Rizqan Hasanan

11/316819/PA/13945

Algortima genetika merupakan metode adaptive yang digunakan untuk memecahkan suatu

pencarian nilai dalam masalah optimasi, didasarkan pada proses genetic yang ada dalammakhluk

hidup yaitu perkembangan generasi dalam sebuah populasi yang alami., secara lambat laun

mengikuti prinsip seleksi alam.

Algoritma bekerja dengan sebuah populasi yang terdiri dari individu – individu, yang

masing-masing individu mempresentasikan sebuah solusi. Individu dilambangkan dengan sebuah

fitness yang akan digunakan untuk mencari solusi yang terbaik.

Algoritma genetika melibatkan beberapa operator

1. Operasi Evolusi yang melibatkan proses seleksi didalamnya

2. Operasi Genetika yang melibatkan operator pindah silang dan mutasi

Hal yang harus dilakukan dalam Algoritma genetika adalah :

Mendefenisikan individu karna individu merupakan satu solusi dari permasalahan

yang diangkat.

Menedefenisikan nilai fitness yang merupakan ukuran baik tidaknya sebuah

individu.

Menentukan proses pembangkitan populasi awal.

Menentukan proses seleksi yang akan digunakan.

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

digunakan.

Individu menyatakan salah satu solusi yang mungkin, dikatakan sama dengan kromosom

yang merupakan kumpulan gen. gen ini bisa biner, float dan kombinasional. Beberapa hal yang

perlu diperhatikan dalam mendefenisikan individu adalah :

Gen : sebuah nilai yang menyatakan satuan dasar yang membentuk arti dalam arti

tertentu dalam satu kesatuan gen yang dinamakan kromosom. Gen ini bisa berupa

nilai biner, float, integer maupun karakter atau kombinasional.

Allele nilai dari gen.

Kromosom gabungan gen yang membentuk nilai tertentu.

Individu menyatakan nilai atau keadaan yang menyatakan suatu solusi.

Populasi merupakan kumpulan individu yang akan di proses bersama dalam satu

siklus proses evolusi.

Generasi menyatakan satu siklus proses evolusi dalam algoritma genetika.

Ilustrasinya adalah

Rizqan Hasanan

11/316819/PA/13945

Misal di dalam TSP individu menyatakan jalur yang ditempuh, dalam penentuan nilai

maksimal dari F(x,y) individu menyatakan nilai (x,y). Pada gambar dibawah adalah ilustrasi 2

kemungkinan jalur

Nilai fitness adalah nilai yang menyatakan baik atau tidaknya sauatu solusi. Dijadikan

acuan dalam mencapai nilai optimal. Tujuannya adalah mencari individu dengan nilai fitnees yang

paling tinggi.

Dalam TSP, karena TSP bertujuan meminimalkan jarak, maka nilai fitnessnya adalah

inversi dari total jarak dari jalur yang didapatkan. Cara melakukan inversi menggunakan rumus

1/x atau 100000-x, dimana x adalah jarak dari jalur yang didapatkan.

Siklus Algortima Genetika adalah sebagai berikut

Rizqan Hasanan

11/316819/PA/13945

Kemudian diperbaiki oleh beberapa ilmuan yang mengembangkan algortima genetika yatu

Zbigniew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksi

setelah proses reproduksi.

Teknik dalam Genetika Algoritma

1. Teknik pengkodean

Mengkodekan gen dari kromosom. Satu gen mewakili satu variable. Gen direpresantisikan

dalam bentuk : bit, bilangan real, daftar aturan, elemen program atau representasi lainnya

yang dapat diimplementasikan untuk operator genetika.

2. Membangkitkan populasi awal

Membangkitkan sejumlah individu secara acak melalui prosedur tertentu. Tekniknya ada

beberapa cara diantaranya

Random generator

Melibatkan pembangkit bilangan random untuk setiap gen sesuai dengan

representasi kromosom yang digunakan. Jika mengunakan biner maka penggunaan

rumunya adalah

Rizqan Hasanan

11/316819/PA/13945

Dimana IPOP adalah gen yang nantinya berisi pembulatan dari bilangan random

yang dibangkitkan sebanyak Nipop (jumlah populasi) X Nbits (jumlah gen tiap

kromosom).

