Anda di halaman 1dari 28

Source :

http://sanjoyo55.files.wordpress.com/2008/11/non-linier-gen-algol.pdf
pli!asi lgoritma
"eneti!a
S#$%&%
$'#( 200)
*endahuluan 1
1.1 +atar ,ela!ang . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 *erumusan -asalah . . . . . . . . . . . . . . . . . . . . . . . 2
1.. /ujuan 0!sperimen . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1 -etode 0!sperimen . . . . . . . . . . . . . . . . . . . . . . . 2
2aftar (si
1
2 /eori *endu!ung 1
2.1 S!ema *eng!odean . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 #ilai 3itness . . . . . . . . . . . . . . . . . . . . . . . . . . . . )
2.. Sele!si %rang /ua . . . . . . . . . . . . . . . . . . . . . . . . )
2.1 *indah Silang 45ross-o6er 7 . . . . . . . . . . . . . . . . . . . 8
2.5 -utasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.) 0litisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
. *rosedur 0!sperimen 11
1 :asil 0!sperimen dan nalisis 11
1.1 3ungsi *rodu!si 5o;;- 2auglas . . . . . . . . . . . . . . . . 11
1.1.1 +east S<uare 0rror . . . . . . . . . . . . . . . . . . . 15
1.1.2 -a!simum +i!elihood . . . . . . . . . . . . . . . . . . 1)
1.2 3ungsi *rodu!si 50S . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 +east S<uare 0rror . . . . . . . . . . . . . . . . . . . . 18
1.2.2 -a!simum +i!elihood . . . . . . . . . . . . . . . . . . 18
1.. -odel /er;ai! . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5 =esimpulan 21
+ampiran
i
22
,a; 1
*endahulua
n
1.1 +atar
,ela!ang
*ena!siran model >egresi #on-+inier dengan mengguna!an metode iterasi
dengan lgoritma "ause-#ewton dalam mengestimasi parameter fungsi pro-
du!si 5o;;-2auglas maupun fungsi produ!si 50S? masih menyisa!an per-
tanyaan tentang jaminan tentang terjadinya !on6ergensi? apa!ah nilai op-
timum yang diperoleh ;enar-;enar se;agai glo;al optimum. Selain itu?
metode iterasi terse;ut sangat sulit untu! menentu!an nilai awal yang
men- capai !on6ergensi dan diperlu!an trial error.
lgoritma "eneti!a adalah salah satu pende!atan untu! menentu!an
glo;al optimum yang didasari oleh /eori 2arwin. Secara garis ;esar lang!ah
dalam prosedur ini dimulai dengan menetap!an suatu set solusi poten-
sial dan mela!u!an peru;ahan dengan ;e;erapa iterasi dengan algoritma
geneti!a untu! mencapat solusi ter;ai!. Set solusi potensial ini ditetap-
!an diawal dan dise;ut dengan !romosom. =romosom ini di;entu! secara
random ;erupa susunan ang!a ;inary yang di-generate dan dipilih. =eselu-
ruhan set dari !romosom yang dio;ser6asi mewa!ili suatu populasi.
=emudian? !romosom-!romosom terse;ut a!an ;ere6olusi dalam ;e;er-
apa tahap iterasi yang dise;ut dengan generasi. "enerasi ;aru 4osprings7
di-generate dengan te!ni! !awin silang 4crosso6er7 dan mutasi 4mutation7.
5ross o6er meliputi pemecahan 4splitting7 dua !romosom dan !emudian
meng!om;inasi!an setengah ;agian dari masing-masing !romosom dengan
pasangan-pasangan lainnya. Sedang!an mutasi meliputi penggantian 4flip-
ping7 satu ;it 4;agian7 dari !romosom dengan satu ;agian lain dari !romo-
1
,, 1. *0#2:'+'# 2
som lain yang menjadi pasangannya. =romosom-!romosom ini
selanjutnya ;ere6olusi dengan suatu !riteria !esesuaian 4fitness7 yang
ditetap!an dan hasil ter;ai! a!an dipilih sementara yang lainnya
dia;ai!an.
Selanjutnya? proses dila!u!an ;erulang-ulang sampai dengan suatu !ro-
mosom yang mempunyai !esesuaian ter;ai! 4;est fitness7 a!an diam;il se-
;agai solusi ter;ai! dari permasalahan. =eunggulan dari algoritma geneti!a
adalah ;erproses sangat ;ai! untu! glo;al optimi@ation !hususnya ;ilamana
fungsi o;je!tif adalah dis!ontinu atau mempunyai ;e;erapa local minima.
1.2 *erumusan
-asalah
*ermasalahan yang dihadapi dalam e!sperimen ini adalah se;agai ;eri!ut:
1. ,agaimana pena!siran model fungsi produ!si 5o;;-2ouglas dan fungsi
produ!si 50S dengan metode lgoritma "eneti!aA
2. ,agaimana simulasi dila!u!an agar dapat diperoleh glo;al optimumA
.. ,agaimana pena!siran pemilihan model ter;ai! dengan metode lgo-
ritma "eneti!aA
1.. /ujuan
0!sperimen
/ujuan e!perimen ini adalah untu! mengapli!asi!an lgoritma
"eneti!a pada proses pena!siran model fungsi 5o;;-2ouglas dan 50S .
:asil dari lgoritma "eneti!a diharap!an ;erupa nilai yang dianggap
paling optimum dan memenuhi fungsi tujuan. dapun fungsi tujuannya
adalah memini- mum!an least s<uare dan mema!simum!an li!elihood
function untu! setiap model 52 dan 50S.
