Untuk menentukan mahasiswa yang berhak mendapatkan beasiswa merupakan hal yang vital bagi
Bagian Kemahasiswaan dan Alumni (BKA) STT Telkom. Penentuan nominasi mahasiswa yang berhak
mendapatkan beasiswa saat ini dilakukan perhitungan dengan bantuan MS. Excel. Dengan cara ini hasil
yang didapatkan kurang memuaskan, karena dalam perhitungan masih digunakan Logika Benar dan Salah
(1 dan 0) dari Logika Boolean, dan dalam pengerjaan membutuhkan waktu yang relative lama.
Dalam tugas akhir ini diimplementasikan Logika Fuzzy untuk menentukan nominasi mahasiswa
yang berhak menerima beasiswa. Untuk menentukan fungsi keanggotaan fuzzy yang tepat merupakan hal
yang tidak mudah, oleh karena itu digunakan Algoritma Genetika.
Dari pengujian pelatihan Algoritma Genetika diperoleh pelatihan terbaik dilakukan dengan
jumlah satu populasi sebanyak 20 individu (kromosom), peluang pindah silang 0.8 dan peluang mutasi
0.1. Penentuan nominasi mahasiswa yang berhak menerima beasiswa menggunakan Logika Fuzzy
memberikan hasil yang baik jika dibandingkan dengan perhitungan manual (excel). Hasil ini dapat
diterima oleh pihak BKA (Bagian Kemahasiswaan dan Alumni ), dalam hal ini Bpk. Adiwiyaja, Ssi, Msi
yang akan digunakan sebagai pendukung keputusan untuk penentuan nominasi mahasiswa yang akan
menerima beasiswa.
Kata Kunci : algoritma genetika, crossover, roulette wheel, logika fuzzy, Center of Area(COA).
ABSTRACT
Determining the right university student who deserve to receive the scholarship is the important
duty for BKA STT Telkom Institution. The ascription candidates of students who deserve to receive the
scholarship formerly is done by using MS. Excel application manually. As the former way the results are
unsatisfied, because it still use the True and False Logic Method (1 and 0) in calculation, and need longer
time.
Fuzzy logic is implemented for ascription candidates of the adequate students in this final
assignment. For deciding the accurate fuzzy memberships are not the easy process, by that case Genetic
Algorithm being used.
From Genectic Algorithm testcases are received the fine result which is done in a population with
20 (cromosom) samples, the cross-over probability is 0.8 and mutation is 0.1. The ascription result for
candidates of students who deserve to receive the scholarship by using fuzzy logic are better when it
compare with manual system (MS.Excel). These results can be accepted by BKA Institution as if be
represented by MR. Adiwijaya, Ssi, Msi who said that it will be used as decision support system to
determine the adequate students who deserve to receive the scholarship.
Key words : Genectic Algorithm, cross-over, roulette wheel, Fuzzy logic, Center of Area(COA).
KATA PENGANTAR
Alhamdulillahirabbil ’alamin. Puji dan syukur kehadirat Allah SWT yang telah memberikan
kekuatan, berkah, rahmah, dan hidayah-Nya sehingga penulis akhirnya dapat menyelesaikan Tugas Akhir
yang berjudul “Analisis dan Implementasi Algoritma Genetika dan Logika Fuzzy untuk menentukan
mahasiswa yang berhak menerima beasiswa di STT Telkom”, yang merupakan salah satu syarat untuk
memperoleh gelar Sarjana Strata-1 untuk jurusan Teknik Informatika di Sekolah Tinggi Teknologi
Telkom (STT Telkom), Bandung.
Penulis menyadari bahwa tugas akhir ini masih mempunyai kekurangan. Oleh karena itu kritik
dan saran sangat diterima untuk memperbaiki tugas akhir ini. Karena sesungguhnya kesempurnaan
hanyalah milik-Nya. Penulis berharap semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang
membutuhkan untuk melakukan penelitian dan pengembangan dalam bidang Informatika khususnya
dalam “Soft Computing”.
Akhir kata, penulis memohon maaf kepada semua pihak apabila penulis telah melakukan
kesalahan dan kekhilafan, baik yang disengaja maupun yang tidak disengaja.
