MAKALAH Tugas Besar – Algoritma Genetika 1

1. Pendahuluan

Semakin pesatnya perkembangan teknologi saat ini membuat manusia menjadi

semakin mudah dalam memecahkan berbagai persoalan yang cukup komplit jika
diselesaikan tanpa suatu metode atau prosedur tertentu. Terdapat berbagai jenis
cara untuk menyelesaikan suatu kasus atau permasalahan dalam hidup sehari-hari.
Teknik ini pun tak lepas dari hasil jerih payah para ilmuwan serta pakar – pakar sains
yang tak henti-hentinya melakukan beragam penelitian dengan harapan
ditemukannya cara atau solusi termudah dalam menyelesaikan masalah – masalah
tersebut, namun tetap unggul dalam hal efisiensi dan efektivitas waktu.
Algoritma merupakan suatu contoh pola pikir manusia yang tersusun secara
sistematis dirancang untuk mempermudah manusia dalam memecahkan suatu kasus
yang membutuhkan solusi optimal ketika menghadapi berbagai alternatif atau
kemungkinan yang ada. Algoritma kini tak hanya dipakai oleh para ilmuwan atau
ahli-ahli komputer dan teknologi saja, melainkan digunakan pula oleh orang awam
namun dengan penggunaan bahasa yang berbeda. Algoritma genetika adalah salah
satu metode algoritma yang dianggap dapat dijadikan alternatif untuk
menyelesaikan permasalahan Searching, Optimasi, dan Machine Learning.

2. Algoritma Genetika

Algoritma genetika adalah teknik pencarian yang digunakan dalam

penghitungan untuk mencari solusi perkiraan maupun benar untuk optimasi dan
masalah pencarian. Algoritma ini dikategorikan sebagai algoritma global search
heuristics. Algoritma ini terinspirasi dari prinsip dari genetika dan seleksi alam (teori
evolusi Darwin). Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat,
oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu
muridnya, David Goldberg.
Algoritma genetika diimplementasikan sebagai simulasi komputer di mana
sebuah populasi dari representasi abstrak (disebut kromosom, genotipe, atau
genom) kandidat solusi (disebut individu, makhluk, atau fenotipe). Biasanya, solusi

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 2

direpresentasikan dalam biner sebagai string yang terdiri dari 0 dan 1, namun
penggunaan metode encoding lain juga mungkin dipakai. Berbeda dengan teknik
pencarian konvensional, algoritma genetika bermula dari himpunan solusi yang
dihasilkan secara acak. Kromosom-kromosom berevolusi dalam suatu proses iterasi
yang berkelanjutan yang disebut generasi. Pada setiap generasi, kromosom
dievaluasi berdasarkan suatu fungsi evaluasi. Setelah beberapa generasi maka
algoritma genetika akan konvergen pada kromosom terbaik, yang diharapkan
merupakan solusi optimal.
Pertama kali, sebelum algoritma genetika dijalankan, maka perlu
didefinisikan fungsi fitness sebagai masalah yang ingin dioptimalkan. Jika nilai fitness
semakin besar, maka sistem yang dihasilkan semakin baik. Fungsi fitness ditentukan
dengan metode heuristik. Algoritma genetika sangat tepat digunakan untuk
penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan
menggunakan metode konvensional. Sebagaimana halnya proses evolusi di alam,
suatu algoritma genetika yang sederhana umumnya terdiri dari tiga operasi yaitu:
operasi reproduksi, operasi persilangan (crossover), dan operasi mutasi. Struktur
umum dari suatu algoritma genetika dapat didefinisikan dengan langkah – langkah
sebagai berikut:
 Membangkitkan populasi awal secara random.
 Membentuk generasi baru dengan menggunakan tiga operasi diatas secara
berulang-ulang sehingga diperoleh kromosom yang cukup untuk
membentuk generasi baru sebagai representasi dari solusi baru.
 Evolusi solusi yang akan mengevaluasi setiap populasi dengan menghitung
nilai fitness setiap kromosom hingga kriteria berhenti terpenuhi. Bila
kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru
dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering
digunakan antara lain:
berhenti pada generasi tertentu
berhenti setelah dalam beberapa generasi berturut-turut didapatkan
nilai fitness
tertinggi/terendah (tergantung persoalan) tidak berubah.

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 3

berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness

yang lebih tinggi/rendah.

Siklus Algoritma Genetika

Populasi Awal Seleksi

individu

Reproduksi :
Cross-Over
dan Mutasi

Populasi Baru

Beberapa Definisi Penting Dalam Algoritma Genetika

 Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang

membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan
kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float,
integer maupun karakter.
 Allele, nilai dari gen.
 Kromosom, gabungan gen – gen yang membentuk nilai tertentu.
 Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu
solusi yang mungkin dari permasalahan yang diangkat
 Populasi, merupakan sekumpulan individu yang akan diproses bersama
dalam satu siklus proses evolusi.
 Generasi, menyatakan satu-satuan siklus proses evolusi.

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 4

 Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi
yang didapatkan.

Hal-Hal Yang Harus Dilakukan Untuk Menggunakan Algoritma Genetika

 Mendefinisikan individu, dimana individu menyatakan salah satu solusi

(penyelesaian) yang mungkin dari permasalahan yang diangkat.
 Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah
individu atau baik-tidaknya solusi yang didapatkan.
 Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan
dengan menggunakan pembangkitan acak seperti random-walk.
 Menentukan proses seleksi yang akan digunakan.
 Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan
digunakan.

Hal penting yang harus diketahui dalam pemakaian Algoritma Genetika

 Algoritma Genetika adalah algoritma yang dikembangkan dari proses

pencarian solusi menggunakan pencarian acak, ini terlihat pada proses
pembangkitan populasi awal yang
menyatakan sekumpulan solusi yang dipilih secara acak.
 Berikutnya pencarian dilakukan berdasarkan proses – proses teori genetika
yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih
baik, sehingga dalam proses evolusi dapat diharapkan diperoleh individu
yang terbaik.

