10

BAB II

TINJAUAN PUSTAKA

2.1 State Of The Art

Pada penelitian Laetitia Jourdan, Clarisse Dhaenens, El-Ghazali Talbi

yang berjudul “A Genetic Algorithm for Feature Selection in Data Mining for

Genetic” dilakukan penyelesaian masalah seleksi fitur dengan menggunakan

algoritma genetik dan menggunakan algoritma K-Means untuk clustering dalam

menemukan fitur genetik dan faktor lingkungan yang terlibat dalam penyakit

multifaktorial seperti obesitas dan diabetes. Hasil penelitian ini didapatkan bahwa

algoritma genetik berhasil memilih fitur menarik dan K-Means dapat

memasangkan kelas individu sesuai dengan fitur.

Penelitian yang dilakukan oleh Kyoung-jae Kim dan Hyunchul Ahn dalam

“A recommender system using GA K-Means clustering in an online shopping

market” membahas tentang penggunaan algoritma clustering Algoritma Genetik

dan K-Means untuk segmentasi pasar. Penelitian dilakukan dengan mengambil

studi kasus dunia nyata, yaitu pada perdagangan elektronik dan menemukan

bahwa penggabungan antara Algoritma Genetik dan K-Means mengakibatkan

segmentasi yang lebih baik dari algoritma clustering tradisional sederhana, seperti

K-Means dan SOM (Self Organizing Map).

Pada penelitian Hsiang-Hsi Liu, Chorng-Shyong Ong yang berjudul

“Variable selection in clustering for marketing segmentation using genetic

11

algorithms” dijelaskan mengenai algoritma genetik yang digunakan pada proses

clustering untuk pemilihan variabel yang mengambil studi kasus segmentasi

pemasaran. Hasil dari penelitian menunjukkan bahwa seleksi variabel melalui

algoritma genetik lebih efektif dan dapat menemukan solusi optimum dengan

akurasi dari model diklasifikasikan meningkat secara dramatis setelah clustering.

Penelitian oleh Jihoon Yang and Vasant Honavar yang berjudul “Feature

Subset Selection Using A Genetic Algorithm” menunjukkan bahwa algoritma

genetik menawarkan sebuah pendekatan menarik untuk memecahkan masalah

feature subset selection dalam pembelajaran induktif mengenai klasifikasi pola

jaringan saraf (neural network). Pendekatan berbasis Algoritma Genetik dalam

pemilihan fitur digunakan untuk mengidentifikasi subset yang relevan terhadap

data, sehingga tidak terjadi kelimpahan atribut yang berlebihan namun tidak

relevan atau tidak berguna.

Penelitian oleh Rouhollah Maghsoudi, dkk yang berjudul “Representing

the New Model for Improving K-Means Clustering Algorithm based on Genetic

Algorithm” membahas tentang K-Means yang merupakan teknik pengelompokan

digabungkan dengan metode optimasi algoritma genetik untuk meningkatkan

prosedur klasifikasi. Dalam penelitian ini, dilakukan pendefinisian representasi

string kromosom serta penggabungan K-Means dan Algoritma Genetik bersama-

sama. Mengamati simulasi yang terjadi, hasilnya menunjukkan bahwa

penggabungan K-Means dan algoritma genetik memberikan hasil pengukuran

yang lebih baik dan lebih efisien dibandingkan dengan K-Means saja.

12

Penelitian oleh Oyelade, O. J yang berjudul “Application of K-Means

Clustering algorithm for prediction of Students’ Academic Performance”

membahas tentang penggunaan algoritma cluster K-Means dan dikombinasikan

dengan model deterministik pada dataset sekolah swasta dengan 9 program studi

dan didapatkan hasil bahwa algoritma clustering ini berfungsi sebagai tolok ukur

yang baik untuk memantau perkembangan kinerja siswa dalam institusi.

Penelitian oleh Chauhan, Yogita, Vaibhav Chaurasia dan Chetan Agarwal

yang berjudul “A Survey Of K-Means And GA-KM The Hybrid Clustering

Algorithm” membahas tentang penggunaan dua algoritma klasterisasi, yaitu K-

Means dan algoritma hybrid GA-KM (Genetic Algorithm dan K-Means).

Penggabungan GA-KM untuk mendapatkan jumlah cluster yang optimal dimana

dapat diterapkan untuk berbagai jenis data seperti dataset genom, dataset numerik.

Hasil penelitian menyimpulkan GA-KM lebih baik dibandingkan K-Means.

Penelitian oleh Agus Widodo dan Purhadi yang berjudul “Perbandingan

Metode Fuzzy C-Means Clustering Dan Fuzzy C-Shell Clustering (Studi Kasus:

Kabupaten/Kota Di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks

Pembangunan Manusia)”, ditemukan hasil dengan pembandingan berdasarkan

fungsi objektif, indeks validitas dan waktu komputasinya, didapatkan bahwa

metode Fuzzy C-Means merupakan metode terbaik untuk digunakan dengan

jumlah kelompok yang optimum adalah enam kelompok.

13

Penelitian yang dilakukan oleh Sarita Budiyani Purnamasari dkk.

melanjutkan penelitian Agus Widodo dan Purhadi yang berjudul “Pemilihan

Cluster Optimum Pada Fuzzy C-Means (Studi Kasus: Kabupaten/Kota Di Pulau

Jawa Berdasarkan Variabel Pembentuk Indeks Pembangunan Manusia)” yang

membahas penggunaan Index Xie Beni untuk menemukan cluster terbaik dari

cluster lain yang sudah ditemukan dengan metode Fuzzy C-Means.

Penelitian oleh Annas Syaiful Rizal dan R.B Fajriya Hakim melanjutkan

penelitian Sarita Budiyani Purnamasari dkk. dengan judul penelitian “Metode K-

Means Cluster dan Fuzzy C-Means Cluster (Studi Kasus: Indeks Pembangunan

Manusia di Kawasan Indonesia Timur tahun 2012)”, mendapatkan hasil yang

menunjukkan pengelompokkan dengan Fuzzy C-Means mendapatkan hasil yang

lebih baik jika dibandingkan K-Means karena Fuzzy C-Means menghasilkan rasio

Sw/Sb yang lebih kecil dibandingkan metode K Means.

