MAKALAH KECERDASAN BUATAN

ALGORITMA SEMUT, GENETIKA DAN PARTICLE SWARM

Oleh :
Welly Nopi Healtanto
I0411041

JURUSAN TEKNIK MESIN FAKULTAS TEKNIK

UNIVERSITAS SEBELAS MARET
SURAKARTA
2015
A. Algoritma Semut (Ant Colony)

Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara meluas
dikembangkan

oleh Marco

Dorigo

merupakan

teknik

probabilistik

untuk

menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui

grafik. Algoritma ini terinspirasi oleh perilaku semut dalam menemukan jalur dari
koloninya menuju makanan.
Pada dunia nyata, semut berkeliling secara acak, dan ketika menemukan makanan
mereka kembali ke koloninya sambil memberikan tanda dengan jejak feromon. Jika
semut-semut lain menemukan jalur tersebut, mereka tidak akan bepergian dengan
acak lagi, melainkan akan mengikuti jejak tersebut, kembali dan menguatkannya jika
pada akhirnya merekapun menemukan makanan.
Seiring waktu, bagaimanapun juga jejak feromon akan menguap dan akan
mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui
jalur tersebut, lebih lama jugalah feromon menguap. Sebagai perbandingan, sebuah
jalur yang pendek akan berbaris lebih cepat, dan dengan demikian kerapatan feromon
akan tetap tinggi karena terletak pada jalur secepat penguapannya. Penguapan
feromon

juga

mempunyai

keuntungan

untuk

mencegah

konvergensi pada

penyelesaian optimal secara lokal. Jika tidak ada penguapan sama sekali, jalur yang
dipilih semut pertama akan cenderung menarik secara berlebihan terhadap semutsemut yang mengikutinya. Pada kasus yang demikian, eksplorasi ruang penyelesaian
akan terbatasi.
Oleh karena itu, ketika seekor semut menemukan jalur yang bagus (jalur yang
pendek) dari koloni ke sumber makanan, semut lainnya akan mengikuti jalur tersebut,
dan akhirnya semua semut akan mengikuti sebuah jalur tunggal. Ide algoritma koloni
semut adalah untuk meniru perilaku ini melalui 'semut tiruan' berjalan seputar grafik
yang menunjukkan masalah yang harus diselesaikan.
Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan penyelesaian
yang mendekati optimal pada masalah salesman yang melakukan perjalanan.
Algoritma semut lebih menguntungkan daripada pendekatan penguatan tiruan
(simulaten annealing) dan algoritma genetik saat grafik mungkin berubah secara
dinamis; algoritma koloni semut dapat berjalan secara kontinyu dan menyesuaikan
dengan

perubahan

secara waktu

nyata (real

time).

Hal

ini

menarik

dalam routing jaringan dan sistem transportasi urban.

1. Pencarian jalur terpendek

Secara umum penyelesaian masalah pencarian jalur terpendek dapat dilakukan
menggunakan dengan dua metode, yaitu metode algoritma konvensional dan
2

metode heuristik. Metode algoritma konvensional diterapkan dengan cara

perhitungan matematis seperti biasa, sedangkan metode heuristik diterapkan
dengan perhitungan kecerdasan buatan dengan menentukan basis pengetahuan dan
perhitungannya.
a. Metode konvensional
Metode konvensional berupa algoritma yang menggunakan perhitungan
matematis biasa. Ada beberapa metode konvensional yang biasa digunakan
untuk melakukan pencarian jalur terpendek, diantaranya Djikstraa, FloydWarshall, dan algoritma Bellman-Ford.
b. Metode heuristik
Adalah sub bidang dari kecerdasan buatan yang digunakan untuk melakukan
pencarian dan penentuan jalur terpendek. Ada beberapa algoritma pada metode
heuristik yang biasa digunakan dalam pencarian jalur terpendek. Salah satunya
adalah algoritma semut.

Gambar 1. Algoritma Koloni Semut

2. Prinsip Kerja Algoritma Semut

a. Cara kerja semut mencari jalur optimal

Semut mampu mengindera lingkungannya yang kompleks untuk mencari makanan
dan kemudian kembali ke sarangnya dengan meninggalkan zat feromon pada jalurjalur yang mereka lalui. Feromon adalah zat kimia yang berasal dari kelenjar
endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis, individu
lain, kelompok, dan untuk membantu proses reproduksi.Berbeda dengan hormon,
feromon menyebar ke luar tubuh dan hanya dapat mempengaruhi dan dikenali oleh
individu lain yang sejenis (satu spesies).