1.1 -etode
0!sperimen
-etode yang a!an diguna!an dalam e!sperimen ini? pertama dengan mema-
hami !onsep lgoritma "eneti!a dari literatur? referensi dan catatan !uliah.
=edua? mempelajari hasil pra!te! program apli!asi algoritma geneti!a di
!elas dan memodifi!asi program sesuai dengan tujuan dari e!sperimen ini.
,, 1. *0#2:'+'# .
=etiga? menjalan!an e!perimen ini dengan apli!asi yang telah
dimodifi!asi
,, 1. *0#2:'+'# 1
;erdasar!an data fungsi produ!si sesuai dengan tugas !e dua yang telah
di;eri!an. *rogram apli!asi lgoritma "eneti!a ditulis dalam ;ahasa pro-
gram -atla; 8.0.1. :asil e!sperimen yang diperoleh !emudian a!an di!aji
dan dianalisa.
,a; 2
/eori *endu!ung
Seja! algortima geneti!a 4"7 pertama !ali dirintis oleh $ohn :olland dari
'ni6ersitas -ichigan pada tahun 19)0-an? " telah diapli!asi!an
secara luas pada ;er;agai ;idang. " ;anya! diguna!an untu!
memecah!an masalah optimasi? walaupun pada !enyataannya juga memili!i
!emampuan yang ;ai! untu! masalah- masalah selain optimasi. $ohn
:olland meny- ata!an ;ahwa setiap masalah yang ;er;entu! adaptasi
4alami maupun ;u- atan7 dapat diformulasi!an dalam terminologi geneti!a.
lgoritma geneti!a adalah simulasi dari proses e6olusi 2arwin dan operasi
geneti!a atas !ro- mosom.
*ada algoritma geneti!a? te!ni! pencarian dila!u!an se!aligus atas
se- jumlah solusi yang mung!in di!enal dengan istilah populasi. (ndi6idu
yang terdapat dalam satu populasi dise;ut dengan istilah !romosom.
=romo- som ini merupa!an suatu solusi yang masih ;er;entu! sim;ol.
*opulasi awal di;angun secara aca!? sedang!an populasi ;eri!utnya
merupa!an hasil e6olusi !romosom-!romosom melalui iterasi yang dise;ut
dengan generasi. *ada setiap generasi? !romosom a!an melalui proses
e6aluasi dengan meng- guna!an alat u!ur yang dise;ut dengan fungsi fitness.
#ilai fitness dari suatu !romosom a!an menunju!!an !ualitas dari !romosom
dalam populasi terse-
;ut. "enerasi ;eri!utnya di!enal dengan istilah ana! 4ospring7 ter;entu!
dari ga;ungan dua !romosom generasi se!arang yang ;ertinda! se;agai in-
du! 4parent7 dengan mengguna!an operator penyilangan 4crosso6er7.Selain
operator penyilangan? suatu !romosom dapat juga dimodifi!asi dengan meng-
guna!an operator mutasi. *opulasi generasi yang ;aru di;entu! dengan
cara menyele!si nilai fitness dari !romosom indu! 4parent7 dan nilai fitness
1
,, 2. /0%>( *0#2'='#" 5
dari !romosom ana! 4ospring7? serta menola! !romosom-!romosom yang
lainnya sehingga u!uran populasi 4jumlah !romosom dalam suatu popu-
lasi7 !onstan. Setelah melalui ;e;erapa generasi? ma!a algoritma ini a!an
!on6ergen !e !romosom ter;ai!.
da tiga !eunggulan dari apli!asi lgoritma "eneti!a dalam proses
optimasi? yaitu:4a7 lgoritma "eneti!a tida! terlalu ;anya! memerlu!an
persyaratan matemati!a dalam penyelesaian proses optimasi. lgoritma
"eneti!a dapat diapli!asi!an pada ;e;erapa jenis fungsi o;ye!tif dengan
;e;erapa fungsi pem;atas ;ai! ;er;entu! linier maupun non-linierB 4;7 %p-
erasi e6olusi dari lgoritma "eneti!a sangat efe!tif untu! mengo;ser6asi
posisi glo;al secara aca!B dan 4c7 lgoritma "eneti!a mempunyai fle!si;ili-
tas untu! diimplementasi!an secara efisien pada pro;lemati!a tertentu.
,eri!ut ini penjelasan sistim operasi algoritma geneti!a yang sum;er
utamanya ;erasal dari Suyanto? &ingsong Cheng dan Sumio =iyoo!a serta
catatan !uliah e!onometri! .? se;agai ;eri!ut:
2.1 S!ema
*eng!odean
-isal!an !ita ingin memecah!an masalah optimasi fungsi produ!si 5o;;-
2auglas yaitu y D E
1
+
E
2
=
E
.
dengan sample yang ada untu! + dan =
;erapa nilai E
1
? E
2
? E
.
dengan fungsi tujuan meminimum!an least s<uare
atau mema!simum!an fungsi li!elihood. 2eng!ian pula untu! persoalan
yang sama pada fungsi produ!si 50S. *ersoalan terse;ut dapat diselesai!an
dengan "? yaitu: !etiga parameter E
1
? E
2
? E
.
di!ode!an dalam !romosom.
-asing- masing !romosom ;erisi sejumlah gen? yang meng!ode!an infor-
masi yang disimpan di dalam !romosom. -isal!an untu! memudah!an
diguna!an ;inary encoding dengan panjang !romosom 12 gen 412 ;its7?
masing-masing parameter E
1
? E
2
? E
.
di!ode!an dengan 1 gen? sehingga dapat
diilustrasi!an s!ema peng!odean pada "am;ar 1 di;awah ini:
"am;ar 1: S!ema ,inary 0ncoding
*arameter E
1
FG@H
E
2
FG@H
E
.
FG@H
,inary num;er 1 0 1 1 1 1 1 0 1 0 1 0
g
1
g
1
g
5
g
8
g
9
g
12
2ecimal num;er 11 11 .
,ilamana nilai parameter yang a!an !ita cari mempunyai !onstraint
1

