Kuntjoro, Dwi Anggraeni (2017) Algoritme Genetika Untuk Optimasi K-Means Clustering Dalam Pengelompokan Data Tsunami. Sarjana thesis, Universitas Brawijaya.
Abstract
Tsunami adalah salah satu bencana alam yang paling mematikan yang menyebabkan kerusakan harta benda dan hilangnya nyawa. Tsunami sering terjadi secara tiba-tiba dan tidak dapat diprediksi. Kurangnya pengetahuan yang tepat mengakibatkan kerusakan yang besar dan memperburuk dampak dari tsunami. Pada penelitian ini mengimplementasikan optimasi Algoritme Genetika pada metode K-Means untuk pengelompokan data tsunami. Dengan mengoptimasi pusat cluster awal yang nantinya akan digunakan sebagai masukan untuk metode K-Means. Metode ini menghasilkan kinerja yang lebih optimal dibandingkan dengan metode K-Means konvensional karena titik pusat dioptimalkan dengan Algoritme Genetika. Hal ini dibuktikan dalam penelitian ini di mana nilai fitness didapatkan dari nilai Silhouette Coefficient untuk melihat seberapa cocok data dengan cluster. Representasi kromosom yang digunakan pada penelitian ini adalah real code untuk menginisialisasi nilai centroid. Metode crossover yang digunakan yaitu extended intermediate crossover. Metode mutasi yang digunakan yaitu random mutation. Sedangkan metode seleksi yang digunakan yaitu elitism selection. Berdasarkan hasil pengujian yang telah dilakukan, diperoleh parameter yang paling optimal yaitu pada populasi 50, generasi 70, serta kombinasi Cr = 0.9 dan Mr = 0.1 dengan fitness sebesar 0.995934.
English Abstract
Tsunami is one of the most deadly disaster causing damage and loss of life and wealth. It happens in a sudden and unpredictable. Lack of awareness often leads to a great damage and worsening the impact of tsunami itself. This research implements genetic algorithm optimization into K-Means method for classify tsunami data. By optimazing the initial cluster center it will used as an input on K-Means method. The method result more optimal preference than the conventional K-Means method since the central point is optimized by genetic algorithm. It was proved on this research where fitness value resulted from Silhouette Coefficient to observe how suitable data with cluster. Chromosome representation used here is real code to initialize centroid value. Extended intermediate crossover applied for crossover method. For mutation method, random mutation is run here. Also for selection method it uses elitism selection. Based on testing result, the most optimum parameter accomplished are 50 population, 70 generation, and Cr =0.9 and Mr =0.1 combination with fitness value around 0.995934.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/827/051800984 |
| Uncontrolled Keywords: | algoritme genetika(AG), AG-K-Means, data tsunami, K-Means |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 29 Jan 2018 02:31 |
| Last Modified: | 07 Dec 2020 01:27 |
| URI: | http://repository.ub.ac.id/id/eprint/8499 |
Actions (login required)
 |
View Item |