MAKALAH PENGETAHUAN TEKNOLOGI SISTEM CERDAS “ EVOLUTIONARY COMPUTING MENGGUNAKAN ALGORITMA GENETIKA “

MAKALAH 

PENGETAHUAN TEKNOLOGI SISTEM CERDAS 

“ EVOLUTIONARY COMPUTING MENGGUNAKAN ALGORITMA GENETIKA “

PENYUSUN

KELOMPOK 5 :

RULLY                                              19114850
 SYAGIFUL FATHAYATIH               1A114570
WINA ZHAFIRAH MUMTAZ        1C114254
YACOBUS KOKA                           1C114340
ZAKY MUHAMMAD                      1C114650

3KA13
UNIVERSITAS GUNADARMA
PTA 2016/2017

DAFTAR ISI

ABSTRAKSI ....................................................................................................................      1

BAB I PENDAHULUAN ................................................................................................      2

1.1 Latar Belakang ..................................................................................................      3

1.2 Perumusan Masalah .........................................................................................      3

1.3 Batasan Masalah ...............................................................................................      3

1.4 Tujuan Masalah ................................................................................................      3

BAB II PEMBAHASAN .................................................................................................      4

2.1 Algoritma Genetika ...........................................................................................      4

2.2 Perkembangan Metode Penjadwalan .............................................................      18

BAB III PENUTUP .........................................................................................................      20

3.1 Kesimpulan .....................................................................................................      20

3.2 Saran ................................................................................................................      20

REFERENSI ....................................................................................................................      21

KATA PENGANTAR

 Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA sehingga makalah ini dapat tersusun hingga selesai . Tidak lupa kami juga mengucapkan banyak terimakasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan sumbangan baik materi maupun pikirannya.

            Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan pengalaman bagi para pembaca, untuk ke depannya dapat memperbaiki bentuk maupun menambah isi makalah agar menjadi lebih baik lagi.

            Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin masih banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat mengharapkan saran dan kritik yang membangun dari pembaca demi kesempurnaan makalah ini.

                                                                                    

   Jakarta, 12 Desember 2016

                                                                                              

                                                                                                           Penyusun Kelompok 5

ABSTRAKSI

ABSTRAK

KELOMPOK 5, KELAS 3KA13

TEKNOLOGI INFORMASI DAN SISTEM INFORMASI

Makalah Pengetahuan Teknologi Sistem Cerdas, Universitas Gunadarma, 2016

Kata Kunci : Algoritma Genetika, Evolusi Computing

Pokok pembahasan dalam makalah ini adalah menjelaskan perkembangan sistem informasi dan teknologi informasi dalam bidang transportasi. Pada proses pembuatannya dibutuhkan rancangan awal pembuatan makalah ini yang disajikan melalui pengertahuan tentang algorima genetika. Perkembang evolutionary computing sangat berpengaruh dalam kehidupan kita sekarang. Algoritma genetika yang merupakan salah satu bagian dari evolutionary computing merupakan salah satu metode untuk membantu dalam berbagai masalah dengan mencari solusi melalui pendekatan optimum. Dengan makalah ini, diharapkan memperbanyak pengetahuan tentang algoritma genetika.

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan. Lebih dari itu, komputer diharapkan dapat digunakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia baik dalam bidang pendidikan, kesehatan, industri, dan kehidupan sehari-hari sehingga peran komputer dan manusia akan saling melengkapi. Beberapa hal yang menjadi kekurangan manusia diharapkan dapat digantikan oleh komputer. Begitu juga dengan komputer yang tak akan berguna tanpa sentuhan manusia.

Dalam dunia komputer dan informatika adanya suatu ilmu dengan ide-ide untuk dapat membuat komputer menjadi lebih cerdas, ilmu tersebut dinamakan kecerdasan buatan (Artificial Intelligence). Pengertian dari Artificial Intelligence ini sendiri adalah bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia, dengan mengimplementasikannya dalam sebuah program.

Dalam Artificial Intelligence adanya istilah soft computing yaitu inovasi baru dalam membangun sistem cerdas dimana sistem ini memiliki keahlian seperti manusia pada domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika terjadi perubahan lingkungan. Untuk mengoperasikan soft computing perlu diketahui metodologi-metodologinya dimana salah satunya adalah Evolutionary Computing (optimasi) yang menggunakan Algoritma Genetika. Jadi dengan kata lain dapat dikatakan bahwa Algoritma Genetika merupakan evolusi/perkembangan dunia komputer dalam bidang kecerdasan buatan (Artificial Intelligence).