Penedekatan tertentu

Memasukkan nilai tertentu ke dalam bagian gen dari populasi awal yang dibentuk.

Permutasi Gen

Menggunakan permutasi Josephus dalam masalah kombinatoral seperti TSP. misal

ada kotak 1 sampai 9. Permutasi dapat dilakukan dengan menentukan titik awal dan

selang. Misal titik awal 6 dan selang adalah 5. Maka lintasan berangkat dari kota 6,

selang 5 dari kota 6 adalah kota 2. Kota 2 dihapus dri list. Selang 5 kemudian adalah

kota 7. Proses ini berulang hingga ada satu lintasan dalam list. Hasil dari

permutasinya adalah 2 – 7 – 3 – 8 – 4 – 9 – 5 – 1 – 6.

3. Seleksi

Digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk proses

kawin silang dan mutasi. Seleksi digunakan untuk mendapatkan calon yang baik. semakin

tinggi nilai fitness semakin besar kemungkinan untuk terpilih. Langkah yang dilakukan

adalah mencari nilai fitness. Ada 2 metode seleksi yaitu

Seleksi dengan mesin Roulette

Metode yang peling sederhana sering dikenal dengan stochastic sampling with

replacement. Cara kerjanya adalah

I. Dihitung nilai fitness dari masing-masing individu (𝑓𝑖 dimana i adalah

individu ke-1 s/d ke-n)

II. Dihitung total fitness semua individu

III. Dihitung probabilitas masing-masing individu

IV. Dihitung jatah masing-masing individu pada angka 1 sampai 100

V. Dibangkitkan bilangan random antara 1 sampai 100

VI. Tentukan individu mana yang terpilih dalam proses seleksi

Rizqan Hasanan

11/316819/PA/13945

Seleksi dengan turnamen

Ditetapkan satu nilai tour untuk individu-individu yang terpilih secara random dari

suatu populasi. Individu yang terbaik dalam kelompok ini akan diseleksi sebagai

induk. Parameter yang digunakan pada metode ini adalah ukuran tour yang bernilai

2 sampai N.

4. Pindah silang (Crossover)

Operator dari algortima genetika yang melibatkan 2 induk membentuk kromosom baru.

Menghasilkan titik baru dalam ruang pencairan yang siap untuk diuji. Operasi ini tidak

selalu dilakukan pada semua individu yang ada. Individu dipilih secara acak untuk

dilakukan crossing dengan 𝑃𝑐 antara 0,6 s/d 0,95. Jika pindah silang tidak dilakukan, maka

nilai induk akan diturunkan kepada keturunan. Ilustrasi diagram alir penggunaan

probabilitas crossover pada proses crossover

5. Mutasi

Operator ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses

seleksi yang mungkin munculnya kembali gen yang tidak menuncul pada inisialisasi

populasi. Kromosom anak dimutasi dengan menambahkan nilai random yang sangat kecil,

dengan probabilitas yang rendah. Peluang permutasi (𝑝𝑚) didefenisikan sebagai presentasi

dari jumlah total gen pada populasi yang mengalami mutasi. Peluang meutasi

mengendalikan banyak gen baru yang akan dimunculkan untuk di evaluasi. Berikut

diagram alir proses mutasi

Rizqan Hasanan

11/316819/PA/13945

5.1 Mutasi biner

Cara sederhananya adalah dengan mengganti satu atau beberapa nilai gen dari

kromosom. Langkahnya adalah :

Hitung jumlah gen pada populasi.

Pilih secara acak dari gen yang terpilih untuk dimutasi.

Tentukan kromosom dari gen yang terpilih untuk dimutasi.

Ganti nilai gen (0 ke 1, atau 1 ke 0) dari kromosom yang akan dimutasi tersebut.

5.2 Mutasi bilangan real

5.3 Mutasi kromosom permutasi

Hal penting yang harus diperhatikan dalam pemakaian algortima genetika

Algortima genetika adalah algortima yang dikembangkan dari proses pencarian solusi

menggunakan pencarian acak.

Rizqan Hasanan

11/316819/PA/13945

Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang

memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik, sehingga

dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik.