Anda di halaman 1dari 10

Pendekatan Algoritma Genetika dalam Menyelesaikan Model Fuzzy Goal Programming (Titin Isna Oes dan Miftahol Arifin)

PENDEKATAN ALGORITMA GENETIKA DALAM MENYELESAIKAN MODEL FUZZY GOAL PROGRAMMING


Titin Isna Oes dan Miftahol Arifin

ABSTRACT This paper has examined the use of genetic algorithms as a tool for the solution and analysis of multiple objective programming models. It has shown that multiple objectives can be effectively incorporated into the genetic algorithm framework. Various attributes of genetic algorithm can be exploited for this purpose. The randomised selection algorithm uses the random search aspect of the genetic algorithm in order to ensure that an appropriate solution can be found without directly summing or comparing any of the objectives.

1. Pendahuluan Pada lingkungan sistem global yang makin tidak dapat diprediksi, faktor ketidakpastian merupakan elemen penting yang harus diperhatikan sehingga pengunaan model matematis dalam proses optimasi pengambilan keputusan semakin lama semakin meningkat. Kompleksitas dalam sistem riil menuntut makin lengkapnya model dengan memperhatikan semua parameter yang ada. Bidang pemrograman multi kriteria terdiri dari sejumlah teknis dengan filosofi mendasar yang berlainan namun sama dalam pencapain tujuannya. Yaitu menyediakan solusi efektif terhadap pengambil keputusan yang dihadapkan pada suatu situasi di mana ada multi kriteria yang hendak dipenuhi. Teknik yang umum digunakan dalam menyelesaikan model multi kriteria adalah multiple objective programing models yang mencakup goal programming, compromise programming, pareto set generation methodes. Cara algoritmis yang umum dipakai untuk menyelesaikan permasalahan di atas adalah dengan menggunakan teknik optimalisasi konvensional versi adaptasi. Teknik tersebut mencakup metode simpleks untuk model linier, branch and bound technique, dan berbagai metode berbasis kalkulus dan metode lain pada model non-linier. Teknik-teknik ini efektif ketika menghadapi model yang jelas dan berperilaku baik namun akan kesulitan untuk model yang kurang jelas atau kompleks. Sebagai konsekuensinya, diperlukan sebuah pendekatan baru yang mampu memberikan efektifitas dalam menyelesaikan permasalahan optimasi. Pendekatan yang paling memungkinkan adalah algoritma genetika. Algoritma genetika berhasil digunakan untuk memecahkan banyak model sulit dari bidang optimalisasi. Algoritma Genetika (GA) merupakan sebuah teknik pencarian yang berusaha menyamai operasi-operasi genetika alami. GA secara simultan dapat mengevaluasi banyak titik yang ada dalam ruang lingkup parameter penelitian sekaligus dan kemudian mengarahkannya menuju nilai optimum global. Evaluasi ini dapat digunakan untuk persoalan yang menggunakan banyak fungsi tujuan (multi objective). GA tidak memerlukan asumsi tentang jenis ruang lingkup parameternya, apakah differentiable atau continuous. Di samping itu GA dapat mereduksi waktu siklus yang diperlukan dalam simulasi.