Algoritma Genetika terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan bahwa yang kuat adalah yang menang. Algoritma Genetika merupakan algoritma pencarian hasil terbaik yang berdasarkan atas perkawinan dan seleksi gen secara alami. Untuk lebih memahami tentang Algoritma Genetika, terlebih dahulu harus memahami konsep genetika (rekayasa genetika). Pengertian dari rekayasa genetika adalah penerapan genetikauntuk kepentingan manusia, kegiatannya melalui seleksi dalam populasi, penerapan mutasi buatan dan perkawinan silang antara individu yang satu dengan yang lainnya untuk menghasilkan individu baru.

Algoritma Genetika menggunakan istilah gen dalam menyimpan informasi, dimana gen merupakan struktur paling sederhana pada Algoritma Genetika. Solusi optimal direpresentasikan sebagai untaian gen yang disimpan dalam stukutur data yaitu kromosom. Kromosom merupakan material yang membawa bahan terwariskan dari gen.

Proses pencarian solusi dilakukan dengan cara melakukan operasi terhadap kromosom yaitu rekombinasi kromosom yang dilakukan dengan persilangan dan mutasi dengan tujuan untuk memperoleh kromosom anak. Hal ini juga telah menjelaskan tentang konsep genetika. Algoritma Genetika pertama kali dikembagkan oleh John Holland dari Michigan University pada tahun 1975 dengan tujuan untuk meneliti proses adaptasi dari sistem alam serta mendesain perangkat lunak yang memiliki kecerdasan buatan dengan mencontoh mekanisme sistem alam.  Algoritma Genetika banyak digunakan untuk proses optimasi.

1.2 Rumusan Masalah

Permasalahan yang dibahas dalam tugas akhir ini adalah  penerapan Algoritma Genetika untuk menyelesaikan masalah serta penjelasan teknik tentang Algoritma Genetika untuk menghasilkan rute terbaik yang optimal.

1.3 Tujuan Penelitian 

Memapakarman penjelasan tentang Algoritma Genetika dalam menyelesaikan masalah dan menjelaskan teknik-teknik dalam Algoritma Genetika.

BAB II

LANDASAN TEORI

2.1 Algoritma Genetika

Evolutionary  Algorithm  merupakan  terminologi  umum  yang  menjadi  payung bagiempat istilah : algoritma genetika (geneticalgorithm), pemrogramangenetika (genetic  programming),  strategi  evolusi  (evolution  strategies),  dan  pemrograman evolusi  (evolutionary  programming).  Tetapi,  jenis  evolutionary  algorithm  yang paling  populer  dan  banyak  digunakan  adalah  algoritma  genetika   (genetic algorithm).

Algoritma  genetika  merupakan  evolusi/  perkembangan  dunia  komputer dalam  bidang  kecerdasan  buatan  (artificial  intelligence).  Sebenarnya  kemunculan algoritma  genetika  ini  terinspirasi  oleh  teori  evolusi  Darwin  (walaupun  pada kenyatanya  teori  tersebut  terbukti  keliru)  dan  teori-teori  dalam  ilmu  biologi, sehingga  banyak  istilah  dan  konsep  biologi  yang  digunakan.  Karena  itu  sesuai dengan  namanya,  proses-proses  yang  terjadi  dalam  algoritma  genetika  sama dengan apa yang terjadi pada evolusi biologi.

Algoritma  genetika  merupakan  teknik  pencarian  nilai  optimum  secara stochastic  berdasarkan  mekanisme  seleksi  alam.  Algoritma  genetika  berbeda dengan  teknik  konvergensi  konvensional  yang  lebih  bersifat  deterministik. Metodenya  sangat  berbeda  dengan  kebanyakan  algoritma  optimasi  lainnya,  yaitu mempunyai ciri-cirinya sebagai berikut :

a.       Menggunakan  hasil  pengkodean  dari  parameter,  bukan  parameter  itu sendiri.

b.      Bekerja pada populasi bukan pada sesuatu yang unik.

c.       Menggunakan  nilai  satu-satunya  pada  fungsi  dalam  prosesnya.  Tidak mengunakan fungsi luar atau pengetahuan luar lainnya.

d.      Menggunakan fungsi transisi probabilitas, bukan sesuatuyang pasti.

