Sukses Beralgoritma

SUKSES BERALGORITMA
SRY WAHYUNI
Sukses beralgoritma 2012

i
KATA PENGANTAR

Puji dan syukur penulis panjatkan ke kehadirat Tuhan Yang Maha Kuasa, karena atas
berkat dan rahmat-Nyalah sehingga penulis dapat menyelesaikan penulisan buku ini
dengan judul Sukses Beralgoritma.
Buku ini merupakan pengalaman yang sangat berharga, meskipun dalam
penyusunannya menemui banyak hambatan dan masih terdapat banyak kekurangan di
dalamnya. Kritik dan saran sangat diharapkan untuk kesempurnaan buku ini.
Dengan segala kerendahan dan ketulusan hati penulis ucapkan terima kasih yang
begitu besar kepada Tuhan Yesus Kristus yang telah membimbing dan menyertai
penulis untuk tetap sabar dan setia dalam penulisan buku ini bahkan selama
perkuliahan. Tak lupa juga trima kasih yang sebesar-besarnya kepada semua pihak
khususnya dosen yang senantiasa mendukung penulis selama proses perkuliahan.
Dalam kesempatan ini pula penulis menyampaikan rasa syukur dan terima kasih
atas segala bantuan, kerja sama dan dukungan selama ini sehingga penulis dapat
mencapai kesuksesan menyelesaikan penyusunan buku ini.
Penulis menyadari bahwa buku ini masih jauh dari kesempurnaan sehingga saran
dan masukan yang sifatnya membangun dari semua pihak sangat saya hargai. Akhir kata
penulis menaruh harapan besar semoga buku ini dapat memberikan manfaat bagi
semua pihak.

Makassar, Oktober 2012

Penulis


ii
DAFTAR ISI

KATA PENGANTAR. i
DAFTAR ISI ...................................................................................... ii
TENTANG PENULIS...................................................................... iii
BAB I PENGANTAR ALGORITMA
A. DEFINISI ALGORITMA .................................................. 2
B. DESAIN ALGORITMA .................................................... 2
C. ANALISIS ALGORITMA.... 4
BAB II PERANCANGAN ALGORITMA
A. MASALAH PENCARIAN DATA.................................. 6
B. PENCARIAN BISEKSI (BAGI-DUA).......................... 8
C. BINARY SEARCH TREE (BST).................... 12
BAB III ALGORITMA MERGE SORT
A. MERGE SORT................................................................... 16
B. RECURRENCE ................................................................ 22
BAB IV STRATEGI ALGORITMA (I)
A. METODE GREEDY ........................................................ 28
B. DYNAMIC PROGRAMMING ................................... 30
BAB V STRATEGI ALGORITMA (II)
A. ALGORITMA METAHEURISTIK................................ 38
B. ALGORITMA GENETIKA................................... 39
C. JARINGAN SYARAF TIRUAN 53
DAFTAR PUSTAKA............................................... 59


iii

TENTANG PENULIS

Sry Wahyuni lahir di Makale, 22 Januari 1993. Putri ketiga
pasangan Eliusat Loly Orpha Saranga ini tengah menempuh
pendidikan di Universitas Hasanuddin, Prodi statistika, Jurusan
Matematika, Fakultas MIPA. Alumni SMAN 1 Makale ini memulai
pendidikannya di Unhas semenjak tahun 2011. Kini ia berada di
tahun kedua (semester 3). Dengan memiliki visi-misi dan konsentrasi
hidup yaitu hidup sukses , ia menulis buku ini dengan judul sukses
beralgoritma. Harapan agar setiap orang mendapatkan terobosan
pemahaman yang sangat bermakna ketika setiap orang membaca
buku ini. Ini adalah buku pertama yang ia tulis disertakan harapan
agar boleh menginspirasi setiap orang yang ingin belajar algoritma.
Sry Wahyuni terlahir dari keluarga sederhana dan bahagia.
Dengan kasih sayang orang tua yang membesarkannya, ia sekarang
tumbuh menjadi seorang mahasiswa yang diharapkan dapat
mengharumkan nama keluarga tercinta. Gadis periang ini juga
diberkahi kasih sayang dari dua pria penyayang di sisinya. Sebut saja Ellya dan Melky,
dua orang kakak yang juga turut mengambil bagian dalam perjalanan kehidupannya
menuju kedewasaan , kebahagiaan dan kesuksesan. Akhir kata, penulis mengungkapkan
kebahagian atas segala pengalaman yang ia rasakan selama penulisan buku ini.
Selamat membaca.
Yeshua Hamasiah Bless.
Cheers


1

BAB 1
PENGANTAR ALGORITMA


2
A. DEFINISI ALGORITMA
Prosedur komputasional yang terdefinisi dengan baik yang membutuhkan nilai
(atau himpunan nilai) sebagai input dan menghasilkan nilai (atau himpunan nilai)
sebagai output
Alat bantu (tools) menyelesaikan masalah komputasional yang terdefinisi dengan
baik (well-defined computational problem)
Metode penyelesaian yang logis dan wajib benar (correctness) sesuai keinginan
masalah (desired solution)

B. DESAIN ALGORITMA
Pseudocode: Kode untuk memudahkan pemahaman algoritma yang dapat
ditransformasi kedalam berbagai Bahasa Pemrograman.
Kompleksitas algoritma: Analisis kebutuhan dari algoritma, khususnya waktu
komputasi dan kapasitas memory.
Strategi algoritma: Perancangan kadang membutuhkan strategi perancangan
algoritma tertentu. Dalam kuliah ini: Greedy algorithm, divide-and-conquer,
dynamic programming dan strategi-strategi algoritma meta-heuristik untuk
masalah optimisasi.

Ketentuan pseucode:
Indent menyatakan struktur blok.
Statemen perulangan dikonstruksi dengan while, for dan repeat.
Statemen penyeleksian kondisi/syarat dikonstruksi dengan if, then dan else.
Simbol ^ menyatakan komentar untuk statemen baris-baris berikutnya.
Penugasan berganda (multiple assignment) i j e menyatakan
penugasan/pemberian nilai e kedalam i dan j; pernyataan ini ekivalen dengan i
j lalu diikuti j e.

Alogritma Insertion-Sort
Insertion-Sort(A)
<> perulangan untuk patokan
1. for to
2. key
3. <> Sisip A[j] ke dalam barisan terurut A[1..j-1]
4.
5. while
6.
7.
8.


3
Contoh kasus pengurutan data:
Barisan bilangan A (31,41,26,35). Urutkan data dari terkecil ke terbesar!

Untuk j = 2 to 4
(j=2) -> key=A[2]=41
i=2-1=1
ketika ( i=1 > 0 A[2] > key=41)
T F

A[2]=key

(j=3) -> key=A[3]=26
i=3-1=2
ketika ( i=2 > 0 A[2] > key=26)
T T

26
A[3]=A[2]

i=2-1=1
ketika ( i=1 > 0 A[1] > key=26)
T T
A[2]=A[1]

26

(j=4) -> key=A[4]=35
i=4-1=3
ketika ( i=3 > 0 A[3] > key=35)
T T

35
A[4]=A[3]

i=3-1=2
ketika ( i=2 > 0 A[2] > key=35)
T F

31 41 26 35
31 41 41 35
31 31 41 35
26 31 41 41
26 31 35 41

4
A[3]=key

i=2-1=1
ketika ( i=1 > 0 A[1] > key=35)
T F
A[3]=key

(j=5) -> key=A[5]
(proses berhenti karena tidak ada A[5])

C. ANALISIS ALOGRITMA
Kasus Terbaik
Suatu alogritma dikatakan kasus terbaik pada saat statementnya atau
pernyataannnya terpenuhi dan t = 1. Laju komputasinya dalam fungsi linier.

Kasus Terburuk
Suatu alogritma dikatakan kasus terburuk pada saat statementnya atau
pernyataannnya tidak terpenuhi dan t = 0. Laju komputasinya dalam fungsi
kuadratik.

26 31 35 41

5

BAB 2
PERANCANGAN ALGORITMA


6
A. MASALAH PENCARIAN DATA

Searching problem
Input : Barisan n bilangan asli (a1, a2, , an) dalam larik A dan sebuah bilangan
key yang ingin dicari.
Output : Lokasi key dalam A. Jika key tidak ditemukan dalam A, tambahkan key
sebagai unsur terakhir.

Contoh:
Input barisan bilangan: A = (31, 41, 59, 26, 41, 58) dan key = 26.
Algoritma pencarian (searching algorithm), output menghasilkan posisi key adalah 4.

Pencarian Linier
Linear-Search(A, key)

cost times
1 ada False c1 1
2 for i 1 to
length[A]
c2 n + 1
3 if A[i] = key then c3 n
4 posisi i c4
=
n
i
i
t
1

5 ada True c5
=
n
i
i
t
1

6 if not(ada) then c6 1
7 posisi length[A] +
1
c7 s
8 A[posisi] data C8 S
) 3 2 ( 2 2 ) (
1
+ + + =

=
s t n n T
n
i
i

ada False
Pernyataan ini ditentukan di awal, yakni merupakan penentu pada kondisi awal.
Bagian ini di proses sebanyak 1 kali. Karena hanya satu kali ditentukan pada bagian
awal.
for i 1 to length[A]
Di sini length[A]=n.
Pada bagian ini, akan diproses sebanyak n+1, karena data yang ada sebanyak n, dan 1
untuk mengecek kembali, apakah i yang selanjutnya masih memenuhi length [A],
dengan kata lain bahwa sudah tidak ada unsur setelah n.
if A[i] = key then
Waktu komputasinya sebanyak n. Karena ada n data yang akan di uji apakah nilainya
sama dengan key.

7
posisi i
Waktu komputasinya adalah
=
n
i
i
t
1
.
dimana nilai t sangat tergantung pada n (jumlah
/ panjang data) yang terkesekusi. Apabila i=1 maka
, jika i = 2 maka
dan
seterusnya sampai banyaknya data.
ada True
Untuk pernyataan di atas terlihat bahwa tereksekusi sebanyak
dimana nilai t
juga tergantung pada n yang tereksekusi dan bernilai benar.
if not(ada) then
Pernyataan di atas akan tereksekusi sebanyak 1 kali, karena merupakan kondisi
awal juga, ketika key tidak ditemukan pada barisan data yang tersedia.
posisi length[A] + 1
Pernyataan di atas akan tereksekusi sebanyak s kali. Dalam hal ini, s adalah sebuah
variabel bebas. Pernyataan ini akan dieksekusi apabila key yang dicari tidak
ditemukan dalam barisan bilangan. Namun jika key ada, maka pernyataan ini akan
dilangkahi.
A[posisi] data
Pernyataan di atas juga akan tereksekusi sebanyak s kali. Pernyataan ini merupakan
lanjutan dari pernyataan di atasnya. Jika pernyataan di atas tereksekusi sebanyak s
kali maka pernyataan ini juga akan turut tereksekusi.