2
n
I17
yaitu a J E J ; ma!a ;erdasar!an ;inary encoding? nilai parameter dapat
diperoleh dengan formula :E D a K E
dec
4
4;Ia7
7 dan misal!an n adalah
;anya!nya gen 4;its7 yaitu 1 untu! setiap parameter dan !ontraint 0 J E
J
1 ? sehingga:
E D 0 K 11 4
1I0
7 D 0? 8...
2
1
I1
E D 0 K 11 4
1I0
7 D 0? 9...
2
1
I1
E D 0 K . 4
1I0
7 D 0? 2
2
1
I1
Setetelah s!ema peng!odean ditentu!an? " diinisialisasi untu! se;uah
populasi dengan # !romosom. "en-gen yang mengisi masing- masing !ro-
mosom di;ang!it!an secara random. -asing- masing !romosom a!an di!o-
de!an menjadi indi6idu dengan nilai fitness tertentu. =emudian se;uah pop-
ulasi ;aru a!an di;entu! dengan mengguna!an me!anisme sele!si alamiah?
yaitu memilih indi6idu- indi6idu secara proporsional terhadap nilai fitness -
nya? dan geneti!a alamiah? ya!ni pindah silang 4crosso6er7 dan mutasi.
*ada algoritma geti!a yang a!an diguna!an adalah dengan s!ema per-
gantian populasi yang dise;ut generational replacement? artinya? # !romo-
som dari suatu generasi diganti!an se!aligus oleh # !romosom ;aru hasil
pindah silang dan mutasi.
2.2 #ilai 3itness
Suatu indi6idu die6aluasi ;erdasar!an suatu fungsi tertentu se;agai u!uran
performansinya. 2i dalam e6olusi alam? indi6idu yang ;ernilai fitnes tinggi
yang a!an ;ertahan hidup. Sedang!an indi6idu yang ;ernilai fitness rendah
a!an mati. *ada masalah optimasi? solusi yang a!an dicari adalah mema!-
simum!an se;uah fungsi li!elihood dan meminimum!an least s<uare ;ai!
untu! fungsi produ!si 5o;;-2auglas maupun fungsi produ!si 50S.
2.. Sele!si %rang
/ua
*emilihan dua ;uah !romosom se;agai orang tua? yang a!an dipindah-
silang!an? ;iasanya dila!u!an secara proporsional sesuai dengan dengan nilai
fitness-nya. Suatu metoda sele!si yang umumnya diguna!an adalah roulette
wheel 4roda raoulette7. Sesuai dengan namanya? metoda ini meniru!an per-
mainan roulette wheel di mana masing-masing !romosom menempati po-
tongan ling!aran pada roda raulette secara proporsional sesuai dengan nilai
=omosom #ilai 3itness
=1 1
=2 2
=. 0?5
=1 0?5
$umlah 1
fitnessnya. =romosom yang memili!i nilai fitness le;ih ;esar menempati po-
tongan ling!aran yang le;ih ;esar di;anding!an dengan !romosom ;ernilai
fitness rendah.
"am;ar 2: 5ontoh penggunaan metoda roulette wheel selec-
tion.
=1 =1
=.
=2
-etoda raulette-wheel selection sangat mudah diimplementasi!an
dalam pemprograman. *ertama? di;uat inter6al nilai !umulatif dari nilai
fitness masing-masing !romosom. Se;uah !romosom a!an terpilih ji!a ;ilan-
gan random yang di;ang!it!an ;erada dalam inter6al !umulatifnya. *ada
"am;ar 2 di atas? =1 menempati inter6al !umulatif L0B0?25M? =2 ;erada
dalam inter6al 40?25B0?81M? =. dalam inter6al 40?85B0?885M dan =1 ;erada
dalam inter6al 40?885B1M. -isal!an? ji!a ;ilangan random yang di;ang!-
it!an adalah 0?) ma!a !romosom =2 terpilih se;agai orang tua. /etapi ji!a
;ilangan random yang di;ang!it!an adalah 0?9 ma!a !romosom =1 yang
terpilih.
2.1 *indah Silang 45ross-o6er
7
Salah satu !omponen yang paling penting dalam algoritma geneti! adalah
crosso6er atau pindah silang. Se;uah !romosom yang mengarah pada so-
lusi yang ;ai! dapat diperoleh dari proses memindah-silang!an dua ;uah
!romosom.
"am;ar .: 5ontoh *roses *indah Silang
E
1
FG@H
E
2
FG@H
E
.
FG@H
%rang tua 1 0 0 1 1 1 1 1 1 1 1 1 1
%rang tua 2 1 1 0 0 0 0 0 0 0 0 0 0
g
1
g
1
g
5
g
8
g
9
g
12
na! 1 0 0 0 0 0 0 0 0 0 0 0 0