Proses peninggalan feromon ini dikenal sebagai stigmergy, sebuah proses

memodifikasi lingkungan yang tidak hanya bertujuan untuk mengingat jalan
pulang ke sarang, tetapi juga memungkinkan para semut berkomunikasi
dengan koloninya.
3

Seiring waktu, bagaimanapun juga jejak feromon akan menguap dan akan
mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi
melalui jalur tersebut, lebih lama jugalah feromon menguap.
Agar semut mendapatkan jalur optimal, diperlukan beberapa proses:
1. Pada awalnya, semut berkeliling secara acak, hingga menemukan
makanan. Lihat Gambar 2.
2. Ketika menemukan makanan mereka kembali ke koloninya sambil
memberikan tanda dengan jejak feromon.
3. Jika semut-semut lain menemukan jalur tersebut, mereka tidak akan
bepergian dengan acak lagi, melainkan akan mengikuti jejak tersebut.
4. Kembali dan menguatkannya jika pada akhirnya mereka pun menemukan
makanan.
5. Seekor semut yang secara tidak sengaja menemukan jalur optimal akan
menempuh jalur ini lebih cepat dari rekan-rekannya, melakukan round-trip
lebih sering, dan dengan sendirinya meninggalkan feromon lebih banyak
dari jalur-jalur yang lebih lambat ditempuh.
6. Feromon yang berkonsentrasi tinggi pada akhirnya akan menarik
semutsemut lain untuk berpindah jalur, menuju jalur paling optimal,
sedangkan jalur lainnya akan ditinggalkan.
7. Pada akhirnya semua semut yang tadinya menempuh jalur yang
berbedabeda akan beralih ke sebuah jalur tunggal yang ternyata paling
optimal dari sarang menuju ke tempat makanan. Lihat Gambar 3

Gambar 2. Lintasan Awal Semut Menuju Tempat Makanan

Keterangan Gambar 2:
A : Tempat awal koloni (sarang)
B : Tujuan koloni semut (makanan)
Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1
Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2

Gambar 3.Lintasan Optimal Semut Menuju tempat Makanan

Keterangan Gambar 3:
4

A : Tempat awal koloni (sarang)

B : Tujuan koloni semut (makanan)
Jalur Optimal : Jalur yang dilewati semut setelah beberapa iterasi
Seluruh proses ini menunjukkan berlangsungnya optimisasi alami kaum semut
yang bisa kita tiru dalam kehidupan sehari-hari.

b. Algoritma Semut dalam Kecerdasan Buatan

Dalam algoritma semut, diperlukan beberapa variabel dan langkah-langkah
untuk menentukan jalur terpendek, yaitu:
Langkah 1:
a. Inisialisasi harga parameter-parameter algoritma.
Parameter-parameter yang di inisialisasikan adalah:
1. Intensitas jejak semut antar kota dan perubahannya (ij)
2. Banyak kota (n) termasuk x dan y (koordinat) atau dij (jarak antar kota)
3. Penentuan kota berangkat dan kota tujuan
4. Tetapan siklus-semut (Q)
5. Tetapan pengendali intensitas jejak semut ()
6. Tetapan pengendali visibilitas ()
7. Visibilitas antar kota = 1/dij (ij)
8. Jumlah semut (m)
9. Tetapan penguapan jejak semut ()
10. Jumlah siklus maksimum (NCmax) bersifat tetap selama algoritma
dijalankan, sedangkan ij akan selalu diperbaharui harganya pada setiap
siklus algoritma mulai dari siklus pertama (NC=1) sampai tercapai jumlah
siklus maksimum (NC=NCmax) atau sampai terjadi konvergensi.
b. Inisialisasi kota pertama setiap semut.
Setelah inisialisasi ij dilakukan, kemudian m semut ditempatkan pada
kota pertama yang telah ditentukan.
Langkah 2:
Pengisian kota pertama ke dalam tabu list. Hasil inisialisasi kota pertama
semut pada langkah 1 harus diisikan sebagai elemen pertama tabu list.
Hasil dari langkah ini adalah terisinya elemen pertama tabu list setiap
semut dengan indeks kota pertama.
Langkah 3:
Penyusunan jalur kunjungan setiap semut ke setiap kota. Koloni semut
yang sudah terdistribusi ke kota pertama akan mulai melakukan perjalanan
dari kota pertama sebagai kota asal dan salah satu kotakota lainnya
sebagai kota tujuan. Kemudian dari kota kedua, masing-masing koloni
semut akan melanjutkan perjalanan dengan memilih salah satu dari kotakota yang tidak terdapat pada tabuk sebagai kota tujuan selanjutnya.
5

