Cover Image

K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif

Main Author: Anisa, Rifka
Format: Thesis NonPeerReviewed Book
Bahasa: eng
Terbitan: , 2019
Subjects:
519.625 Genetic algorithms
Online Access: http://repository.ub.ac.id/176836/1/Rifka%20Anisa%20%283%29.pdf
http://repository.ub.ac.id/176836/
ctrlnum 176836
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><relation>http://repository.ub.ac.id/176836/</relation><title>K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif</title><creator>Anisa, Rifka</creator><subject>519.625 Genetic algorithms</subject><description>Optimasi adalah suatu proses untuk mencapai hasil yang ideal atau optimal. Masalah optimasi yang banyak ditemukan di kehidupan sehari-hari salah satunya adalah optimasi multiobjektif. Penyelesaian masalah optimasi multiobjektif tidak mudah dipecahkan, karena solusi yang dihasilkan tidak tunggal. Salah satu pendekatan yang sering digunakan untuk menyelesaikan masalah optimasi multiobjektif adalah algoritma evolusioner. Pendekatan dibutuhkan untuk memilih solusi akhir yang paling sesuai pada pengaplikasiannya. Namun, solusi dari Pareto optimal mungkin sangat besar atau bahkan tak terbatas. Di sisi lain, para pengambil keputusan tidak dapat menggunakan seluruh solusi yang dihasilkan. Oleh karena itu, pada skripsi ini akan dibahas algoritma evolusioner baru yaitu algoritma genetika yang dimodifikasi dengan skema pengelompokan K-Means. Pada fase pertama, algoritma K-Means diaplikasikan untuk mempartisi populasi menjadi subpopulasi di mana operator GA diterapkan pada setiap subpopulasi. Fase kedua, algoritma K-Means akan digunakan untuk memudahkan sistem mengontrol ketepatan pendekatan Pareto set dengan memilih jumlah kluster yang sesuai. Kemudian, algoritma tersebut diuji coba menggunakan beberapa Pareto set pada MOO Test Instances for the CEC09. Hasil yang didapatkan dua dari enam fungsi tes berhasil mendapatkan populasi yang sesuai dengan Pareto front. Namun, meskipun tidak semua solusi mendapatkan hasil yang diinginkan, dengan menggunakan algoritma K-Means telah berhasil didapatkan solusi yang memiliki keberagaman dan mencakup seluruh domain Pareto front.</description><date>2019-06-14</date><type>Thesis:Thesis</type><type>PeerReview:NonPeerReviewed</type><type>Book:Book</type><language>eng</language><identifier>http://repository.ub.ac.id/176836/1/Rifka%20Anisa%20%283%29.pdf</identifier><identifier> Anisa, Rifka (2019) K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif. Sarjana thesis, Universitas Brawijaya. </identifier><relation>SKR/MIPA/2019/70/051910772</relation><recordID>176836</recordID></dc>
language eng
format Thesis:Thesis
Thesis
PeerReview:NonPeerReviewed
PeerReview
Book:Book
Book
author Anisa, Rifka
title K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif
publishDate 2019
topic 519.625 Genetic algorithms
url http://repository.ub.ac.id/176836/1/Rifka%20Anisa%20%283%29.pdf
http://repository.ub.ac.id/176836/
contents Optimasi adalah suatu proses untuk mencapai hasil yang ideal atau optimal. Masalah optimasi yang banyak ditemukan di kehidupan sehari-hari salah satunya adalah optimasi multiobjektif. Penyelesaian masalah optimasi multiobjektif tidak mudah dipecahkan, karena solusi yang dihasilkan tidak tunggal. Salah satu pendekatan yang sering digunakan untuk menyelesaikan masalah optimasi multiobjektif adalah algoritma evolusioner. Pendekatan dibutuhkan untuk memilih solusi akhir yang paling sesuai pada pengaplikasiannya. Namun, solusi dari Pareto optimal mungkin sangat besar atau bahkan tak terbatas. Di sisi lain, para pengambil keputusan tidak dapat menggunakan seluruh solusi yang dihasilkan. Oleh karena itu, pada skripsi ini akan dibahas algoritma evolusioner baru yaitu algoritma genetika yang dimodifikasi dengan skema pengelompokan K-Means. Pada fase pertama, algoritma K-Means diaplikasikan untuk mempartisi populasi menjadi subpopulasi di mana operator GA diterapkan pada setiap subpopulasi. Fase kedua, algoritma K-Means akan digunakan untuk memudahkan sistem mengontrol ketepatan pendekatan Pareto set dengan memilih jumlah kluster yang sesuai. Kemudian, algoritma tersebut diuji coba menggunakan beberapa Pareto set pada MOO Test Instances for the CEC09. Hasil yang didapatkan dua dari enam fungsi tes berhasil mendapatkan populasi yang sesuai dengan Pareto front. Namun, meskipun tidak semua solusi mendapatkan hasil yang diinginkan, dengan menggunakan algoritma K-Means telah berhasil didapatkan solusi yang memiliki keberagaman dan mencakup seluruh domain Pareto front.
id IOS4666.176836
institution Universitas Brawijaya
affiliation mill.onesearch.id
fkp2tn.onesearch.id
institution_id 30
institution_type library:university
library
library Perpustakaan Universitas Brawijaya
library_id 480
collection Repository Universitas Brawijaya
repository_id 4666
subject_area Indonesian Language Collection/Kumpulan Karya Umum dalam Bahasa Indonesia*
city MALANG
province JAWA TIMUR
shared_to_ipusnas_str 1
repoId IOS4666
first_indexed 2021-10-28T07:00:14Z
last_indexed 2021-10-28T07:00:14Z
recordtype dc
_version_ 1751453924434378752
score 17.538404

Lihat Juga