na! 2 1 1 1 1 1 1 1 1 1 1 1 1
*indah silang juga dapat ;era!i;at ;uru! ji!a u!uran populasinya san-
gat !ecil. 2alam suatu populasi yang sangat !ecil? suatu !romosom dengan
gen-gen yang mengarah !e solusi a!an sangat cepat menye;ar !e !romosom-
!romosom lainnya. 'ntu! mengatasi masalah ini diguna!an suatu atu-
ran ;ahwa pindah silang hanya ;isa dila!u!an dengan suatu pro;a;ilitas
tertentu? artinya pindah silang ;isa dila!u!an hanya ji!a suatu ;ilangan
random yang di;ang!it!an !urang dari pro;a;ilitas yang ditentu!an terse-
;ut. *ada umumnya pro;a;ilita terse;ut diset mende!ati 1. *indah silang
yang paling sederhana adalah pindah silang satu titi! potong 4one-point
crosso6er7. Suatu titi! potong dipilih secara random? !emudian ;agian per-
tama dari orang tua 1 diga;ung!an dengan ;agian !edua dari orang tua 2
4terlihat pada gam;ar .7.
5rosso6er adalah operator lgoritma "eneti!a yang utama !arena ;erop-
erasi pada dua !romosom pada suatu wa!tu dan mem;entu! ospring den-
gan meng!om;inasi!an dua ;entu! !romosom. 5ara sederhana untu! mem-
peroleh crosso6er adalah dengan memilih suatu titi! yang dipisah!an secara
random dan !emudian mem;entu! ospring dengan cara
meng!om;inasi!an
segmen dari satu indu! !e se;elah !iri dari titi! yang dipisah!an dengan
segmen dari indu! yang lain !e se;elah !anan dari titi! yang dipisah!an.
-etode ini a!an ;erjalan normal dengan representasi ;it string. *erforma
dari lgoritma "eneti!a ;ergantung pada performa dari operator crosso6er
yang diguna!an.
5rosso6er rate merupa!an rasio antara jumlah ospring yang dihasil!an
pada setiap generasi terhadap luas populasinya. Sema!in tinggi crosso6er
rate a!an memung!in!an e!splorasi ruang solusi yang le;ih luas dan mere-
du!si !emung!inan jatuh pada !ondisi optimum yang salah. #amun mem-
;eri!an rate yang mem;eri!an !onse!uensi ma!in lamanya wa!tu
perhitun- gan yang diperlu!an se;agai a!i;at e!splorasi pada luas populasi
yang ada.
12
2.5 -utasi
-utasi dapat dila!u!an dari semua gen yang ada dengan pro;a;ilitas mutasi
tertentu. $i!a ;ilangan random yang di;ang!it!an !urang dari pro;a;ilitas
mutasi yang ditentu!an ma!a u;ah gen terse;ut menjadi nilai !e;ali!an
yang dalam hal ini? ;inary encoding? 0 diu;ah 1? dan 1 diu;ah 0. ,ila mana
pro;a;ilitas mutasi adalah 4
1
7 ma!a se;anya! 1 gen a!an dimutasi dari
!romosom yang terdiri dari 12 gen 4;its7. *ada algoritma geneti!a yang
sederhana? nilai pro;a;ilitas mutasi adalah tetap selama e6olusi. "am;ar 1
menunju!an proses mutasi yang terjadi pada gen
5
.
"am;ar 1: 5ontoh *roses -utasi
E
1
FG@H
E
2
FG@H
E
.
FG@H
=romosom asal 0 0 0 1 1 1 1 1 1 1 1 1
g
1
g
1
g
5
g
8
g
9
g
12
:asil mutasi 0 0 0 1 0 1 1 1 1 1 1 1
-utasi dapat di!ata!an se;agai operasi pendu!ung yang menghasil!an
peru;ahan secara aca! dan se!eti!a pada ;er;agai jenis !romosom. 5ara
mudah untu! mendapat!an mutasi dengan mengu;ah satu atau le;ih genes.
*ada lgoritma "eneti!a? mutasi memain!an peran penting? yaitu pertama?
mengganti!an genes yang hilang dari populasi selama proses sele!si? se-
hingga dapat diuji!an pada suatu !ondisi yang ;aru. =edua? menyedia!an
genes yang tida! ditampil!an pada populasi awal.
-utation rate menyata!an presentase dari total jumlah genes dalam
populasi. -utation rate ini mela!u!an !ontrol dimana genes ;aru dalam
populasi dapat diuji sele!si. $i!a rate terlalu !ecil a!an ;anya! genes yang
