bab ix ag
DESCRIPTION
sistem pengambilan keputusanTRANSCRIPT
![Page 1: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/1.jpg)
BAB IX
ALGORITMA GENETIKA
9.1 Pendahuluan
Menurut J Grenn Brookshear (2003 : 458) algoritma genetika adalah wilayah
penelitian yang berupa menerapkan pemahaman kita mengenai evolusi alamiah
pada tugas-tugas pemecahan masalah. Pendekatan yang diambil adalah
membaurkan beragam pilihan solusi terbaik di dalam suatu kumpulan untuk
mendapatkan generasi penerus solusi terbaik berikutnya yang merepresentasikan
perbaikan-perbaikan pada kumpulan awalnya.
Algoritma genetika nerupakan algoritma pencarian yang berdasarkan pada
seleksi alam dan genetika alam. Algoritma ini berguna untuk masalah yang
memerlukan pencarian yang efektif dan efisien, dan dapat digunakan secara
meluas untuk aplikasi bisnis, pengetahuan, dan dalam ruang lingkup teknik.
Algoritma genetika ini dapat digunakan untuk mendapatkan solusi yang tepat
untuk masalah satu atau banyak variabel.
Algoritma genetika berbeda dengan teknik pencarian yang lain, karena pada
algoritma genetika ini langkah pertama dimulai dengan membangkitkan secara
random solusi-solusi yang sering dikenal dengan initial population. Setiap
individu di dalam populasi dinamakan chromosome, dimana setiap chromosome
itu mewakili sebuah solusi untuk masalah yang akan dihadapi. Sebuah
chromosome biasanya simbolnya string hal ini diperuntukkan bagi bilangan biner
dan untuk floating point yang dipakai adalah bilangan real. Untuk masalah tiga
variabel maka chromosome akan tersusun atas tiga gen demikian pula kalau
permasalahannya melibatkan lima variabel, maka didalam satu chromosome juga
akan terdapat lima gen.
![Page 2: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/2.jpg)
Chromosome terbentuk setiap generasi dan kemudian dievaluasi
menggunakan beberapa ukuran fitness . Untuk generasi yang baru, chromosome
baru terbentuk oleh proses yang dinamakan proses seleksi . Setelah proses seleksi
itu berlangsung chromosome yang baru terbentuk itu akan mengalami proses
reproduksi dimana didalam proses reproduksi ini chromosome tadi akan daproses
dalam dua tahap yaitu crossover dan mutasi. Kedua tahap proses itu akan
membuat offspring. Untuk proses crossover, offspring yang terbentuk merupakan
penggabungan dari chromosome yang sebelumnya, sedangkan untuk mutasi
offspring yang terbentuk merupakan hasil perubahan mutasi dari gen atau mutasi
pada bit.
9.2 Sejarah Algoritma Genetika
Algoritma genetika pertama kali ditemukan oleh Jhon Holland dari
Universitas Michigan pada awal 1970-an di New York, Amerika Serikat. Jhon
Holland bersama muridmuridnya rekan kerjanya lalu menghasilkan buku yang
berjudul “Adaption in Natural and Artificial Systems” pada tahun 1975, yang cara
kerjanya berdasarkan pada seleksi dan genetika alam.
Konsep yang dipergunakan dalam algoritma genetika adalah mengikuti apa
yang dilakukan oleh alam. Algoritma genetik khususnya diterapkan sebagai
simulasi komputer dimana sebuah populasi representasi abstrak (kromosom) dari
solusi-solusi calon (individual) pada sebuah masalah optimisasi akan berkembang
menjadi solusi-solusi yang lebih baik. Secara tradisional solusi-solusi tersebut
dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga
penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah
populasi individual acak yang lengkap dan terjadi dalam generasigenerasi.
Dalam tiap generasi kemampuan keseluruhan populasi dievaluasi, kemudian
multiple individuals dipilih dari populasi sekarang (current) secara stochastic
(berdasarkan kemampuan mereka) lalu dimodifikasi (dengan mutasi atau
![Page 3: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/3.jpg)
rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang
(current) pada iterasi berikutnya dari algoritma.
9.3 Komponen-Komponen Dasar Algoritma Genetika
Komponen-komponen dalam algoritma genetika ialah sebagai berikut:
a. Pengkodean
Terdapat tiga cara yang paling umum digunakan dalam pengkodean, yaitu:
1. Binary encoding, untuk pengkodean binary encoding setiap gen diberi
nilai 0 atau 1.
2. Real Number, pada pengkodean real number nilai gen berada dalam
interval (0,R) dengan R adalah bilangan real positif dan biasanya R=1.
