dengan cara mempelajari, mendalami, dan mengutip teori atau konsep dari sejumlah literatur, baik buku, jurnal yang relevan dengan topik, fokus atau variabel penelitian yang berkaitan dengan algoritma genetika, sistem fuzzy, dan algoritma fuzzy evolusi khususnya metode Xu dan Vukovich serta model PRoFIGA. 2. Analisa sistem. Tahap ini dilakukan untuk menganalisa teori yang ada, teori terkait teori FEA, model hybrid yang dikembangkan Xu dan Vukovich, serta model PRoFIGA yang dikembangkan Eiben, Marchiori dan Valko. Dalam tahap ini juga dilakukan analisa pada toolbox FEA yang sudah dikembangkan sebelumnya. 3. Desain Sistem. Desain sistem dilakukan untuk merancang proses dan antarmuka dari sistem yang akan dikembangkan. Metode desain atau perancangan sistem yang digunakan adalah menggunakan diagram Flowchart.
6
4. Pengkodean Sistem. Tahap ini adalah tahap dimana sistem baru mulai dibangun dengan menuliskan kode program dalam bentuk modul fungsi dan pengembangan graphic user interface (GUI) serta integrasi dari modul-modul fungsi tersebut. 5. Percobaan (Testing). Percobaan dilakukan untuk menguji terkait pengujian unit dan integrasi modul dan apakah sistem baru ini sudah dapat berjalan sesuai dengan kebutuhan yang diinginkan. Pada tahap ini juga dilakukan pengujian terhadap permasalahan TSP dan optimasi fungsi baik.
1.8. Sistematika Penulisan Sistematika penulisan laporan berguna untuk memberikan gambaran umum dari keseluruhan isi laporan serta untuk mempermudah pembaca untuk lebih mudah memahami. Sistematika penulisan dan garis besar isi laporan ini adalah sebagai berikut: Bab I berisi Pendahuluan yang menjelaskan latar belakang serta rumusan masalah yang diteliti, batasan masalah yang menjadi tolak ukur penelitian, tujuan dan manfaat penelitian, keaslian penelitian dan metodologi penelitian serta sistematika penulisan yang digunakan. Bab II berisi Tinjauan Pustaka, berisi tentang pemaparan hal-hal yang berkaitan serta pustaka yang dipakai pada waktu penelitian. Berisi tentang penelitian-penelitian sebelumnya dan perbedaan antara penelitian sekarang dengan penelitian yang pernah dilakukan. Bab III berisi Landasan Teori, yang merupakan pembahasan tentang teoriteori tentang algoritma genetika, sistem fuzzy, algoritma fuzzy evolusi, fuzzy rule based model Xu dan Vukovich, model PRoFIGA, dan toolbox FEA yang sudah ada. Bab IV berisi Rancangan dan Implementasi Sistem yang menjelaskan mengenai perancangan sistem yang akan diterapkan sehingga apa yang dirancang benar-benar sesuai dengan apa yang dibutuhkan menggunakan diagram alir dan
7
diagram alir data. Serta membahas implementasi sistem yang menjelaskan implementasi yang merupakan tahap selanjutnya dari perancangan sehingga menjadi suatu aplikasi yang terdiri dari proses, masukkan (input) dan keluaran (output). Bab V berisi Hasil dan Pembahasan yang menjelaskan hasil dari sistem yang dibangun dan diuji sesuai dengan kebutuhan perangkat lunak yang sebenarnya. Hasil pengujian akan dibandingkan dengan pengujian menggunakan metode lain. Bab ini juga menjelaskan bagaimana kelebihan serta kekurangan setelah penelitian dilakukan agar dapat digunakan untuk penelitian selanjutnya. Bab VI berisi Kesimpulan dan Saran, penulis mengambil beberapa kesimpulan dari pengembangan konsep dan toolbox serta saran-saran berdasarkan keterbatasan dan kekurangan yang ditemukan pada penelitian ini.