KASUS TERBAIK DAN KASUS TERBURUK
a) Kasus Terburuk: Semua unsur dalam larik A sama dengan key. (Dalam hal ini,
n t
n
i
i
=
=1
dan s = 0)
Untuk kasus terburuk terjadi ketika
.
Contohnya:
Diberikan data 23,23,23,23 dengan Key=23
Setiap unsur akan mengeksekusi setiap pernyataan berulang-ulang sebanyak n.
3 4 ) 3 2 ( 2 2 ) (
1
+ = + + + =

=
n s t n n T
n
i
i

b) Kasus Terbaik: Tidak terdapat satu pun unsur dalam larik A sama dengan key.
(Dalam hal ini, 0
1
=
=
n
i
i
t dan s = 1)
Dalam hal ini, semua data akan dieksekusi sebanyak satu kali. Namun key yang dicari
tidak ditemukan dalam barisan data. Misalnya A = 23, 45, 67, 87 dan key = 90 maka
sintaks-sintaks akan di proses hingga terakhir.
5 2 ) 3 2 ( 2 2 ) (
1
+ = + + + =

=
n s t n n T
n
i
i


8
CONTOH
A = (31, 41, 59, 26, 41, 58) , Key = 26

URAIAN PSEUCODE:
ada False

for i 1 to length[A]
karena length [A]=6, maka akan menjadi for i=1 to 6

for i 1 to 6
if A[i] = key
if 31 = key (FALSE)
then
Karena pernyataan if 31 = Key bernilai FALSE maka eksekusi dilanjutkan

for i 2 to 6
if A[i] = key
if 41 = key (FALSE)
then
Karena pernyataan if 41 = Key bernilai FALSE maka eksekusi dilanjutkan.

for i 3 to 6
if A[i] = key
if 59 = key (FALSE)
then
Karena pernyataan if 59 = Key bernilai FALSE maka eksekusi dilanjutkan

for i 4 to 6
if A[i] = key
if 26 = key (TRUE)
then
posisi 4

ada True
Karena pernyataan if 26 = Key bernilai TRUE maka eksekusi dihentikan pada posisi
A[4], Sehingga output akan menghasilkan posisi key adalah 4.

B. PENCARIAN BISEKSI (BAGI-DUA)
Metode pencarian bagidua atau pencarian biner (binary search). Metode ini
digunakan untuk kebutuhan pencarian dengan waktu yang cepat. Prinsip metode ini
adalah membagi dua data. Kemudian data dicari secara bersamaan dari dua sisi, yakni

9
dari depan dan belakang. Hal ini dimaksudkan agar waktu komputasi lebih cepat dan
efisien.

Bisection-Search(A, key) cost
times
1 ada False c
1
1
2 for i 1 to length[A]
/2(
c
2
n + 1
3 if A[i] = key then c
3
n
4 posisi i
c
4

=
2
1
n
i
i
t
5 ada True
c
5

=
2
1
n
i
i
t
6 if A[n i + 1] = key
then
c
6
n
7 posisi n i + 1
c
7

=
2
1
n
i
i
p
8 ada True
c
8

=
2
1
n
i
i
p
9 if not(ada) then c
9
1
10 posisi length[A] + 1 c
10
s
11 A[posisi] data c
11
s
) 3 2 ( 2 2 ) (
2 2
1 1
2
3
+ + + + =

= =
s p t n n T
n n
i
i
i
i

ada False
Pernyataan ini ditentukan di awal, yakni merupakan penentu pada kondisi awal.
Bagian ini di proses sebanyak 1 kali. Karena hanya satu kali ditentukan pada bagian
awal.
for i 1 to length[A] /2(

Pernyataan ini akan tereksekusi sebanyak 1/2 n+1. Maksudnya adalah tereksekusi
sebanyak n
(Jumlah/panjang data dibagi dua), dibagi dua agar dalam satu waktu
bisa dilakukan dua perintah sekaligus yaitu dari unsur paling depan dan belakang,
sedangkan + 1 untuk mengecek kembali bahwa
adalah unsur terakhir dari

deret tersebut (tidak ada unsur lain lagi). Digunakan tanda ( ) pada for i 1 to
length[A] /2( artinya dilakukan pembulatan ke atas.

if A[i] = key then
Pernyataan ini akan tereksekusi sebanyak
, maksudnya adalah tereksekusi

sebanyak
(jumlah data/panjang data dibagi dua), dibagi dua agar dalam satu
waktu dapat dikerjakan dua perintah sekaligus. Dalam hal ini pernyataan di atas
merupakan perintah eksekusi unsur pada bagian depan.

10
posisi i
Pada pernyataan di atas terlihat bahwa tereksekusi sebanyak
dimana nilai t
sangat tergantung pada
(jumlah / panjang data dibagi dua) yang tereksekusi.

Dalam hal ini bukan nilai n pada awal melainkan n yang tereksekusi, misalnya dari
panjang
= 3 namun yang hanya terkeksekusi adalah
=2 maka running
timenya dapat di tulis

ada True
dimana nilai t juga tergantung

pada
yang tereksekusi dan bernilai benar, misalnya pada barisan 25,25,25,31

dan key=25 maka ada True akan tereksekusi sebanyak

if A[n i + 1] = key then
, maksudnya adalah tereksekusi

sebanyak
(jumlah data/panjang data dibagi dua), dibagi dua agar dalam satu
waktu dapat dikerjakan dua perintah sekaligus. Dalam hal ini pernyataan di atas
merupakan perintah eksekusi unsur pada bagian belakang.
posisi n i + 1
dimana nilai t sangat tergantung

pada
(jumlah / panjang data dibagi dua) yang terkesekusi.

Dalam hal ini bukan nilai
pada awal melainkan
yang tereksekusi,
misalnya dari panjang
= 3 hanya terkeksekusi
maka running
timenya dapat di tulis
.
ada True
dimana nilai t juga tergantung

pada
yang tereksekusi dan bernilai benar, misalnya pada barisan 21,21,21,31

dan key=21 maka ada True akan tereksekusi sebanyak
, karena
pada saat
=2 bernilai benar (ada True).

if not(ada) then
Pernyataan ini akan tereksekusi sebanyak 1 kali, karena merupakan kondisi awal
juga, ketika key tidak ditemukan pada barisan yang tersedia.
posisi length[A] + 1
Pernyataan ini akan tereksekusi sebanyak s, dalam hal ini tergantung pada
pernyataan di atas, jika pernyataan tersebut terpenuhi maka akan di eksekusi
sebanyak s.
A[posisi] data
Pernyataan ini akan tereksekusi sebanyak s, dalam hal ini jika pernyataan 9
terpenuhi makan pernyataan di atas juga dapat terpenuhi sehingga akan dieksekusi
sebanyak s.


11
CONTOH:
A= (31, 41, 59, 26, 41, 58) dan key = 26

URAIAN PSEUCODE:
ada False

for i 1 to length[A]/2
karena length [A]=6, maka akan menjadi for i=1 to 3

for i 1 to 3
(dari depan)
if A[1] = key then
if 31 = key then (FALSE)

(dari belakang)
if A[6] = key then

Karena pernyataan masih bernilai salah (ada False) maka eksekusi dilanjutkan.
for i 2 to 3
(depan)
if A[2] = key then

(belakang)
if A[5] = key then

Karena pernyataan masih bernilai salah (ada False) maka eksekusi dilanjutkan.
for i 3 to 3
(depan)
if A[3] = key then

(belakang)
if A[4] = key then
if 26 = key then (TRUE)

posisi 4
ada True

12
Karena pernyataan bernilai benar (ada True) maka eksekusi dihentikan pada posisi
A[4], sehingga output menghasilkan posisi Key adalah 4.

Kasus Terbaik Dan Kasus Terburuk
Kasus Terburuk: Semua unsur dalam larik A sama dengan key. (Dalam hal ini,
2
1
2
1
2 2
,
n
i
i
n
i
i
n n
p t = =

= =
dan s = 0)
Untuk kasus terburuk terjadi ketika

Kasus ini terjadi bila nilai dari larik A itu sama semua dengan key yang ditentukan.
Misalnya A = 36, 36, 36, 36 dan key = 36.
Maka setiap unsur
akan mengeksekusi semua unsur ini secara berulang sebanyak
.
3 ) 3 2 ( 2 2 ) (
2
7
1 1
2
3 2 2
+ = + + + + =

= =
n s p t n n T
n n
i
i
i
i

Kasus Terbaik: Terdapat tepat satu unsur dalam larik A sama dengan key. (Dalam
hal ini, 1 atau 1
2 2
1 1
= =

= =
n n
i
i
i
i
p t dan s = 0)
untuk kasus terbaik terjadi ketika

contoh kasus:
Diberikan barisan bilangan 21,31,41,51,61,71 dengan key = 61
Untuk unsur yang tidak sama dengan key yaitu i = 1 dan 3 (A[1],A[3],A[4],A[6] ) tidak
perlu mengeksekusi pernyataan. Namun langsung saja pada pernyataan, kecuali
untuk i = 2 (A[2],A[5]. Maka deperoleh
sehingga disebut
sebagai kasus terbaik.
5 ) 3 2 ( 2 2 ) (
2
3
1 1
2
3 2 2
+ = + + + + =

= =
n s p t n n T
n n
i
i
i
i

Dengan metode ini (bagi-dua) maka membuat waktu komputasi (running time)
pencarian data menjadi lebih cepat. Namun pengembangan alamiah hanya
mengurangi + + 1/8 + 1/16 dari jumlah data n.