Perjalanan koloni semut berlangsung terus menerus hingga mencapai kota

yang telah ditentukan. Jika s menyatakan indeks urutan kunjungan, kota
asal dinyatakan sebagai tabuk(s) dan kota-kota lainnya dinyatakan sebagai
{N-tabuk}, maka untuk menentukan kota tujuan digunakan persamaan
probabilitas kota untuk dikunjungi sebagai berikut,

dengan i sebagai indeks kota asal dan j sebagai indeks kota tujuan.
Langkah 4:
a. Perhitungan panjang jalur setiap semut. Perhitungan panjang jalur
tertutup (length closed tour) atau Lk setiap semut dilakukan setelah
satu siklus diselesaikan oleh semua semut. Perhitungan dilakukan
berdasarkan tabuk masing-masing dengan persamaan berikut:

dengan dij adalah jarak antara kota i ke kota j yang dihitung

berdasarkan persamaan:

b. Pencarian rute terpendek.

Setelah Lk setiap semut dihitung, akan diperoleh harga minimal
panjang jalur tertutup setiap siklus atau LminNC dan harga minimal
panjang jalur tertutup secara keseluruhan adalah atau Lmin.
c. Perhitungan perubahan harga intensitas jejak kaki semut antar kota.
Koloni semut akan meninggalkan jejak-jejak kaki pada lintasan antar
kota yang dilaluinya. Adanya penguapan dan perbedaan jumlah semut
yang lewat, menyebabkan kemungkinan terjadinya perubahan harga
intensitas jejak kaki semut antar kota. Persamaan perubahannya
adalah:

dengan k ij adalah perubahan harga intensitas jejak kaki semut antar

kota setiap semut yang dihitung berdasarkan persamaan

untuk (i,j) kota asal dan kota tujuan dalam tabuk

ij = , untuk (i,j) lainnya
Langkah 5:
a. Perhitungan harga intensitas jejak kaki semut antar kota untuk siklus
selanjutnya.
Harga intensitas jejak kaki semut antar kota pada semua lintasan antar kota
ada kemungkinan berubah karena adanya penguapan dan perbedaan
jumlah semut yang melewati. Untuk siklus selanjutnya, semut yang akan
melewati lintasan tersebut harga

intensitasnya telah berubah. Harga

intensitas jejak kaki semut antar kota untuk siklus selanjutnya dihitung
dengan persamaan:ij = ij + ij
b. Atur ulang harga perubahan intensitas jejak kaki semut antar kota.
Untuk siklus selanjutnya perubahan harga intensitas jejak semut antar kota
perlu diatur kembali agar memiliki nilai sama dengan nol.
Langkah 6:
Pengosongan tabu list, dan ulangi langkah dua jika diperlukan. Tabu list
perlu dikosongkan untuk diisi lagi dengan urutan kota yang baru pada
siklus selanjutnya, jika jumlah siklus maksimum belum tercapai atau
belum terjadi konvergensi. Algoritma diulang lagi dari langkah dua dengan
harga parameter intensitas jejak kaki semut antar kota yang sudah
diperbaharui.
3. Contoh Kasus
Jika diketahui suatu graph di bawah yang ingin diketahui jalur terpendek dari kota
A ke kota E:

Gambar 4. Ilustrasi Graph dengan 5 Kota

7

Dengan jarak antar kota (dij) sebagai berikut:

Parameterparameter yang digunakan adalah:

= 1.00
= 1.00
= 0.50
ij (awal) = 0.01
Maksimum siklus (NCmax) = 2
Tetapan siklus semut (Q) = 1
Banyak semut (m) = 4
Dari jarak kota yang telah diketahui dapat dihitung visibilitas antar kota (ij) =
1/dij

Siklus ke-1:
Panjang jalur semut:

Siklus ke-2:
Panjang jalur semut:

Dari dua siklus diatas, diketahui lintasan terpendek diperoleh oleh semut ke-4
dengan jalur A-D-E dengan panjang lintasan 7.