Berdasarkan beberapa penelitian yang telah dilakukan, maka dalam

penelitian ini diusulkan pendekatan baru yang dapat dilihat pada Gambar 2.1,

dimana dalam penentuan kompetensi mahasiswa digunakan algoritma genetik

untuk pemilihan fitur dan metode Fuzzy C-Means untuk proses clustering.

14

Gambar 2.1 Pendekatan Baru

15

2.2 Kompetensi

Menurut Wibowo (2007), kompetensi adalah suatu kemampuan untuk

melaksanakan atau melakukan suatu pekerjaan yang dilandasi atas

keterampilan dan pengetahuan serta didukung oleh sikap kerja yang dituntut

oleh pekerjaan tersebut. Kompetensi merupakan landasan dasar karakteristik

orang dan mengindikasikan cara berperilaku atau berpikir, menyamakan situasi,

dan mendukung untuk periode waktu cukup lama. Kompetensi berpengaruh

positif terhadap kinerja karyawan pada suatu perusahaan (Posuma, 2013).

2.3 Clustering

Clustering adalah suatu metode pengelompokan berdasarkan ukuran

kedekatan (kemiripan). Klasterisasi (clustering) merupakan proses

mengelompokkan atau menggolongkan obyek berdasarkan informasi yang

diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk

memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan

kesamaan antar kelas/cluster (Kim, 2008).

Metode clustering secara umum dapat dibagi menjadi dua yaitu

hierarchical clustering dan partitional clustering. Pada hierarchical clustering,

data dikelompokkan melalui suatu bagan yang berupa hirarki, dimana terdapat

penggabungan dua grup yang terdekat disetiap iterasinya ataupun pembagian dari

seluruh set data kedalam klaster-klaster. Prosedur yang digunakan dalam metode

hierarki adalah prosedur pautan tunggal (single linkage), pautan lengkap

(complete linkage), dan pautan rata-rata (average linkage). Sedangkan pada

16

partitional clustering, data dikelompokkan ke dalam sejumlah klaster tanpa

adanya struktur hirarki antara satu dengan yang lainnya.

Pada metode partitional clustering setiap klaster memiliki titik pusat

klaster (centroid) dan secara umum metode ini memiliki tujuan yaitu

meminimumkan jarak dari seluruh data ke pusat klaster masing-masing.

a. Hirarchical clustering method

Pada kasus untuk jumlah kelompok belum ditentukan terlebih dulu,

contoh data-data hasil survey kuisioner

b. Non Hirarchical clustering method

Jumlah kelompok telah ditentukan terlebih dahulu. Salah satu contoh

metode yang digunakan adalah algoritma K-Means.

Berikut ini merupakan contoh data yang akan dilakukan proses klasterisasi

(pengelompokkan):

Gambar 2.2 Data Sebelum Klasterisasi

Jika data dilakukan clustering (pengelompokkan) berdasarkan warna, maka

pengelompokkannya seperti yang terlihat pada gambar 2.2 berikut:

17

Gambar 2.3 Pengelompokan berdasarkan kesamaan warna

Jika data dilakukan clustering (pengelompokkan) berdasarkan bentuk, maka

pengelompokannya dapat dilihat seperti gambar 2.3 berikut:

Gambar 2.4 Pengelompokan berdasarkan kesamaan bentuk

Selain dengan menggunakan similaritas (kesamaan) berdasarkan bentuk

dan warna, clustering juga bisa dilakukan dengan menggunakan similaritas

berdasarkan jarak, artinya data yang memiliki jarak berdekatan akan membentuk

satu cluster.

2.4 Validity Cluster

Terdapat beberapa metode cluster validity, yaitu:

1. Korelasi

18

Menggunakan 2 jenis matriks, yaitu proximity matrix dan incidence matrix

a. Proximity matrix adalah matriks yang berisi jarak antar obyek

b. Incidence matrix adalah matriks biner yang mengindikasikan

keanggotaan klaster

I. 0 jika anggota dari klaster yang berbeda

II. 1 jika anggota dari klaster yang sama

2. Cohession dan Separation

Cohession merupakan cluster validity yang menghitung varian intra klaster

(WSS).

…………………………… 1)

Sedangkan Separation merupakan cluster validity yang menghitung varian

inter klaster(BSS)

………………………………… 2)

3. Silhouette Coefficient

Menggunakan gabungan kedua prinsip dasar dari cohesion dan separation

…………………………….……… 3)

dimana:

a = rata-rata jarak ke obyek satu klaster

b = minimal rata-rata jarak ke obyek berbeda klaster

4. Dunn Index

Memiliki dasar pemikiran bahwa klaster yang baik adalah yang memiliki

diameter yang kecil dan jarak yang besar terhadap klaster lainnya.

19

…………………. 4)

dimana:

a. d(ci, cj) adalah jarak terhadap klaster lain

b. diam(ck) adalah jarak terhadap sesama klaster

5. Davies-Bouldin Index

Memiliki prinsip dasar dalam menghitung similarity antar klaster

……………………………….. 5)

dimana nilai

…….……………………………………….. 6)

a. si adalah rata-rata jarak obyek seluruh klaster i dengan pusatnya

b. dij adalah jarak pusat klaster i dan pusat klaster j

2.5 Feature Selection

Feature selection atau Feature reduction adalah suatu kegiatan yang

umumnya bisa dilakukan secara preprocessing dan bertujuan untuk memilih fitur

yang berpengaruh dan mengesampingkan fitur yang tidak berpengaruh dalam

suatu kegiatan pemodelan atau penganalisaan data. Ada banyak alternatif yang

bisa digunakan dan harus dicoba-coba untuk mencari yang cocok. Secara garis

besar ada dua kelompok besar dalam pelaksanaan feature selection, yaitu ranking

selection dan subset selection.

Pemilihan fitur merupakan kegiatan yang termasuk ke dalam

preprocessing yang bertujuan untuk memilih fitur yang berpengaruh dan

20

mengesampingkan fitur yang tidak berpengaruh dalam suatu kegiatan pemodelan

atau penganalisaan data. Terdapat banyak alternatif yang dapat digunakan dan

juga dilakukan proses mencoba-coba untuk mencari fitur yang cocok (Laetitia,

2001).

2.5.1 Ranking Selection

Ranking selection secara khusus memberikan ranking pada setiap fitur

yang ada dan mengesampingkan fitur yang tidak memenuhi standar tertentu.