13

Jurnal Teknologi Industri Vol. V No. 1 Januari 2001 : 13-22

2. Goal Programming Goal Programming merupakan modifikasi atau variasi dari program linier dengan menggunakan struktur prioritas tujuan dan pembobotan. Struktur prioritas menentukan urutan tujuan-tujuan derajat preferensi untuk tujuan-tujuan yang berada pada level prioritas yang lebih tinggi akan dipenuhi dahulu sampai mencapai nilai yang mungkin tidak diperbaiki lagi. Istilah yang terdapat dalam Goal Programming (GP) adalah sebagai berikut : a. Objective Adalah suatu pernyataan yang menggambarkan keinginan dari pengambil keputusan. b. Tingkat Aspirasi Adalah nilai tertentu yang berhubungan dengan keinginan atau tingkat penerimaan dari sebuah obyektif. Jadi tingkat aspirasi digunakan sebagai ukuran pencapaian sebuah obyektif. c. Goal Hubungan antara obyektif dengan tingkat aspirasi disebut goal. d. Goal Deviation Adalah perbedaan antara yang hendak dicapai dengan yang didapat. Berkaitan dengan goal deviation di dalam GP, terdapat dua buah variabel deviasi yang menentukan kemungkinan penyimpangan negatif atau positif dari goal (Ignizio, 1982) yaitu : - Variabel deviasi negatif (d -) - Variabel deviasi positif (d+) Model umum GP dengan m tujuan dapat dirumuskan sebagai berikut : a = { [ d1- + d1+],.. [ dm- + dm+] } syarat ikatan : f i (x) = d1- - d1+ = bi i = 1,2,3.m + x,d ,d 0 di mana : a = Vektor fungsi variabel deviasi d= Vektor variabel negatif d+ = Vektor Variabel positif dm = Variabel deviasi negatif dm+ = Variabel deviasi negatif fi (x) = Fungsi tujuan ke-i bi = Target berkaitan dengan fungsi tujuan ke-I Persamaan di atas belum mempertimbangkan struktur prioritas di antara fungsi pengambil keputusan jika suatu pengambil keputusan menghadapai suatu persoalan dengan multiple goal dimana suatu tujuan saling bertentangan maka pengambil keputusan harus menentukan prioritas urutan berbagai tujuan yang telah ditentukan. Ignizio (1982) memperkenalkan konsep lexicographic minimum untuk menentukan optimalisasi solusi, maka model umum program goal dengan menggunakan k prioritas dinyatakan dengan menggunakan: Minimum secara lexicographic : a = {g1 [ d- + d+],.. gk[ d- + d+] } Sedemikian hingga : f i (x) = d1- - d1+ = bi i = 1,2,3.m x,d- ,d+ 0 di mana : dm- = Vektor variabel deviasi negatif
14

Pendekatan Algoritma Genetika dalam Menyelesaikan Model Fuzzy Goal Programming (Titin Isna Oes dan Miftahol Arifin)

dm+ = Vektor variabel deviasi negatif Konsep lexicograph minimum mendefinisikan solusi otimal sebagai berikut : jika diberikan barisan berurutan a yang terdiri dari elemen-elemen non negatif a k, maka solusi a (1) dinyatakan lebih baik daripada solusi a (2). Jika a (1) < a(2) atau solusi a (1) dinyatakan lebih tinggi atau lebih disukai daripada elemen a (1+i). Konsep ini sama dengan konsep preemptive priority yang diumumkan oleh Y. Ijiri (Ignizio,1982) bahwa setiap tujuan yang memiliki prioritas preemptive priority k (yang disimbulkan dengan Pk akan selalu lebih baik dari tujuan yang memiliki prioritas preemptive priority yang lebih rendah. 3. Formulasi Model Keputusan Fuzzy Goal Programming Pemaparan teori himpunan fuzzy untuk masalah goal programming pertama kali dikemukakan oleh Narasimhan (1980) dan Ignizio (1982). Secara komprehensif berbagai aspek teori keputusan dengan menggunakan pendekatan fuzzy goal programming didiskusikan oleh Rubin dan Narasimhan (1984) dan Tiwari et.al. (1986). Aplikasinya untuk pemodelan keputusan untuk berbagai aspek yang luas, misalnya untuk persoalan manajemen lingkungan. Ciptomulyono membahas untuk perencanaan produksi agregat, sementara Chang et.al. (1998) mengembangkan model fuzzy goal programming untuk manajemen operasional angkutan bus. Model fuzzy goal programming yang dikemukakan dalam tulisan ini menggunakan konsep Tiwari et.al. (1987) berupa model simple additive method. Pendekatan itu diadopsi dikarenakan kesamaan struktur keputusan dan kesederhanaannya dibandingkan model yang lain. Tiwari et.al. (1987) kemudian merumuskan persoalan fuzzy goal programming sebagai: Cari nilai X untuk memenuhi Gs (X) <gs atau Gs (X) > gs untuk s = 1,2,, m. s.t. AX b X 0 simbol < dan > menyatakan pertidaksamaan fuzzy kendala goal G s(X)< g, atau G s(X)>gs, dan G(X) merupakan fungsi goal dan gs adalah goal yang menjadi aspirasi pengambil keputusan. X adalah vector variabel keputusan dan AX b sebagai kendala sistem. Persamaan fuzzy kendala goal mewujudkan aspirasi yang bersifat imprecise. Model fuzzy ini perlu diubah ke dalam persamaan crips dengan mensubstitusikan fungsi tersebut pada fungsi keanggotaan fuzzy liniernya yang relevan. Fungsi keanggotaan fuzzy linier untuk fungsi kendala goal yang diformulasikan Tiwari et.al. adalah seperti berikut di bawah: 3.1. Untuk Problem Fungsi Kendala Fuzzy Goal (Gs (X) > gs : 1 Jika Gs(X) > gs i = Gs(X)- Ls gs - Ls 0

Jika Ls < Gs(X) < gs Jika Gs(X) > Ls

dimana Ls adalah batas toleransi aspirasi terendah yang ditetapkan subjektif oleh pengambil keputusan untuk fungsi kendala fuzzy goal Gs (X).