C. BINARY SEARCH TREE (BST)
Struktur Data: Prosedur penyimpanan data dalam bentuk tertentu sedemikian
sehingga operasi dasar pada algoritma menjadi lebih efisien atau optimal.
Pohon biner adalah pohon yang setiap simpulnya memiliki anak paling banyak
berjumlah 2. Anak-anak tersebut dibedakan antara anak kiri (left child) dan anak
kanan (right child). Karena ada perbedaan urutan anak, maka pohon biner adalah
pohon terurut. Pohon biner merupakan jenis pohon yang paling populer karena
sering dimanfaatkan. Pohon biner memang memiliki banya aplikasi, misalnya dalam
sorting atau untuk menghitung hasil evaluasi suatu ekspresi aritmatika.

13
Metode Binary searh tree lebih memudahkan kita dalam masalah pencarian data,
dengan cara yang mudah yaitu bagi unsur ke dalam dua sisi, sisi kiri untuk unsur
yang lebih kecil sedangkan sisi kanan untuk unsur yang lebih besar.

Contoh kasus:
Diberikan barisan bilangan 36, 34, 35, 32, 38, 37, 39 dengan Key =37, tunjukan
dengan metode Binary Search Tree!
1. Di sini yang menjadi patokan adalah 36.
2. Masukkan angka yang lebih kecil untuk sisi kiri, dan angka yang lebih besar untuk
sisi kanan.

Mulailah melakukan pencarian data, mulai dari atas. Jika bilangan yang dicari lebih
kecil, maka cari ke arah (cabang) bagian kiri. Namun jika bilangan yang dicari lebih
besar, maka carilah ke arah kanan. Begitu selanjutnya sampai diperoleh key yang
dicari.

Diperoleh

Langkah 1: Karena key(37)>36, maka kita cari ke arah kanan

Langkah 2: Karena key(37)<38 maka kita cari ke arah kiri.

36
3
4
37
3
8
3
5
39
32
36
3
4
37
3
8
3
5
39
32

14

36
3
4
37
3
8
3
5
39
32

15

BAB 3
ALGORITMA MERGE SORT


16
A. MERGE SORT
Merge sort merupakan algoritma pengurutan dalam ilmu komputer yang
dirancang untuk memenuhi kebutuhan pengurutan atas suatu rangkaian data yang
tidak memungkinkan untuk ditampung dalam memori komputer karena jumlahnya
yang terlalu besar. Algoritma ini ditemukan oleh John von Neumann pada tahun 1945.
(id.wikipedia.org)

Divide, conquer, dan combine
Algoritma pengurutan data merge sort dilakukan dengan menggunakan cara
divide and conquer yaitu dengan memecah kemudian menyelesaikan setiap bagian
kemudian menggabungkannya kembali. Pertama data dipecah menjadi 2 bagian
dimana bagian pertama merupakan setengah (jika data genap) atau setengah minus
satu (jika data ganjil) dari seluruh data, kemudian dilakukan pemecahan kembali untuk
masing-masing blok sampai hanya terdiri dari satu data tiap blok. Setelah itu
digabungkan kembali dengan membandingkan pada blok yang sama apakah data
pertama lebih besar daripada data ke-tengah+1, jika ya maka data ke-tengah+1
dipindah sebagai data pertama, kemudian data ke-pertama sampai ke-tengah digeser
menjadi data ke-dua sampai ke-tengah+1, demikian seterusnya sampai menjadi satu
blok utuh seperti awalnya. Sehingga metode merge sort merupakan metode yang
membutuhkan fungsi rekursi untuk penyelesaiannya.

Algoritma Merge Sort ialah algoritma pengurutan yang berdasarkan pada strategi
divide and conquer.
Algoritma Merge Sort dilakukan dengan memenuhi kondisi sebagai berikut :
1.Untuk kasus n=1, maka table a sudah terurut sendirinya (langkah solve)
2. Untuk kasus n>1, maka :
a. DIVIDE: bagi table a menjadi dua bagian, bagian kiri dan bagian kanan, masing-
masing bagian berukuran n/2 elemen.
b. CONQUER: secara rekursif, terapkan algoritma D-and-C pada masing-masing
bagian.
c. MERGE: gabung hasil pengurutan kedua bagian sehingga diperoleh table a yang
terurut.

Dengan menerapkan kedua aturan diatas secara terus menerus maka nantinya akan
didapatkan list yang terurut. Pseudo Code untuk algoritma MergeSort adalah sebagai
berikut:


17
Untuk menyederhanakan perhitungan kompleksitas waktu MergeSort, kita membuat
asumsi ukuran tabel adalah perpangkatan dari 2, yaitu n=
dengan k adalah bilangan

bulat positif
. Kompleksitas waktu dihitung dari jumlah perbandingan dengan elemen-

elemen tabel.

T(n) = jumlah perbandingan pada pengurutan dua buah subtabel + jumlah perbandingan
pada prosedur Merge.

Kompleksitas prosedur Merge adalah t(n) = cn = O(n), sehingga kompleksitas algoritma
Merge Sort menjadi (dalam bentuk relasi rekurens):

{

(
)

dalam hal ini,a dan c adalah konstanta.

Penyelesaian persamaan rekurens:
T(n) =T(n/2)+cn
= 2(2T(n/4) + cn/2) + cn
= 4T(n/4) + 2cn
= 4(2T(n/8) + cn/4) + 2 cn
= ...
= 2k T(n/2k)+kcn

Divide and Conquer merupakan algoritma yang berprinsip memecah-mecah
permasalahan yang terlalu besar menjadi beberapa bagian kecil sehingga lebih mudah
untuk diselesaikan. Langkah-langkah umum algoritma Divide and Conquer :
Divide : Membagi masalah menjadi beberapa upa-masalah yang memiliki kemiripan
dengan masalah semula namun berukuran lebih kecil ( idealnya berukuran hampir
sama ).
Conquer : Memecahkan ( menyelesaikan ) masing-masing upa-masalah ( secara
rekursif ).
Combine : Menggabungkan solusi masing-masing upa-masalah sehingga membentuk
solusi masalah semula.

Merge sort pseucode
Merge-Sort(A, p, r):
if p < r then
q(p+r)/2
Merge-Sort(A, p, q)
Merge-Sort(A, q+1, r)
Merge(A, p, q, r)

18
if p < r then
Bagian ini di proses sebanyak O(1).

q(p+r)/2
Pernyataan ini akan dieksekusi sebanyak n/2. Karena data dibagi dua.

Merge-Sort(A, p, q)
Merge-Sort(A, q+1, r)
Pernyataan ini waktu komputasinya adalah T(n/2). Pada bagian ini merupakan proses
divide yaitu data dipecah (dibagi-bagi) hingga potongan terkecil.

Merge(A, p, q, r)
Pernyataan ini waktu komputasinya adalah O(n). Bagian ini merupakan proses combine,
yaitu data digabungkan kembali.

Contoh kasus:
Penyelesaian dengan dengan Divide and Conquer.
Misalkan tabel A berisi elemen-elemen sebagai berikut:
A= 4 12 23 9 21 1 35 2 24

Algoritma MinMaks:
1. Untuk kasus n = 1 atau n = 2,
SOLVE: Jika n = 1, maka min = maks = An. Jika n = 2, maka bandingkan kedua elemen
untuk menentukan min dan maks.
2. Untuk kasus n > 2,
a. DIVIDE: Bagi dua tabel A secara rekursif menjadi dua bagian yang berukuran sama,
yaitu bagian kiri dan bagian kanan.

19
b. CONQUER: Terapkan algoritma Divide and Conquer untuk masing-masing bagian,
dalam hal ini min dan maks dari tabel bagian kiri dinyatakan dalam peubah min1
dan maks1, dan min dan maks dari tabel bagian kanan dinyatakan dalam peubah
min2 dan maks2.
c. COMBINE: Bandingkan min1 dengan min2 untuk menentukan min tabel A.
Bandingkan maks1 dengan maks2 untuk menentukan maks tabel A.

Tinjau kembali soal di atas
DIVIDE dan CONQUER: Bagi tabel menjadi dua bagian sampai berukuran 1 atau 2
elemen:
4 12 23 9 21 1 35 2 24

4 12 23 9 21 1 35 2 24

4 12 23 9 21 1 35 2 24

SOLVE dan COMBINE: Tentukan min dan maks masing-masing bagian tabel, lalu gabung:

4 12 23 9 21 1 35 2 24
min=4 min=9 min=1 min=35 min=2
maks=12 maks=23 maks=21 maks=35 maks=24

4 12 23 9 21 1 35 2 24
min = 4 min = 1 min = 2
maks=23 maks = 21 maks=35

4 12 23 9 21 1 35 2 24
min = 4 min = 1
maks = 23 maks = 35

4 12 23 9 21 1 35 2 24
min = 1
maks = 35

Jadi, nilai minimum tabel = 1 dan nilai maksimum = 35.

Merge Sort : contoh lain
Pertama, data dibagi 2 bagian, selanjutnya tiap bagian dibagi lagi menjadi dua bagian,
demikian selanjutnya hingga data tidak dapat dibagi lagi. Tahap ini merupakan divide.

20

Setelah dibagi hingga potongan terkecil, data tesebut diurutkan kembali.

Setelah data diurutkan kembali, maka tahap terakhir adalah data tersebut
disatukan/dikombain.

Implementasi Merge Sort :
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

void printv(char* in, int *v, int n) {

21
printf("%s", in);
int i = 0;
for (; i < n; ++i)
printf("%d ", v[i]);
printf("\n");
}

void merge(int *v, int p, int q, int r) {
int i = p;
int j = q + 1;

int *tmp = (int*)malloc((r - p + 1) * sizeof(int));
int k = 0;

while ((i <= q) && (j <= r)) {
if (v[i] < v[j])
tmp[k++] = v[i++];
else
tmp[k++] = v[j++];
}

while (i <= q)
tmp[k++] = v[i++];

while (j <= r)
tmp[k++] = v[j++];

memcpy(v + p, tmp, (r - p + 1) * sizeof(int));
free(tmp);
}

void mergeS(int *v, int p, int r) {
if (p < r) {
int q = (p + r) / 2;
mergeS(v, p, q);
mergeS(v, q + 1, r);
merge(v, p, q, r);
}
}

int main(int argc, char *argv[]) {
int n = 10;

22
int v[] = {9, 8, 7, 6, 5, 5, 4, 3, 2, 1};
printv("V: ", v, n);
mergeS(v, 0, n - 1);
printv("V: ", v, n);

return 0;
}

Output:

B. RECURRENCE
Recurrence adalah fungsi yang memanggil dirinya sendiri. Rekurensi adalah suatu
persamaan atau pertidaksamaan yang menguraikan fungsi dalam suku-suku nilai input
yang lebih kecil.
Pada bagian ini ada tiga metode untuk menyelesaikan rekurensi, yaitu untuk
mendapatkan batas asymptotic " "O atau " "O pada solusi. Ketiga metode adalah
metode iterasi, substitusi, metode master.