Ranking selection menentukan tingkat ranking secara independent antara satu

fitur dengan fitur yang lainnya. Fitur yang mempunyai ranking tinggi akan

digunakan dan yang fitur yang mempunyai ranking rendah akan dikesampingkan.

Ranking selection ini biasanya menggunakan beberapa cara dalam memberikan

nilai ranking pada setiap fitur misalnya regression, correlation, mutual

information dan lain-lain.

2.5.2 Subset Selection

Subset selection adalah metode selection yang mencari suatu set dari fitur

yang dianggap sebagai optimal feature. Ada tiga jenis metode yang bisa

digunakan yaitu selection dengan tipe wrapper, selection dengan tipe filter dan

selection dengan tipe embedded.

a. Feature Selection Tipe Wrapper

Feature selection tipe wrapper ini melakukan feature selection dengan

melakukan pemilihan bersamaan dengan pelaksanaan pemodelan.

Selection tipe ini menggunakan suatu criterion yang memanfaatkan

21

classification rate dari metode pengklasifikasian/pemodelan yang

digunakan. Untuk mengurangi computational cost, proses pemilihan

umumnya dilakukan dengan memanfaatkan classification rate dari metode

pengklasifikasian/pemodelan untuk pemodelan dengan nilai terendah.

Untuk tipe wrapper, perlu untuk terlebih dahulu melakukan feature subset

selection sebelum menentukan subset mana yang merupakan subset

dengan ranking terbaik. Feature subset selection dapat dilakukan dengan

memanfaatkan metode-metode, seperti metode sequential forward

selection (dari satu fitur menjadi banyak fitur), sequential backward

selection (dari banyak fitur menjadi satu fitur), sequential floating

selection (dapat dari mana saja), GA, Greedy Search, Hill Climbing,

Simulated Annealing, dan lain-lain.

b. Feature Selection Tipe Filter

Feature selection dengan tipe filter hampir sama dengan selection tipe

wrapper dengan menggunakan intrinsic statistical properties dari data.

Tipe filter berbeda dari tipe wrapper dalam hal pengkajian fitur yang tidak

dilakukan bersamaan dengan pemodelan yang dilakukan. Selection ini

dilakukan dengan memanfaatkan salah satu dari beberapa jenis filter yang

ada. Sebagai contoh, Individual Merit-Base Feature Selection dengan

selection criterion: Fisher Criterion, Bhattacharyya, Mahalanobis

Distance atau Divergence, Kullback-Leibler Distance, Entropy dan lain-

lain. Metode filter ini memilih umumnya dilakukan pada tahapan

preprocessing dan mempunyai computational cost yang rendah.

c. Feature Selection Tipe Embedded

22

Feature selection jenis ini memanfaatkan suatu learning machine dalam

proses feature selection. Dalam sistem selection ini, fitur secara natural

dihilangkan, apabila learning machine menganggap fitur tersebut tidak

begitu berpengaruh. Beberapa learning machine yang bisa digunakan

antara lain Decision Trees, Random Forests dan lain-lain.

2.6 Algoritma Fuzzy C-Means

Fuzzy C-Means Clustering (FCM) merupakan model pengelompokan fuzzy

sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk

dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat

keberadaan data dalam suatu cluster ditentukan oleh derajat keanggotaannya.

Konsep dasar Fuzzy C-Means adalah pertama kali melakukan penentuan pusat

cluster yang akan menandai lokasi rata-rata untuk tiap-tiap kelas/cluster.

Algoritma ini termasuk dalam metode pengelompokan fuzzy sehingga data dapat

menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau

tingkat keanggotaan yang berbeda antara 0 hingga 1 (Sukim, 2011).

Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data

memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki

pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat

dilihat bahwa pusat cluster akan menuju lokasi yang tepat. Perulangan ini

didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik

data yang diberikan ke pusat dari klaster yang terboboti oleh derajat keanggotaan

titik data dari himpunan fuzzy tersebut. Algoritma Fuzzy C-Means pertama kali

23

diperkenalkan oleh Dunn (1974), kemudian dikembangkan oleh Bezdek (1981),

kemudian direvisi oleh Rouben (1982), Trauwert (1985), Goth dan Geva (1989),

Gu dan Gubuisson (1990), Xie dan Beni (1991). Namun, algoritma FCM dari

Bezdek yang paling banyak digunakan.

Fuzzy C-Means adalah salah satu teknik pengelompokkan data yang mana

keberadaan tiap titik data dalam suatu kelompok (cluster) ditentukan oleh derajat

keanggotan. Berbeda dengan K-Means clustering, dimana suatu objek hanya akan

menjadi anggota satu cluster, dalam Fuzzy C-Means setiap objek dapat menjadi

anggota dari beberapa cluster. Batas-batas dalam K-Means adalah tegas (hard)

sedangkan dalam Fuzzy C-Means adalah soft. Fuzzy C-Means bersifat sederhana,

mudah diimplementasikan, memiliki kemampuan untuk melakukan

pengelompokan data yang besar, lebih kokoh terhadap data outlier. Algoritma

Fuzzy C-Means adalah sebagai berikut:

1. Pemasukan data yang akan di cluster X, berupa matriks berukuran n x m

dengan:

n = jumlah sample data

m = atribut setiap data

Xij = data sample ke-i (i = 1,2,…,n), atribut ke-j (j = 1,2,…,m)

2. Menentukan:

a. Jumlah cluster = c;

b. Pangkat = w;

c. Maksimum iterasi = MaxIter;

24

d. Error terkecil yang diharapkan = ;

e. Fungsi obyektif awal = P0 = 0;

f. Iterasi awal = t=1;

3. Membangkitkan nilai acak μik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-

elemen matriks partisi awal u. μik adalah derajat keanggotaan yang

merujuk pada seberapa besar kemungkinan suatu data bisa menjadi

anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara

random. Dimana nilai keanggotaan terletak pada interval 0 sampai dengan

1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat

clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga

belum akurat.

Selanjutnya menghitung jumlah setiap kolom (atribut)

………………………………..…...……. 7)

Qj adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan

j=1,2,…m

Selanjutnya dilakukan perhitungan sebagai berikut:

………………………………………..…..…. 8)

4. Menghitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.

….……………………..…….. 9)

5. Menghitung fungsi obyektif pada iterasi ke-t, Pt.

25

Fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan

pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk

masuk ke cluster mana pada langkah akhir.

