ALGORITMA GENETIKA

A. APA ITU GA ?
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.
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.
B. MENGAPA MENGGUNAKN GA ?

Algoritma genetika digunakan untuk menyelesaikan permasalahan searching dan

optimasi yang mempunyai kompleksitas tinggi.
Algoritma genetika dapat menghindari keadaan lokal optimum yang baik.
Pengembangan model parallel computing dapat dengan mudah dilakukan.

C. CIRI CIRI PERMASALAHAN YANG MEMBUTUHKAN GA

Mempunyai fungsi tujuan optimalisasi non linear dengan banyak kendala yang
juga non linear.
Mempunyai kemungkinan solusi yang jumlahnya tak berhingga.
Membutuhkan solusi real-time dalam arti solusi bisa didapatkan dengan cepat
sehingga dapat diimplementasi untuk permasalahan yang mempunyai perubahan
yang cepat seperti optimasi pada pembebanan kanal pada komunikasi seluller.
Mempunyai multi-objective dan multi-criteria, sehingga diperlukan solusi yang
dapat secara bijak diterima oleh semua pihak.
D. CONTOH
Bidang Transportasi
Analisis Aplikasi Algoritma Genetika Dalam Proses Desain Struktur Perkerasan
Oleh : Djunaedi Kosasih
Abstrak
Algoritma genetika pada prinsipnya bermanfaat untuk persoalan yang sulit
dipecahkan dengan menggunakan pendekatan deterministik. Meskipun demikian,
makalah ini dimaksudkan hanya untuk mengexplorasi aplikasi algoritma genetika
yang menggunakan pendekatan stochastic sebagai metoda alternatif dalam mencari
nilai ITP (Index Tebal Perkerasan) dari model empiris yang memerlukan proses
konvergensi sederhana.
Kemudian, nilai ITP tersebut dibandingkan dengan yang diperoleh melalui teknik

interpolasi linier yang sederhana dalam pencarian nilai konvergen. Dua proses
kodifikasi solusi (i.e. nilai ITP) yang diperlukan pada algoritma genetika apakah
sebagai bilangan biner (kode konvensional) atau bilangan riil
(kode non konvensional) dianalisis secara khusus, mengingat kode bilangan riil
seringkali diperlukan untuk aplikasi algoritma genetika dalam bidang rekayasa
transportasi. Empat parameter utama dari algoritma genetika, yaitu jumlah populasi,
probabilitas pertukaran gen, probabilitas perubahan gen dan fungsi seleksi, yang
dianggap paling sesuai untuk pencarian nilai ITP diusulkan dalam makalah ini.
Bidang Struktur
Implementasi Algoritma Genetik pada Optimasi Bentuk dan Ukuran Bukaan Pada
Balok Baja Profil I dengan Bukaan Cellular
Oleh : Suharyanto, 2006
Abstrak
Balok selulair umumnya terfabrikasi dari balok baja profil I yang dipotong dan dilas
dan system pemotongan membentuk bukaan pada badan profil dengan bentuk sel atau
lingkaran yang diinginkan. Berbagai variasi bentuk, ukuran dan lokasi bukaan bisa
digunakan pada badan profil balok selulair ini. Bentuk bukaan bisa lingkaran maupun
lingkaran yang diperlebar maupun diperpanjang. Beberapa optimasi mungkin bisa
digunakan agar mendapatkan pemanfaatan secara maksimal dari dimensi standar
balok baja berprofil I, sehingga menghasilkan kerugian (kehilangan bahan) yang
sekecil mungkin akibat operasi pemotongan. Dalam banyak hal, Algoritma Genetik,
dan pengembangannya, mengemukakan kombinasi antara fleksibilitas, ketahanan dan
kesederhanaan. Pembahasan berikut mengutamakan beberapa fitur kunci dari
Algorima Genetik, dan merngilustrasikan suatu aplikasi dari kekhususan Algoritma
Genetik dalam mencari dan meng-estimasi nilai optima global. Optimasi bisa
mengambil berupa prosedur maksimalisasi atau minimalisasi. Dalam artikel ini,
optimisasi akan me-maksimalisasi bukaan badan sambil meningkatkan kekuatan dan
kekakuan. Pilihan me-maksimalisasi adalah: Algortima Genetik didasarkan pada
proses evolusi dan konsep seleksi alami dari Darwin. Dalam konteks Algoritma
Genetik, fungsi tujuan biasanya disebut dengan fungsi fitness, dan istilah survival dari
nilai paling fit menunjukkan prosedur maksimalisasi.
Bidang : Manajemen Proyek
Penetuan Lokasi Tower Crane Menggunakan Algoritma Genetika Pada Proyek
Perkantoran Halim Sakti
Oleh : Winanda, Lila Ayu Ratna
Abstrak
Perencanaan mmgmaifacilities layout merupakan hal yang kompleks. Tower crane
termasuk peralatan yang memegang peran penting dalam bangunan tinggi dan
menjadi target optimasi dalam penelitian ini. Tower crane disini terkait dengan
pemenuhan demand point yang diambil dari supply point. Penentuan letak fasilitas
yang dipertimbangkan secara bersama-sama dicoba dimodelkan dengan menggunakan