Menyelesaikan fungsi recurrence, terdapat 3 metode, yakni:
1. Metode substitusi
o Pertama-tama dibuat suatu guess dari bentuk solusinya.
o Gunakan induksi matematika untuk membuktikan bahwa guess itu benar.
o Metode ini dapat digunakan untuk menentukan baik batas atas maupun batas
bawah suatu rekurensi.

Contoh:
Tentukan batas atas dari T(n) = 2(T(n/2)) + n
Jawab:
Pertama, dibuat guess dari solusinya adalah T(n) = O(n lg n)
Kedua, dibuktikan dengan induksi matematis bahwa solusi di atas benar, yaitu
dibuktikan bahwa T(n) s c (nlgn)
o Basis untuk n = 2, T(2) = 2(T(2/2))+ 2 = 4 s c (2lg2), dengan c > 2
o Anggap solusi diatas berlaku untuk n/2, yaitu T(n/2) s c (n/2) lg (n/2)
o Dibuktikan bahwa solusi diatas berlaku untuk n.
o Substitusikan pertidaksamaan T(n/2) s c (n/2) lg (n/2) ke rekurensi,
diperoleh:
T(n) s 2 (c (n/2) lg (n/2)) + n

23
s cn lg (n/2) + n
s cn lg (n) cn lg 2 + n
= cn lg n cn + n
s cn lg n, untuk c > 1 (terbukti)
Jadi batas atas dari rekurensi diatas adalah T(n) = O (n lg n). Pada guess kadang-
kadang solusinya bisa dengan manipulasi aljabar, karena belum pernah diketahui solusi
yang mirip.

Contoh:
T(n) = 2 T(\n) + lg n
Jawab:
Misalkan m = lg n n = 2
m

\n = n
1/2
= (2
m
)
1/2
= 2
m/2

T(2
m
) = 2 T(2
m/2
) + m
Misalkan lagi S(m) = T(2
m
), sehingga rekurensinya menjadi S(m) = 2 S(m/2) + m,
Yang mirip dengan T(n) = T(n/2) + n
Jadi solusinya serupa yaitu: S(m) = O(m lg m).
Dengan mengubah kembali dari S(m) ke T(n) diperoleh:
T(n) = T(2
m
) = S(m) = O(m lg m)
= O(lg n (lg lg n))

2. Metode iterasi (pohon rekursif)
Metode iterasi mengkonversi rekurensi ke dalam jumlahan dan kemudian
berdasarkan cara untuk bounding summations untuk menyelesaikan rekurensi.
Prinsip dari metode iterasi adalah menjabarkan rekurensi sebagai suatu bentuk
penjumlahan yang hanya bergantung pada n dan syarat awal.
Contoh:
T(n) = c + T(n/2);
Ganti n dengan n/2 diperoleh: T(n/2) = c + T(n/4) dan T(n/4) = c + T(n/8).
Kemudian masukkan ke formula diperoleh:
T(n) = c + T(n/2)
= c + c + T(n/4) = c + c + T(n/8)
Jika misalkan n = 16, formula di atas dapat dinyatakan:
T(16) = c+T(16/2) = c+c+T(16/4) = c+c+c+T(16/8)
= c+c+c+c+T(16/16) = c.4 + T(1).
Jadi formula di atas misalkan diasumsikan n = 2
k

T(n) = c+c+....+c+T(1) = c lg(n) + T(1)
)) (lg( n O =


24
Contoh pohon rekursif:
Tn = n + T(n)
T(n) = n+2T(n/2)= n log2n, nilai n = (n/2)

n

n

n

--
nk
n log 2 n

3. Metode master
Metode master melengkapi batas-batas untuk rekurensi dari bentuk
) ( ) / ( ) ( n f b n aT n T + = , dengan 1 , 1 > > b a , dan ) (n f fungsi yang diketahui; ini
perlu diketahui/dipahami dan dihafal, karena sekali anda melakukan ini penentuan
batas asimtotis untuk rekurensi sederhana akan mudah.
Rumus untuk menyelesaikan rekurensi berbentuk:
Andaikan ) ( ) ( n f
b
n
aT n T +
|
.
|
\
|
=

Di mana, a 1, b > 1, and f(n) > 0

Case 1: if f(n) = O(n
log
b
a -
c
) for some c > 0, then:
T(n) = O(n
log
b
a
)
log
b
a
), then: T(n) = O( n
log
b
a
lgn)
log
b
a+
) for some c > 0, and if af(n/b) cf(n) for some c < 1 and all
sufficiently large n, then:
T(n) = O(f(n))

n
n/2
n/4
n/2
n/4 n/4
n/4

25
Contoh:
1.

2.

3.

4.

( )
2
3
log 1
log 9
2
( ) ( / 2) 1
1, 2; 1
also ( ) 1, ( ) (1)
( ) (lg )
(
Case 2:
Cas
) 9 ( / 3)
9, 3;
( ) , ( ) ( ) with 1
( ) e 1:
T n T n
a b n
f n f n
T n n
T n T n n
a b
f n n f n O n
T n n
c
= +
= = =
= = O
= O
= +
= =
= = c =
= O
4
4
2
log 3 0.793
log 3
log 2 1
( ) 3 ( / 4) lg
3, 4;
( ) lg , ( ) ( ) with 0.2
Regularity condition
( / ) 3( / 4) l
Case
g( / 4) (3/ 4) lg ( ) for 3/ 4
( ) ( lg )
( ) 2 ( / 2) lg
2, 2;
3:
T n T n n n
a b n n
f n n n f n n
af n b n n n n cf n c
T n n n
T n T n n n
a b n n
f
+c
= +
= = =
= = O c ~
= s = =
= O
= +
= = =
1
1
( ) lg , ( ) ( ) with ?
also l
neither Case 3 nor Case 2!
g / lg
n n n f n n
n n n n
+c
= = O c
=

26


27

BAB 4
STRATEGI ALGORITMA (I)
METODE GREEDY & DYNAMIC PROGRAMMING


28
Ada banyak macam strategi algoritma yang biasanya digunakan. Khusus pada bab ini,
strategi algoritma yang akan dibahas adalah metode greedy dan dynamic programming.
A. Metode Greedy
Prinsip metode greedy ini adalah: take what you can get now!.
Algoritma greedy membentuk solusi langkah per langkah (step by step). Pada setiap
langkah, terdapat banyak pilihan yang perlu dieksplorasi. Oleh karena itu, pada setiap
langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan. Pada setiap
langkah, kita membuat pilihan optimum lokal (local optimum) dengan harapan
bahwa langkah sisanya mengarah ke solusi optimum global (global optimum).

Algoritma greedy adalah algoritma yang memecahkan masalah langkah per langkah.
Pada setiap langkah:
o Mengambil pilihan yang terbaik yang dapat diperoleh pada saat itu tanpa
memperhatikan konsekuensi ke depan (prinsip take what you can get now!)
o Berharap bahwa dengan memilih optimum lokal pada setiap langkah akan berakhir
dengan optimum global.

Skema umum dari algoritma greedy disusun oleh elemen-elemen sebagai berikut :
1. Himpunan kandidat
Himpunan ini berisi elemen-elemen pembentuk solusi.
2. Himpunan solusi
Himpunan ini berisi bagian dari himpunan kandidat yang terpilih sebagai solusi
persoalan.
3. Fungsi seleksi
Fungsi ini adalah fungsi yang pada setiap langkah memilih solusi yang paling
memungkinkan mencapai solusi optimal.
4. Fungsi kelayakan
Fungsi ini memasukkan kandidat-kandidat yang layak dari himpunan kandidat ke
himpunan solusi.
5. Fungsi obyektif
Yaitu fungsi yang memaksimumkan atau meminimumkan nilai solusi

Contoh kasus:
Tinjau masalah penukaran uang
Langkah strategi metode greedy:
- Pada setiap langkah, pilihlah koin dengan nilai terbesar dari himpunan koin yang
tersisa.
Misal: diberikan jumlah uang A = $ 32, koin yang tersedia: $1, $5, $10, dan $25
Langkah 1 :pilih 1 buah koin $25 (Total = 25)

1 koin uang $20= $20

29
Sisa = $7
Langkah 2 :pilih 1 buah koin $5 (Total = 25 + 5 = 30)

1 koin uang $5= $5
Sisa = $2
Langkah 3 :pilih 2 buah koin $1 (Total = 25+5+1+1= 32)

2 koin uang $1= $2
Sisa = 0
- Solusi: Jumlah koin minimum = $4 (solusi optimal!)

Catatan:
Algoritma greedy tidak beroperasi secara menyeluruh terhadap semua alternatif
solusi yang ada (sebagaimana pada metode exhaustive search).
Terdapat beberapa fungsi SELEKSI yang berbeda, sehingga kita harus memilih fungsi
yang tepat jika kita ingin algoritma menghasilkan solusi optiamal.

Kesimpulan:
Jadi, pada sebagian masalah, metode greedy tidak selalu berhasil memberikan solusi
yang optimal.

Kelebihan dan kelemahan metode greedy:
Kelebihan:
Kompleksitas ruangnya rendah. Memori yang dibutuhkan tidak besar, karena
langkah sebelumnya tidak disimpan. Kita terus memperhatikan langkah di depan
saja. Sehingga sangat kecil kemungkinan mengalami masalah ketersediaan memori.
Mudah diimplementasikan, algoritma greedy sangat mudah untuk
diimplementasikan pada persoalan-persoalan yang ada.
Kompleksitas waktunya rendah, sehingga jarang mengalami masalah dalam
lamanya waktu pencarian langkah.

Kelemahan:
Hasilnya belum tentu optimal.
Hanya mencari solusi terbaik saat itu, padahal nelum tentu terbaik untuk langkah
berikutnya.