Penulis
Widiya Lestari
113020300
Ucapan Terima Kasih
Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah
memberikan perhatian, pengertian, masukan, bantuan, dukungan serta do’a selama menyelesaikan tugas
akhir ini. Oleh karena itu penulis ingin mengucapkan terima kasih yang sebesarnya kepada :
1. Kedua orang tua, Ibunda Yettrimar dan Ayahanda Syamsul Bahri, yang telah mendidik,
membesarkan, dan selalu memberikan kasih sayang, mengingatkan, menasehati, dan memberikan
do’a yang tiada hentinya. Nenek dan Adik-adik ku Agus dan Yuli (Ayo.... berjuang masa depan
menanti kita...!!! ).
2. Bapak Suyanto, ST, Msc selaku Dosen Pembimbing I dan Bapak Adiwijaya, Ssi, Msi selaku
Dosen Pembimbing II yang memberikan waktu, pengarahan, dukungan, nasihat serta pikirannya
kepada penulis dalam penyelesaian Tugas Akhir ini. Terima kasih atas bimbingannya selama ini.
3. Keluarga besar urang rumah Sawah Dahulu, Surau Darek, dan Tabek Barawak, Niniak Mamak,
Adiak, Ansanak, Pak Etek, Mak Etek, Mak Adang, Pak Adang, di Bandung, Jakarta, Bukittinggi
dan Bali.
4. Sahabatku, Ummy (makasi yaa... hannih , atas pengertian, perhatian, cinta, kasih, pokoe segala
sesuatunya selama ini. Love you...), Ayu (Thanks ya Yu... Udah mau ngedengirin gw selama ini.
Jgn lupa kasi kabar, ntar gw pasti jenguk loe di Bali), Adhe (Karena kamu, aq tau arti cinta dan
persahabatan sesungguhnya, thanks yaa...), Andi (Makasi ya Ndi atas cerita, sharing, curhat,
pemahaman dan pandangan baru mengenai segala sesuatu hal..). Semoga kita sukses selalu....
5. Sahabat baruku yang bersua karena sesuatu hal yang tak terduga, Abang Fajri (Bang, makasi
yaa.... karna pengertian dan selama ini udah dengan sabar mendengar keluh kesah, ceweret, dan
bawelnya wid. Maaf klo mengecewakan.. Thanks for everything.... ), Uda Yoppie (Da, makasi
yaa perhatian, nasehat, pujian, cacian, makian, traktiran, pokoe semuanya. Maaf klo selama ini
sering kena sensinya wid. Hehehe... ), Deni Ferdian (Jeng, semangat yaa... Ntar klo udah selese
semuanya qta jalan lagi..), Daru (Kapan-kapan kita share lagi yaa... Inget lho tanggal 07072007.),
Koko Vender (Koko, tong ulin wae atuh....). Bambang (Makasi dukungannya. Ayo
semangat....!!!!). Semoga Allah SWT meridhoi kita semua.
6. Genk Medan IF2604 dan kawan-kawan semasa Geladi. Abang Winstem (makasi atas pelatihan
akting dan pura-puranya selama ini. Hehe.... ), Abang Syofyan, Abang Ronny Ganteng, Abang
Timbul Nan Tampan. Kapan-kapan kita liburan lagi di Bali yaa... Jangan lupa bawa kartu, maen
Chapsa qta... Makasi udah mewarnai hari-hari ku, tanpa kalian hampa rasanya kehidupan ku di
kampus putih biru ini.
7. Temen-temen seperjuangan di IF2604, Shinta (cepet-cepet ya Ta... Jgn lupa kasi kabar.. klo udah
ga j**b*o), Yuli (thanks buat latihan presentasinya), Putri (Maen chapsa qta....!!!), Rissa
(semangat yaa... Insya Allah bisa), Finny (Ayo semangat.... AP Nothing.....), Ryeo, Fajar, Ryan,
all pesonel Genk Java, dan semuanya yang tidak dapat disebutkan satu per satu. Makasi atas
tutorial, petualangan, kenangan, dukungan, kepercayaan, banyak hikmah dan pelajaran yang
selama ini dapat aq petik. Semoga sukses semua, jangan lupa undangannya ya...
8. Assisten Kerja-Lab RPL dan Assiten APSI, Fajri (Maaf.. ya Das RPL yang sering dikerjain),
Goeroeh_aan ( Makasi yaa... Kordas APSI), Ayu, Adhe, Dewi, Aris, Rustam, Imam, Fibie, Erda.
Terima kasih atas dukungan, perhatian dan pengertian dan juga kerja samanya selama ini.
Pengalaman yang tidak akan terlupakan. Semoga Sukses semua....!!!