se;enarnya ;ermanfaat tetapi tida! pernah diuji sele!si. #amun ji!a rate
terlalu tinggi a!an terjadi random pertu;ation? yang ;era!i;at ospring
mu-
lai !ehilangan !emiripan dengan indu!nya dan lgoritma "eneti!a a!an
!ehilangan !emampuan untu! melihat urutan lang!ah o;ser6asinya.
2.) 0litisme
*roses sele!si dila!u!an secara random sehingga tida! ada jaminan ;ahwa
suatu ind6idu yang ;ernilai fitness tertinggi a!an selalu terpilih. Nalaupun
indi6idu ;ernilai fitness tertinggi terpilih? mung!in saja indi6idu terse;ut
a!an rusa! 4nilai fitnessnya menurun7 !arena proses pindah silang. %leh
!arena itu? untu! menjaga agar indi6idu ;ernilai fitness tertinggi terse;ut
tida! hilang selama e6olusi? ma!a perlu di;uat satu atau ;e;erapa !opinya.
*rosedure ini di!enal se;agai elitisme.
,a; .
*rosedur 0!sperimen
*ada e!sperimen dengan lgoritma "eneti!a dila!u!an lang!ah-
lang!ah se;agai ;eri!ut:
1. -enentu!an suatu initial populasi n yang di;entu! secara aca! dengan
l-;it !romosom se;agai !andidat solusi masalah.
2. -enge6aluasi fitness dengan menghitung fitness f 4O7 dari setiap !ro-
mosom O dalam populasi. *roses e6aluasi adalah dalam tiga tahap
yaitu:
P =on6ersi!an ;inary encoding menjadi real 6alue
P 06aluasi o;jecti6e function ;ai! dengan meminimum!an least
s<uare dan ma!simum li!elihood untu! fungsi produ!si 5o;;-
2auglas dan 50S.
P -enghitung nilai fitness e6al 46
!
7 untu! setiap !romosom 6
!
.,ila-
mana o;jecti6e function adalah minimum least s<uare ma!a yang
terpilih adalah nilai minimum dari fitness e6al? namun ;ila o;-
jecti6e function adalah ma!simum li!elihood ma!a yang dipilih
adalah nilai ma!simum fitness e6al
.. -encipta!an populasi ;aru 4generasi 27 dari yang ;erasal dari populasi
awal 4generasi 17 dengan tiga operator yaitu:
P -ereprodu!si 2 !romosom yaitu yang ter;ai! 4;est fitness7 per-
tama dan ter;ai! !edua dari generasi 1 untu! melanjut!an pada
generasi 2.
11
,, .. *>%S02'> 0=S*0>(-0# 12
p
!
D
e6al46
!
7
P -enghitung total fitness dari populasi? yaitu:
popQsi@e
3 D
*
!D1
e6al 46
!
7
P -enghitung peluang sele!si? p
!
untu! setiap !romosom 6
!
:
3
? ! D 1? 2? . . . ? popQsi@e
P -enghitung peluang !umulatif <
!
untu! setiap !romosom 6
!
:
!
<
!
D
*
p
j
? ! D 1? 2? . . . ?
popQsi@e
jD1
P *roses sele!si yang diguna!an adalah one-cut-point yang dipilih
secara random dan !emudian pada generasi 1 4parent7 2 !romo-
som yang ;erpasangan ditu!ar se;agian gennya 4proses crosso6er7
untu! memperoleh generasi 2 4ospring7. *roses ini ;erulang un-
tu! memperoleh 18 pasangan ospring dan 2 pasangan ter;ai!
dari parent 4;ilamana populasi adalah 207.
P -ela!u!an proses mutasi dari 18 pasangan ospring 42 pasangan
ter;ai! tida! dila!u!an mutasi7 dengan meru;ah gen 0 menjadi
satu atau 1 menjadi 0 dan ;anya!nya gen yang diru;ah ;ergan-
tung pada mutation rate.
1. /ercipta populasi generasi !e dua.
5. *roses terse;ut diatas ;erulang-ulang sampai dengan 10 ri;u generasi
atau 15 ri;u generasi.
2ata yang diguna!an adalah se;agaiman yang diguna!an pada /ugas
2 yaitu data produ!si suatu !omoditi 4y7 dengan input yang diguna!an
adalah !apital 4= 7 dan tenaga !erja 4+7 4data terlampir ;ersama program7.
-odel statisti! non-linier ;er;entu!: y D f 4O? E7 K e. 2engan data
terse;ut a!an diestimasi parameter fungsi produ!si 5o;; 2ouglas 4527 dan
5onstant 0lasticity of Su;stitution 450S7 dengan algoritma geneti!a.
,ai! untu!
fungsi 5o;;-2auglas maupun 50S? dimana e