15

Jurnal Teknologi Industri Vol. V No. 1 Januari 2001 : 13-22

3.2. Untuk Problem Kendala Fuzzy Goal (Gs (X) < gs : 1 i = Us- Gs(X) us - gs 0 Jika Gs(X) < gs

Jika gs < Gs(X) < Us Jika Gs(X) > Us

di mana Us adalah batas tingkat aspirasi toleransi tertinggi yang ditetapkan subyektif oleh pengambil keputusan. Model keputusan yang dapat dibentuk adalah problem optimasi dalam bentuk linier programming biasa yang dapat diselesaikan dengan algorithma standar. Model memiliki fungsi objektif berkriteria tunggal yaitu maksimasi derajat keanggotaan us untuk keseluruhan aspirasi goal. Fungsi kendalanya bisa dalam bentuk crisp atau fuzzy. Misalnya untuk aspirasi goal: Gs(X) > gs diperoleh model keputusan sebagai berikut: Maximize V() = s S=1 s.t.

G s (X) Ls gs Ls AX b s 1
s = X, s

0, s = 1,2,., m.

4. Algoritma Genetika Sebuah algoritma genetika (GA) dapat dipakai sebagai algoritma probabilistik dengan intelegensi tinggi yang dapat diaplikasikan pada berbagai jenis kombinasi permasalahan optimasi. Dasar teori GA ini dibangun oleh Holland (1975). GA didasarkan pada seleksi alam dalam proses evolusi makhluk hidup. Individu yang mampu beradapatasi dengan lingkungan akan memiliki peluang hidup yang lebih besar dan melakukan reproduksi. Sedangkan yang tidak mampu akan tereleminasi. Kombinasi dari karakteristik-karakteristik yang bagus dari individu yang paling mampu beradaptasi ini akan direproduksi sehingga spesiesnya akan memiliki adaptasi yang semakin baik dan semakin mampu untuk bertahan. Proses GA dimulai dengan mengambil populasi awal dan menerapkan operasi-operasi genetika untuk membentuk generasi berikutnya. Setiap individu dalam populasi dianggap sebagai sebuah kromosom yang dapat mewakili sebuah solusi yang layak dari masalah yang dikaji. Individu yang mempunyai kecocokan yang tinggi memiliki kesempatan untuk direproduksi dengan cara menukarkan informasi genetiknya melalui crossover dengan individu lain tersebut. Setelah crossover melakukan mutasi gen untuk merubah beberap sifat gen tertentu secara non produksi. Keturunan yang dihasilkan dapat mengganti individu-individu yang memiliki fungsi kecocokan rendah (steady state approach). Siklus reproduksi- crossovermutasievaluasi ini berulang sampai ditemukannya sebuah solusi yang memuaskan (global optimum solution). Berikut ini adalah langkah dasar dari sebuah GA secara sederhana.

16

Pendekatan Algoritma Genetika dalam Menyelesaikan Model Fuzzy Goal Programming (Titin Isna Oes dan Miftahol Arifin)

generate an initial population; evaualte fitness of individual in the population; repeat; select parents from the population; recombine parents to produce children; evaluate fitness of the children; replace some or all of the population by the children; Until a satisfactory solution has been formed. Setelah memahami dasar algoritma genetika, maka apa yang diproses oleh GA? dan Bagaimana kita mengetahui apakah proses tersebut akan membawa kepada solusi optimal atau mendekatan solusi optimal pada suatu problem tertentu? Untuk menjawabnya maka kita perlu memahami informasi dari populasi String dan kaitannya dengan nilai fungsi obyektif yang mendukung proses pencarian. Mari kita perhatikan tabel yang berisi keempat String pada contoh perhitungan fungsi kecocokan F(x) = x2 Tabel 1. String dan fitness. String 01101 11000 01000 10011 Fitness 169 576 64 361