30
B. Dynamic Programming
Dynamic programming problems adalah masalah multi tahap(multistage) dimana
keputusan dibuat secara berurutan (in sequence).
Pemrograman dinamis (dynamic programming) adalah metode pemecahan masalah
dengan cara menguraikan solusi menjadi sekumpulan langkah (step) atau tahapan
(stage) sedemikian rupa sehingga solusi dari permasalahan ini dapat dipandang dari
serangkaian keputusan-keputusan kecil yang saling berkaitan satu dengan yang lain.
Penyelesaian persoalan dengan pemrograman dinamis ini akan menghasilkan
sejumlah berhingga pilihan yang mungkin dipilih, lalu solusi pada setiap tahap-tahap
yang dibangun dari solusi pada tahap sebelumnya, dan dengan metode ini kita
menggunakan persyaratan optimasi dan kendala untuk membatasi sejumlah pilihan
yang harus dipertimbangkan pada suatu tahap.

Karakteristik Persoalan yang dimiliki oleh Program Dinamis:
o Persoalan dapat dibagi menjadi beberapa tahap (stage), yang pada setiap tahap hanya
dapat diambil satu keputusan.
o Masing-masing tahap terdiri dari sejumlah status (state) yang berhubungan dengan
tahap tersebut. Secara umum, status merupakan bermacam kemungkinan masukan
yang ada pada tahap tersebut. Jumlahnya bisa berhingga atau tak berhingga.
o Hasil dari keputusan yang diambil pada setiap tahap ditransformasikan dari status
yang bersangkutan ke status berikutnya pada tahap berikutnya.
o Ongkos (cost) pada suatu tahap meningkat secara teratur (steadily) dengan
bertambahnya jumlah tahapan.
o Ongkos pada suatu tahap bergantung pada ongkos tahap-tahap yang sudah berjalan
dan ongkos pada tahap tersebut.
o Keputusan terbaik pada suatu tahap bersifat independen terhadap keputusan yang
dilakukan pada tahap sebelumnya.
o Adanya hubungan rekursif yang mengidentifikasikan keputusan terbaik untuk setiap
status pada tahap k memberikan keputusan terbaik untuk setiap status pada tahap k +
1.
o Prinsip optimalitas berlaku pada persoalan tersebut.

Langkah-langkah Pengembangan Algoritma Program Dinamis sebagai berikut :
a) Karakteristikkan struktur solusi optimal.
b) Definisikan secara rekursif nilai solusi optimal.
c) Hitung nilai solusi optimal secara maju atau mundur.
d) Konstruksi solusi optimal.

Contoh kasus:
Joe tinggal di new York dan akan pergi ke LA. Dia berencana menginap di rumah
temannya dalam perjalanan tersebut. Joe punya teman di Columbus, Nashville,
Louisville, Kansas, Omaha, Dallas, San Antonio, dan Denver. Joe tahu setelah satu hari

31
perjalanan dia akan mencapai Columbus, Nashville atau Louisville. Setelah perjalanan 2
hari akan mencapai Kansas, Omaha, atau Dallas. Setelah 3 hari perjalanan akan mencapai
Denver atau San Antonio. Setelah 4 hari akan mencapai LA. Untuk meminimalkan jarak,
kemana Joe harus menginap setiap malam dalam perjalanannya ?

Stage 3:
Kansas = {New York, Columbus} cost Kansas=1230
Omaha= {New York, Columbus} cost Omaha=1340
Dallas={New York, Nashville} cost Dallas= 1560

Stage 4:
Denver={ New York, Columbus, Kansas} cost Denver=1840
San Antonio={ New York, Nashville, Dallas} cost San Antonio=1830

Stage 5:
LA={ New York, Columbus, Kansas, Denver } cost LA=2870
Jadi jarak optimal yang diperoleh adalah 2870

Kelebihan dan kelemahan metode dynamic programming:
Kelebihan:
mengoptimalkan penyelesaian suatu masalah tertentu yang diuraikan menjadi sub-
sub masalah yang lebih kecil yang terkait satu sama lain dengan tetap memperhatikan
kondisi dan batasan permasalahan tersebut.
Proses pemecahan suatu masalah yang kompleks menjadi sub-sub masalah yang lebih
kecil membuat sumber permasalahan dalam rangkaian proses masalah tersebut
menjadi lebih jelas untuk diketahui.
Pendekatan dynamic programming dapat diaplikasikan untuk berbagai macam
masalah pemrograman matematik, karena dynamic programming cenderung lebih
fleksibel daripada teknik optimasi lain.

32
Prosedur perhitungan dynamic programming juga memperkenankan bentuk analisis
sensitivitas terdapat pada setiap variabel status (state) maupun pada variabel yang
ada di masing-masing tahap keputusan (stage).
Dynamic programming dapat menyesuaikan sistematika perhitungannya menurut
ukuran masalah yang tidak selalu tetap dengan tetap melakukan perhitungan satu per
satu secara lengkap dan menyeluruh.

Kelemahan:
Penggunaan dynamic programming jika tidak dilakukan secara tepat, akan
mengakibatkan ketidakefisienan biaya maupun waktu. Karena dalam menggunakan
dynamic programming diperlukan keahlian, pengetahuan, dan seni untuk
merumuskan suatu masalah yang kompleks, terutama yang berkaitan dengan
penetapan fungsi transformasi dari permasalahan tersebut.

Contoh Kasus:
Diberikan sebuah kotak berukuran 15cmx35cm.

35

15

Jenis kotak, ada 4 buah yang akan disusun ke dalam kotak tersebut:

6 cm

Kotak 3
Kotak
1

Kotak2

Kotak4


33
Penyelesaian dengan metode greedy:
Kotak 4 dan kotak 1 tersebut disusun seperti di bawah ini:
Sehingga diperoleh luas yang dianggap bisa menempati kotak tersebut dengan luas
yang optimum.

4 2 4

4
10

Kotak yang telah disusun tersebut dimasukkan ke dalam kota besar yang berukuran
15x35 cm. jumlah kotak yang dimasukkan adalah sebanyak 9 buah, sehingga diperoleh
sbb:

10 10 10

Tempat yang kosong masih dapat diisi dengan kotak berukuran 4x2 cm.. jumlah
kotak yang dimasukkan adalah sebanyak 14 buah. Sehingga diperoleh:

35

Dapat dihitung luas dari sisa kotak yang tidak terisi adalah: 35 + 9 + 12 =56

1

3


34
Penyelesaian dengan dynamic programming:

Pada metode ini, kotak yang akan diisi dibagi 2 bagian. Sehingga kita akan mengisi kotak
tersebut dengan 2 step. Hasilnya menjadi seperti di bawah ini:

8cm

7cm
35 cm

Kemudian dari 4 kotak yang ada dibentuklah susunan kotak yang sesuai sehingga dapat
dimasukkan ke dalam kota utama di atas. Berikut adalah kotak yang sesuai dengan kotak
utama (kotak ini dibentuk dari kotak 1 dan kotak 2):

STEP 1: Kotak tersebut kemudian diisi ke dalam kotak utama bagian (I)

STEP 2: Selanjutnya kita akan mengisi kotak bagian (II). Kembali kita meninjau kotak
yang telah disusun, ternyata masih biasa digunakan untuk mengisi kotak bagian (II) ini.
Sehingga diperoleh:

8cm

7cm
3cm

I

II


35
Selanjutnya kita meninjau kembali tempat yang masi belum terisi, ternyanya masih ada
kotak yang dapat diisi ke dalam, yakni kotak berukuran 4x2 cm. Setelah diisi, kita
memperoleh hasil sebagai berikut:

Sisa kotak yang kosong adalah= 4+9=13

Kesimpulan:
Jika kita membandingkan metode greedy dengan metode dynamic programming,
maka yang mendapatkan sisa kotak yang paling minimum adalah metode dynamic
programming. Jadi metode yang paling optimal adalah dynamic programming.

Prinsip Optimalitas
Pada program dinamis, rangkaian keputusan yang optimal dibuat
dengan menggunakan Prinsip Optimalitas.
Prinsip Optimalitas: jika solusi total optimal, maka bagian solusi
sampai tahap ke-k juga optimal.
Prinsip optimalitas berarti bahwa jika kita bekerja dari tahap k ke
tahap k + 1, kita dapat menggunakan hasil optimal dari tahap k tanpa
harus kembali ke tahap awal.
ongkos pada tahap k +1 = (ongkos yang dihasilkan pada tahap k ) +
(ongkos dari tahap k ke tahap k + 1)
Dengan prinsip optimalitas ini dijamin bahwa pengambilan keputusan
pada suatu tahap adalah keputusan yang benar untuk tahap-tahap
selanjutnya.
Pada metode greedy hanya satu rangkaian keputusan yang pernah
dihasilkan, sedangkan pada metode program dinamis lebih dari satu
rangkaian keputusan. Hanya rangkaian keputusan yang memenuhi
prinsip optimalitas yang akan dihasilkan.


36


37

BAB 5
STRATEGI ALGORITMA (II)


38
A. Algoritma Metaheuristik
Heuristik berasal dari kata Yunani Heuriskein yang berarti seni
untuk menemukan strategi dalam menyelesaikan persoalan sedangkan meta
berarti metodologi tingkat tinggi atau lanjut (Talbi, 2009). Di dalam ilmu
komputer, metode heuristik merupakan suatu teknik untuk penyelesaian
permasalahan yang tidak menekankan pada pembuktian apakah solusi yang
didapatkan adalah benar (pembuktian apakah suatu solusi adalah benar
merupakan fokus dari metode penyelesaian analitik), tetapi lebih menekankan
pada performa komputasi dan kesederhanaan. Metode heuristik merupakan
suatu metode penyelesaian yang menggunakan konsep pendekatan

Menurut Talbi (2009), metaheuristik dapat didefinisikan sebagai metode
lanjut (advanced) berbasis heuristic untuk menyelesaikan persoalan optimisasi
secara efisien. Metaheuristik didefinisikan sebagai metode optimisasi yang
dilakukan dengan memperbaiki kandidat penyelesaian secara iteratif sesuai
dengan fungsi objektifnya. Metode ini mampu menghasilkan penyelesaian yang
baik dalam waktu yang cepat (acceptable), tetapi tidak menjamin bahwa penyelesaian
yang dihasilkan merupakan penyelesaian terbaik (optimal). Metode
metaheuristik banyak dipakai dalam optimisasi stokastik (optimisasi stokastim
merupakan optimisasi yang memiliki derajat ketidakpastian atau random).