# 40? R
2
(
/
7.
3ungsi produ!si 52 adalah se;agai ;eri!ut:
y D E
1
+
E
2
=
E
.
sedang!an untu! fungsi 50S dalam ;entu! ;eri!ut:
y D E
1
LE
2
+
E
.
K 41 E
2
7=
E
.
M
E
1
/E
.
Sedang!an fungsi o;je!tif untu! minimalisasi least s<ure adalah:
S D Ly f 4S? E7M
0
Ly f 4S?
E7M
dan fungsi o;je!tif untu! mema!simum!an fungsi li!e lihood adalah:
/ / /
+ D

2
log 2T

2
log 4y

OE7
0
4y

OE7 //

2
'ntu! pemilihan model ter;ai! diguna!an persamaan !ai!e (nforma-
tion 5riteria 4(57 dan Schwart 5riteria 4S57 untu! menentu!an model
yang paling sesuai atau efisien untu! masing-masing pende!atan. *erhi-
tungan (5 dan S5 untu! ma!simum li!elihood a!an mengguna!an rumus
;eri!ut ini:
( 5 D 2 log maOimum li!elihood K 24Uparameters7
S5 D 2 log maOimum li!elihood K 4log4/ 774Uparameters7
Sedang!an *erhitungan (5 dan S5 untu! +east S<uare a!an menggu-
na!an rumus ;eri!ut ini:
( 5 D log4e
0
e// 7 K 24Uparameters7// dimana e
0
s D S
S5 D log4e
0
e// 7 K 4/ log4Uparameters7// 7 dimana e
0
s D S
,a; 1
:asil 0!sperimen
dan
nalisis
1.1 3ungsi *rodu!si 5o;;-
2auglas
2ata yang diguna!an adalah sesuai dengan /ugas 2 yaitu data produ!si
suatu !omoditi 4y7 dengan input yang diguna!an adalah !apital 4= 7 dan
tenaga !erja 4+7 4data terlampir ;ersama program7. -odel statisti! non-
linier ;er;entu!: y D f 4O? E7 K e. 2engan data terse;ut a!an
diestimasi parameter fungsi produ!si 5o;; 2ouglas 4527 dengan algoritma
geneti!a. 3ungsi produ!si 5o;;-2auglas adalah se;agai ;eri!ut:
y D E
1
+
E
2
=
E
.
Sedang!an fungsi o;je!tif untu! minimalisasi least s<ure error adalah:
S D Ly f 4S? E7M
0
Ly f 4S?
E7M
dan fungsi o;je!tif untu! mema!simum!an fungsi li!e lihood adalah:
/ / /
+ D

2
log 2T

2
log 4y

OE7
0
4y

OE7 //

2
2alam e!perimen ini a!an dila!u!an 2 simulasi? yaitu? simulasi pertama
adalah dengan mengguna!an 10 ri;u generasi dan dengan mutasi rate se;e-
sar 0?0.? sedang!an untu! simulasi !edua adalah dengan mengguna!an 15
ri;u generasi dan mutation rate se;esar 0?02.
11
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 15
1.1.1 +east S<uare 0rror
:asil e!perimen untu! 2 simulasi dalam mela!u!an estimasi parameter E
dengan fungsi o;je!tif adalah meminimum!an sum of s<uare error
4least s<uare error7 dapat disaji!an dalam ta;el-ta;el ;eri!ut ini:
/a;el 1. :asil 0stimasi 5o;;-2auglas dg +east S<uare
Simulasi 1: Simulasi 2:
generationQn D 10000B generationQn D 15000B
popuSi@e D 50B popuSi@e D 50B
Oo6erQrate D 1.0B Oo6erQrate D 1.0B
mutateQrate D 0.0.B mutateQrate D 0.02B
;itQn D 10B ;itQn D 10B
range D L0 2B 0 1B 0 1MB range D L0 2B 0 1B 0 1MB
Simulasi 1 Simulasi 2
E
1
1.180918 1.1)8819
E
2
0..81022 0..85000
E
.
0.585195 0.5850)0
S 4E7 0.5)115. 0.5)11)8
(5 ..8881 ..8881
S5 8..05)0 8..05)0
Simulasi pertama mulai !on6ergen pada generasi !e 9810 4output ter-
lampir ;e;erapa halaman saja7? sedang!an simulasi !e dua !on6ergen mulai
pada generasi yang !e 8119. ,erdasar!an !riteria (5 dan S5 ma!a hasil
!edua simulasi terse;ut menunju!an nilai yang sama 4mung!in digit !e
lima dan seterusnya di;ela!ang !oma a!an menunju!an nilai yang ;er;eda7.
#a- mun demi!ian? simulasi pertama mempunyai nilai sum of s<ure LS4E7M
le;ih rendah dari simulasi !e dua? ma!a dalam hal ini model ter;ai! adalah
untu! simulasi pertama yaitu:
y D 1.180918 +
0..81022
=
0.585195
41.17
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 1)
1.1.2 -a!simum
+i!elihood
Sedang!an? untu! mela!u!an estimasi parameter E dengan fungsi o;je!-
tifnya adalah ma!simum +i!elihood ? hasil e!sperimen-e!sperimen disaji!an
dalam /a;el 2 se;agai ;eri!ut :
/a;el 2. :asil 0stimasi 5o;;-2auglas dg -a!simum
+i!elihood
Simulasi 1: Simulasi 2:
generationQn D 10000B generationQn D 15000B
popuSi@e D 50B popuSi@e D 50B
Oo6erQrate D 1.0B Oo6erQrate D 1.0B
mutateQrate D 0.0.B mutateQrate D 0.02B
;itQn D 10B ;itQn D 10B
range D L0 2B 0 1B 0 1MB range D L0 2B 0 1B 0 1MB
Simulasi 1 Simulasi 2
E
1
1.500000 1.1851.9
E
2
0..)81.9 0..85000
E
.
0.5)992. 0.5825)9
+4E7 -1..915119 -1..911288
(5 ...8.08 ...828)
S5 .8.0.11 .8.0.21
Simulasi pertama mulai !on6ergen pada generasi !e .)11 4output ter-
lampir ;e;erapa halaman saja7? sedang!an simulasi !e dua !on6ergen mulai
pada generasi yang !e 1895. ,erdasar!an !riteria (5 dan S5 ma!a hasil
!edua simulasi terse;ut menunju!an nilai yang sama 4mung!in digit !e
lima dan seterusnya di;ela!ang !oma a!an menunju!an nilai yang ;er;eda7.
#a- mun demi!ian? simulasi !edua le;ih !ecil dari simulasi pertama? ma!a
dalam hal ini model ter;ai! adalah untu! simulasi !edua yaitu:
y D 1.1851.9 +
0..85
=
0.5825)9
41.27
Simulasi 2:
generationQn D 15000B
popuSi@e D 50B
Oo6erQrate D 1.0B
mutateQrate D 0.02B
;itQn D 10B
range D L0 2B 0 1B 0 1MB
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 18
1.2 3ungsi *rodu!si
50S
2emi!ian pula? data yang diguna!an adalah sesuai dengan /ugas 2 yaitu
data produ!si suatu !omoditi 4y7 dengan input yang diguna!an adalah !ap-
ital 4= 7 dan tenaga !erja 4+7 4data terlampir ;ersama program7.
-odel statisti! non-linier ;er;entu!: y D f 4O? E7Ke. 2engan data terse;ut
a!an di- estimasi parameter fungsi produ!si 50S dengan algoritma geneti!a.
3ungsi produ!si 50S adalah se;agai ;eri!ut:
y D E
1
LE
2
+
E
.
K 41 E
2
7=
E
.
M
E
1
/E
.
Sedang!an fungsi o;je!tif untu! minimalisasi least s<ure error adalah:
S D Ly f 4S? E7M
0
Ly f 4S?
E7M
dan fungsi o;je!tif untu! mema!simum!an fungsi li!elihood adalah:
/ / /
+ D