….. 10)

6. Menghitung perubahan matriks partisi:

………………...…..… 11)

dengan: i=1,2,…n;dan k=1,2,..c.

7. Mengecek kondisi berhenti:

Jika:

(|Pt – Pt-1| < ζ) ………………………………..…. 12)

atau

(t>maxIter) ……….………………………….……13)

maka berhenti;

Jika tidak: t=t+1, dilakukan pengulangan langkah ke-4.

26

Gambar 2.5 Algoritma Fuzzy C-Means

2.7 Algoritma Genetik

Algoritma genetik pertama kali diperkenalkan oleh John Holland dalam

bukunya yang berjudul "Adaption in Natural and Artificial Systems", dan oleh De

Jong dalam bukunya “Adaption of behavior of a Class of Genetic Adaptive

Systems”, yang keduanya diterbitkan pada tahun 1975 yang merupakan dasar dari

algoritma genetik. (Davis, 1991)

27

Algoritma Genetik sebagai cabang dari Algoritma Evolusi merupakan

metode adaptive yang biasa digunakan untuk memecahkan suatu pencarian nilai

dalam sebuah masalah optimasi. Algoritma ini didasarkan pada proses genetik

yang ada dalam makhluk hidup, yaitu perkembangan generasi dalam sebuah

populasi yang alami. secara lambat laun mengikuti prinsip seleksi alam dan “siapa

yang kuat, dia yang bertahan (survive)”. Dengan meniru teori evolusi ini,

Algoritma Genetik dapat digunakan untuk mencari solusi permasalahan-

permasalahan yang ada dalam dunia nyata.

Konsep dasar algoritma genetik sebenarnya dirancang untuk

mensimulasikan proses-proses dalam sistem alam yang diperlukan untuk evolusi,

khusunya teori evolusi alam yang dicetuskan oleh Charles Darwin, yaitu survival

of the fittest. Menurut teori ini, di alam terjadi persaingan antara individu-individu

untuk memperebutkan sumber daya lain yang langka sehingga makhluk yang kuat

mendominasi makhluk yang lemah. (Rouhollah, 2011)

Algoritma Genetik merupakan analogi secara langsung dan kebiasaan yang

alami yaitu seleksi alam. Algoritma ini bekerja dengan sebuah populasi yang

terdiri dari individu-individu. yang masing-masing individu mempresentasikan

sebuah solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini, individu

dilambangkan dengan sebuah nilai fitness yang akan digunakan untuk mencari

solusi terbaik dan persoalan yang ada.

28

Pertahanan yang tinggi dan individu memberikan kesempatan untuk

melakukan reproduksi melalui perkawinan silang dengan individu yang lain

dalam populasi tersebut. Individu baru yang dihasilkan dalam hal ini dinamakan

keturunan. yang membawa beberapa sifat dari induknya. Sedangkan individu

dalam populasi yang tidak terseleksi dalam reproduksi akan mati dengan

sendirinya. Dengan jalan ini beberapa generasi dengan karakteristik yang bagus

akan bermunculan dalam populasi tersebut, untuk kemudian dicampur dan ditukar

dengan karakter yang lain. Dengan mengawinkan semakin banyak individu, maka

akan semakin banyak kemungkinan terbaik yang dapat diperoleh.

Sebelum Algoritma Genetik dapat dijalankan, maka sebuah kode yang

sesuai (representatif) untuk persoalan harus dirancang. Untuk ini maka titik solusi

dalam ruang permasalahan dikodekan dalam bentuk kromosom/string yang terdiri

atas komponen genetik terkecil yaitu gen. Dengan teori evolusi dan teori genetika,

di dalam penerapan Algoritma Genetik akan melibatkan beberapa operator, yaitu:

a. Operasi Evolusi yang melibatkan proses seleksi (selection) di dalamnya.

b. Operasi Genetik yang melibatkan operator pindah silang (crossover) dan

mutasi (mutation).

Untuk memeriksa hasil optimasi. kita membutuhkan fungsi fitness, yang

menandakan gambaran hasil atau solusi yang sudah dikodekan. Selama berjalan,

induk harus digunakan untuk reproduksi, pindah silang dan mutasi untuk

29

menciptakan keturunan baru. Jika Algoritma Genetik didesain secara baik,

populasi akan mengalami konvergensi dan akan didapatkan sebuah solusi yang

optimum.

Hal-hal yang dilakukan dalam algoritma genetik: (Basuki, 2003)

a. Mendefinisikan individu, dimana individu menyatakan salah satu solusi

(penyelesaian) yang mungkin dan permasalahan yang diangkat.

b. Mendefinisikan nilai fitness. yang merupakan ukuran baik-tidaknya

sebuah individu atau baik-tidaknya solusi yang didapatkan.

c. Menentukan proses pembangkitan populasi awal. Hal ini biasanya

dilakukan dengan menggunakan pembangkitan acak seperti random-walk.

d. Menentukan proses seleksi yang akan digunakan.

Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang

akan digunakan.

2.8 Konsep Individu

Individu menyatakan salah satu solusi yang mungkin. Individu bisa

dikatakan sama dengan kromosom, yang merupakan kumpulan gen. Gen ini bisa

biner, float, dan kombinatorial. Beberapa definisi penting yang perlu diperhatikan

dalam mendefinisikan individu untuk membangun penyelesaian permasalahan

dengan algoritma genetik adalah sebagai berikut: (Basuki, 2003)

a. Genotype (Gen)

Sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti

tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam

30

algoritma genetik, gen ini bisa berupa nilai biner, float. integer maupun

karakter, atau kombinatorial.

b. Allele

Nilai dan gen.

c. Kromosom

Gabungan gen-gen yang membentuk nilai tertentu.

d. Individu

Individu menyatakan satu nilai atau keadaan yang menyatakan salah satu

solusi yang mungkin dan permasalahan yang diangkat

e. Populasi

Sekumpulan individu yang akan diproses bersama dalam satu siklus proses

evolusi.

f. Generasi

Generasi menyatakan satu siklus proses evolusi atau satu iterasi di dalam

algoritma genetik.

2.9 Siklus Algoritma Genetik

Algoritma ini ditemukan di Universitas Michigan, Amerika Serikta oleh

John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu

muridnya, David Goldberg (1989).