Dari Tabel 1. dapat dilihat bahwa suatu String yang sukses cenderung memiliki korelasi yang tinggi dengan String terdahulu yang telah mengalami sukses. Sebagai contoh pada tabel 1. Kesamaan gen perta (bernilai 1) pada String 2 dan String 4 memberikan indikasi yang kuat untuk diturunkan pada String berikutnya. Menurut Holland ( David E. Goldberg, 1989), schema adalah sebuah pola kesamaan yang menggambarkan sebuah himpunan bagian dari populasi String dengan kesamaan feature pada posisi tertentu. Untuk memudahkan pemahaman ditambahkan simbol * atau dibaca dont care yang berarti bahwa feature tersebut tidak berpengaruh dalam perhitungan dapat bernilai 0 atau 1. Dengan demikian sebuah schema tersusun atas angka { 0,1,*}. Kesamaan haruslah berbentuk nilai feature (atau disebut alele) yang sama 0 dengan 0 atau 1 dengan 1 pada posisi yang sama pula. Sebagai contoh skema *0000 mewakili 2 String {10000,00000}. Schema dengan n simbol * memiliki kesesuaian dengan 2n String. Orde suatu skema H, dinotasikan o(H) adalah feature yang bernilai tetap dalam skema. Sebagai contoh o(011*1**)=4 dan o(0****) = 1. Panjang definit skema H, dinotasikan (H) adalah jarak antara feature pertama yang bernilai tetap dengan feature terakhir yang bernilai tetap. Sebagai contoh (011*11**) = 5-1 = 4 dan (1****)=1-1 = 0. Representasi skema H orde skema o(H) dan panjang skema (H) digunakan untuk memahami pengaruh operator reproduksi, crossover dan mutasi terhadap sebuah skema. 4.1. Pengaruh Reproduksi terhadap Schema H Pengaruh reproduksi dengan mudah untuk ditentukan. Misal, pada generasi t ada sejumlah m String yang mewakili suatu skema H, m = m(H,t). Peluang suatu String Ai terpilih adalah pI = ft / fj. Jika reproduksi terjadi pada populasi sejumlah n, maka pertumbuhan skema pada
17

Jurnal Teknologi Industri Vol. V No. 1 Januari 2001 : 13-22

generasi berikutnya adalah :

m( H , t + 1) = m( H , t ) n = m( H , t ) f (H ) f

f (H ) f

Di mana : f(H) = rata-rata suaian dari String yang mewakili skema H pada generasi t f = rata-rata suaian populasi Dari persamaan diatas diketahui bahwa pertumbuhan schema adalah berbanding lurus dengan perbandingan antara rata-rata suaian schema dengan rata-rata suaian populasi. Diumpamakan suatu skema berada diata rata-rata duaian populasi sebesar c f ( c -= constanta ) dan dengan mengasumsikan nilai c konstan, maka pada t = 0 persamaan diatas dapat ditulis menjadi : M(H,t) = m(H,0) (1+c)t Persamaan diatas menunjukkan suatu fungsi eksponensial, sehingga dapat disimpulkan bahwa proses reproduksi menurunkan skema ke generasi berikutnya secara eksponensial. 4.2. Pengaruh Crossover terhadap Schema H Crossover merupakan proses pertukaran gen-gen antar individu dalam suatu populasi. Untuk melihat pengaruh crossover terhadap schema , dapat diperhatikan suatu String A, dengan panjang 7, dan dua schema yang mewakili String A berikut ini : A H1 H2 =01 1|1000 =*1 *|***0 =** *|10**

Pada String A crossover dapat terjadi pada 6 tempat (l-1 = 7-1 = 6). Misalkan Crossover terjadi antara feature 3 dan feature 4 maka schema H1 akan rusaj karena nilai 1 pada urutan kedua dan nilai 0 pada urutan ketujuh akan diturunkan pada dua individu baru yang berbeda , sedangkan schema H2 akan menurunkan nilai 1 pada urutan ke empat dan nilai 0 pada urutan kelima pada suatu individu baru. Jika pemilihan tempat crossover berdistribusi seragam, maka peluang H1 rusak adalah pd = (H)/(l-1) = 5/6 atau dengan kata lain peluang hidupnya adalah ps= 1- pd = 1/6. Begitu pula H2, peluang rusaknya = 1/6 atau peluang hidupnya p s = 5/6. Karena crossover terjadi dengan peluang ps , maka peluang suatu schema hidup adalah :

p 1 p ( H ) / l 1
Dengan mengasumsikan reproduksi dan crossover saling independen, pengaruh kedua faktor tersebut dapat dikembangkan berdasarkan persamaan di atas. 5. Contoh Penerapan Di dalam contoh ini diasumsikan bahwa perbandingan langsung atau sumasi tambahan dari objektif tidak diperbolehkan. Kepentingan relatif dari objektif diketahui a priori. Model non-linier dengan tiga objektif dan tiga variabel keputusan diberikan sebagai berikut :
18