2
log 2T

2
log 4y

OE7
0
4y

OE7 //

2
2emi!ian pula? dalam e!perimen ini juga a!an dila!u!an 2 simulasi?
yaitu? simulasi pertama adalah dengan mengguna!an 10 ri;u generasi dan
dengan mutasi rate se;esar 0?0.? sedang!an untu! simulasi !edua adalah
dengan mengguna!an 15 ri;u generasi dan mutation rate se;esar 0?02.
1.2.1 +east S<uare 0rror
:asil estimasi parameter E dengan fungsi o;je!tifnya adalah meminimum!an
sum of s<uare error 4least s<uare error7 diperoleh hasil yang disaji!an dalam
/a;el . yaitu se;agai ;eri!ut ini:
/a;el .. :asil 0stimasi 50S dg +east S<uare
Simulasi 1:
generationQn D 10000B
popuSi@e D 50B
Oo6erQrate D 1.0B
mutateQrate D 0.0.B
;itQn D 10B
range D L0 2B 0 1B 0 1MB
Simulasi 2:
generationQn D 15000B
popuSi@e D 50B
Oo6erQrate D 1.0B
mutateQrate D 0.02B
;itQn D 10B
range D L0 2B 0 1B 0 1MB
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 18
Simulasi 1 Simulasi 2
E
1
1..59.85 1..85000
E
2
0..88881 0..88181
E
.
0..20.1. 0.299859
E
1
0.992099 0.985805
S 4E7 0.521111 0.521182
(5 ..880) ..8801
S5 )1.191. )1.1912
Simulasi pertama mulai !on6ergen pada generasi !e .005 4output ter-
lampir ;e;erapa halaman saja7? sedang!an simulasi !e dua !on6ergen mulai
pada generasi yang !e 1.)25. ,erdasar!an !riteria (5 dan S5 ma!a hasil
simulasi !edua le;ih !ecil dari simulasi pertama? ma!a dalam hal ini model
ter;ai! adalah untu! simulasi !edua yaitu:
y D 1..85 L0..88181 +
0.299859
K 41

0..881817 =
0.299859
M
0.985805 / 0.299859
41..7
dari simulasi terse;ut menunju!an ;ahwa untu! menjacapai glo;al
optimum diperlu!an generasi yang le;ih panjang.
1.2.2 -a!simum
+i!elihood
Sedang!an untu! mela!u!an estimasi parameter E dengan proses optimisasi
fungsi o;je!tifnya yaitu ma!simum +i!elihood? ma!a hasil e!sperimen dis-
aji!an dalam /a;el 1 di;awah ini:
/a;el 1. :asil 0stimasi 50S dg -a!simum +i!elihood
Simulasi 1:
generationQn D 10000B
popuSi@e D 50B
Oo6erQrate D 1.0B
mutateQrate D 0.0.B
;itQn D 10B
range D L0 2B 0 1B 0 1MB
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 19
Simulasi 1 Simulasi 2
E
1
1..85000 1..8890)
E
2
0..89..) 0..891)2
E
.
0..0))11 0..01819
E
1
0.9858.2 0.9812)9
+4E7 -1..889005 -1..8890)2
(5 .5.8580 .5.8581
S5 11..)29 11..)29
Simulasi pertama mulai !on6ergen pada generasi !e 5182 4output ter-
lampir ;e;erapa halaman saja7? sedang!an simulasi !e dua !on6ergen mulai
pada generasi yang !e 1.5)1. ,erdasar!an !riteria (5 dan S5 ma!a hasil
simulasi pertama le;ih !ecil dari simulasi !edua? ma!a dalam hal ini model
ter;ai! adalah untu! simulasi pertama yaitu:
y D 1..85 L0..89..) +
0..0))11
K 41