2.1.1 Sejarah Singkat Algoritma Genetika

Awal  sejarah  perkembangan  dari  algoritma  genetika  (genetic  algorithm) dimulai  pada  tahun  1960.  Pada  waktu  itu,  I.  Rochenberg  dalam  bukunya  yang berjudul  “Evolution  Strategies”  mengemukakan  tentang  evolusi  komputer (computer  evolutionary)  yang  kemudian  dikembangkan  oleh  peneliti  lain. Algoritma  genetika  sendiri  pertama  kali  dikembangkan  oleh  John  Holland  pada tahun  1970-an  di  New  York  Amerika  Serikat  yang  dikembangkan  bersama  mahasiswa  dan  rekan-rekannya.  Hal  tersebut  bisa  dibuktikan  dengan  adanya  buku yang  dibuat  oleh  Holland  dengan  judul  “Adaptation  in  Natural  and  Artificial System” yang diterbitkanpada tahun 1975.

Lalu  tujuh  belas  tahun  kemudian,  John  Koza  melakukan  penelitian  suatu program  yang  berkembang  dengan  menggunakan  algoritma  genetika.  Program yang  dikenal  dengan  sebutan  metode  “Genetic  Programming”  tersebut  dibuat menggunakan  LISP  (bahasa  pemrogramannya  dapat  dinyatakan  dalam  bentuk parse  tree  yaitu  objek  kerjanya  pada  algoritma  genetika).  Sampai  sekarang algoritma  genetika  ini  terus  digunakan  untuk  memecahkan  permasalahan  yang sulit dipecahkan dengan menggunakan algoritma konvensional.

2.1.2    Aplikasi Algoritma Genetika

Sejak  pertama  kali  dirintis  oleh  John  Holland  pada  tahun  1960-an,  algoritma genetika  telah  dipelajari,  diteliti,  dan  diaplikasikan  secara  luas  pada  berbagai bidang.  Algoritma  genetika  banyak  digunakan  pada  masalah  praktis  yang berfokus pada pencarian parameter-parameter optimal. Hal ini membuat banyak orang mengira bahwa algoritma genetika hanya bisa digunakan  untuk  masalah  optimasi.  Pada  kenyataannya,  algoritma  juga  memiliki performansi yang bagus untuk masalah-masalah selain optimasi.

Keuntungan  penggunaan  algoritma  genetika  sangat  jelas  terlihat  darikemudahan  implementasi  dan  kemampuannya  untuk  menemukan  solusi  yangbagus  (bisa  diterima)  secara  cepat  untuk  masalah-masalah  berdimensi  tinggi. Algoritma  genetika  sangat  berguna  dan  efisien  untuk  masalah-masalah  dengan karakteristik sebagai berikut :

a.       Ruang masalah sangat besar, kompleks, dan sulit dipahami.

b.      Kurang  atau  bahkan  tidak  ada  pengetahuan  yang  memadai  untuk merepresentasikan masalah ke dalam ruang pencarianyang lebih sempit.

c.       Tidak tersedianyaanalisis matematikayang memadai.

d.      Ketika  metode-metode  konvensional  sudah  tidak  mampu  meyelesaikan masalah yang dihadapi.

e.       Solusi  yang  diharapkan  tidak  harus  paling  optimal,  tetapi  cukup  bagus atau bisa diterima.

f.       Terdapat batasan waktu, misalnya real time systematau sistem waktu nyata.

Algoritma  genetika  sudah  banyak  diaplikasikan  untuk  penyelesaian  masalah dan pemodelan dalam bidang teknologi, bisnis, dan entertainment, seperti :

1)      Optimasi

Algoritma  genetika  untuk  optimasi  numerik  dan  optimasi  kombinatorial seperti  Traveling  Salesman  Problem  (TSP),  perancangan  Integrated  Circuit  atau IC, Lob Shop Scheduling, optimasi video dan suara.

2)      Pemrograman Otomatis

Algoritma  genetika  telah  digunakan  untuk  melakukan  proses  evolusi terhadap  program  komputer  untuk  merancang  struktur  komputasional,  seperti cellular automatadan sorting network.