Pendekatan Algoritma Genetika dalam Menyelesaikan Model Fuzzy Goal Programming (Titin Isna Oes dan Miftahol Arifin)

Fungsi tujuan Max z1 = -a1 2 2a 2 2 a 3 2 Max z2 = a1 a 2 a 32 Max z1 = a1 + a 2 a 3 Subject to a 1 + a 2 + a3 4 a1 , a2 , a3 0 Mengingat fungsi tujuan terdiri dari tiga tujuan, maka perlu diberikan sebuah nilai pembobotan prioritas terhdap ketiga fungsi tujuan tersebut. Bobot a priori untuk objektif diberikan dengan w1 = 1/6 ; w2 = 1/3 ; w3 = Jumlah ketidakmungkinan (infeasibility ) f(x) diberikan dengan : f(x) = Max(a1 + a 2 + a3 4,0) Untuk menyelesaikan model ini dengan menggunakan algoritma genetik, harus direncanakan sebuah pengkodean genetik. Kisaran dari masing-masing tiga variabel tersebut ditentukan antara 0 dan 4 dengan kawasan yang memungkinkan. Ketika variabelnya 5 berkesinambungan, tingkat akurasinya harus diberikan. Karena itu diasumsikan bahwa 2 poin terletak antara 0 dan 4, yang akan memberikan akurasi sekitar 10-4. Jumlah poin dipilih secara tepat untuk memastikan penentuan algoritma genetik yang efisien. Jadi pengkodean 45 bit diberikan pada tiga variabel keputusan. Kode algoritma genetik yang digunakan untuk menyelesaikan model ini adalah versi modifikasi kode yang didasarkan pada software GASS 99. Kode GA digunakan dengan parameter berikut: - Ukuran populasi = 50 - Probabilitas crossover (pc) = 0,6 - Probabilitas mutasi (pm) = 0,01 - Jumlah generasi = 201 Dimana 201 merupakan jumlah generasi yang memadai untuk memungkinkan algoritma genetik bertemu, rangkaian pembatasan ditangani menggunakan pendekatan fungsi penalti. Penalti diukur sama besarnya dengan fungsi objektif yang diseleksi. Jadi ketiga fungsi kecocokan menjadi : z1+ 8f(x) z2+ 8 f(x) z3+ f(x). Sehingga diperoleh hasil : a 1 = 2.067 , a 2 = 1.787 , a 3 = 0.183 Hasil ini terletak pada a 1 + a 2 + a3 4 seperti yang diharapkan ketika objektif z2 dan z3 berlawanan dengan keterbatasan ini pada nilai ideal mereka. Nilai rata-rata permulaan (diseleksi acak) pada ketiga objektif dan persentasi populasi yang dimungkinkan diberikan pada tabel 2. Tabel 2. Statistik dari Populasi Akhir dan Awal. Objektif Initial Final z1 -20.988 -10.671 z2 7.805 0.716 z3 2.149 3.559 Persentase Feasible solution 18 % 88 %
19