B. Algoritma Genetika
Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk
menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian.
Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan
menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan,
mutasi, seleksi alam dan rekombinasi (ataucrossover)
Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an
di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya

menghasilkan buku berjudul "Adaption in Natural and Artificial Systems" pada tahun
1975.
Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah
populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon (disebut
individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi
yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai
string

'0'

dan

'1',

walaupun

dimungkinkan

juga

penggunaan penyandian

(encoding) yang berbeda. Evolusi dimulai dari sebuah populasi individual acak yang
lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan
keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi
sekarang (current) tersebut secara stochastic(berdasarkan kemampuan mereka), lalu
dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yang
menjadi populasi sekarang (current) pada iterasiberikutnya dari algoritma.
1. 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
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
10

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.
2. Komponen Algoritma Genetik
Parameter Genetic Algorithm
Dalam GA ada beberapa parameter yang menjadi acuan yang standar dalam
menentukan proses optimasi. Beberapa diantaranya adalah:
1. Ukuran populasi
2. Probabilitas CrossOver
3. Probabilitas Mutasi
Teorema Skema
Tahap1
Teorema skema merupakan dasar teory yang menjelaskan bagaimana Genetic
algorithm bekerja. Skema adalah keserupaan pola dalam mendeskripsikan suatu
himpunanan bagian dari beberapa string yang mempunyai kesamaan pada posisi
tertentu. Sebuah skema dibentuk dengan menambahkan sebuah simbol spesial,
yaitu sebuah simbol * (dont care) dalam representasi biner(0 atau 1).
Contoh: *01 adalah 101 atau 001 yaitu 5 atau 1
Tahap2
Tingkatan dari sebuah skema S(dinotasikan denga o(S)) menunjukkan jumlah dari
posisi angka 0 atau 1 yang sudah tetap(Bukan posisi dont care) yang ada dalam
skema. Tingkatan ini menunjukkan spesialisasi dari sebuah skema.
Contoh: S1=(* * * 0 0 1 * 1 1 0)
S2=(* * * * 0 0 * * 0 * )
S3=(1 1 1 0 1 * * 0 0 1)
Dimana
o(S1)= 6
11

o(S2)= 3
o(S3)= 8
Tahap3
Batasan panjang dari skema S (dinotasikan dengan (S)) adalah jarak antara posisi
angka 0 atau 1 yang pertama hingga terakhir. Angka ini menunjukkan kerapatan
informasi yang ada dalam sebuah skema.
Contoh: (S1)= 10-4=6; (S2)= 9-5 =4; (S3)= 10-1=9;
3. Contoh 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.
Penjelasan mengenai langkah-langkah penyelesaian permasalahan diatas
menggunakan algoritma genetika adalah sebagai berikut:
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) = 33

12

fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) 30) = 10

fungsi_objektif(chromosome[3]) = Abs(( 10 + 2*4 + 3*3 + 4*4 ) 30) = 13
fungsi_objektif(chromosome[4]) = Abs(( 20 + 2*1 + 3*10 + 4*6 ) 30) = 46
fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) 30) = 24
fungsi_objektif(chromosome[6]) = Abs(( 20 + 2*5 + 3*7 + 4*1 ) 30) = 25
Rata-rata dari fungsi objektif adalah:
rata-rata = (33+10+13+46+24+25)/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) = 0.0294
fitness[2]

= 1 / (fungsi_objektif[2]+1) = 0.0909

fitness[3]

= 1 / (fungsi_objektif[3]+1) = 0.0714

fitness[4]

= 1 / (fungsi_objektif[4]+1)= 0.0212

fitness[5]

= 1 / (fungsi_objektif[5]+1)= 0.0400

fitness[6]

= 1 / (fungsi_objektif[6]+1)= 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

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

13

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[2] = chromosome[2]
chromosome[3] = chromosome[1]
chromosome[4] = chromosome[5]
chromosome[5] = chromosome[2]
chromosome[6] = chromosome[3]
Chromosome baru hasil proses seleksi:
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
14

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 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
15

potongan gen tersebut saling ditukarkan antar induk.

chromosome[1] >< chromosome[4]
chromosome[4] >< chromosome[5]
chromosome[5] >< chromosome[1]
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
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 sub16

