Anisa, Rifka (2019) K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif. Sarjana thesis, Universitas Brawijaya.
Abstract
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.
English Abstract
Optimization is a process to achieve ideal or optimal results. One of the optimization problems found in several real-life application is multi-objective optimization. Solving multi-objective optimization problems is not easy to solve, because the resulting solution is not single. One of the most approaches for multi-objective optimization problems is evolutionary algorithms. The need of approximation to the non-dominated set for the decision maker for selecting a final preferred solution is required in several real-life application. Unfortunately, the cardinality of Pareto optimal solutions’ set may be very large or even infinite. On the other hand, due to the overflow of information, the decision maker (DM) may not be concerned in having an excessively large number of Pareto optimal solutions to deal with. So, in this thesis a new evolutionary algorithm will be discussed, namely the modified genetic algorithm with the K-Means grouping scheme. In the first phase, the K-Means algorithm was applied to partition the population into subpopulations where GA operators were applied to each subpopulation. The second phase, the K-Means algorithm will be used to make it easier for the system to control the accuracy of the Pareto set approach by selecting the appropriate number of clusters. Then, the algorithm was tested using several Pareto sets on the MOO Test Instances for the CEC09. The results obtained from two of the six test functions managed to get a population that was in accordance with Pareto front. However, although not all solutions get the desired results, using the K-Means algorithm has succeeded in obtaining a solution that has diversity and covers the entire Pareto front domain
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2019/70/051910772 |
| Uncontrolled Keywords: | Algoritma Genetika, Pengelompokan K-Means Optimasi Multiobjektif, Optimasi Multiobjektif Tanpa Kendala. Genetic Algorithm, Multi-Objective, K-Means Optimization, Unconstrained Multi-Objective |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.6 Mathematical optimization > 519.62 Stochastic optimization > 519.625 Genetic algorithms |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 07:58 |
| Last Modified: | 27 Oct 2021 07:41 |
| URI: | http://repository.ub.ac.id/id/eprint/176836 |
Preview |
Text
Rifka Anisa (3).pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |