2, Juli 2005
Intisari
Kinerja sistem kendali fuzzy bergantung pada fungsi keanggotaan dan
aturan-aturan kendali fuzzy yang digunakan. Pengaturan parameter sistem
untuk memperoleh hasil yang optimal sangat diperlukan. Dalam penelitian
ini, algoritma genetik akan digunakan untuk mengatur (tuning) parameter
fungsi keanggotaan variabel input dalam sistem kendali fuzzy. Tujuannya
adalah untuk memperoleh parameter fungsi keanggotaan sistem fuzzy
sehingga sistem kendali fuzzy dapat memberikan hasil yang optimal. Adapun
sistem kendali fuzzy yang akan diatur kembali parameternya adalah sistem
yang menjadi bagian dari sebuah sistem tutorial cerdas, yang telah
dikembangkan dalam penelitian sebelumnya. Hasil penelitian menunjukkan
algoritma genetik dapat melakukan tuning terhadap parameter sistem
kendali fuzzy sehingga diperoleh hasil yang lebih optimal.
Abstract
Fuzzy controlled system performance depends on its membership functions
and fuzzy rules. Therefore, system parameter adjustment is required to
obtain optimal results. In this research, genetic algorithm is used for tuning
membership function parameters of input variable in a fuzzy controlled
system that has been used in previous research as a part of an intelligent
tutoring system. The goal of our research is to determine membership
function parameters in order to obtain optimal results. Experiment shows
that genetic algorithm is be able to perform membership functions
parameter tuning to give better performance.
89
INTEGRAL, Vol. 10 No. 2, Juli 2005
90
INTEGRAL, Vol. 10 No. 2, Juli 2005
91
INTEGRAL, Vol. 10 No. 2, Juli 2005
Pendekatan ini digunakan dalam proses kendali fuzzy. Dalam hal ini data input
yang bersifat off-line. berhubungan dengan nilai variabel input
dan data output dianggap sebagai nilai
Tujuan dari proses tuning aturan kendali output yang diharapkan dapat dihasilkan
dalam sistem kendali fuzzy adalah untuk oleh sistem. Proses tuning akan
membuat sistem inferensi fuzzy memodifikasi parameter himpunan fuzzy
memberikan hasil yang optimal dengan dari variabel input sehingga sistem dapat
cara mengatur kembali parameter fungsi memberikan output yang mendekati data
keanggotaan yang dipakai dalam sistem. training yang diberikan. Pendekatan
Untuk itu diperlukan sekumpulan data yang dipakai dalam penelitian ini adalah
training, yaitu pasangan data input dan pendekatan Pittsburgh.
output yang dihasilkan dari sistem
92
INTEGRAL, Vol. 10 No. 2, Juli 2005
himpunan fuzzy dari variabel input operator mutasi digunakan mutasi non
seperti terlihat pada Gambar 1. uniform.
Dengan demikian interval yang
didefinisikan dalah sebagai berikut [6] : Operator max-min arithmetical crossover
bekerja sebagai berikut :
Jika
⎡ c −c c −c ⎤
ct ∈ [ctl , ctr ] = ⎢ct − t +1 t , ct + t +1 t ⎥ Cvt = (c1 ,..., ck ,..., cH )
⎣ 2 2 ⎦
⎡ ct +1 − ct c −c ⎤ Cwt = (c1' ,..., ck' ,..., cH' )
ct +1 ∈ [ctl +1 , ctr +1 ] = ⎢ct +1 − , ct +1 + t + 2 t +1 ⎥
⎣ 2 2 ⎦
⎡ c −c c −c ⎤ dikawin silang, maka turunan yang
ct + 2 ∈ [ctl + 2 , ctr + 2 ] = ⎢ct + 2 − t + 2 t +1 , ct + 2 + t +3 t + 2 ⎥
⎣ 2 2 ⎦ dihasilkan adalah [4,6]:
⎡ c − c c − ct + 2 ⎤
ct +3 ∈ [ctl +3 , ctr +3 ] = ⎢ct +3 − t +3 t +2
, ct +3 + t +3
⎥
⎣ 2 2 ⎦ C1t +1 = aCwt + (1 − a )Cvt
(1)
C2t +1 = aCvt + (1 − a )Cwt
(4)
Jika terdapat sekumpulan data input- C3t +1 , c3t +k1 = min(ck , ck' )
output training yang berukuran K, yaitu
{(xi ,yi) = (xi1 , … , xin , yi), i = 1, …, K} C4t +1 , c4t +k1 = max(ck , ck' )
maka kesalahan inferensi dari suatu
sistem berbasis fuzzy S, dengan dengan a adalah konstanta atau variabel
kumpulan basis aturan BR dan kumpulan yang nilainya bergantung pada usia
data input-output TRD dihitung sebagai populasi. Turunan yang dipilih adalah
jumlah dari kesalahan kuadratik, yaitu dua turunan dengan nilai fitness terbaik.