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) = 25
chromosome[2] = [02;01;08;03]
fungsi_objektif[2] = Abs(( 2 + 2*1 + 3*8 + 4*3 ) 30) = 10
chromosome[3] = [12;05;03;02]
fungsi_objektif[3] = Abs(( 12 + 2*5 + 3*3 + 4*2 ) 30) = 9
chromosome[4] = [01;01;08;03]
fungsi_objektif[4] = Abs(( 1 + 2*1 + 3*8 + 4*3 ) 30) = 9
chromosome[5] = [02;05;08;03]
fungsi_objektif[5] = Abs(( 2 + 2*5 + 3*8 + 4*3 ) 30) = 18
chromosome[6] = [10;04;03;04]
fungsi_objektif[6] = Abs(( 10 + 2*4 + 3*3 + 4*4 ) 30) = 13
Rata-rata fungsi objektif setelah satu generasi adalah:
rata-rata = ( 25 + 10 + 9 + 9 + 18 + 13) / 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

17

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]
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

C. Algoritma Particle Swarm

1. Dasar Particle Swarm
Algoritma Particle Swarm Optimization (PSO) diperkenalkan oleh Kennedy dan
Eberhart pada tahun 1995, proses algoritmanya diinspirasi oleh perilaku sosial
dari binatang, seperti sekumpulan burung dalam suatu swarm. Particle Swarm
Optimization (PSO) adalah salah satu dari teknik komputasi evolusioner, yang
18

mana populasi pada PSO didasarkan pada penelusuran algoritma dan diawali
dengan suatu populasi yang random yang disebut dengan particle. Berbeda
dengan teknik komputasi evolusioner lainnya, setiap particle di dalam PSO juga
berhubungan dengan suatu velocity. Particle-particle tersebut bergerak melalui
penelusuran ruang dengan velocity yang dinamis yang disesuaikan menurut
perilaku historisnya. Oleh karena itu, particleparticle mempunyai kecenderungan
untuk bergerak ke area penelusuran yang lebih baik setelah melewati proses
penelusuran. Particle Swarm Optimization (PSO) mempunyai kesamaan dengan
genetic algorithm yang mana dimulai dengan suatu populasi yang random dalam
bentuk matriks. Namun PSO tidak memiliki operator evolusi yaitu crossover dan
mutasi seperti yang ada pada genetic algorithm. Baris pada matriks disebut
particle atau dalam genetic algorithm sebagai kromosom yang terdiri dari nilai
suatu variable. Setiap particle berpindah dari posisinya semula ke posisi yang
lebih baik dengan suatu velocity . Pada algoritma PSO vektor velocity diupdate
untuk masing-masing particle kemudian menjumlahkan vektor velocity tersebut
ke posisi particle. Update velocity dipengaruhi oleh kedua solusi yaitu global best
yang berhubungan dengan biaya yang paling rendah yang pernah diperoleh dari
suatu particle dan solusi local best yang berhubungan dengan biaya yang paling
rendah pada populasi awal. Jika solusi local best mempunyai suatu biaya yang
kurang dari biaya solusi global yang ada, maka solusi local best menggantikan
solusi global best . Kesederhanaan algoritma dan performansinya yang baik,
menjadikan PSO telah menarik banyak perhatian di kalangan para peneliti dan
telah diaplikasikan dalam berbagai persoalan optimisasi sistem tenaga seperti
economic dispatch, design kontrol PID pada sistem AVR, kontrol tegangan dan
daya reaktif, unit commitment dan lain sebagainya. PSO telah populer menjadi
optimisasi global dengan sebagian besar permasalahan dapat diselesaikan dengan
baik di mana variabelvariabelnya adalah bilangan riil.
Beberapa istilah umum yang biasa digunakan dalam Optimisasi Particle Swarm
dapat didefinisikan sebagai berikut :
1. Swarm : populasi dari suatu algoritma.
2. Particle: anggota (individu) pada suatu swarm.
Setiap particle merepresentasikan suatu solusi yang potensial pada
permasalahan yang diselesaikan. Posisi dari suatu particle adalah ditentukan
oleh representasi solusi saat itu.

19

3. Pbest (Personal best): posisi Pbest suatu particle yang menunjukkan posisi
particle yang dipersiapkan untuk mendapatkan suatu solusi yang terbaik.
4. Gbest (Global best) : posisi terbaik particle pada swarm.
5. Velocity (vektor): vektor yang menggerakkan proses optimisasi yang
menentukan arah di mana suatu particle diperlukan untuk berpindah (move)
untuk memperbaiki posisinya semula.
6. Inertia weight : inertia weight di simbolkan w, parameter ini digunakan untuk
mengontrol dampak dari adanya velocity yang diberikan oleh suatu particle.

