19 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan zaman yang semakin pesat di abad ini menuntut perubahan yang cepat pula dalam menentukan setiap keputusan, sehingga setiap pembuat keputusan dituntut untuk menggunakan system yang terkomputerisasi sebagai pendukung keputusan. Salah satu system keputusan yang terkomputerisasi yaitu system fuzzy. Adapun tujuan menggunakan system komputerisasi agar mendapatkan sebuah system pendukung keputusan yang akurat. Sehingga hasil tersebut bisa digunakan sebagai acuan yang tepat dalam penentu keputusan akhir.
20 Sistem fuzzy merupakan system yang merepresentasikan suatu masalah yang mengandung ketidakpastian ke dalam satu bahasa linguistic dengan menggunakan fuzzy logic yang kemudian dikaitkan menjadi sebuah fungsi yang menyatakan nilai keanggotaan pada interval [0,1] (Zadeh,1965). Himpunan fuzzy dan fungsi tersebut dinamakan fungsi keanggotaan (membership function) sedangkan nilainya disebut dengan derajat keanggotaan. Terdapat beberapa fungsi keanggotaan yaitu fungsi keanggotaan trapesium, sigmoid, segitiga dan lain-lain. Untuk membangkitkan sebuah fungsi keanggotaan fuzzy system digunakan metode klasifikasi ataupun clustering. Sedangkan cara ini masih mengandalkan seorang expert dalam menentukan klasisfikasi dataset, sehingga yang menjadi masalah selanjutnya terhadap kondisi tersebut yaitu jika para ahli tidak tersedia maka akan menimbulkan kesulitan dalam membangkitkan fungsi keanggotaan bahkan bisa mengakibatkan system fuzzy yang dikembangkan tidak berfungsi dengan baik (Hong, et al. 2006).
5 Beberapa penelitian yang sudah dilakukan terdahulu terkait pembangkitan fungsi keanggotan antara lain yaitu penelitian yang dilakukan oleh (Pernama & Hashim 2010), melakukan penelitian tentang penggunaan algoritma PSO (Particle Swarm Optimization) sebagai algoritma optimasi yang ditambahkan pada performa system fuzzy. Algoritma PSO dapat membangkitkan fuzzy set yang optimal dengan mengatur fungsi keanggotaanya secara otomatis; (Hong, et al. 2006) melakukan penelitian menggunakan metode training examples sebagai kerangka untuk membangkitkan secara otomatis fungsi keanggotaan dan fuzzy if-then rules; (Ketata, 2007) dalam penelitiannya memperkenalkan sebuah pendekatan yang baru yaitu mengatur fungsi keanggotaan, pembangkitan dan pengurangan fuzzy rule base terhadap data pada waktu yang bersamaan; (Yang & Bose 2005) dalam penelitiannya membangkitkan fungsi keanggotaan fuzzy secara otomatis dengan menggunakan selforganizing feature map (SOFM) ; (Yunizar, 2012) melakukan penelitian dengan tujuan untuk mendapatkan fungsi keanggotaan fuzzy yang lebih tepat sesuai dengan data yang diberikan dengan menggunakan algoritma backpropagation neural Algoritma Genetika merupakan suatu system yang melakukan pencarian dengan meniru mekanisme seleksi alamiah dan genetika alamiah, (Golberg, 1989). Pada aplikasinya algoritma genetika merupakan program komputer yang mensimulasikan proses evolusi, dengan menghasilkan kromosom- kromosom dari tiap populasi secara random dan memungkinkan kromosom tersebut berkembang biak sesuai dengan hukum-hukum evolusi yang nantinya diharapkan akan dapat menghasilkan kromosom prima atau yang lebih baik. Kromosom ini merepresentasikan solusi dari permasalahan yang diangkat, sehingga apabila kromosom yang baik tersebut dihasilkan, maka diharapkan solusi yang baik dari permasalahan tersebut juga didapatkan. Berdasarkan penelitian yang sudah dilakukan terdahulu maka penulis mencoba untuk melakukan penelitian bagaimana membangkitkan fungsi keanggotaan fuzzy otomatis dengan menggunakan Algoritma Genetika (AG). Dengan pendekatan
6 menggunakan Algoritma Genetika pada system fuzzy maka dapat membangkitkan fungsi keanggotaan fuzzy otomatis. 1.2 Perumusan Masalah Pada sebuah system fuzzy, fungsi keanggotaan merupakan bagian yang berperanan sangat penting dalam merepresentasikan masalah agar dapat menghasilkan data output yang akurat. Sedangkan untuk menghasilkan sebuah fungsi keanggotaan fuzzy yang menggunakan metode klasifikasi masih bergantung kepada pakar (expert), hal tersebut tidak akan menjadi masalah apabila data yang dikelola jumlahnya sedikit tetapi apabila data yang dikelola dalam jumlah yang sangat besar maka akan menjadi masalah, untuk itu maka perlu dilakukan sebuah pendekatan dengan menggunakan sebuah analisis pembangkit fungsi keanggotaan otomatis menggunakan algoritma genetika dengan memanfaatkan metode cross over yaitu two point crossover dan min-max crossover pada proses penyilangan. 1.3 Batasan Masalah Rumusan masalah diatas dibatasi beberapa hal sebagai berikut : 1. Menggunakan Algoritma Genetika dalam pembentukan pembangkit fungsi keanggotaan fuzzy secara otomatis. 2. Pembentukan grafik menggunakan fungsi segitiga. 3. Aplikasi yang digunakan adalah Visual Studio 2010 4. Menggunakan data-data dari PNPM Medan untuk variabel yang akan di analisis. 1.4 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini yaitu membangkitkan kurva fungsi keanggotaan fuzzy secara otomatis dengan melakukan pendekatan cross over Algoritma Genetika.
7 1.5 Manfaat Penelitian Manfaat penelitian yang diharapkan dari hasil penelitian ini adalah : 1. Dapat menggunakan algoritma genetika untuk membangkitkan fungsi keanggotaan fuzzy otomatis. 2. Mengetahui penggunaan algoritma genetika sebagai pembangkit kurva fungsi keanggotaan fuzzy.