Teknik OptimasiImam Cholissodin | imam.cholissodin@gmail.com

Algoritma Evolusi

Pokok Bahasan

1. Pengantar

2. Klasifikasi Teknik Optimasi

3. Prinsip Kerja Algoritma Evolusi

4. Tugas

Pengantar (1 of 3)

Dalam kehidupan sehari-hari seringkali kita berhadapan

dengan pencarian solusi suatu masalah seperti contoh

berikut:o Pembuatan jadwal kuliah yang mencakup ketersediaan dosen dan

ruangan. Jadwal harus dibuat tujuan untuk menghindari seorang

dosen/mahasiswa terjadwal di lebih dari satu kelas pada waktu yang

sama.

o Persoalan transportasi yang mencakup pendistribusian suatu

komoditas atau produk dari sejumlah sumber kepada sejumlah tujuan

dengan tujuan meminimumkan ongkos pengangkutan yang terjadi.

o Pemilihan rute terpendek (biaya terkecil) untuk mengunjungi sejumlah

kota.

o Penentuan komposisi makanan ternak dengan biaya minimum yang

harus memenuhi batasan minimal untuk setiap komponen nutrisi.

Pengantar (2 of 3)

Penyelesaian masalah di atas akan mudah dilakukan

jika ukuran data relatif kecil.

Masalah akan menjadi kompleks jika data berukuran

besar atau melibatkan sejumlah entitas besar.

Pada masalah kompleks dibutuhkan juga formulasi

matematika yang kompleks yang bisa jadi sangat sulit

dibangun atau membutuhkan waktu yang lama.

Berdasarkan model matematis yang dibangun bisa

dilakukan analisis untuk mencari solusi yang terbaik

(optimum). Solusi optimum mungkin dapat diperoleh

tetapi memerlukan proses perhitungan yang panjang.

Pengantar (3 of 3)

Untuk penyelesaikan kasus khusus seperti di atas

dapat digunakan metode heuristik, yaitu suatu metode

pencarian yang didasarkan atas intuisi atau aturan-

aturan empiris untuk memperoleh solusi yang lebih baik

daripada solusi yang telah dicapai sebelumnya.

Metode ini tidak selalu menghasilkan solusi optimum

tetapi jika dirancang dengan baik akan menghasilkan

solusi yang mendekati optimum dalam waktu yang

relatif cepat.

Metode heuristis yang bisa diterapkan pada masalah

optimasi misalnya algoritma koloni semut, algoritma hill-

climbing, tabu search, algoritma simulated annealing dan

algoritma evolusi.

Klasifikasi Teknik Optimasi (1 of 4)

Secara umum, posisi dari EAs di antara teknik optimasi lainnya

ditunjukkan pada Gambar berikut :

Klasifikasi Teknik Optimasi (2 of 4)

Algoritma evolusi (evolutionary algorithms, EAs) merupakan sub-

set dari komputasi evolusi (evolutionary computation, EC) yang

merupakan bentuk generik dari algoritma optimasi meta-heuristic

berbasis populasi.

Pada Gambar tersebut, optimization didefinisikan sebagai proses

pemilihan sebuah solusi dari sejumlah alternatif solusi dengan

memenuhi sejumlah batasan (contstraints).

Misalkan pada pencarian rute untuk mengunjungi sejumlah kota.

Pada kasus ini tentu saja terdapat banyak alternatif pilihan rute

(solusi).

Solusi yang dipilih disesuaikan dengan tujuan (objective) dari

permasalahan ini, misalkan memilih rute terpendek atau rute

dengan waktu tempuh tercepat. Batasan yang ada misalkan setiap

kota harus dikunjungi tepat satu kali.

Klasifikasi Teknik Optimasi (3 of 4)

Stochastic optimization menggunakan bilangan acak (random)

dalam pencarian solusi. Sebagai konsekuensinya, sebuah

algoritma dalam kelas ini setiap dijalankan akan menghasilkan

solusi akhir yang berbeda, meskipun diterapkan dalam

permasalahan yang sama.

Sebuah algoritma meta-heuristic bertindak sebagai ‘manajer’ dari

beberapa algoritma heuristic yang secara terorganisir mencari

solusi dari sebuah permasalahan.

Misalkan metode Variable Neighborhood Search (VNS) yang me-

manage sebuah teknik local search (LS). VNS secara sistematis

meng-iterasi LS untuk mencari solusi dari titik awal yang

berbeda serta mencakup area pencarian yang lebih luas. Contoh

lainnya adalah algoritma genetika yang me-manage beberapa

genetic operator seperti crossover, mutation, dan selection.