pendekatan prinsip dasar algoritma genetika Pemodelan diawah dengan pembuatan

deret elemen area yaitu beton segar, pembesian, bekisting dan perancah dan lokasi
crane dengan pengambilan secara acak sampai sejumlah populasi, kemudian
dilakukan perhitungan fungsi tujuannya yaitu minimasi waktu pengangkutan.
Selanjutnya dijalankan operator algoritma genetika, yaitu proses seleksi, rekombinasi
dan mutasi sehingga diperoleh populasi yang baru. Demikian seterusnya sehingga
dicapai tingkat sesuaian yang diinginkan berdasarkan pada konvergensi populasi atau
jumlah generasi. Berdasarkan pada plot penempatan tower crane dan lokasi supply
point secara aktual pada proyek maka diperoleh hasil total waktu pengangkutan
pekerjaan beton adalah 43830 menit atau 30 hari 10 jam 30 menit dengan lokasi crane
(23,2; 13,9), truck mixer (57,3; 22,5), fabrikasi pembesian (7,8; 3,9), bekisting (10,8;
3,9) dan perancah (13,8; 3,9). Sedangkan untuk hasil dengan pendekatan metode
algoritma genetika diperoleh hasil waktu pengangkutan total adalah 25 hari 22 jam
5,6 menit. Lokasi yang dihasilkan untuk supply point truck mixer (45; 18), fabrikasi
pembesian (36,7;4), bekisting (48; 18), perancah (39,7;4,0) sedangkan untuk lokasi
crane yang dihasilkan adalah (31.3; 13.9). Total volume pekerjaan pembetonan yang
diangkut adalah 1441,42 m3 beton, 317750,44 kg pembesian, 464494,74 kg bekisting
dan 287013,24 kg perancah.Hasil yang diperoleh dengan kedua perhitungan tersebut
memperlihatkan bahwa pendekatan perhitungan algoritma genetika dapat memberikan
lokasi dengan total waktu pengangkutan lebih efektif. Sehingga model ini dapat
dipakai sebagai metode pendekatan untuk penentuan letak tower crane terhadap titik
layanannya.
E. STRATEGI PENYELESAIAN
1. Menentukan Individu
Individu adalah suatu komposisi nilai yang menyatakan solusi dari suatu
permasalahan.
Berdasarkan definisi individu algoritma genetika dibedakan menjadi 2 macam
yaitu static genetic algorithm (ukuran individu sama untuk satu populasi) dan
dynamic genetic algorithm (ukuran individu tidak sama untuk satu populasi).
Individu didefinisikan sebagai nilai (x,y,z) dan dituliskan dengan:
S = (x,y,z) dimana, (x,y,z R)
Contoh :
Penentuan Lokasi Tower Crane yang Optimal
Dalam satu area yang berukuran N1xN2, akan dipasang n buah crane,
permasalahannya adalah dimana lokasi crane tersebut agar covering areanya
maksimal atau blank areanya minimal.
Solusi dari permasalahan ini adalah lokasi n buah crane yang dapat
memaksimalkan covering area.
Individu didefinisikan sebagai lokasi n buah crane.