2. Prosedur Penerapan Particle Swarm

Prosedur standar untuk menerapkan algoritma PSO adalah sebagai berikut :
1. Inisialisasi populasi dari particle-particle dengan posisi dan velocity secara
random dalam suatu ruang dimensi penelusuran.
2. Evaluasi fungsi fitness optimisasi yang diinginkan di dalam variabel d pada
setiap particle.
3. Membandingkan evaluasi fitness particle dengan Pbestnya. Jika nilai yang ada
lebih baik dibandingkan dengan nilai Pbestnya, maka Pbest diset sama dengan
nilai tersebut dan Pi sama dengan lokasi particle yang ada Xi dalam ruang
dimensional d.
4. Identifikasi particle dalam lingkungan dengan hasil terbaik sejauh ini.
5. Update velocity dan posisi particle.
6. Kembali ke step 2 sampai kriteria terpenuhi, biasanya berhenti pada nilai
fitness yang cukup baik atau sampai pada jumlah maksimum iterasi.
Seperti halnya dengan algoritma evolusioner yang lain, algoritma PSO adalah
sebuah populasi yang didasarkan penelusuran inisialisasi particle secara random
dan adanya interaksi diantara particle dalam populasi. Di dalam PSO setiap
particle bergerak melalui ruang solusi dan mempunyai kemampuan untuk
mengingat posisi terbaik sebelumnya dan dapat bertahan dari generasi ke generasi.

3. Contoh Kasus
Pada makalah ini algoritma optimasi particle swarm digunakan untuk
menyelesaikan sistem persamaan nonlinear. Data masukan utama yang dibutuhkan
untuk proses uji coba adalah sistem persamaan nonlinear dan beberapa fungsi
umum

a. Data Uji coba

20

b. Hasil dan Analisa Uji Coba

Perbandingan Hasil Uji coba Pertama

21

Perbandingan Hasil Uji coba Kedua

22

c. Grafik Perbandingan Antara Jumlah Partikel dengan Hasil

Akhir yang didapat
Pada uji coba pertama

23

Pada uji coba kedua

Masing-masing skenario pada uji coba pertama dan kedua menggunakan

jumlah partikel yang berbeda-beda. Hal ini dilakukan untuk mengetahui
hubungan antara jumlah partikel yang digunakan dengan hasil akhir yang
didapat. Grafik hubungan antara jumlah partikel dengan nilai akhir fungsi f(x)
pada uji coba pertama ditampilkan pada Gambar 2, sedangkan grafik
24

hubungan untuk uji coba kedua ditampilkan pada Gambar 3. Berdasarkan

gambar tersebut, hasil akhir yang didapat dengan menggunakan jumlah
partikel yang berbeda tidak jauh berbeda. Oleh karena itu disimpulkan bahwa
jumlah partikel yang digunakan tidak mempengaruhi hasil akhir.

D. Kesimpulan

1.

Pemanfaatan teknologi informasi pada pencarian jalur terpendek menghasilkan

suatu hasil atau keluaran yang akurat dan tepat, untuk pilihan perjalanan seseorang

2.

dengan mempertimbangkan beberapa parameter yang lain.

Secara konsep algoritma, metode konvesional lebih mudah untuk dipahami.

3.

Namun, hasil yang diperoleh dari metode heuristik lebih variatif.

Algoritma genetika adalah sistem kecerdasan buatan yag meniru sel pada tubuh

manusia.
4. Algoritma genetika dapat digunakan untuk proses pencarian dan proses optimasi.
5. Algoritma Particle Swarm yang diusulkan oleh Jaberipour dapat digunakan untuk
menyelesaikan sistem persamaan nonlinear.

6.

Algoritma Particle Swarm yang diusulkan oleh Jaberipour memiliki kinerja yang
baik dalam mencari solusi yang optimal. Hal ini dibuktikan dengan hasil uji coba
pertama, solusi yang didapat mendekati solusi eksak masing-masing fungsinya.

Daftar Pustaka

Sina, Ibnu Wardy. Penggunaan Graf dalam Algoritma Semut untuk Melakukan Optimisasi.
Institut Teknologi Bandung.

25

Mutakhiroh, Iing, dkk. Pencarian Jalur Terpendek Menggunakan Algoritma Semut. SNATI.
2007.
Rosita, Ardiana. Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem
Persamaan Nonlinear. JURNAL TEKNIK ITS Vol. 1. 2012.

26