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.
Recommended