3)      Machine Learning

Algoritma  genetika  telah  berhasil  diaplikasikan  untuk  memprediksi  struktur protein,  dan  berhasil  diaplikasikan  dalam  perancangan  neural  networks (jaringan  syaraf  tiruan)  untuk  melakukan  proses  evolusi  terhadap  aturan-aturan pada  learning  classifier  system  atau  symbolic  production  system,  juga  digunakan untuk mengontrol robot.

4)      Model Ekonomi

Algoritma  genetika  telah  digunakan  untuk  memodelkan  proses-prosesinovasi dan pembangunan bidding strategies.

5)      Model Sistem Imunisasi

Algoritma  genetika  telah  berhasil  digunakan  untuk  memodelkan  berbagai aspek  pada  sistem  imunisasi  alamiah,  termasuk  somatic  mutation  selama kehidupan  individu  dan  menemukan  keluarga  dengan  gen  ganda (multi-gene families) sepanjang waktu evolusi.

6)      Model Ekologis

Algoritma  genetika  berhasil  digunakan  untuk  memodelkan  fenomena ekologis  seperti  host-parasite  co-evolutions,  simbiosis,  dan  aliran  sumber  daya dalam ekologi.

2.1.3        Proses Algoritma Genetika

Algoritma  genetika  adalah  algoritma  pencarian  yang  berdasarkan  pada mekanisme  sistem  natural  yakni  genetik  dan  seleksi  alam.  Dalam  aplikasi algoritma  genetik,  variabel  solusi  dikodekan  ke  dalam  struktur  string  yang merepresentasikan barisan gen,  yang merupakan karakteristik dari solusi problem. Berbeda  dengan  teknik  pencarian  konvensional,  algoritma  genetik  berangkat  dari himpunan  solusi  yang  dihasilkan  secara  acak.  Himpunan  ini  disebut  populasi.

Sedangkan  setiap  individu  dalam  populasi  disebut  kromosom  yang  merupakan representasi  dari  solusi.  Kromosom-kromosom  berevolusi  dalam  suatu  proses iterasi  yang  berkelanjutan  yang  disebut  generasi.  Pada  setiap  generasi,  kromosom dievaluasi  berdasarkan  suatu  fungsi  evaluasi.  Setelah  beberapa  generasi  maka algoritma  genetik  akan  konvergen  pada  kromosom  terbaik,  yang  diharapkan merupakan solusi optimal.

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 menghasilkangen 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  lebihbaik  lagi.  Meskipun  pada  kenyataannya  tidak  selalu  tercipta  gen  anak  yang  lebih baik  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  metoda  pencariannya  yang  lebih  optimal,  tanpa  terlalu  memperbesar  ruang pencarian.

Dalam  menyusun  suatu  algoritma  genetika  menjadi  program,  maka diperlukan beberapa tahapan proses, yaitu proses pembuatangenerasi awal, proses genetika, proses seleksi, dan pengulangan proses sebelumnya.

 

                                    Gambar Flowchart Proses Algoritma Genetika

Pada algoritma genetika ini terdapat beberapa definisi penting yang harus dipahami sebelumnya, yaitu :

a.       Gen

Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom

b.      Kromosom / Individu

Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.

c.       Populasi

Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.

d.      Fitness

Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan.

e.       Seleksi

Seleksi merupakan proses untuk mendapatkan calon induk yang baik.

f.       Crossover

Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

g.      Mutasi

Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.

h.      Generasi

Generasi merupakan urutan iterasi dimana beberapa kromosom bergabung.

i.        Offspring

Offspring merupakan kromosom baru yang dihasilkan.

Untuk menyelesaikan suatu permasalahan menggunakan Algoritma Genetika, perlu diketahui beberapa macam encoding guna menentukan operator crossover dan mutasi yang akan digunakan. Encoding tersebut tergantung pada permasalahan apa yang diangkat. Beberapa macam encoding akan dijelaskan di bawah ini :

1)      Binary Encoding

Encoding jenis ini sering digunakan. Kromosom dari binary encoding ini berupa kumpulan dari nilai biner 0 dan 1.

Contohnya:

Chromosome1 1101100100110110

Chromosome2 1101011000011110

Dalam Binary Encoding memungkinkan didapatkan kromosom dengan nilai allele yang kecil, tetapi kekurangannya tidak dapat digunakan untuk beberapa permasalahan dan terkadang diperlukan adanya koreksi setelah proses crossover dan mutasi. Salah satu permasalahan yang menggunakan encoding adalah menghitung nilai maksimal dari suatu fungsi.

2)      Permutation Encoding

Kromosom dari permutation encoding ini berupa kumpulan dari nilai integer yang mewakili suatu posisi dalam sebuah urutan. Biasanya digunakan pada permasalahan TSP (Travelling Salesman Problem).

Contohnya:

Chromosome 1 1 4 7 9 6 3 5 0 2 8

Chromosome 2 9 3 2 5 8 1 6 0 4 7

3)      Value Encoding

Kromosom dari value encoding berupa kumpulan dari suatu nilai, yang bisa berupa macam-macam nilai sesuai dengan permasalahan yang dihadapi, seperti bilangan real, char atau objek yang lain. Encoding ini merupakan pilihan yang bagus untuk beberapa permasalahan khusus, biasanya diperlukan metode khusus untuk memproses crossover dan mutasinya sesuai dengan permasalahan yang dihadapi.

Contohnya:

Chromosome 1 A B E D B C A E D D

Chromosome 2 N W W N E S S W N N

4)      Tree Encoding

Tree Encoding biasanya digunakan pada genetic programming. Kromosom yang digunakan berupa sebuah tree dari beberapa objek, seperti fungsi atau command pada genetic programming.

2.1.3.1 Membuat Generasi Awal

Pendefinisian individu merupakan proses pertama yang harus dilakukan dalam Algoritma Genetika yang menyatakan salah satu solusi yang mungkin dari suatu permasalahan yang diangkat. Pendefinisian individu atau yang biasa disebut juga merepresentasikan kromosom yang akan diproses nanti, dilakukan dengan mendefinisikan jumlah dan tipe dari gen yang digunakan dan tentunya dapat mewakili solusi permasalahan yang diangkat.

Proses pembuatan generasi awal dilakukan dengan membangkitkan populasi secara acak, dimana populasi tersebut berisi beberapa kromosom yang telah didefinisikan sebelumnya. Dalam proses ini perlu diperhatikan syarat-syarat yang harus dipenuhi untuk menunjukkan suatu solusi dari permasalahan dan jumlah kromosom yang digunakan dalam satu populasi. Jika kromosom yang digunakan terlalu sedikit, maka individu yang dapat digunakan untuk proses crossover dan mutasi akan sangat terbatas, sehingga menyia-nyiakan proses yang ada. Tetapi jika jumlah kromosom yang digunakan terlalu banyak, akan memperlambat proses algoritma genetika yang dilakukan. Jumlah kromosom yang dianjurkan lebih besar dari jumlah gen yang ada dalam satu kromosom, tetapi juga harus disesuaikan dengan permasalahan, apabila jumlah gennya terlalu banyak, tidak juga dianjurkan seperti itu.

Pertama, dibentuk sebuah populasi untuk sejumlah gen. Susunan gen ini terbentuk dari kromosom yang disusun membentuk suatu string. Nilai string dibentuk secara random dengan memilih setiap kromosom dengan kode tertentu secara random pada string. Setiap string didekodekan menjadi satu set parameter yang dapat mewakilinya. Parameter ini merupakan model numerik ruang permasalahan. Model numerik ini memberikan pemecahan berdasarkan masukan parameter.

Sebagai dasar kualitas pemecahan, setiap string diberi nilai fitness. Dengan nilai fitness tersebut, operasi genetika (kawin silang, dan mutasi) dipergunakan untuk menciptakan generasi baru string. Set string baru tersebut didekodekan dan dievaluasi lagi, sampai generasi string yang baru terbentuk kembali. Proses ini diulang-ulang sampai sejumlah inputan generasi dari user.

2.1.3.2 Proses Seleksi

Operasi seleksi dilakukan dengan memperhatikan fitness dari tiap individu, manakah yang dapat dipergunakan untuk generasi selanjutnya. Seleksi ini digunakan untuk mendapatkan calon induk yang baik, semakin tinggi nilai fitnessnya maka semakin besar juga kemungkinan individu tersebut terpilih. Terdapat beberapa macam cara seleksi untuk mendapatkan calon induk yang baik, diantaranya adalah seleksi roulette wheel, steady state, tournament dan rank. Proses seleksi yang biasa digunakan adalah mesin roulette (roulette wheel).