9. Penghuni Lab RPL&MM, Zeftin, Riyandi, Singgih, Zulhendra, Ipunk, Leo, Pipit, Desty, dan
semua yang menghuni labz. Terima kasih atas dukungan dan semangatnya. Maaf klo selama ini
ada yang tidak berkenan di hati. Selamat berjuang... Masa kalian sebentar lagi akan tiba...
10. Kepada semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu dalam
proses penyelesaian tugas akhir ini terima kasih penulis ucapkan dengan setulus hati, pikiran dan
jiwa.
Penulis
Widiya Lestari
13020300
DAFTAR ISI
ABSTRAK.......................................................................................................................................................i
ABSTRACT....................................................................................................................................................ii
KATA PENGANTAR......................................................................................................................................iii
Ucapan Terima Kasih..................................................................................................................................iv
DAFTAR ISI..................................................................................................................................................vi
DAFTAR GAMBAR......................................................................................................................................viii
DAFTAR TABEL............................................................................................................................................ix
BAB I............................................................................................................................................................1
Pendahuluan...............................................................................................................................................1
1.1. Latar Belakang.............................................................................................................................1
1.2. Perumusan Masalah.....................................................................................................................1
1.3 Tujuan Pembahasan.....................................................................................................................2
1.4 Batasan Masalah..........................................................................................................................2
1.5 Metodologi Penyelesaian Masalah...............................................................................................2
1.6 Sistematika Penulisan..................................................................................................................3
BAB II...........................................................................................................................................................4
DASAR TEORI...............................................................................................................................................4
2.1 Algoritma Genetika......................................................................................................................4
2.1.1 Komponen-komponen Algoritma Genetika.....................................................................5
2.2 Pengertian Logika Fuzzy.............................................................................................................8
BAB III........................................................................................................................................................10
ANALISIS DAN PERANCANGAN..................................................................................................................10
3.1 Deskripsi Sistem.........................................................................................................................10
3.2 Desain Pelatihan Algoritma Genetika........................................................................................10
3.2.1 Inisialisasi Populasi.............................................................................................................11
3.2.2 Dekodekan Kromosom.......................................................................................................12
3.2.3 Evaluasi populasi................................................................................................................13
3.2.4 Elitisme..............................................................................................................................15
3.2.5 Seleksi................................................................................................................................15
3.2.6 Pindah silang......................................................................................................................15
3.2.7 Mutasi................................................................................................................................16
3.2.8 Penggantian Populasi.........................................................................................................16
3.2.9 Kondisi berhenti.................................................................................................................16
3.3 Perancangan Perangkat Lunak...................................................................................................16
3.3.1 Data Flow Diagram (DFD)...................................................................................................16
3.3.2 Spesifikasi Proses...............................................................................................................18
BAB IV........................................................................................................................................................19
DAFTAR PUSTAKA.......................................................................................................................................vi
LAMPIRAN..................................................................................................................................................vii
RULE EVALUASI FUZZY...............................................................................................................................vii
DAFTAR GAMBAR
Gambar 2 1Operasi Pindah Silang...............................................................................................................6
Gambar 2. 2 Pindah Silang Satu Titik...........................................................................................................6
Gambar 2. 3 Pindah Silang Banyak Titik.......................................................................................................7
Gambar 2. 4 Pindah Silang Pola Seragam....................................................................................................7
Y
PENDAHULUAN
Untuk menentukan nominasi mahasiswa yang berhak menerima beasiswa, saat ini digunakan
perhitungan dengan bantuan MS. Excel. Dengan cara ini hasil yang didapatkan kurang memuaskan
karena dalam perhitungan masih digunakan Logika Benar dan Salah (1 dan 0) dari Logika Boolean,
dimana adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang signifikan.
Dan dalam pengerjaan membutuhkan waktu yang relative lama.
Tujuan dari penelitian tugas akhir ini adalah menganalisa Algoritma Genetika untuk menentukan
fungsi keanggotaan fuzzy dalam penggunaan Logika Fuzzy untuk membangun suatu sistem, dan
mengimplementasikan untuk menentukan mahasiswa yang berhak mendapatkan beasiswa.
a. Dasar pertimbangan untuk menentukan mahasiswa yang berhak mendapatkan beasiswa antara
lain : besar penghasilan orang tua, nilai (STL / NEM), beban orang tua. Ketiga komposisi ini
yang akan menjadi masukan dalam proses perhitungan fuzzy.
b. Skema untuk pengkodean kromosom pada Algoritma Genetika menggunakan binary encoding.