31

Gambar 2.6 Siklus Algoritma Genetik yang diperkenalkan oleh David Goldberg

David Goldberg memperkenalkan siklus algoritma genetik yang di

gambarkan seperti gambar 2.5 Siklus dimulai dari membuat populasi awal secara

acak, kemudian setiap individu dihitung nilai fitness nya. Proses berikutnya adalah

menyelesi individu terbaik, kemudian dilakukan cross over dan dilanjutkan oleh

proses mutasi sehingga terbentuk populasi baru. Selanjutnya populasi baru ini

mengalami siklus yang sama dengan populasi sebelumnya. Proses ini berlangsung

terus hingga generasi ke –n.

Gambar 2.7 Siklus Algoritma Genetik Zbigniew Michalewics

Reproduksi:

Reproduksi:

32

Gambar 2.7 menunjukkan siklus algoritma genetik yang diperkenalkan

oleh Zbigniew Michalewics. Siklus ini merupakan perbaikan dari siklus algoritma

genetik David Goldberg yang dilakukan oleh Zbigniew Michalewicz dengan

menambahkan satu proses elitisme dan membalik proses reproduksi terlebih

dahulu, kemudian dilanjutkan dengan proses seleksi. Adapun gambaran algoritma

genetik adalah sebagai berikut :

Gambar 2.8 Algoritma Genetik

Gambar 2.8 menggambarkan siklus algoritma genetic. Inisialisasi populasi

awal dilakukan dengan membangkitkan sejumlah kromosom (sesuai dengan

ukuran populasi) untuk dijadikan anggota populasi awal. Populasi itu sendiri

terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.

Tahap evaluasi nilai fitnes dimana setiap kromosom pada populasi dihitung nilai

fitnessnya berdasarkan fungsi fitness. Nilai fitness suatu kromosom

menggambarkan kualitas kromosom dalam populasi tersebut. Proses ini akan

mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom

33

dan mengevaluasinya sampai terpenuhi kriteria berhenti. Pembentukan kromosom

baru melalui proses seleksi, yaitu memilih sejumlah kromosom yang akan

menjadi kromosom calon parent, selanjutnya tahap crossover yang

mengkombinasikan dua kromosom parent (induk) berdasar nilai probabilitas

crossovernya untuk menghasilkan offspring. Tahap mutasi mengubah sejumlah

gen berdasar nilai probabilitas mutasinya untuk menghasilkan kromosom baru.

Sehingga terjadi update Generasi, yaitu membaharui kromosom yang terdapat

dalam populasi.

2.10 Teknik Encoding/Decoding Gen dan Individu

Encoding (pengkodean) berguna untuk mengkodekan nilai gen-gen

pembentuk individu. Nilai-nilai gen ini diperoleh secara acak. Ada 3 pengkodean

yang paling umum digunakan, yaitu:

1. Pengkodean bilangan real

Nilai gen berada dalam interval [0 1].

Contoh:

3 variabel (x1,x2,x3) dikodekan ke dalam individu yang terdiri dari 3 gen.

x1 x2 x3

0,2431 0,9846 0,5642

g1 g2 g3

2. Pengkodean diskrit desimal

Nilai gen berupa bilangan bulat dalam interval [0 9].

34

Contoh:

3 Variabel (x1, x2, x3) dikodekan ke dalam individu yang terdiri dari 9

gen, tiap-tiap variabel dikodekan ke dalam 3 gen.

5 2 9 5 4 8 0 2 0

g1 g2 g3 g4 g5 g6 g7 g8 g9

3. Pengkodean Biner

Nilai gen berupa bilangan biner 0 atau 1.

3 Variabel (x1, x2, x3) dikodekan ke dalam individu yang terdiri dari 9

gen, tiap-tiap variabel dikodekan ke dalam 3 gen.

1 1 0 1 0 0 0 1 0

g1 g2 g3 g4 g5 g6 g7 g8 g9

Decoding (pengkodean) berguna untuk mengkodekan gen-gen pembentuk

individu agar nilainya tidak melebihi range yang telah ditentukan dan sekaligus

menjadi nilai variabel yang akan dicari sebagai solusi permasalahan. Jika nilai

variabel x yang telah dikodekan tersebut range-nya dirubah menjadi [ra rb], yaitu

XX3

X

X XX

35

rb=batas bawah, ra = batas atas, maka cara untuk mengubah nilai-nilai variabel di

atas hingga berada dalam range yang baru [rb ra], disebut Decoding

(pengkodean).

1. Pendekodean Bilangan real :

X = rb + (ra - rb) g ……………………………………...….. 14)

2. Pendekodean Diskrit Desimal :

X = rb + (ra - rb) (g1 x 10-1 + g2 x 10-2 +.......+ gn x 10-n) ….. 15)

3. Pendekodean Biner :

X = rb + (ra - rb) (g1 x 2-1 + g2 x 2-2 +.......+ gn x 2-n) ……… 16)

Dengan catatan bahwa N adalah jumlah gen dalam individu.

2.11 Membangkitkan Populasi Awal

Sebelum membangkitkan populasi awal, terlebih dahulu kita harus

menentukan jumlah individu dalam populasi tersebut. Misalnya jumlah individu

tersebut N. Setelah itu, baru kita membangkitkan populasi awal yang mempunyai

N individu secara random. Membangkitkan populasi awal adalah proses

membangkitkan sejumlah individu secara acak atau melalui prosedur tertentu.

Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis

operator genetik yang akan diimplementasikan. Setelah ukuran populasi

ditentukan, kemudian dilakukan pembangkitan populasi awal. Syarat- syarat yang

harus dipenuhi untuk menunjukkan suatu solusi harus benar-benar diperhatikan

dalam pembangkitan setiap individunya. Teknik dalam pembangkitan populasi

awal ini ada beberapa cara, diantaranya adalah sebagai berikut:

1. Random Generator

36

Inti dan cara ini adalah melibatkan pembangkitan bilangan random

untuk nilai setiap gen sesuai dengan representasi kromosom yang

digunakan.

2. Pendekatan Tertentu (Memasukkan Nilai Tertentu ke dalam gen

Cara ini adalah dengan memasukkan nilai tertentu ke dalam gen dan

populasi awal yang dibentuk.

