K-Means Cluster Berbasis Algoritma Genetika Untuk Menyelesaikan Optimasi Multiobjektif

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