S = {(x1,y1),(x2,y2),(xn,yn)}
dimana,
0 < xk N1, 0 < yk N2

2. Menentukan kromosom
Macam macam kromosom :
Kromosom biner
Kromosom yang disusun dari gen-gen yang bernilai 0 dan 1, kromosom ini
adalah model standar dalam algoritma genetika.
Cirinya :
1. Kromosom biner merupakan model yang sederhana dengan tingkat
keberhasilan yang tinggi.
2. Permasalahan dengan parameter yang jumlah dan range nilainya tertentu
sebaiknya menggunakan bentuk kromosom biner, seperti mencari nilai
optimal fungsi transedental.
3. Jumlah gen pada kromosom biner menunjukkan tingkat ketelitian yang
diharapkan.
Kromosom float
Kromosom yang disusun dari gen-gen dengan nilai pecahan, gen integer dapat
digolongkan dalam bentuk kromosom ini.
Cirinya :
1. Kromosom float merupakan model yang jumlah parameternya banyak.
Tingkat keberhasilan dari bentuk kromosom ini rendah dalam kecepatan
(jumlah generasi).
2. Range nilai [min max] menjadi tidak penting dalam bentuk kromosom float
ini.
Kromosom string
Kromosom yang disusun dari gen-gen yang bernilai string (simbol).
Kromosom Kombinatorial
Kromosom yang disusun dari gen-gen yang dinilai dari urutannya.

3. Menentukan nilai fitness

Nilai fitness merupakan suatu ukuran baik tidaknya suatu solusi yang dinyatakan
sebagai satu individu, atau dengan kata lain nilai fitness menyatakan nilai dari fungsi
tujuan.
Algoritma genetika mempunyai tujuan untuk memaksimalkan nilai fitness atau
mencari nilai fitness maksimal.
Yang diharapkan adalah nilai fitness yang optimal, dalam evolusi dunia nyata
individu bernilai fitness tinggi akan bertahan hidup, sedangkan yang rendah akan
gugur.
Untuk permasalahan minimalisasi, nilai fitness adalah inversi dari nilai minimal yang
diharapkan. Proses inversi dapat dilakukan dengan:
Maksimasi : Fitness = A F(X)

Minimasi : Fitness =

( )

dimana, A = konstanta yang ditentukan

X = individu (kromosom)
e = bilangan kecil yang ditentukan untukmenghindari pembagi nol
4. Seleksi
Seleksi dengan Mesin Roulette, model seleksi ini merupakan model yang paling
mudah dan paling besar variansinya. Munculnya individu superior sering terjadi
pada model ini, sehingga perlu strategi lain untuk menangani hal ini.
Seleksi dengan Turnamen, model ini merupakan model yang variansinya kecil
sehingga kemungkinan munculnya individu superior dapat dikurangi.
5. Menentukan Cross Over
Penentuan Cross-Over harus menjamin bahwa solusi masih berada di ruang solusi.
Individu(k) S
Probabilitas cross over yang baik berada pada kisaran 0.5 sampai dengan 0.95
Cross over untuk kromosom biner dilakukan dengan menggunakan pertukaran gen
antar induk.
Cross over untuk kromosom float dilakukan dengan pertukaran gen atau pertukaran
aritmatika antar induk.
6. Menentukan Mutasi
Mutasi diperlukan untuk mengembalikan informs yang hilang akibat pertukaran
gen, diterapkan dengan probabilitas yang kecil.
Probabilitas mutasi yang terlalu kecil menyebabkan terjebak dalam optimum lokal,
dan probabilitas mutasi yang terlalu besar menyebabkan konvergensi sulit
didapatkan.
Probabilitas mutasi yang baik berada pada kisaran 0 sampai dengan 0.3.
Pada kromosom biner, mutasi dilakukan dengan mengubah gen biner 0 menjadi 1
dan 1 menjadi 0.

a(k) = 1 -a(k)
Pada kromosom float ada dua macam mutasi yang banyak dilakukan yaitu random
mutationdan shift mutation.
Random mutation adalah mengganti gen yang termutasi dengan nilai acak.
a(k) = random
Shift mutation adalah menggeser nilai gen termutasi sebesar , dimana adalah
bilangan kecil yang ditentukan.
a(k) = a(k) +