Satu kromosom terdiri dari gen : kurva, range, gaji, nilai dan perbandingan gaji dengan beban
orang tua.
c. Fungsi keanggotaan fuzzy yang akan dianalisa adalah kurva segitiga, kurva sigmoid, kurva
bentuk lonceng yaitu : kurva Phi dan kurva beta.
d. Penalaran fuzzy (Fuzzy Inference System) yang akan digunakan adalah Metode Mamdani,
dengan metode defuzzyfikasi yang digunakan adalah Metode Center of Area (COA).
1. Studi Literatur dengan mempelajari literatur-literatur yang relevan dengan permasalahan yang
meliputi : melakukan studi pustaka dan referensi mengenai, Algoritma Genetika, Roulette Wheel,
Crossover, Mutasi, Logika Fuzzy, Center of Area..
2. Analisis dan Perancangan Perangkat Lunak dengan menggunakan konsep Analisis dan Desain
yang Terstruktur, dan dimodelkan menggunakan diagram konteks.
3. Implementasi secara coding berdasarkan analisis dan desain yang telah dibuat.
DASAR TEORI
Setiap kromosom memiliki sebuah nilai fungsi obyektif yang bersesuaian dengan parameter
masalah, yang disebut nilai fitness (fitness value). Sebuah kromosom dikatakan unggul jika memiliki nilai
fitness yang tinggi (untuk masalah maksimasi) atau nilai fitness yang rendah (untuk masalah minimasi).
Nilai fitness menunjukkan kromosom mana yang memiliki potensi terbaik untuk diturunkan pada generasi
berikutnya. Satu tahapan iterasi pada algoritma genetika disebut generasi, dan selama langkah ini struktur
dalam populasi saat itu akan dievaluasi untuk menentukan populasi pada generasi berikutnya. Algoritma
genetika yang sederhana minimal menggunakan tiga operator genetika, yaitu seleksi, pindah silang
(crossover), dan mutasi. Adapun pseducode langkah-langkah AG [5]:
Evaluasi populasi
Pindah silang
Mutasi
Selesai
Pada algoritma genetika di atas digunakan skema penggantian populasi yang disebut
generational replacement, dimana N kromosom dari suatu generasi digantikan sekaligus oleh N
kromosom baru hasil pindah silang dan mutasi.
Real-number encoding. Pada skema ini, nilai gen berada dalam interval [0,R], di mana R adalah
bilangan real positif dan biasanya R=1.
Discrete decimal encoding. Setiap gen bisa bernilai salah satu bilangan bulat dalam interval [0,9].
Ada beberapa metode pindah silang berdasarkan pola pertukaran gen [6] :
Induk 1 Anak 1
Induk 2 Anak 2
Mask 1
Mask 2
Gambar 2. Pindah Silang Pola Seragam
2.1.1.6 Mutasi
Prosedur mutasi sangatlah sederhana. Untuk semua gen yang ada, jika bilangan random yang
dibangkitkan kurang dari probabilitas mutasi yang ditentukan maka ubah gen tersebut menjadi nilai
kebalikannya (dalam binary encoding, 0 diubah 1, dan 1 diubah 0). Probabilitas mutasi mengendalikan
banyaknya gen baru yang akan dimunculkan untuk dievaluasi. Jika probabilitas mutasi terlalu kecil,
banyaknya gen yang mungkin berguna tidak pernah dievaluasi. Tetapi bila probabilitas mutasi terlalu
besar, maka akan terlalu banyak gangguan acak, sehingga anak akan kehilangan kemiripan dari induknya
dan juga algoritma akan kehilangan kemampuan untuk belajar dari histori pencarian. Biasanya
probabilitas mutasi diset sebagai 1/N, di mana N adalah jumlah gen dalam kromosom. Dengan
probabilitas mutasi sebesar ini berarti mutasi hanya terjadi pada sekitar satu gen saja. Pada AG sederhana,
nilai probabilitas mutasi adalah tetap selama evolusi.
2.1.1.7 Elitisme
Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu individu bernilai
fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja
individu tersebut akan rusak (nilai fitness-nya menurun) karena proses pindah silang. Untuk menjaga agar
individu bernilai fitness tertinggi tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa
kopinya. Prosedur ini dikenal sebagai elitisme.
Tidak seperti logika boolean, logika fuzzy mempunyai nilai yang kontinu. Fuzzy dinyatakan
dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh karena sebab itu sesuatu dapat
dikatakan sebagian benar dan sebagian salah pada waktu yang sama.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy antara lain :
Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran
fuzzy sangat sederhana dan mudah dimengerti.
Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya “suhu
ruangan yang nyaman”.
Logika fuzzy dapat membangun dan mengaplikasikan pengalaman para pakar secara
langsung tanpa harus melalui proses pelatihan.
Logika Fuzzy sangat fleksibel.
BAB III
Dekodekan Kromosom
Evaluasi populasi
Pindah silang
Mutasi
Selesai
3.2.1 Inisialisasi Populasi
Untuk dapat menggunakan Algoritma Genetika, terlebih dahulu harus dilakukan pengkodean
kromosom. Skema yang digunakan untuk menyelesaikan masalah penentuan beasiswa ini adalah dengan
binary encoding (0 atau 1). Dimana dengan menggunakan binary encoding proses perhitungan dan
pencarian kromosom akan memakan waktu yang lebih cepat. Sebelum dilakukan pengkodean, terlebih
dahulu ada proses (preprocessing), dimana preprocessing ini dilakukan karena adanya keterkaitan
besarnya gaji dan beban orang tua. Semakin banyak beban orang tua maka tanggungan akan semakin
berat, walaupun gaji orang tua besar. Adapun preprocessing yang dilakukan adalah melakukan
pembagian antara gaji orang tua dan banyaknya beban untuk mencari rata-rata tanggungan untuk tiap
orang.
Perbandingan gaji beban : besarnya gaji orang tua / beban orang tua.
Satu kromosom merepresentasikan kurva fuzzy yang digunakan, banyaknya himpunan fuzzy dan varibel
fuzzy (nilai dan perbandingan gaji beban). Dimana nantinya masalah diselesaikan dengan menggunakan
logika fuzzy.
Panjang kromosom yang akan dibuat adalah 166 bit. Adapun rincian bentuk kromosom adalah
sebagai berikut :
Keterangan kromosom:
Kurva (nilai dan GjBb) : merepresentasikan bentuk kurva dari variabel fuzzy yang akan
digunakan. Adapun bentuk kurva :
00 : kurva beta 11 : kurva phi
GjBb : merupakan perbandingan antara gaji dengan beban (pengeluran rata-rata untuk tiap
orang).
Pemetaan string biner (bn-1bn-2...b0) ke dalam nilai parameter akan dilakukan sebagai berikut:
1. Potong string biner menurut panjang bit (n) yang dimiliki oleh setiap parameter.
(
( b n−1 b n−2 . .. . b0 )2 = ∑ b i . 2
i: =0
−i
)
10
=x '
(∑ )i : =1
2−i
1
derajat
keanggotaan
µ[x]
0 a b c d
F = ( 2 * urutan_dataEkstrim ) + ( urutan_dataMahasiswa );
Fuzzifikasi : mengubah nilai crips dari data mahasiswa yang terdiri dari : besar gaji orang tua,
nilai kelulusan, perbandingan gaji beban menjadi nilai fuzzy.
Rule evaluasi : melakukan penalaran terhadap nilai fuzzy hasil fuzzifikasi berdasarkan aturan
fuzzy yang telah dibuat. Adapun fungsi implikasi yang digunakan adalah fungsi minimum.
Proses penalaran menggunakan Metode Mamdani. Proses ini menghasilkan fuzzy output.
Terdapat 16 rule, dimana tiap-tiap variabel terbagi menjadi 4 wilayah. (rule yang digunakan
terdapat di lampiran.)
Defuzzifikasi : mengubah fuzzy output menjadi nilai crips dari variabel kelayakan menerima
beasiswa. Metode yang akan digunakan adalah Metode Centar of Area(COA), dimana akan
diambil titik pusat daerah. Dengan rumus:
∫ zμ ( z )dz
z
z∗¿
∫ μ ( z )dz
z
a1 := 30 – ( µ[1] * 20 );
a2 := 30 – ( µ[2] * 20 );
a5 := 70 - ( µ[3] * 20);
a6 := 70 - (µ[4] * 20);
a4 a5 a6
z−a 3 z−a 5
a∫ zdz ∫ μ[ 3] zdz a∫ zdz
M4 := a 3 a 4 M5 := a4 M6 := a5 a6
a7 a8 100
z−a 7
∫ μ[ 4 ]zdz a∫
a8
zdz ∫ μ[ 5] zdz
M7 := a6 M8 := a 7 M9 := a8
L1 := µ[1] * a1;
L2 := (µ[1] + µ[2] ) * ( a2 - a1 ) / 2;
L3 := ( a3 - a2 ) * µ[2];
L4 := (µ[2] + µ[3] ) * ( a4 – a 3) / 2;
L5 := ( a5 - a4 ) * µ[3];
L6 := ( µ[3] + µ[4] ) * ( a6 - a5 ) / 2;
L7 := ( a7 - a6 ) * µ[4];
L8 := ( µ[4] + µ[5] ) * ( a8 - a7 ) / 2;
L9 := ( 100 - a8 ) * µ[5];
3.2.4 Elitisme
Elitisme melakukan kopi dua buah kromosom yang memiliki nilai fitness tertinggi. Untuk masuk
ke dalam populasi yang baru, generasi berikutnya.