3. Descreet decimal decoding. Setiap gen bernilai salah satu bilangan
bulat dalam interval (0,9).
b. Fungsi fitness
Fungsi fitness bermanfaat untuk mengevaluasi kandidat solusi sistem yang
dimodelkan. Pada evolusi alam, individu yang memiliki nilai fitness
rendah akan mati.
c. Seleksi
Seleksi dilakukan untuk menentukan individu-individu mana saja yang
akan dipilih untuk melakukan rekombinasi dan bagaimana offspring yang
terbentuk dari individu-individu terpilih tersebut. Dalam algoritma genetik
terdapat dua macam seleksi, yaitu roda roulette (roulette whell selection)
dan rank based fitness.
Roda roulette digunakan untuk menentukan individu orang tua yang akan
dikenai operasi genetik. Sesuai dengan namanya, metode ini menirukan
permainan roulette whell dengan masing-masing kromosom menempati
potongan lingkaran pada roda roulette secara proposional sesuai dengan
nilai fitness-nya (Triswantoro Putro, 2007).
![Page 4: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/4.jpg)
Rank based fitness biasanya digunakan untuk menentukan generasi baru
setelah proses operasi genetik diterapkan dalam individu-individu orang
tua sehingga lahirlah individu-individu baru (D. Quagliarella, 1998). Pada
metode ini populasi diurutkan menurut ranking nilai fitness masing-
masing individu.
d. Pindah silang (crossover)
Salah satu komponen penting dalam algoritma genetik adalah crossover
atau pindah silang. Crossover dilakukan untuk menukarkan informasi
antar kromosom.
e. Mutasi
Mutasi adalah komponen dalam algoritma genetik yang bisa memodifikasi
satu gen atau lebih dalam kromosom yang sama sehingga dapat
menyebabkan terciptanya individu baru.
f. Elitisme
Pada penyeleksian kromosom dilakukan dengan random, sehingga tidak
ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu
terpilih, mungkin saja individu tersebut akan rusak (nilai fitness-nya
menurun) karena proses pindah silang. Untuk menjaga agar individu
bernilai fitness tersebut tidak hilang selama evolusi, maka perlu dibuat satu
atau beberapa kopinya. Prosedur ini disebut dengan elitisme.
9.4 Proses Algoritma Genetika
Algoritma genetika adalah algoritma pencarian hasil yang terbaik, yang
didasarkan pada perkawinan dan seleksi gen secara alami. Kombinasi perkawinan
ini dilakukan dengan proses acak (random). Dimana struktur gen hasil proses
perkawinan ini, akan menghasilkan gen inovatif untuk diseleksi.
Dalam setiap generasi, ciptaan buatan yang baru (hasil perkawinan), diperoleh
dari bit-bit dan bagian-bagian gen induk yang terbaik. Diharapkan dengan
mengambil dari gen induk yang terbaik ini diperoleh gen akan yang lebih baik
lagi. Meskipun pada kenyataannya tidak selalu tercipta gen anak yang lebih baik
![Page 5: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/5.jpg)
dari induknya. Ada kemungkinan lebih baik, sama baiknya, atau bahkan mungkin
lebih buruk. Tujuan dari algoritma genetika ini adalah menghasilkan populasi
yang terbaik dari populasi awal. Sedangkan keuntungan dari algoritma genetika
adalah sifat metode pencariannya yang lebih optimal, tanpa terlalu memperbesar
ruang pencarian.
Dalam menyusun suatu algoritma genetika menjadi program, maka diperlukan
beberapa tahapan proses, yaitu proses pembuatan generasi awal, proses
genetika, proses seleksi, dan pengulangan proses sebelumnya.
Gambar 1. Proses Algoritma Genetika
9.5 Operasi Algoritma Genetika
Algoritma genetika terdiri dari dua operasi yaitu operasi genetika dan operasi
evolusi. Operasi genetika terdiri dari operator crossover dan operator mutasi. Pada
operasi evolusi terdapat operator seleksi. Populasi generasi yang baru dibentuk
dengan cara menyeleksi nilai fitness dari kromosom induk (parent) dan nilai tness
dari kromosom anak (o_spring), serta menolak kromosom-kromosom yang
lainnya sehingga ukuran populasi (jumlah kromosom dalam suatu populasi)
konstan [1].
![Page 6: BAB IX AG](https://reader038.vdocuments.site/reader038/viewer/2022100421/55cf8f61550346703b9bc77d/html5/thumbnails/6.jpg)
Crossover (pindah silang) adalah proses pemilihan posisi string secara
acak dan menukar karakter-karakter stringnya (Goldberg, 1989; Davis, 1991).
Ilustrasi proses pindah silang dapat dilihat pada Gambar 2. String 1 dan String 2
mengalami proses pindah silang, menghasilkan String 1 Baru dan String 2 Baru.
Operator mutasi dioperasikan sebagai cara untuk mengembalikan materi genetik
yang hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan
modifikasi terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi
mencegah kehilangan total materi genetika setelahreproduksi dan pindah silang.
Ilustrasi proses mutasi dapat dilihat pada Gambar 3.
Gambar 2. Ilustrasi Proses Pindah Silang
Gambar 3. Ilustrasi Proses Mutasi