3. Permutasi Gen

Salah satu cara permutasi gen dalam pembangkitan populasi awal

adalah penggunaan permutasi Josephus dalam permasalahan

kombinatorial seperti TSP.

Dalam proses inisialisasi populasi ditentukan variabel-variabel apa saja

yang akan dioptimasi, lalu ditentukan bentuk kromosomnya, dan ditentukan

berapa jumlah kromosom dalam suatu populasinya. Agar algoritma genetik dapat

dijalankan berdasarkan teori evolusi, maka tiap solusi harus dipresentasikan dalam

suatu kode yang sesuai dengan persoalan. Kode yang digunakan harus dapat

mewakili seluruh ruangan persoalan. Pada algoritma genetik persoalan

diasumsikan sebagai sebuah kromosom yang terdiri dari beberapa gen. Populasi

adalah himpunan kromosom, populasi tersebut yang nantinya akan digunakan

oleh algoritma genetik untuk memulai melakukan optimasi.

Ada banyak jenis kromosom yang dapat digunakan dalam proses

Algoritma Genetik, misalnya kromosom biner (kromosom yang disusun dari gen

gen yang bernilai 0 dan 1) , kromosom float (kromosom yang disusun dari gen-

37

gen dengan nilai pecahan dan bilangan integer juga termasuk), kromosom string

(kromosom yang disusun dari gen-gen yang bernilai string atau simbol). Berikut

adalah penjelasan dari masing-masing kromosom:

1. Kromosom Biner

Bentuk ini adalah bentuk standart yang sering digunakan, tetapi jarak

antar batasannya harus sama, bentuk biner ini nantinya akan dirubah

menjadi bilangan integer lalu diubah lagi menjadi bentuk bilangan

float. Untuk menentukan panjang bilangan integer ditentukan dengan

suatu rumusan.

2. Kromosom Float

Bentuk ini bisa digunakan apabila batasanya meiliki selisih yang tidak

sama, bentuk ini lebih simpel dan lebih mudah dipahami oleh orang

awam.

2.12 Nilai Fitness

Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi

(individu). Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal

dalam algoritma genetik. Algoritma genetik bertujuan mencari individu dengan

nilai fitness yang paling tinggi. (Basuki, 2003)

Nilai fitness menyatakan nilai dari fungsi tujuan. Tujuan dari algoritma

genetik adalah memaksimalkan nilai fitness. Jika yang dicari nilai maksimal,

maka nilai fitness adalah nilai dari fungsi itu sendiri. Tetapi jika yang dibutuhkan

38

adalah nilai minimal, maka nilai fitness merupakan invers dari nilai fungsi itu

sendiri. Proses invers dapat dilakukan dengan cara berikut.

Fitness = C — f(x) atau Fitness = .................... 17)

C adalah konstanta dan adalah bilangan kecil yang ditentukan untuk

menghindari agar tidak terjadi pembagian oleh nol dan x adalah individu.

2.13 Elitisme

Elitisme adalah prosedur untuk meng-copy individu yang mempunyai nilai

fitness tertinggi sebanyak satu (bila jumlah individu dalam suatu populasi adalah

ganjil) atau dua (bila jumlah individu dalam suatu populasi adalah genap). Hal ini

dilakukan agar individu ini tidak mengalami kerusakan (nilai fitness-nya

menurun) selama proses pindah silang maupun mutasi. Misalnya pada contoh

sebelumnya, maka individu ke-4 dibuat copy-nya sebanyak satu, kemudian

disimpan dalam variabel temporer_individu.

temporer_individu =111, 111;

2.14 Seleksi

Kadang kala suatu fungsi tertentu dapat menyebabkan setiap individu

mempunyai nilai fitness hampir sama. Hal ini bisa berakibat buruk pada saat

dilakukan proses seleksi untuk memilih orangtua karena dapat menyebabkan

optimum lokal. Gambar 2.8 menggambarkan bagaimana terjadinya optimum

lokal.

39

Gambar 2.9 Seleksi

Pada gambar sebelah kiri, individu P mempunyai nilai fitness tertinggi

dibanding individu lainnya. Pada gambar sebelah kanan, populasi konvergen pada

suatu optimum lokal dekat individu P. Tidak ada individu yang mencapai nilai

optimal sebenarnya (T. Sutojo, Edy Mulyanto, Dr. Vincent Suhartono, 2011).

Pada gambar sebelah kiri, semua individu berada sangat jauh dari titik

optimal sesungguhnya. Kebetulan ada satu individu P yang nilai fitness-nya

tertinggi dibanding individu lainnya. Akibatnya individu P akan memproduksi

banyak anak. Pada generasi tertentu individu P dan anak-anaknya, melalui

proses pindah silang dan mutasi, akan menghasilkan individu-individu yang

mendekati lokal optimum (gambar sebelah kanan), sehingga terjadilah

konvergensi prematur, di mana populasi konvergen pada suatu solusi optimal

lokal. Permasalahan inilah yang sering muncul pada algoritma genetik.

Untuk menghindari hal ini, dibuatlah suatu mekanisme yang disebut

dengan Linier Fitness Rangking (LFR). Tujuan dan mekanisme mi sebenarnya

adalah untuk melakukan penskalaan nilai-nilai fitness dengan menggunakan

persamaan berikut.

40

LFR(i) =fmax –(fmax - fmin) ................................................. 18)

Dengan catatan bahwa:

LFR(i) = nilai LFR individu ke-i

N = jumlah individu dalam populasi

R(i) = rangking individu ke-i setelah diurutkan dan nilai fitness terbesar hingga

terkecil

fmax = nilai fitness tertinggi

fmin = nilai fitness terendah

Seleksi digunakan untuk memilih individu-individu mana saja yang akan

dipilih untuk proses kawin silang dan mutasi. Seleksi digunakan untuk

mendapatkan calon induk yang baik. Induk yang baik akan menghasilkan

keturunan yang baik. Semakin tinggi nilai fitness suatu individu semakin besar

kemungkinannya untuk terpilih (Basuki, 2003).

Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai

fitness. Nilai fitness ini yang nantinya akan digunakan pada tahap-tahap seleksi

berikutnya. Masing-masing individu dalam wadah seleksi akan menerima

probabilitas reproduksi yang tergantung pada nilai obyektif dirinya sendiri

terhadap nilai obyektif dan semua individu dalam wadah seleksi tersebut.