(Materi ini akan dijelaskan secara mendetail pada pert. ke-3).

Klasifikasi Teknik Optimasi (4 of 4)

Evolutionary computing merujuk kepada berbagai teknik

penyelesaian masalah yang berbasis proses evolusi biologi

seperti seleksi alam (natural selection) dan penurunan sifat genetis

(genetic inheritance).

Berbagai teknik dalam kelas ini telah diaplikasikan pada berbagai

permasalahan praktis. Salah satu sub-kelas dari evolutionary

computing adalah algoritma evolusi yang sedang anda pelajari.

Prinsip Kerja ALEV (1 of 3)

Algoritma Evolusi (evolutionary algorithms, EAs) merupakan teknik

optimasi yang meniru proses evolusi biologi.

Menurut teori evolusi terdapat sejumlah individu dalam populasi.

Dari generasi ke generasi, individu-individu ini berperan sebagai

induk (parent) yang melakukan reproduksi menghasilkan

keturunan (offspring).

Individu-individu ini (beserta offspring) berevolusi dan individu-

individu yang lebih baik (mampu beradaptasi dengan

lingkungannya) mempunyai peluang lebih besar untuk melewati

seleksi alam (natural selection) dan bertahan hidup.

Individu yang lebih baik juga cenderung (tidak selalu tapi

mempunyai kemungkinan lebih besar) menghasilkan keturunan

yang lebih baik, sehingga dari generasi ke generasi akan terbentuk

populasi yang lebih baik.

Prinsip Kerja ALEV (2 of 3)

Keseluruhan proses dalam EAs ditunjukkan pada Gambar berikut :

Individu-individu dalam populasi di EAs merepresentasikan

solusi dari masalah yang akan diselesaikan.

Sebuah fungsi fitness digunakan untuk mengukur seberapa baik

suatu individu. Individu terbaik di akhir generasi bisa didekodekan

sebagai solusi terbaik yang bisa diperoleh.

Dari penjelasan di atas, EAs bisa dikelompokkan dalam algoritma

‘generate and test’ yang berbasis populasi (population based).

EAs juga bersifat stochastic, setiap kali dijalankan untuk masalah

yang sama ada kemungkinan menghasilkan solusi yang berbeda.

Himpunan

individu

baru

Seleksi

alam

Hasil

reproduksi

(offspring)

Pemilihan

parent

Individu

dalam

populasi

Prinsip Kerja ALEV (3 of 3)

Berbagai tipe EAs telah dikembangkan sebagai berikut:

o Algoritma genetika (Genetic Algorithms, GAs), merupakan tipe EAs

yang paling popular dan banyak diterapkan pada masalah-masalah

kompleks. Pada awalnya banyak menggunakan representasi string

biner tapi kemudian berkembang dengan menggunakan vektor bilangan

integer dan pecahan (real). Pembangkitkan solusi baru banyak

mengandalkan proses tukar silang (crossover). Mutasi biasanya dipakai

sebagai operator tambahan untuk menjaga keragaman populasi.

o Evolution Strategies (ES), representasi solusi biasanya menggunakan

vektor bilangan pecahan. Mutasi merupakan operator reproduksi

utama. Mekanisme self-adaptation digunakan untuk mengontrol

perubahan nilai parameter pencarian.

o Genetic Programming (GP), digunakan untuk mengoptimasi

rangkaian program komputer yang direpresentasikan dalam bentuk

struktur data pohon (tree).

o Evolutionary Programming (EP), mempunyai tujuan seperti GP tapi

prinsip kerjanya seperti ES. Finite State Machines (FSM) digunakan

untuk merepresentasikan program komputer.

Tugas Kelompok

1. Pada jenis permasalahan apa algoritma heuristik

seharusnya diterapkan?

2. Jelaskan apa yang dimaksud dengan gen, individu,

populasi, generasi dalam algoritma evolusi!

3. Apa yang dimaksud dengan fungsi fitness?

4. Apa yang dimaksud dengan pernyataan bahwa

algoritma evolusi bersifat stochastic?

5. Jelaskan perbedaan antara Soft Contstraints dan Hard

Contstraints, dan berikan contohnya!

Note : Untuk memperjelas pemahaman anda, kerjakanlah

latihan berikut sebisa mungkin tanpa melihat materi pada

buku atau slide!

TerimakasihImam Cholissodin | imam.cholissodin@gmail.com