Beberapa penjelasan tentang keempat metode seleksi di atas adalah sebagai berikut :

1)      Roulette Wheel

Calon induk yang akan dipilih berdasarkan nilai fitness yang dimilikinya, semakin baik individu tersebut yang ditunjukkan dengan semakin besar nilai fitnessnya akan mendapatkan kemungkinan yang lebih besar untuk terpilih sebagai induk. Misalkan saja roulette wheel merupakan tempat untuk menampung seluruh kromosom dari tiap populasi, maka besarnya tempat dari roulette wheel tersebut menunjukkan seberapa besar nilai fitness yang dimiliki oleh suatu kromosom, semakin besar nilai fitness tersebut, maka semakin besar pula tempat yang tersedia. Ilustrasinya dapat digambarkan sebagai berikut :

 

2)      Steady State

Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan dengan mempertahankan individu yang terbaik. Pada setiap generasi, akan dipilih beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk, sedangkan kromosom-kromosom yang memiliki nilai fitness terburuk akan digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan terdapat beberapa populasi yang bertahan.

3)      Tournament

Dalam metode seleksi tournament sejumlah n individu dipilih secara acak dan kemudian menentukan fitnessnya. Kebanyakan metode seleksi ini digunakan pada binary, dimana hanya dua individu yang dipilih.

4)      Rank

Seleksi ini memperbaiki proses seleksi yang sebelumnya yaitu roulette wheel karena pada seleksi tersebut kemungkinan salah satu kromosom mempunyai nilai fitness yang mendominasi hingga 90% bisa terjadi, sehingga nilai fitness yang lain akan mempunyai kemungkinan yang sangat kecil sekali untuk terpilih. Sehingga dalam seleksi rank, dilakukan perumpamaan sesuai dengan nilai fitnessnya, nilai fitness terkecil diberi nilai 1, yang terkecil kedua diberi nilai 2, dan begitu seterusnya sampai yang terbagus diberi nilai N (jumlah kromosom dalam populasi). Nilai tersebut yang akan diambil sebagai presentasi tepat yang tersedia. Ilustrasinya dapat dilihat seperti pada gambar berikut :

 

2.1.3.3 Proses Regenerasi

Dalam proses regenerasi ini dilakukan tiga buah proses utama yang dipilih secara acak untuk setiap generasi. Namun pemilihan secara acak ini berdasarkan persentase tertentu. Ketiga proses tersebut adalah mutasi, kawin silang, atau reproduksi. Dari ketiga proses ini prosentase kemungkinan proses tersebut dijalankan terhadap suatu generasi adalah sama. Karena masing-masing proses mempunyai kemungkinan menghasilkan gen terbaik. Sekalipun dalam proses regenerasi tidak dibawa sifat gen induknya, namun ada kemungkinan menghasilkan gen terbaik. Kemudian dilakukan proses seleksi dan pengulangan proses regenerasi sejumlah generasi.

2.1.3.4 Proses Mutasi

Mutasi juga merupakan salah satu operator penting dalam algoritma genetika selain crossover. Metode dan tipe mutasi yang dilakukan juga tergantung pada encoding dan permasalahan yang diangkat. Berdasarkan encodingnya terdapat beberapa macam, diantaranya adalah sebagai berikut :

1)      Binary Encoding

Melakukan inversi pada bit yang terpilih, 0 menjadi 1 dan sebaliknya, 1 menjadi 0.

Contoh : 11001001 => 10001001

2)      Permutation Encoding

Memilih dua nilai dari gen dan menukarnya.

Contoh : ( 1 2 3 4 5 8 9 7 ) => ( 1 8 3 4 5 6 2 9 7 )

Beberapa operator mutasi telah diciptakan untuk representasi permutasi, seperti metode inversion, insertion, displacement, dan reciprocal exchange mutation.

a.       Inversion Mutation

Inversion mutation memilih dua posisi dalam sebuah kromosom dengan cara acak dan kemudian menginversikan substring di antara dua posisi tersebut.

b.      Insertion Mutation

Insertion Mutation memilih sebuah gen dengan cara acak dan memasukkan ke dalam kromosom dengan cara acak pula.

c.       Displacement Mutation

Displacement Mutation memilih sebuah sub/sekelompok gen dengan cara acak kemudian memasukkan ke dalam kromosom dengan cara acak.

d.      Reciprocal Exchange Mutation (REM)

Reciprocal Exchange Mutation memilih dua posisi secara acak, kemudian menukar dua gen dalam posisi tersebut.