Terdapat beberapa metode seleksi, seperti roullete dan turnamen.

Setelah mengetahui jenis representasi yang dibutuhkan maka

pembangkitan generasi awal (parent) dapat dilakukan. Langkah pertama yang

41

dilakukan dalam seleksi ini adalah pencarian nilai fitness. Masing-masing individu

dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang

tergannuig pada nilai objektif dirinya sendiri terhadap nilai objektif dan semua

individu dalam wadah seleksi tersebut. Metode-metode seleksi yang bisa

digunakan untuk memilih individu atau kromosom sebagai orang tua. yaitu:

1. Roulette Wheel Selection

Dalam metode mi, kromosom-kromosom yang ada dalam populasi

ditempatkan ke dalam roda yang disebut “roulette wheel”. Setiap

kromosom menempati potongan roda dengan ukuran yang proposional

dengan nilai fitness cost yang dimilikinya. Putaran dilakukan sebanyak n

kali, dan pada setiap putaran, kromosom yang berada di bawah penanda

roda dipilih sebagai parent untuk generasi berikutnya. Metode mi

merupakan metode yang digunakan oleh Holland pada Algoritma Genetik

yang dikembangkan olehnya. Kelemahan utama metode ini adalah bila

terdapat satu krornosom yang merniliki fItness cost yang tinggi seka1i,

sebagai contoh 90% dari keseluruhan roda, maka kromosom-kromosom

lainnya hanya menempati 10% dari keseluruhan roda. Akibatnya. setiap

putaran roda kemungkinan besar menghasilkan kromosom yang sama

sehingga populasi baru hanya dihuni oleh kromosom yang sama. Kondisi

mi disebut sebagai konvergensi dini (“premature convergence”).

2. Elitism

Metode ini diperkenalkan oleh Kenneth De Jong. Dalam metode ini

beberapa gen terbaik dan setiap generasi diambil dan disimpan. Tujuan

metode ini adalah mencegah hilangnya gen-gen terbaik karena tidak

42

terpilih untuk tuelakukan crossover atati mutasi. Banyak penelitian yang

menernukan bahwa metode ini meningkatkan kinerja Algoritina Genetik

secara signifikan.

3. Rank Selection

Metode ini merupakan alternatif untuk mencegah terjadinya konvergensi

dini yang terlalu cepat. Dalam metode ini kromosom-kromosom dalam

populasi dirangking berdasarkan fitness cost yang dimiliki. Pemilihan

kromosorn tidak didasarkan pada nilai fitness cost, namun didasarkan pada

nilai ranking yang diberikan. Hal ini bertujuan untuk mengurangi

perbedaan nilai yang besar seperti yang dapat terjadi pada metode Roulette

Wheel Selection.

4. Tournament Selection

Dalam metode ini 2 buah kromosom dipililih secara acak dari populasi.

Sebuah angka r dipilih secara acak dari angka-angka di antara 0 dan 1.

Sebuah parameter k ditentukan (rnisalnya k = 0,75). Jika r < k, maka

kromosom dengan fitness cost yang lebih baik dipilih. dan jika sebaliknya.

kromosorn dengan fitness cost yang lebih rendah yang dipilih. Kedua

kromosom tersebut kemudian dikembalikan ke populasi dan dapat dipilih

lagi.

5. Steady-State Selection

Dalam metode ini hanya sebagian kecil kromosom dan populasi yang

diganti dalam setiap generasi. Biasanya kromosom-kromosom yang

memiliki fitness cost rendah diganti dengan kromosom-kromosom baru

hasil crossover dan mutasi dari kromosom-kromosom dengan fitness cost

43

yang tinggi. Metode ini sering digunakan dalam rule-based system dimana

proses pembelajaran memiliki peran penting dari semua anggota populasi

secara bersama-sama (tidak secara individual) memecahkan masalah yang

ada.

2.15 Crossover

Crossover (perkawinan silang) bertujuan menambah keanekaragaman string

dalam populasi dengan penyilangan antar-string yang diperoleh dari sebelumnya.

Sebuah individu yang mengarah pada solusi optimal bisa diperoleh melalui

proses pindah silang, dengan catatan bahwa pindah silang hanya bisa dilakukan

jika sebuah bilangan random r dalam interval [0 1] yang dibangkitkan nilainya

lebih kecil dari probabilitas tertentu prob, dengan kata lain: r < prob. Biasanya

nilai prob diset mendekati 1. Cara yang paling sederhana untuk melakukan

pindah silang adalah pindah silang satu titik potong. Posisi titik potong dilakukan

secara random. Berdasarkan tipe data dan nilai gen, ada beberapa cara untuk

melakukan pindah silang, yaitu:

a. Gen bertipe data biner

Pindah silang melibatkan dua buah individu sebagai orangtua dan akan

menghasilkan dua anak sebagai individu baru. Prinsip dan pindah silang ini

adalah menentukan posisi titik potong T (posisi gen) secara random, yang

dipakai sebagai acuan untuk menukar gen-gen orangtua sehingga dihasilkan

gen-gen anak. Jika bilangan random yang dibangkitkan r lebih kecil daripada

probabilitas pindah silang p ( r < p), maka proses pindah silang dikerjakan.

44

Contoh

Misalkan ditentukan p = 0,8

Pindah silang satu titik potong:

Pindah silang dua titik potong:

Pindah silang tiga titik potong:

b. Gen bertipe data Real

Untuk gen bertipe real cara pindah silangnya mengikuti persamaan berikut.

45

x1‘(T)=r * x1(T) + (r - l).x2(T)

x2’ (T) = r* x2(T)+ (r - 1).x1(T)

T adalah posisi gen yang mengalami mutasi r adalah bilangan random [0 1].

Contoh

Pindah silang satu titik :

Pindah silang dua titik potong :

c. Gen bertipe data Permutasi

Bila tipe data dan gen adalah permutasi (contohnya pada Travels Salesman

Problem) kita bisa gunakan metode Partial-Mapped CrossOver (PMX).

Metode ini diciptakan ole Goldberg dan Lingle dengan langkah-langkah

berikut.

46

a. Tentukan dua posisi (P1 dan P2) pada individu secara random. Substring

yang berada dalam dua posisi ini disebut daerah pemetaan.

b. Tukar dua substring antar dua induk untuk menghasilkan proto-child

c. Di antara daerah dua pemetaan, tentukan hubungannya.

d. Mengacu pada hubungan pemetaan tadi, tentukan individu keturunannya.