Metaheuristik dapat menggunakan domain pengetahuan khusus dalam bentuk
heuristik yang dikendalikan dengan strategi tingkat lanjuti) Metaheuristik dapat
menggunakan pengalaman yang didapat selama proses pencarian untuk menuntun
proses pencarian. Dalam menentukan apakah metaheuristik adalah metode yang
sesuai untuk menyelesaikan suatu permasalahan, ada beberapa hal yang perlu
diperhatikan misalnya kompleksitas permasalahan, ukuran input, struktur input
dan waktu yang diperlukan untuk menyelesaikan masalah tersebut. Secara umum
metehauristik dipakai untuk masalah-masalah yang komplek dan tidak bisa
diselesaikan dengan mudah secara analitikal/eksak. Tidaklah terlalu bermanfaat
menggunakan metaheuristik untuk persoalan yang dengan mudah dan cepat dapat
diselesaikan secara eksak (penyelesaian eksak merupakan penyelesaian terbaik,
tetapi seringkali metode ini tidak dapat diterapkan pada permasalahan optimisasi,
sehingga dipakailah metode pendekatan). Metaheuristik pada sebenarnya adalah
metode pendekatan yang didasarkan pada metode heuristik. Sehingga tidak heran
bahwa metode heuristik sering kali diintegrasikan didalam metodeme taheuristik.
Perbedaan utaman dari metode heuristik dan metaheuristik adalah: metode
heuristik bersifat problem dependent sedangkan metode metaheuristik bersifat
problem independent.


39
B. Algoritma Genetika
Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi
yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi
suatu permasalahan dengan cara yang lebih alamiah. Salah satu aplikasi
algoritma genetika adalah pada permasalahan optimasi kombinasi, yaitu
mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang
mempunyai banyak kemungkinan solusi. Dalam tulisan ini akan dibahas teori
dasar algoritma genetika beserta contoh aplikasinya dalam menyelesaikan suatu
permasalahan optimasi kombinasi sederhana.

Algoritma genetika adalah algoritma heuristik adaptif (metaheuristik) yang
memiliki dasar pemikiran atau gagasan evolusioner untuk proses seleksi alami dan
genetika. Konsep dasar dari algoritma genetika dirancang untuk menirukan proses di
dalam sistem alami yang penting bagi evolusi makhluk hidup untuk dapat terus
bertahan hidup, yang secara rinci teori ini dicetuskan oleh Charles Darwin yaitu
Survival of the Fittest. Dengan menirukan teori dari Charles Darwin, algoritma
genetika dapat digunakan, untuk mencari solusi dari segala macam permasalahan
dalam ilmu pengetahuan seperti dalam mencari solusi penjadwalan job shop.

Pelopor pertama penggunaan metode algoritma genetika adalah John Holland
pada tahun 60-an. Algoritma genetika menggunakan analogi seleksi alam yang
bekerja dari suatu populasi yang terdiri dari berbagai individu (gen), yang
masing-masing individu mempresentasikan suatu solusi yang mungkin muncul dari
persoalan yang dihadapi. Dalam hal ini, individu yang terpilih dilambangkan
dengan sebuah nilai fitness yang digunakan untuk mencari solusi terbaik dari
persoalan yang ada.

Teori Dasar Algoritma Genetika
Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma
komputasi yang diinspirasi teori evolusi Darwin yang menyatakan bahwa
kelangsungan hidup suatu makhluk dipengaruhi aturan yang kuat adalah yang
menang. Darwin juga menyatakan bahwa kelangsungan hidup suatu makhluk dapat
dipertahankan melalui proses reproduksi, crossover, dan mutasi. Konsep dalam
teori evolusi Darwin tersebut kemudian diadopsi menjadi algoritma komputasi
untuk mencari solusi suatu permasalahan dengan cara yang lebih alamiah.
Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai
chromosome, sedangkan kumpulan chromosome-chromosome tersebut disebut
sebagai populasi. Sebuah chromosome dibentuk dari komponen-komponen
penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik,
biner, simbol ataupun karakter tergantung dari permasalahan yang ingin

40
diselesaikan. Chromosome-chromosome tersebut akan berevolusi secara
berkelanjutan yang disebut dengan generasi. Dalam tiap generasi chromosome-
chromosome tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap
masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang
disebut dengan fitness. Untuk memilih chromosome yang tetap dipertahankan
untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses
seleksi chromosome menggunakan konsep aturan evolusi Darwin yang telah
disebutkan sebelumnya yaitu chromosome yang mempunyai nilai fitness tinggi akan
memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.
Chromosome-chromosome baru yang disebut dengan offspring, dibentuk
dengan cara melakukan perkawinan antar chromosome-chromosome dalam satu
generasi yang disebut sebagai proses crossover. Jumlah chromosome dalam
populasi yang mengalami crossover ditetukan oleh paramater yang disebut dengan
crossover_rate. Mekanisme perubahan susunan unsur penyusun mahkluk hidup
akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan sebagai
proses berubahnya satu atau lebih nilai gen dalam chromosome dengan suatu nilai
acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter
yang dinamakan mutation_rate. Setelah beberapa generasi akan dihasilkan
chromosome-chromosome yang nilai gen-gennya konvergen ke suatu nilai tertentu
yang merupakan solusi terbaik yang dihasilkan oleh algoritma genetika terhadap
permasalahan yang ingin diselesaikan.

Prosedure Algoritma Genetika
Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1)
representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk
mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat
digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik
ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya
yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang
variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam
kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan
representasi bentuk bebas diselidiki di dalam HBGA.
Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur
kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada
masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda
(obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang
tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap bit
mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah
obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini

41
valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan
penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi
itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak
mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini
digunakan IGA.
Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan,
algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak,
dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-
operator mutasi, persilangan, dan seleksi.

Secara sederhana, algoritma umum dari algoritma genetik ini dapat dirumuskan
menjadi beberapa langkah, yaitu:
1. Membentuk suatu populasi individual dengan keadaan acak
2. Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan
3. Memilih individual dengan kecocokan yang tertinggi
4. Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi
5. Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang
diinginkan.

Pada umumnya suatu penerapan algoritma genetika secara generasional sederhana
terdiri dari 3 bagian, yaitu:
1. Memilih populasi awal (inisial populasi)
2. Evaluasi nilai fitness dari setiap individu didalam populasi
3. Ulangi sampai proses berhenti (nilai fitness terbaik terpenuhi)
a) Pilih individu terbaik berdasar ranking untuk reproduksi
b) Bentuk generasi baru melalui pindah silang dan mutasi untuk
menghasilkan keturunan baru (child)
c) Evaluasi nilai fitness keturunan yang dihasilkan

Jika diilustrasikan, maka proses algoritma genetika yang dilakukan dapat
terlihat seperti gambar berikut:

42

Definisi Individu
Individu menyatakan solusi yaitu nilai x. Nilai x sebagai individu dinyatakan dalam
nilai biner. Individu dinyatakan dalam 8 gen biner dengan batas 0 sampai dengan 1
yang berarti sat bit setara dengan 2-8
Sebagai contoh:
10001001 = (128+8+1)/256 = 0.5352
01010010 = (2+16+64)/256 = 0.3203
Fungsi Fitness
Fungsi fitness dinyatakan sebagai fungsi f(x), karena yang dicari adalah nilai
maksimum.
Membangkitkan Populasi Awal
Membangkitkan sejumlah individu, misalkan satu populasi terdiri dari 8 individu,
maka dibangkitkan 8 individu dengan 8 gen biner yang dibangkitkan secara acak.
Seleksi
Seleksi roulette whell untuk memilih induk dilakukan dengan menggunakan
prosentasi fitness setiap individu, dimana setiap individu mendapatkan luas bagian
sesuai dengan prosentase nilai fitnessnya.


43
Hitung Total Fitness

Menghitung prosentase fitness dan penentuan bidang

Aplikasi Algoritma Genetika
Berikut adalah contoh aplikasi algoritma genetika yang digunakan untuk
menyelesaikan masalah kombinasi. Misalkan ada persamaan a+2b+3c+4d = 30, kita
mencari nilai a, b, c, dan d yang memenuhi persamaan diatas. Kita mencoba
menggunakan algoritma genetika untuk menyelesaikan permasalahan diatas.
Diagram alir dari algoritma genetika untuk menyelesaikan permasalahan diatas dapat
dilihat pada Gambar 1.


44

Penjelasan mengenai langkah-langkah penyelesaian permasalahan diatas
menggunakan algoritma genetika adalah sebagai berikut:


45
1. Pembentukan chromosome
Karena yang dicari adalah nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai
gen-gen pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer
0 sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan integer 0
sampai 10.

2. Inisialisasi
Proses inisialisasi dilakukan dengan cara memberikan nilai awal gen-gen dengan
nilai acak sesuai batasan yang telah ditentukan.
Misalkan kita tentukan jumlah populasi adalah 6, maka:
Chromosome[1] = [a;b;c;d] = [12;05;03;08]
Chromosome[2] = [a;b;c;d] = [02;01;08;03]
Chromosome[3] = [a;b;c;d] = [10;04;03;04]
Chromosome[4] = [a;b;c;d] = [20;01;10;06]
Chromosome[5] = [a;b;c;d] = [01;04;03;09]
Chromosome[6] = [a;b;c;d] = [20;05;07;01]

3. Evaluasi Chromosome
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat
digunakan untuk mendapatkan solusi adalah fungsi_objektif(chromosome) = |
(a+2b+3c+4d) 30 |
Kita hitung fungsi_objektif dari chromosome yang telah dibangkitkan:
fungsi_objektif(chromosome[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) - 30)
= Abs((12 + 10 + 9 + 32 ) - 30)
= Abs(63 - 30)
= 33
= Abs(( 2 + 2 + 24 + 12 ) - 30)
= Abs(40 - 30)
= 10
= Abs(( 10 + 8 + 9 + 16 ) - 30)
= Abs(43 - 30)
= 13
= Abs(( 20 + 2 + 30 + 24 ) - 30)
= Abs(76 - 30)
= 46
= Abs(( 1 + 8 + 9 + 36 ) - 30)
= Abs(54 - 30)

46
= 24
= Abs(( 20 + 10 + 21 + 4) - 30)
= Abs(55 - 30)
= 25
Rata-rata dari fungsi objektif adalah:
rata-rata = (33+10+13+46+24+25)/6
= 151 / 6
= 25.167

4. Seleksi Chromosome
Proses seleksi dilakukan dengan cara membuat chromosome yang mempunyai
fungsi_objektif kecil mempunyai kemungkinan terpilih yang besar atau
mempunyai nilai probabilitas yang tinggi. Untuk itu dapat digunakan fungsi fitness
= (1/(1+fungsi_objektif)), fungsi_objektif perlu ditambah 1 untuk menghindari
kesalahan program yang diakibatkan pembagian oleh 0.