3)      Value Encoding

Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan pada

salah satu gen dalam kromosom.

Contoh : ( 1.29 5.68 2.86 4.11 5.55 ) => ( 1.29 5.68 2.73 4.22 5.55 )

4)      Tree Encoding

Node yang terpilih akan diubah. Karena proses mutasi juga merupakan salah satu operator dasar dalam algoritma genetika, sehingga sama dengan crossover, mutasi juga memerlukan probabilitas dengan proses yang sama seperti pada probabilitas crossover. Individu dengan nilai probabilitas yang lebih kecil dari probabilitas yang telah ditentukan yang akan melewati proses mutasi. Nilai probabilitas mutasi ini menunjukkan seberapa sering gen tertentu dari kromosom yang telah diproses dengan crossover akan melewati mutasi. Jika tidak ada proses mutasi, maka offspring yang dihasilkan akan sama dengan hasil individu setelah proses crossover, tanpa ada perubahan sedikitpun. Proses mutasi ini biasanya dilakukan untuk mencegah terjadinya local optimum, proses mutasi ini sebaiknya tidak terlalu sering dilakukan karena proses algoritma genetika akan cepat berubah menjadi random search. Pada probabilitas mutasi, jika terlalu rendah akan mengakibatkan banyak gen yang berguna tidak sempat untuk dimanfaatkan dan jika terlalu besar akan menyebabkan offspring kehilangan sifat dari induknya dan tidak akan dapat memanfaatkan lagi proses evolusi alamiah.

2.1.3.5 Proses Kawin Silang

Proses kawin silang (crossover) adalah salah satu operator penting dalam algoritma genetika, metode dan tipe crossover yang dilakukan tergantung dari encoding dan permasalahan yang diangkat. Ada beberapa cara yang bisa digunakan untuk melakukan crossover sesuai dengan encodingnya yang dijelaskan sebagai berikut:

1)      Binary Encoding

a.       Crossover Satu Titik

Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya dari induk pertama digunakan dan sisanya dilanjutkan dengan nilai biner dari induk kedua.

Contoh :

11001011 + 11011111 = 11001111

b.      Crossover Dua Titik

Memilih dua titik tertentu, lalu nilai biner sampai titik crossover pertama pada induk pertama digunakan, dilanjutkan dengan nilai biner dari titik pertama sampai titik kedua dari induk kedua, kemudian sisanya melanjutkan nilai biner dari titik kedua pada induk pertama lagi.

Contoh :

11001011 + 11011111 = 11011111

c.       Crossover Uniform

Nilai biner yang digunakan dipilih secara random dari kedua induk.

Contoh :

11001011 + 11011101 = 11011111

d.      Crossover Aritmatik

Suatu operasi aritmetika digunakan untuk menghasilkan offspring yang baru.

Contoh :

11001011 + 11011111 = 11001001 (AND)

2)      Permutation Encoding

Memilih satu titik tertentu, nilai permutasi sampai titik crossover pada induk pertama digunakan lalu sisanya dilakukan scan terlebih dahulu, jika nilai permutasi pada induk kedua belum ada pada offspring nilai tersebut ditambahkan.

Contoh :

(123456789) + (453689721) = 12345689

3)      Value Encoding

Semua metode crossover pada binary crossover bisa digunakan.

4)      Tree Encoding

Memilih satu titik tertentu dari tiap induk, dan menggabungkan tree dibawah titik pada induk pertama dan tree di bawah titik pada induk kedua.

2.1.3.6 Kondisi Berhenti

Offspring merupakan kromosom baru yang dihasilkan setelah melalui prosesproses di atas. Kemudian pada offspring tersebut dihitung fitnessnya apakah sudah optimal atau belum, jika sudah optimal berarti offspring tersebut merupakan solusi optimal, tetapi jika belum optimal maka akan diseleksi kembali, begitu seterusnya sampai terpenuhi kriteria berhenti.

2.2 Perkembangan Metode Penjadwalan

Sekarang ini banyak ditemukan metode dan algoritma-algoritma yang dibuat untuk tujuan memecahkan persoalan-persoalan yang ada. Kemudian pada perkembangannya metode atau algoritma tersebut mulai diterapkan untuk memecahkan persoalan penjadwalan, antara lain algoritma semut atau Ant Colony Optimization (ACO) dengan pendekatan Max Min Ant System (MMAS), Taboo Search, dan teknik pewarnaan graf (Coloring Graph).