Contoh

a. Tentukan dua posisi (P1 dan P2) pada individu secara random

b. Tukar dua substring antar dua induk untuk menghasilkan photo-child

c. Di antara daerah dua pemetaan, tentukan hubungannya.

47

d. Mengacu pada hubungan pemetaan tadi, tentukan individu keturunannya.

2.16 Mutasi

Operator berikutnya pada algoritma genetik adalah mutasi gen. Operator ini

berperan untuk menggantikan gen yang hilang dan populasi akibat proses seleksi

yang meniungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi

populasi. Kromosom anak dimutasi dengan menambahkan nilai random yang

sangat kecil (ukuran langkah mutasi), dengan probabilitas yang rendah. Peluang

mutasi didefinisikan sebagai persentasi dan jumlah total gen pada populasi yang

mengalami mutasi. Peluang mutasi mengendalikan banyaknya gen baru yang akan

dimunculkan untuk dievaluasi. Jika peluang mutasi terlalu kecil, banyak gen yang

mungkin berguna tidak pernah dievaluasi. Tetapi bila peluang mutasi ini terlalu

besar, maka akan terlalu banyak gangguan acak, sehingga anak akan kehilangan

kemiripan dari induknya, dan juga algoritma kehilangan kemampuan untuk

belajar dari histori pencarian.

Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam

suatu kromosom. Operasi crossover yang dilakukan pada kromosom dengan

tujuan untuk memperoleh kromosom-kromosom baru sebagai kandidat solusi

pada generasi mendatang denga fitness yang lebih baik, dan lama-kelamaan

menuju solusi optimum yang diinginkan. Akan tetapi, untuk mencapai hal ini,

48

penekanan selektif juga memegang peranan yang penting. Jika dalam proses

pemilihan kromosom-kromosom cenderung pada kromosom yang memiliki

fitness yang tinggi saja, konvergensi premature, yaitu mencapai solusi yang

optimal lokal sangat mudah terjadi. Untuk menghindari konvergensi premature

tersebut dan tetap menjaga perbedaan (diversity) kromosom-kromosom dalam

populasi, selain melakukan penekanan selektif yang lebih efisien, operator mutasi

juga dapat digunakan. Proses mutasi dalam sistem biologi berlangsung dengan

mengubah isi allele gen pada suatu locus dengan allele yang lain. Proses mutasi

ini bersifat acak sehingga tidak selalu menjamin bahwa setelah proses mutasi akan

diperoleh kromosom dengan fitness yang lebih baik.

Mutasi dilakukan untuk semua gen yang terdapat pada individu, jika

bilangan random yang dibangkitkan lebih kecil dan probabilitas mutasi p yang

ditentukan. Biasanya p diset = 1/N, di mana N adalah jumlah gen dalam individu.

Untuk kode biner, mutasi dilakukan dengan cara membalik nilai bit 0 menjadi bit

1, sebaliknya bit 1 diubah menjadi bit 0. Operator mutasi merupakan operasi yang

menyangkut satu kromosom tertentu. Beberapa cara operasi mutasi diterapkan

dalam algoritma genetik antara lain:

Gen bertipe data biner

49

Gen betipe data real

2.17 Evaluasi Fitness dengan Objective Function

Objective function digunakan untuk mencari lokasi nilai terbaik pada tiap

cluster terhadap masing-masing fitur. Adapun persamaan objective function

sebagai berikut:

,

dimana m adalah bilangan real yang lebih besar dari 1, uij adalah derajat

keanggotaan dari xi di klaster j, xi adalah dimensi data yang diukur, cj adalah pusat

dimensi cluster, dan ||*|| adalah setiap aturan yang mengungkapkan kesamaan

antara pusat dan data diukur. Partisi Fuzzy dilakukan melalui optimasi berulang

dari objective function yang ditunjukkan di atas, dengan update keanggotaan uij

dan pusat cluster cj oleh:

,

Iterasi ini akan berhenti ketika , di mana kriteria

terminasi antara 0 dan 1, sedangkan k adalah langkah-langkah iterasi. Prosedur ini

konvergen ke minimum lokal atau titik Jm.

Algoritma in iterdiri dari langkah-langkah berikut:

50

1. Inisialisasi U=[uij] matriks, U(0)

2. Pada k-langkah: menghitung pusat vektor C(k) =[cj] denganU(k)

3. Update U(k), U(k +1)

4. Jika ||U(k +1) -U(k) || < kemudian berhenti; jika tidak kembali ke

langkah 2.

2.18 Metode Kuesioner

Kuesioner merupakan daftar pertanyaan yang akan digunakan oleh periset

untuk memperoleh data dari sumbernya secara langsung melalui proses

komunikasi atau dengan mengajukan pertanyaan (Hendri, 2009). Metode

kuesioner terbagi menjadi 4 (empat), yaitu:

a. Kuesioner terstruktur yang terbuka

Tingkat struktur dalam kuesioner adalah tingkat standarisasi yang

diterapkan pada suatu kuesioner. Pada kuesioner terstruktur yang terbuka

dimana pertanyaan-pertanyaan diajukan dengan susunan kata-kata dan

urutan yang sama kepada semua responden ketika mengumpulkan data.

51

b. Kuesioner tak terstruktur yang terbuka

Kuesioner tak terstruktur yang terbuka dimana tujuan studi adalah jelas

tetapi respon atau jawaban atas pertanyaan yang diajukan bersifat terbuka

dimana subjek berbicara dengan bebas mengenai pertanyaan yang

diajukan.

c. Kuesioner tidak terstruktur yang tersamar

Kuesioner tidak terstruktur yang tersamar berlandaskan pada riset

motivasi. Para periset telah mencoba untuk mengatasi keengganan

responden untuk membahas perasaan mereka dengan cara

mengembangkan teknik-teknik yang terlepas dari masalah kepedulian dan

keinginan untuk membuka diri.

d. Kuesioner terstruktur yang tersamar

Kuesioner ini dikembangkan sebagai cara untuk menggabungkan

keunggulan dari penyamaran dalam mengungkapkan motif dan sikap

dibawah sadar dengan keunggulan struktur pengkodean serta tabulasi

jawaban (Hendri, 2009).