3.2.5 Seleksi
Dikarenakan kromosom memiliki nilai fitness yang hampir sama, dimana hal ini akan berakibat
buruk pada proses seleksi memilih orang tua secara proporsional sesuai nilai fitness-nya. Maka dilakukan
penskalaan nilai fitness (linear fitness ranking). Dengan persamaan
dimana R(i) menyatakan ranking individu ke i, N jumlah kromosom, nilai fmax = 100, dan fmin=10.
Pemilihan dua buah kromosom sebagai orang tua, yang akan dipindahsilangkan dilakukan
dengan metode roulette wheel. Pertama, dibuat interval nilai kumulatif (dalam interval [0,1]) dari nilai
fitness masing-masing kromosom dibagi total nilai fitness dari semua kromosom. Sebuah kromosom akan
terpilih jika bilangan random yang dibangkitkan berada dalam interval akumulatifnya.
3.2.7 Mutasi
Untuk semua gen yang ada, jika bilangan random [0,1] yang dibangkitkan kurang dari
probabilitas mutasi yang ditentukan, maka ubah gen tersebut menjadi nilai kebalikannya (0 diubah 1, dan
1 diubah 0). Probabilitas mutasi yang digunakan sebesar 1/N, 2/N, 3/N dan 4/N (N = jumlah gen dalam
kromosom) dimana nantinya akan dianalisa probabilitas mana yang lebih baik.
Perancangan dimulai dengan pembuatan diagram konteks yang merupakan penggambaran suatu
sistem secara global.
Sistem Beasiswa
User
AG - Fuzzy
KromTerbaik,
Ranking_mhs
PopulasiAwal
1
Inisialisasi
KromAwal Populasi
Populasi
UkPop Awal
KromAwal
2
Cari
User Pc, Pm, byk_generasi KromTerbaik User
Kromosom
Terbaik
KromTerbaik
Data_mhs 3
Cari Nominasi KromTerbaik Kromosom
Beasiswa
RankingMhs
No. Proses 1
Nama Proses Inisialisasi Populasi Awal
Deskripsi Melakukan inisialisasi populasi awal, dengan membentuk sejumlah (UkPop)
kromosom yang berbentuk biner.
Input UkPop
Output KromAwal
Logika proses BEGIN
FOR Ukpop DO
KromAwal := MakeKromosom(190)
END
BAB IV
PENUTUP
KESIMPULAN
Metode pindah silang yang digunakan adalah pindah silang satu titik, dimana posisi titik pindah
silang selalu acak(random), dan berada di rentang antara [2, 165]. Pindah silang dapat dilakukan jika,
bilangan random [0,1] yang dibangkitkan kurang dari probabilitas pindah silang. Probabilitas pindah
silang yang digunakan biasanya terletak diantara [0,1] dan mendekati satu. Probabilitas pindah silang
yang digunakan yaitu sebesar 0.8. Dari operasi pindah silang akan didapatkan dua kromosom baru.
SARAN
Perancangan dimulai dengan pembuatan diagram konteks yang merupakan penggambaran suatu
sistem secara global.
[1] Klir J, George and Yuan, Bo, “Fuzzy Sets and Fuzzy Logic : Theory and Applications”, Prentice
Hall, 1995.
[2] Kusumadewi, Sri dan Purnomo, Hari, “Aplikasi Logika Fuzzy Untuk Pendukung Keputusan”,
Graha Ilmu, Yogyakarta, 2004.
[3] Nurjanah, Dade, Slide mata kuliah Artificial Intelligent “Fuzzy Logic”, Bandung; STTTelkom,
2005.
Kelayakan Layak;
Kelayakan Layak;
Kelayakan Layak;