[6]:
1 K Operasi mutasi non uniform dilakukan
E ( S , BR, TRD ) =
2K
∑ ( y − S ( x ))
i =1
i i
2
sebagai berikut :
Jika
(2)
Cvt = (c1 ,..., ck ,..., cH )
Fungsi fitness digunakan untuk
mengukur ketangguhan setiap kromosom adalah kromosom suatu aturan dan
di dalam suatu populasi.Fungsi fitness elemen ck dipilih untuk dimutasi (
dari algoritma genetik untuk kromosom domain ck adalah [ckl, ckr ]), maka
C yang merepresentasikan kumpulan hasilnya adalah vektor [4,6] :
basis aturan BR , dan data training TRD
didefinisikan sebagai berikut : Cvt +1 = (c1 ,..., ck' ,..., cH )
K
1
F (C j ) = E ( S , BR, TRD ) = ∑ ( y − S ( x )) 2
⎧ck + ∆ (t , ckr − ck )[rumus − 1]
ck' = ⎨
i i
2K i =1
93
INTEGRAL, Vol. 10 No. 2, Juli 2005
Gambar 1 : Interval Fungsi Keanggotaan untuk Pembangkitan Basis Aturan Secara Acak
94
INTEGRAL, Vol. 10 No. 2, Juli 2005
baru dengan rumus (3). Kromosom untuk digunakan dalam perhitungan nilai
dengan nilai fitness terbaik akan dipilih output dari proses inferensi. Modul
untuk membentuk populasi kromosom kendali fuzzy akan memberikan nilai
yang baru. output dari sekelompok data hasil belajar
berdasarkan aturan fuzzy yang diperoleh
Pada saat perhitungan nilai fitness, modul dari kromosom. Nilai output tersebut
algoritma genetik akan berhubungan akan digunakan oleh modul evaluasi
dengan modul kendali fuzzy. Kromosom fitness untuk menghitung nilai fitness
yang akan dihitung nilai fitnessnya akan dari suatu kromosom.
diencode menjadi aturan fuzzy yang siap
(
(3) (4) (7)
Seleksi Crossover Evaluasi Populasi
& Mutasi Fitness
Kromosom
(5) (6)
95
INTEGRAL, Vol. 10 No. 2, Juli 2005
Tabel 4.1 : Hasil Algoritma Genetik untuk Percobaan-1 sampai dengan Percobaan-5 terhadap
Data Hasil Eksperimen di STTI.
Tabel 4.2 : Hasil Algoritma Genetik untuk Percobaan-6 sampai dengan Percobaan-10 terhadap
Data Hasil Eksperimen di ITB.
96
INTEGRAL, Vol. 10 No. 2, Juli 2005
1.25E-01
7.50E-02
5.00E-02
2.50E-02
0.00E+00
0 10 20 30 40 50 60 70 80 90 100
Generasi
Percobaan1 Percobaan2 Percobaan3 Percobaan4 Percobaan5
1.25E-01
Nilai Fitness
1.00E-01
7.50E-02
5.00E-02
2.50E-02
0.00E+00
0 10 20 30 40 50 60 70 80 90 100
Generasi
97
INTEGRAL, Vol. 10 No. 2, Juli 2005
98