Jurnal Teknologi Industri Vol. V No. 1 Januari 2001 : 13-22

Tabel ini juga menunjukkan rata-rata nilai akhir dari objektif. Ini diambil sebagai rata-rata pada empat generasi terakhir untuk mencegah bias terhadap objektif yang dipilih sebagai fungsi kecocokan ketika mengkonstruksi generasi akhir. Dari tabel 1. bisa dilihat bahwa populasi berhasil dituntun dari amat tidak mungkin mejadi amat mungkin dengan fungsi hukuman (penalty ). Nilai objektif pertama telah lebih baik. Nilainilai objektif kedua diturunkan untuk mencapai kemungkinan. Nilai objektif ketiga telah lebih baik, walaupun faktanya nilai ideal untuk fungsi ini tidak mungkin. Ini mencerminkan fakta bahwa objektif ketiga memiliki bobot paling tinggi dan lebih sering dipilih sebagai fungsi kecocokan. 6. Kepekaan Parameter Dari contoh diatas jelas bahwa secara teoritis GA memiliki potensi yang baik untuk menghasilkan solusi bagi model pemrogram dengan multi kriteria. Namun salah satu masalah yang dihadapi dalam kenyataanya adalah bahwa GA memiliki parameter kontrol yang lebih besar dibandingkan dengan metode solusi berbasis simplek klasik. Dengan demikian maka perlu dilakukan pengendalian terhadap parameter GA yang mencakup : - Penggunaan Elitism (bernilai on, off) - Elitism adalah mekanisme yang menjamin agar individual terbaik didalam suatu generasi dibawa ke generasi selanjutnya. - Probabilitas crossover pc (Nilai : 0.5; 0.55 ; 0.6 ) - Probabilitas mutasi pm (Nilai : 0.01; 0.02; 0.04) - Besarnya atau ukuran populasi ( Nilai : 31 ; 51 ; 101 ) Nilai yang diberikan pada paramter ini mewakili kisaran nilai sebagaimana yang dianjurkan oleh Mitsuo (1986). Jadi rangkain parameter yang dipilih harus mampu memberikan solusi yang baik agar nilai optimalnya tercapai. Kepekaan parameter bertujuan untuk menunjukkan paramater apa yang paling peka dan parameter mana yang harus diperhatikan oleh pengguna. Sebagai contoh gambar 6.1. menunjukkan variasi penyimpangan persentase pada tiap faktor ada kisaran paramaternya.
16 14 12 10 8 6 4 2 0 0 10 Bobot 20 30

Gambar 6.1. Variasi penyimpangan dari ukuran populasi. Pada gambar 6.1. menunjukkan semakin tinggi ukuran populasi mengarah kepada kenaikan penyimpangan yang signifikan dan probabilitas yang sangat rendah. Kasus parameter ini jelas menunjukkan bahwa algoritma genetika peka setidaknya terhadap satu parameter sehingga perlu diwaspadai dalam pemanfaatanya pada multi kriteria obyektif.

20

Persentase

Pendekatan Algoritma Genetika dalam Menyelesaikan Model Fuzzy Goal Programming (Titin Isna Oes dan Miftahol Arifin)

7. Kesimpulan Penelitian ini dilakukan untuk meneliti pemanfaatan algoritma genetik sebagai alat untuk solusi dan analisis model fuzzy goal programming. Ini menunjukkan bahwa multi kriteria bisa dimasukkan secara efektif ke dalam kerangka algoritma genetik. Berbagai atribut algoritma genetik bisa dieksploitasi untuk keperluan ini. Algoritma seleksi acak menggunakan aspek pencarian acak dari algoritma genetik untuk memastikan bahwa solusi yang tepat bisa diketahui tanpa menjumlahkan atau membandingkan secara langsung salah satu dari objektif-objektif tersebut. Penggunaan proses acak memungkinkan diperolehnya solusi model dengan susunan preferensi leksikografis. Jadi terlihat bahwa semua jenis model multi kriteria bisa ditangani secara efektif dengan algoritma genetik. Ada kemungkinan bagi riset mendatang yang bekenaan dengan penggunaan metode genetik hybrida dan konsep pemantapan penghalusan solusi yang dihasilkan yang lebih baik. Banyaknya solusi yang dihasilkan di tiap generasi algoritma genetik juga harus mengarah pada kemajuan di bidang pemrograman multi kriteria yang interaktif.

21

Jurnal Teknologi Industri Vol. V No. 1 Januari 2001 : 13-22

Daftar Pustaka Beasley, J.E. et all., 1997. A genetic algorithm for multidimensional knapsack problem, The Manajement School, Imperial Colleges Lournal. London Gen, Mitsuo, 1994, A Genetic Algorithms & Engineering Design, John Willey & Sons Inc. New York. Goldberg, David E, 1989, Genetic Algorithm in search, Optimazation and Machine Learning, Reading Massachusetts , Addison Wesley Publshing Company, Inc. Ignizio,James, 1982, Liniear progranmming in single objectives and multiple obyektive system, Prentice Hall. Jones, D.F., Tamiz,1998, Investigation into theIncorporaration and Use of Multiple Objectives in Genetic Algorithms, University of portsmouth, UK. Tamiz, Mehrdad.,1998., Goal Programing for decision making : An Overview of the curren state of the art, European journal of operation research Udisubakti, W., 2000, Fuzzy goal programing Model for Determining Weights in the Analytic Hierarchy Process (AHP), Wahana Komunikasi Sains Indonesia, France.

22