0..89..)7 =
0..0))11
M
0.9858.2 / 0..0))11
41.17
1.. -odel
/er;ai!
'ntu! memilih model ter;ai! pada umumnya diguna!an !riteria (5 dan
S5. #amun dalam hal ini perhitungan nilai (5 dan S5 ;erdasar!an nilai
3itness dari operasi algoritma geneti! yang mana mempunyai o;jecti6e func-
tion yang ;er;eda antara least s<uare error dengan ma!simum li!elihood.
%leh !arena itu? menurut hemat !ami walaupun dengan !riteria (5 dan
S5? tida! dapat mem;anding!an antar metoda least s<uare error dan
ma!- simum li!elihood. Sehingga yang dapat dila!u!an adalah
mem;ading!an fungsi produ!si 52 dan 50S dengan metoda yang sama.
2engan nilai fitness algoritma geneti!a ;erdasar!an fungsi tujuan least
s<ure error? ma!a ;ila !ita perlu mem;anding!an persamaan L1.1M dengan
persamaan L1..M yaitu:
P -odel 52 pada persamaan L1.1M dengan (5D..8881 dan S5D8..05)0
4simulasi 1 ter;ai!7B
,, 1. :S(+ 0=S*0>(-0# 2# #+(S(S 20
P -odel 50S pada persamaan L1..M dengan (5D..8801 dan ,5D)1.1912
4simulasi 2 ter;ai!7B
P #ilai (5 dan ,5 untu! persamaan L1..M dan pada persamaan L1.1M
tida! !onsintenB untu! nilai (5 persamaan L1.1M le;ih !ecil? namun
untu! nilai ,5 persamaan L1..M yang le;ih !ecil.
P ,erdasar!an per;andingan diatas ma!a dengan mengguna!an least
s<uare error se;agai fungsi tujuan tida! dapat memutus!an model
mana yang ter;ai!
2engan nilai fitness algoritma geneti!a ;erdasar!an fungsi tujuan ma!-
simum li!elihood? ma!a ;ila !ita perlu mem;anding!an persamaan L1.2M
dengan persamaan L1.1M yaitu:
P -odel 52 pada persamaan L1.2M dengan (5D ...828)dan S5D.8.0.21
4simulasi 2 ter;ai!7B
P -odel 50S pada persamaan L1.1M dengan (5D.5.8580 dan ,5D11..)29
4simulasi 1 ter;ai!7B
P #ilai (5 dan ,5 untu! -odel 52 persamaan L1.2M le;ih !ecil dari
pada -odel 50S persamaan L1.1MB
P %leh =arena model ter;ai! adalah -odel 52 persamaan L1.2M? yaitu:
y D 1.1851.9 +
0..85
=
0.5825)9
,erdasar!an nilai-nilai terse;ut? terlihat ;ahwa fungsi 52 memili!i nilai
(5 dan S5 yang le;ih !ecil? sehingga dapat disimpul!an ;ahwa? input data
yang telah di;eri!an le;ih sesuai dengan fungsi 52. tau dengan per!ataan
lain? ;erdasar!an data yang ada? fungsi 52 le;ih efisien dengan data yang
di;eri!an di;anding!an dengan fungsi 50S. ,ila di;anding!an antar metoda
pena!siran algoritma geneti!a ;ahwa fitness function dengan mengguna!an
fungsi tujuan ma!simum li!elihood le;ih ;ai! dari pada mengguna!an least
s<uare error.
,a; 5
=esimpulan
1. ,e;erapa !esimpulan dapat diperoleh ;erdasar!an hasil perhitungan
dan analisa untu! dua fungsi produ!si se;agai ;eri!utB
2. 2engan menguna!an algortima geneti!a dan data tersedia untu! pe-
na!siran parameter fungsi produ!si 52 dan 50S ;ai! yang dila!u!an
melalui fungsi tujuan least s<uare dan maOimum li!elihood diperoleh
empat persamaan ter;ai!:
P -odel 52 dengan least s<uare method : y D 1.180918 +
0..81022
=
0.585195
P -odel 52 dengan -a!simum +i!elihood: y D 1.1851.9 +
0..85
=
0.5825)9
P -odel 50S dengan least s<uare method : y D 1..85 L0..88181
+
0.299859
K 41 0..881817 =
0.299859
M
0.985805 / 0.299859
P -odel 50S dengan -a!simum +i!elihood: y D 1..85 L0..89..)
+
0..0))11
K 41 0..89..)7 =
0..0))11
M
0.9858.2 / 0..0))11
.. ,erdasar!an !riteria (5 dan S5 dari !eempat model yang ter;ai!
adalah : -odel 5o;;-2aouglas y D 1.1851.9 +
0..85
=
0.5825)9
1. -etoda pena!siran algoritma geneti!a dengan fitness yang menggu-
na!an fungsi tujuan ma!simum li!elihood le;ih ;ai!? dari pada fitnes
yang mengguna!an fungsi tujuan least s<uare error.
5. *ada umumnya diperlu!an proses penciptaan generasi ;aru yang le;ih
;anya! untu! mencapai glo;al optimum.
21
+ampiran
2aftar +ampiran
1. *rogram dan %utput -/+, untu! *ena!siran -odel 52 dengan
+east S<uare -ethod.
2. *rogram dan %utput -/+, untu! *ena!siran -odel 52 dengan
-aOimum +i!elihood -ethod.
.. *rogram dan %utput -/+, untu! *ena!siran -odel 50S dengan
+east S<uare -ethod.
1. *rogram dan %utput -/+, untu! *ena!siran -odel 50S dengan
-aOimum +i!elihood -ethod.
22
2aftar *usta!a
L1M Syamsuddin? -.? 4200)7? 5atatan =uliah 0!onometri!a .
L2M Cheng? &ingsong.? =iyoo!a? Sumio.419997?V"enetic lgorithm pplica-
tions:ssignment U2 for 2r.C.2ongV.
L.M Suyanto? 420057? lgoritma "eneti!a dalam -/+,? *ener;it #2(
&ogya!arta
L1M 0di *. *am;udi.?4200)7? 5atatan sistensi 0!onometri! .
2.