fitness[1] = 1 / (fungsi_objektif[1]+1)
= 1 / 34
= 0.0294
= 1 / 11
= 0.0909
= 1 / 14
= 0.0714
= 1 / 47
= 0.0212
= 1 / 25
= 0.0400
= 1 / 26
= 0.0385
total_fitness = 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385
= 0.2914

Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness

P[1] = 0.0294 / 0.2914 = 0.1009
P[2] = 0. 0909 / 0.2914 = 0.3119

47
P[3] = 0. 0714 / 0.2914 = 0.2450
P[4] = 0. 0212 / 0.2914 = 0.0728
P[5] = 0.04 / 0.2914 = 0.1373
P[6] = 0.0385 / 0.2914 = 0.1321

Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang mempunyai
fitness paling besar maka chromosome tersebut mempunyai probabilitas untuk
terpilih pada generasi selanjutnya lebih besar dari chromosome lainnya. Untuk
proses seleksi kita gunakan roulete wheel, untuk itu kita harus mencari dahulu nilai
kumulatif probabilitasnya:
C[1] = 0.1009
C[2] = 0.1009+ 0.3119 = 0.4128
C[3] = 0.1009+ 0.3119 + 0.2450 = 0.6578
C[4] = 0.1009+ 0.3119 + 0.2450 + 0.0728 = 0.7306
C[5] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 = 0.8679
C[6] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321= 1

Setelah dihitung cumulative probabilitasnya maka proses seleksi menggunakan
roulete-wheel dapat dilakukan. Prosesnya adalah dengan membangkitkan
bilangan acak R dalam range 0-1.
Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih
chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete
wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan
pada tiap putaran, kita pilih satu chromosome untuk populasi baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
R[4] = 0.822
R[5] = 0.398
R[6] = 0.501
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada C[2]
maka pilih chromosome[2] sebagai chromosome pada populasi baru, dari bilangan
acak yang telah dibangkitkan diatas maka populasi chromosome baru hasil proses
seleksi adalah:
chromosome[1] = chromosome[2]

Chromosome baru hasil proses seleksi:

48
chromosome[1] = [02;01;08;03]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;04;03;09]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]

5. Crossover
Setelah proses seleksi maka proses selanjutnya adalah proses crossover. Metode
yang digunakan salah satunya adalah one-cut point, yaitu memilih secara acak satu
posisi dalam chromosome induk kemudian saling menukar gen. Chromosome yang
dijadikan induk dipilih secara acak dan jumlah chromosome yang mengalami
crossover dipengaruhi oleh parameter crossover_rate ( c ).
Pseudo-code untuk proses crossover adalah sebagai berikut:
begin
k 0;
while(k<populasi) do
R[k] random(0-1);
if (R[k] < c ) then
select Chromosome[k] as parent;
end;
k = k + 1;
end;
end;

Misal kita tentukan crossover probability adalah sebesar 25%, maka diharapkan
dalam satu generasi ada 50% Chromosome (3 chromosome) dari satu generasi
mengalami proses crossover. Prosesnya adalah sebagai berikut:
Pertama kita bangkitkan bilangan acak R sebanyak jumlah populasi
R[1] = 0.191
R[2] = 0.259
R[3] = 0.760
R[4] = 0.006
R[5] = 0.159
R[6] = 0.340

Maka Chromosome ke k akan dipilih sebagai induk jika R[k] < c, dari bilangan
acak R diatas maka yang dijadikan induk adalah chromosome[1],
chromosome[4] dan chromosome[5].

Setelah melakukan pemilihan induk proses selanjutnya adalah menentukan posisi
crossover. Ini dilakukan dengan cara membangkitkan bilangan acak dengan

49
batasan 1 sampai (panjang chromosome-1), dalam kasus ini bilangan acak yang
dibangkitkan adalah 1 3. Misalkan didapatkan posisi crossover adalah 1 maka
chromosome induk akan dipotong mulai gen ke 1 kemudian potongan gen
tersebut saling ditukarkan antar induk.
chromosome[1] >< chromosome[4]

Posisi cut-point crossover dipilih menggunakan bilangan acak 1-3 sebanyak jumlah
crossover yang terjadi, misal
C[1] = 1
C[2] = 1
C[3] = 2

offspring[1] = chromosome[1] >< chromosome[4]
= [02;01;08;03] >< [01;04;03;09]
= [02;04;03;09]
offspring[4] = Chromosome[4] >< Chromosome[5]
= [01;04;03;09] >< [02;01;08;03]
= [01;01;08;03]
offspring[5] = Chromosome[5] >< Chromosome[1]
= [02;01;08;03] >< [02;01;08;03]
= [02;01;08;03]
Dengan demikian populasi Chromosome setelah mengalami proses crossover
menjadi:
chromosome[1] = [02;04;03;09]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;01;08;03]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]

6. Mutasi
Jumlah chromosome yang mengalami mutasi dalam satu populasi ditentukan oleh
parameter mutation_rate. Proses mutasi dilakukan dengan cara mengganti satu
gen yang terpilih secara acak dengan suatu nilai baru yang didapat secara acak.
Prosesnya adalah sebagai berikut. Pertama kita hitung dahulu panjang total gen
yang ada dalam satu populasi. Dalam kasus ini panjang total gen adalah total_gen
= (jumlah gen dalam chromosome) * jumlah populasi
= 4 * 6
= 24

50
Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan cara
membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu 1 sampai
24. Jika bilangan acak yang kita bangkitkan lebih kecil daripada variabel
mutation_rate (m) maka pilih posisi tersebut sebagai sub-chromosome yang
mengalami mutasi. Misal m kita tentukan 10% maka diharapkan ada 10% dari
total_gen yang mengalami populasi:
jumlah mutasi = 0.1 * 24
= 2.4
= 2
Misalkan setelah kita bangkitkan bilangan acak terpilih posisi gen 12 dan 18 yang
mengalami mutasi. Dengan demikian yang akan mengalami mutasi adalah
chromosome ke-3 gen nomor 4 dan Chromosome ke-5 gen nomor 2. Maka nilai
gen pada posisi tersebut kita ganti dengan bilangan acak 0-30.

Misalkan bilangan acak yang terbangkitkan adalah 2 dan 5. Maka populasi
chromosome setelah mengalami proses mutasi adalah:
chromosome[1] = [02;04;03;09]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;02]
chromosome[4] = [01;01;08;03]
chromosome[5] = [02;05;08;03]
chromosome[6] = [10;04;03;04]

Setelah proses mutasi maka kita telah menyelesaikan satu iterasi dalam algoritma
genetika atau disebut dengan satu generasi. Maka fungsi_objective setelah satu
generasi adalah:

chromosome[1] = [02;04;03;09]
fungsi_objektif[1] = Abs(( 2 + 2*4 + 3*3 + 4*9 ) - 30)
= Abs(( 2 + 8 + 9 + 36 ) - 30)
= Abs( 55 - 30)
= 25

chromosome[2] = [02;01;08;03]
= Abs(( 2 + 2 + 24 + 12 ) - 30)
= Abs(40 - 30)
= 10

chromosome[3] = [12;05;03;02]
= Abs(( 12 + 10 + 9 + 8 ) - 30)

51
= Abs(39 - 30)
= 9

chromosome[4] = [01;01;08;03]
= Abs(( 1 + 2 + 24 + 12 ) - 30)
= Abs(39 - 30)
= 9

chromosome[5] = [02;05;08;03]
= Abs(( 2 + 10 + 24 + 12 ) - 30)
= Abs(48 - 30)
= 18

chromosome[6] = [10;04;03;04]
= Abs(( 10 + 8 + 9 + 16 ) - 30)
= Abs(43 - 30)
= 13

Rata-rata fungsi objektif setelah satu generasi adalah:
rata-rata = ( 25 + 10 + 9 + 9 + 18 + 13) / 6
= 84 / 6
= 14.0

Dapat dilihat dari hasil perhitungan fungsi objektif diatas bahwa setelah satu
generasi, nilai hasil rata-rata fungsi_objektif lebih menurun dibandingkan hasil
fungsi_objektif pada saat sebelum mengalami seleksi, crossover dan mutasi. Hal ini
menunjukkan bahwa chromosome atau solusi yang dihasilkan setelah satu
generasi lebih baik dibandingkan generasi sebelumnya. Maka pada generasi
selanjutnya chromosome-chromosome yang baru adalah:

chromosome[1] = [02;04;03;09]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;02]
chromosome[4] = [01;01;08;03]
chromosome[5] = [02;05;08;03]
chromosome[6] = [10;04;03;04]


52
Chromosome-chromosome ini akan mengalami proses yang sama seperti generasi
sebelumnya yaitu proses evaluasi, seleksi, crossover dan mutasi yang kemudian
akan menghasilkan chromosome-chromosome baru untuk generasi yang
selanjutnya. Proses ini akan berulang sampai sejumlah generasi yang telah
ditetapkan sebelumnya.

Setelah 50 generasi didapatkan chromosome yang terbaik adalah:
Chromosome = [07;05;03;01]
Jika didekode maka:
a=7 ; b=5 ; c=3 ; d=1
Jika dihitung terhadap persamaan f = a+2b+3c+4d:
7 + (2*5) + (3*3) + (4*1) = 30

Penyilangan atau Crossover
Sebuah kromosom yang mengarah pada solusi yang bagus bisa diperoleh dari proses
memindah-silangkan dua buah kromosom. Penyilangan dua buah kromosom dimaksud
un-tuk menghasilkan kromosom anak atau offspring. Kromosom anak yang terbentuk
akan mewarisi sebagian sifat kromosom induknya. Pada crossover ada satu parameter
yang sangat penting yaitu peluang crossover pc.
Contoh Proses Penyilangan.

Jika solusi yang dicari adalah X1 = 0 dan X2 = 0, maka kromosom Anak 1 memiliki nilai
finess tinggi dan menuju pada solusi yang dicari
Mutasi
Pada mutasi ada satu parameter penting yaitu peluang (probabilitas) mutasi atau
pmut yang menunjukkan prosentase jumlah total gen pada populasi yang akan

53
mengalami mutasi. Untuk semua gen yang ada, jika bilangan ran-dom yang dibangkitkan
kurang dari probabilitas mutasi pmut yang ditentukan, maka ubah gen tersebut
menjadi nilai kebalikannya. Biasanya pmut diset sebagai 1/n, n adalah jumlah gen
dalam kromosom. Dengan pmut sebesar ini berarti mutasi hanya terjadi pada 1 gen
saja.
Contoh Proses Mutasi.

