Main Article Content
Abstract
Logika fuzzy dikembangkan untuk menangani permasalahan-permasalahan yang himpunan
penyelesaiannya tidak tepat (kabur). Dalam banyak permasalahan, logika fuzzy dipilih karena toleransinya
terhadap ketidaktepatan data dan karena lebih alami. Untuk setiap permasalahan yang bisa diselesaikan
dengan fuzzy, penentuan tipe dan parameter himpunan fuzzy dilakukan secara subjektif. Akibatnya, setiap orang
akan punya kesimpulan yang berbeda untuk masalah yang sama karena himpunan fuzzynya berbeda.
Untuk mengatasi permasalahan itu digunakan algoritma genetika, karena algoritma ini paling cocok
digunakan untuk optimasi. Algoritma genetika digunakan untuk mengoptimasi parameter-parameter dan tipe
kurva himpunan fuzzy. Evaluasi terhadap kromosom-kromosom di algoritma genetika dilakukan dengan
membandingkan kedekatan hasil implementasi himpunan fuzzynya dengan data konsekuen. Semakin sedikit
selisihnya dengan data konsekuen, maka kromosom tersebut semakin tinggi fitnessnya.
Dari penelitian yang dilakukan, algoritma genetika dapat digunakan untuk menentukan tipe kurva dan
parameter kurva yang paling optimal. Dengan optimalnya tipe kurva dan parameter kurva dalam sebuah sistem
fuzzy, maka hasil inferensi fuzzy baik inferensi monoton ataupun dalam FIS (Fuzzy Inference System)
diharapkan akan semakin tepat.
Kata kunci: algoritma genetika, himpunan fuzzy, optimalisasi.
penyelesaiannya tidak tepat (kabur). Dalam banyak permasalahan, logika fuzzy dipilih karena toleransinya
terhadap ketidaktepatan data dan karena lebih alami. Untuk setiap permasalahan yang bisa diselesaikan
dengan fuzzy, penentuan tipe dan parameter himpunan fuzzy dilakukan secara subjektif. Akibatnya, setiap orang
akan punya kesimpulan yang berbeda untuk masalah yang sama karena himpunan fuzzynya berbeda.
Untuk mengatasi permasalahan itu digunakan algoritma genetika, karena algoritma ini paling cocok
digunakan untuk optimasi. Algoritma genetika digunakan untuk mengoptimasi parameter-parameter dan tipe
kurva himpunan fuzzy. Evaluasi terhadap kromosom-kromosom di algoritma genetika dilakukan dengan
membandingkan kedekatan hasil implementasi himpunan fuzzynya dengan data konsekuen. Semakin sedikit
selisihnya dengan data konsekuen, maka kromosom tersebut semakin tinggi fitnessnya.
Dari penelitian yang dilakukan, algoritma genetika dapat digunakan untuk menentukan tipe kurva dan
parameter kurva yang paling optimal. Dengan optimalnya tipe kurva dan parameter kurva dalam sebuah sistem
fuzzy, maka hasil inferensi fuzzy baik inferensi monoton ataupun dalam FIS (Fuzzy Inference System)
diharapkan akan semakin tepat.
Kata kunci: algoritma genetika, himpunan fuzzy, optimalisasi.