Pada saat ini, sudah banyak berdiri perusahaan-perusahaan yang bergerak dibidang garment

(pakaian). Semua perusahaan pasti menginginkan keuntungan sebanyak-banyaknya dengan cara

mengefisiensikan sumber daya produksi yang dimiliki terhadap batasan-batasan produksi yang ditemukan
pada suatu masalah. Kebanyakan masalah ini dapat dilihat pada persoalan pemilihan pola apa saja yang
dihasilkan dari proses pemotongan sebuah bahan dengan keterbatasan ukuran, sehingga didapatkan
keuntungan maksimum dari bahan-bahan yang sudah dipotong tersebut tanpa adanya pemborosan bahan.
Pemotongan bahan yang dilakukan menjadi beberapa bagian untuk diproses lebih lanjut ini dikenal
sebagai cutting-stock problem. Optimasi cutting-stock problem dapat diaplikasikan untuk beberapa
material tertentu, seperti kertas, kaca, kayu, kain, plastik, dan bahan lainnya. Pada kasus ini, optimasi
cutting-stock problem akan diterapkan secara khusus untuk material kain.
Permasalahan dalam cutting-stock problem dapat diselesaikan dengan metode algoritma genetika
yang diimplementasikan ke dalam sistem informasi. Algoritma genetika merupakan algoritma yang
terinspirasi dari teori Darwin tentang evolusi atau dinamakan Survival of The Fittest. Dimana dalam
alam terdapat kompetisi antara individual untuk sumber daya yang sedikit menghasilkan individual yang
kuat mendominasi individual yang lemah. Dibandingkan dengan pencarian secara probabilistik, algoritma
genetika melakukan random search di area yang mempunyai performansi bagus dalam tempat pencarian.
Tahapan umum dari algoritma genetika meliputi inisialisasi, seleksi orang tua, crossover, mutasi, dan
terminasi.
Inisialisasi merupakan sebuah metode yang dibutuhkan untuk mengubah solusi ke dalam suatu
bentuk dimana komputer dapat memprosesnya. Dalam algoritma genetika ada 3 macam representasi
kedalam bentuk biner, integer, dan real.
Seleksi orang tua merupakan operator pertama yang dilakukan pada populasi. Dalam seleksi ini,
masing-masing individu dihitung nilai fitnessnya dengan fungsi fitness. Fitness merupakan sebuah fungsi
solusi yang dapat menghitung kualitas dari masing-masing individu sehingga peringkat individu dapat
diperoleh. Dan selanjutnya berdasarkan nilai yang didapat dari fungsi fitness tersebut dilakukanlah salah
satu dari metode seleksi orang tua.
Crossover adalah operator genetika yang menggabungkan 2 kromosom individu untuk
menghasilkan individu baru yang bertujuan agar individu tersebut memiliki nilai fitness atau kualitas
yang lebih bagus dibandingkan orang tuanya.
Setelah crossover dilakukan, langkah selanjutnya adalah mutasi. Mutasi merupakan operator
genetika yang digunakan untuk mengubah satu atau beberapa gen kedalam suatu individu. Mutasi ini
bertujuan untuk menjaga keragaman individu sehingga mendapat kemungkinan nilai fitness individu
tersebut lebih baik.
Terminasi adalah suatu kondisi yang dapat menterminasi looping dari algoritma genetika ketika
nilai fitness sudah tercapai atau melewati batas. Tanpa terminasi proses dari seleksi, crossover dan mutasi
akan terus terjadi tanpa berhenti.

NAMA

: ARIF ROMADHAN

NIM

: 10112063

KELAS

: METLIT 9

JURUSAN

: TEKNIK INFORMATIKA