Bilangan random yang dihasilkan lebih kecil dari probabilitas mutasi pmu terjadi pada
gen g10 sehingga gen g10 berubah dari 1 menjadi 0
Membentuk Individu Baru
Anak hasil perkawinan silang dan mutasi menjadi generasi baru untuk dilakukan proses
regenerasi . Pada generasi berikutnya, individu terbaik (nilai fitness terbesar) dapat
dipertahankan dengan proses elitism

C. Jaringan Syaraf Tiruan
Berawal dari sistem mesin Von Neumann, sistem komputer pada saat ini telah
berkembang pesat. Jaringan syaraf tiruan (JST) terjemahan dari Artificial Neural
Network, merupakan suatu model dari sistem syaraf biologis yang disederhanakan
sebagai suatu alternatif sistem komputasi. (Penelitian Jaringan Syaraf Tiruan,1993).
Meskipun kecepatan proses yang telah dicapai komputer dewasa ini lebih cepat jika

54
dibandingkan dengan proses yang dilakukan otak manusia, komputer masih belum
bisa menandingi universilitas kemampuan pada otak manusia.
Struktur sel syaraf biologis
Sel syaraf biologis atau disebut juga Neuron memiliki tiga komponen penyusun yang
saling bekerja sama untuk mengolah sinyal-sinyal informasi. Tiga komponen tersebut
adalah dendirt, soma atau badan sel dan axon seperti tampak pada gambar 1.
Dendrit merupakan serabut saraf yang bercabang-cabang pendek dan berjumlah lebih
dari satu ini bertugas menerima sinyal dari neuron lain. Sinyal listrik ini dilewatkan
melalui celah sinapsis (sianapsis gap) yang pada perjalanan biologisnya terjadi proses
kimiawi dengan penskalaan frekuensi sinyal, pada jaringan syaraf tiruan proses ini
disebut pembentukan bobot. Sinyal yang diterima diolah oleh soma dan kemudian
dijumlahkan.

Gambar 1. Struktur Sel Syaraf Biologis

Untuk mengirimkan informasi ke sel lain, sinyal dilewatkan melalui axon yang
merupakan serabut syaraf tunggal dan pada ujungnya bercabang-cabang.
Selanjutnya sinyal akan melalui celah sinapsis dan disampaikan ke soma lain oleh
dendrit neuron tersebut. Sehingga dengan terintegrasi dan terkoneksinya neuron
satu dengan yang lain akan dapat melaksanakan aktifitas secara teratur sesuai
kebutuhan.

Struktur jaringan saraf tiruan
JST disusun oleh elemen elemen pemroses yang berada pada lapisan-lapisan yang
berhubungan dan diberi bobot. Dengan serangkaian inputan diluar sistem yang
diberikan kepadanya jaringan ini dapat memodifikasi bobot yang akan
dihasilkannya, sehingga akan menghasilkan output yang konsisten sesuai dengan
input yang diberian kepadanya. Setiap elemen pemroses melaksanakan operasi
matematika yang sudah ditentukan dan menghasilkan (hanya) sebuah harga

55
keluaran dari satu ataupun banyak masukan. Struktur jaringan akan ditunjukkan
seperti pada gambar berikut ini :

Gambar 2. Model tiruan neuron

Sebuah pemodelan neuron memiliki masukan Xp sebanyak p, yang berasal dari sel
lain atau dari inputan luar (bukan dari neuron). Selanjutnya setiap inputan diberi
pembobot Wkp. Masing masing inputan Xp akan dikalikan dengan pembobot Wk
yang berkesesuaian. Untuk semua hasil perkalian akan dijumlahkan sebagaimana
pada persamaan dibawah ini :
(1)
dan hasil persamaan tersebut akan menjadi masukan bagi fungsi aktivasi untuk
mendapatkan tingkat derajat sinyal keluaran pada neuron, dimana terdapat
bermacam-macam jenis fungsi aktivasi. Untuk jenis fungsi sigmoid dapat
dideskripsikan dengan persamaan :
(2)

dengan grafik yang ditunjukkan sebagai berikut :

Gambar 3. Grafik fungsi sigmoid

Pada umumnya sinyal fungsi aktivasi yang dikeluarkan tiap neuron berbeda, hal ini
dikarenakan berbedanya nilai bobot yang diterima tiap neuron berbeda.

56
Pemodelan jaringan pada syaraf tiruan sering dikategorikan menjadi tiga yaitu :
Single layer, multi layer dan competitve layer. Namun pada pembahasan kali ini hanya
akan dibahas single layer dan multi layer, karena mengingat kaidah pelatihannya
menggunakan algoritma backpropagation. Secara umum , tiap unit pada lapisan
(Layer) yang sama atau dapat kita sebut neuron mempunyai tingkah laku yang sama
untuk pemrosesan sinyal data. Hanya hal terpenting yang perlu diperhatikan adalah
penentuan penggunaan jenis fungsi aktifasi pada masing-masing unit pada lapisan
tersebut dan pola koneksi pembobot antar lapisan. Namun biasanya unit pada lapisan
yang sama mempunyai jenis fungsi aktifasi yang sama dan pola koneksi pembobot
yang sama pula.

Untuk pemilihan jumlah layer bukan berarti pemilihan layer untuk neuron, namun
pemilihan layer untuk penghubung jalur pembobot antar neuron. Jadi variabel
terpenting untuk pengenalan pola adalah pembobotnya.

Faktor Keberhasilan Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan mengalami booming dan diminati beberapa tahun
terakhir ini, dan sangat sukses digunakan untuk memecahkan berbagai masaalah
dalam berbagai disiplin ilmu seperti : bidang finansial, kedokteran, teknik, geologi
dan fisika. Lebih jauh lagi, bahwa sesuatu masaalah dengan menggunakan
Jaringan Syaraf Tiruan dapat diprediksi, dikelompokkan dan dikontrol.
Ada beberapa faktor yang mendukung keberhasilan tersebut antara lain :

Handal. Jaringan Syaraf Tiruan adalah teknik pemodelan yang sangat
memuaskan yang dapat membuat model suatu fungsi yang sangat kompleks.
Khususnya Jaringan Syaraf Tiruan nonlinear. Sejak beberapa tahun, model
linear umumnya digunakan dimana model linear dikenal dengan strategi
optimasi. Jaringan Syaraf Tiruan juga menggunakan model nonlinear dengan
berbagai variabel.
Mudah digunakan. Jaringan Syaraf Tiruan dipelajari dengan contoh.
Pengguna Jaringan Syaraf Tiruan mengumpulkan data dan melakukan
pembelajaran algoritma untuk mempelajari secara otomatis struktur data,
sehingga pengguna tidak memerlukan pengetahuan khusus mengenai bagaimana
memilih dan mempersiapkan data, bagaimana memilih Jaringan Syaraf Tiruan
yang tepat, bagaimana membaca hasil, tingkatan pengetahuan yang diperlukan
untuk keberhasilan Menggunakan Jaringan Syaraf Tiruan tidak lebih dari
pemecahan masalah yang menggunakan metode statistik nonlinear yang telah
dikenal.

Aplikasi Jaringan Syaraf Tiruan

57

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah
hubungan antara variabel predictor (independents, inputs) dan variabel predicted
(dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak
mudah untuk menjelaskan kedalam istilah yang umum dari correlations atau
differences between groups.

Kegunaan
Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau pekerjaan yang
kurang praktis jika dikerjakan secara manual.

Kegunaan Dalam Kehidupan Nyata
Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan
modeling.
Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil
keputusan dalam pengurutan.
Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
Robotik

Kesimpulan
Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak
kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili
pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan
Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak
manusia. Berikut ini beberapa keunggulan dari Jaringan Syaraf Tiruan adalah :
- Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan
yang didasarkan atas data yang diberikan pada saat pembelajaran atau
dari pengalaman sebelumnya.
- Self-Organisation: Dapat membuat organisasi sendiri atau me-
representasikan informasi yang didapat pada saat pembelajaran.
- Real Time Operation: Dapat menghasilkan perhitungan parallel dan
dengan device hardware yang khusus yang dibuat akan memberikan
keuntungan dengan adanya kemampuan tersebut.
- Fault Tolerance melalui Redundant Information Coding: Kerusakan pada
bagian tertentu dari jaringan akan mengakibatkan penurunan
kemampuan.
- Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan
besar pada jaringan.
- Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang
dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu
merumuskan kaidah atau fungsinya. Jaringan Syaraf Tiruan akan

58
belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian
Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah
yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak
diketahui.
- Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang
rumit telah dibuktikan dalam berbagai macam penelitian.


59

DAFTAR PUSTAKA
Ilmukomputer.com

http://id.wikipedia.org

http://eprints.undip.ac.id/2226/1/1_Sarwadi_-_Anjar_Krismi.pdf

Membangun Jaringan Syaraf Tiruan, Sri Kusumadewi, 2004, Graha Ilmu,
Yogyakarta

Neural Network by Nikolay Nikolaef
http://homepages.gold .ac.uk/nikolaef/cis311.html.course_outline_for_fall_2004

Sukses Beralgoritma

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sukses Beralgoritma

Diunggah oleh

Hak Cipta:

Format Tersedia

SUKSES BERALGORITMA

adalah unsur terakhir dari

, maksudnya adalah tereksekusi

(jumlah / panjang data dibagi dua) yang tereksekusi.

= 3 namun yang hanya terkeksekusi adalah

dimana nilai t juga tergantung

yang tereksekusi dan bernilai benar, misalnya pada barisan 25,25,25,31

, maksudnya adalah tereksekusi

dimana nilai t sangat tergantung

(jumlah / panjang data dibagi dua) yang terkesekusi.

pada awal melainkan

dimana nilai t juga tergantung

yang tereksekusi dan bernilai benar, misalnya pada barisan 21,21,21,31

=2 bernilai benar (ada True).

akan mengeksekusi semua unsur ini secara berulang sebanyak

dengan k adalah bilangan

. Kompleksitas waktu dihitung dari jumlah perbandingan dengan elemen-

Sukses beralgoritma 2012

Anda mungkin juga menyukai