2.2.1 Ant Colony Optimization

Ant Colony Optimization (ACO) terinspirasi oleh koloni-koloni semut dalam mencari makan. Semut-semut tersebut meninggalkan zat (pheromone) di jalan yang mereka lalui. Algoritma ACO ini merupakan algoritma pencarian berdasarkan probabilistik berbobot, sehingga butir pencarian dengan bobot yang lebih besar akan berakibat memiliki kemungkinan terpilih yang lebih besar pula [6].

2.2.2 Tabu Search

Tabu Search adalah salah satu metode metaheuristik yang dipergunakan untuk memecahkan permasalahan-permasalahan optimasi global. Tabu Search merupakan suatu teknik optimasi yang menggunakan short-term memory untuk menjaga agar proses pencarian tidak terjebak pada nilai optimum lokal. Metode ini menggunakan Tabu List untuk menyimpan sekumpulan solusi yang baru saja dievaluasi. Selama proses optimasi, pada setiap iterasi solusi yang akan dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List untuk melihat apakah solusitersebut sudah ada pada Tabu List. Apabila solusi tersebut sudah ada, maka akan dievaluasi lagi pada iterasi berikutnya. Kemudian bila sudah tidak ada lagi solusi yang menjadi anggota Tabu List, maka nilai terbaik yang baru saja diperoleh merupakan solusi yang sebenarnya [1].

2.2.3 Coloring Graph

Teknik pewarnaan graf merupakan salah satu subjek yang menarik dan terkenal dalam bidang graf. Teori-teori mengenainya telah banyak dikembangkan dan berbagai algoritma dengan kelebihan dan kelemahan masing-masing telah dibuat untuk menyelesaikannya. Aplikasi dari teknik ini juga telah banyak diterapkan di berbagai bidang, salah satunya adalah membuat jadwal. Perencanaan jadwal disini khususnya diterapkan pada pekerjaan-pekerjaan atau hal-hal yang saling terkait, misalnya hal-hal yang berlangsung pada waktu yang sama, atau pekerjaan yang menggunakan sumber daya yang sama, dan sebagainya. Teknik pewarnaan graf akan membuat jadwal kerja yang dapat menghasilkan hasil yang maksimum dengan cara yang paling efisien .

BAB III

PENUTUP

3.1 Kesimpulan

Dari pembahasan  yang telah diuraikan  sebelumnya, dapat diambil suatu kesimpulan sebagai berikut, yaitu :

1.      Algoritma  genetika  menggunakan  cara  kerja  berdasarkan  pada  seleksi  dan  genetika alam,  mengikuti  prinsip  seleksi  alam  yaitu  “siapa  yang  kuat,  dia  yang  bertahan

(survive)”.

2.      Algoritma  genetika  memiliki  komponen  utama  yaitu  teknik pengkodean,  prosedur inisialisasi,  fungsi evaluasi, seleksi, operator genetika dan penetuan parameter.

3.      Algoritma  genetika  dapat  memberikan  solusi  untuk  pencarian  nilai  dalam  sebuah masalah optimasi.

4.      Pencarian  solusi  mendekati  optimal  dilakukan  dengan  melakukan  beberapa  kali proses  iterasi,  yaitu  evaluasi,  seleksi,  crossover  dan  mutasi  secara  berulang  sampai didapatkan solusi yang optimal..

3.2 Saran

Penyusun  menyarankan  untuk  pengembangan  makalah  selanjutnya  agar  disertai contoh aplikasi algoritma genetika dalam bahasa pemrograman tertentu   untuk mempermudah simulasi  serta  juga  menganalisis  dan  membandingkan  semua  algoritma  optimasi,  bukan hanya algoritma genetika.

REFERENSI

http://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jdptunikompp-gdl-ihsansani-15663

http://hendrik.staff.gunadarma.ac.id/Downloads/files/23066/algoritma-genetika.pdf

http://budi.blog.undip.ac.id/files/2009/06/algoritma_genetika.pdf

http://lecturer.eepis-its.edu/~entin/Kecerdasan%Buatan/Buku/Bab%207%20Algoritma%20Genetika.pdf