3. Pembahasan

Berikut ini adalah masalah yang diangkat :

Penjadwalan Matakuliah
Andaikan terdapat n buah matakuliah M = {m1, m2, …, mn}. Setiap matakuliah mi
memiliki waktu mulai kuliah si dan waktu akhir kuliah fi yang dinyatakan dalam
interval setengah-buka [si, fi). Matakuliah mi dan mj disebut saling berurutan jika

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 5

interval [si, fi) dan [sj, fj) tidak overlap atau berhimpit (yakni, mi dan mj saling
berurutan jika si  fj atau sj  fi).

Soal-2: Tentukan jumlah ruangan minimum yang dapat digunakan dalam mengatur
jadwal matakuliah.

Sebagai contoh, diberikan matakuliah M = {m1, m2, …, m11} dengan waktu mulai dan
waktu akhir matakuliah pada tabel berikut.
mi 1 2 3 4 5 6 7 8 9 10 11
si 1 3 0 5 3 5 6 8 8 2 12
fi 4 5 6 7 8 9 10 11 12 13 14

Pasangan matakuliah {m1, m4, m8, m11} dan {m2, m4, m9, m11} adalah pasangan
matakuliah yang saling berurutan dengan ukuran maksimum.
Jumlah ruangan minimum yang dibutuhkan adalah 5 dengan matakuliah yang saling
berpasangan: {m1, m4, m8, m11}, {m2, m6}, {m3, m7}, {m5, m9}, {m10}

Jawaban :

Soal yang akan dibahas adalah soal nomor 2 dengan menggunakan Algoritma
Genetika dimana ditanyakan mengenai jumlah ruangan minimum yang dapat
digunakan. Oleh karena yang hendak kita cari adalah jumlah ruangan minimum,
maka kita harus menemukan mata kuliah - mata kuliah apa saja yang overlap atau
bertabrakan agar dapat diperoleh jumlah ruangan minimumnya. Namun, selain
syarat bahwa mata kuliah tersebut harus bertabrakan, dalam pasangan mata kuliah
– mata kuliah tersebut juga tak boleh ada dua atau lebih mata kuliah yang saling
berurutan. Dari tabel di atas, dapat ditemukan pasangan mata kuliah yang saling
bertabrakan.
Berikut adalah pasangan mata kuliah – mata kuliah tersebut :
1. {m1, m2, m3, m5, m10}
2. {m3, m4, m5, m6, m10}
3. {m4, m5, m6, m7, m10}
4. {m6, m7, m8, m9, m10}
5. {m10, m11}
Berikut beberapa individu yang dipilih sebagai populasi awal/generasi pertama
disesuaikan dengan mata kuliah – mata kuliah yang bertabrakan. Dalam hal ini, nilai
fitness suatu individu dihitung dari banyaknya mata kuliah yang bertabrakan
(banyaknya alel yang bernilai 1 dalam suatu kromosom) :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 6

Individu 1
1 2 3 4 5 6 7 8 9 10 11
1 1 1 0 1 0 0 0 0 1 0
Nilai Fitness = 5

Individu 2
1 2 3 4 5 6 7 8 9 10 11
0 0 0 0 0 1 1 1 1 1 0
Nilai Fitness = 5

Individu 3
1 2 3 4 5 6 7 8 9 10 11
0 0 1 1 1 1 0 0 0 1 0
Nilai Fitness = 5

Individu 4
1 2 3 4 5 6 7 8 9 10 11
0 0 0 0 0 0 0 0 0 1 1
Nilai Fitness = 2

Individu 5
1 2 3 4 5 6 7 8 9 10 11
0 0 0 1 1 1 1 0 0 1 0
Nilai Fitness = 5

Individu – individu tersebut kemudian akan menjadi induk yang akan dipersilangkan
dan dimutasikan.

Persilangan ( Cross Over ) dan Mutasi GENERASI

PERTAMA :
1. Individu 1 dan 2
NB : Digit angka yang di-highlight kuning adalah gen-gen yang akan di silangkan
Dilakukan Cross Over antara individu 1 dan 2 :

1 1 1 0 1 0 0 0 0 1 0
0 0 0 0 0 1 1 1 1 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
1 1 1 0 0 1 1 0 0 1 0 6 gagal
0 0 0 0 1 0 0 1 1 1 0 4 gagal

NB : Digit angka yang di-highlight biru adalah gen-gen yang akan dimutasikan

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 7

Dan dari hasil mutasi, diperoleh lagi dua individu baru yaitu :

Nilai Fitness
1 1 1 0 0 1 0 0 0 1 0 5 Gagal
0 0 0 0 1 0 1 1 1 1 0 5 Gagal

2. Individu 1 dan 3
Dilakukan Cross Over antara individu 1 dan 3 :

1 1 1 0 1 0 0 0 0 1 0
0 0 1 1 1 1 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
1 1 1 0 1 1 0 0 0 1 0 6 Gagal
0 0 1 1 1 0 0 0 0 1 0 4 Berhasil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
1 1 1 0 1 1 0 0 0 1 0 6 Gagal
0 0 1 1 1 0 0 0 0 1 0 4 Berhasil

3. Individu 1 dan 4
Dilakukan Cross Over antara individu 1 dan 4 :

1 1 1 0 1 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 1 1

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
1 1 1 0 0 0 0 0 0 1 0 4 Berhasil
0 0 0 0 1 0 0 0 0 1 1 3 Gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
1 1 1 0 0 0 0 0 0 1 0 4 Berhasil
0 0 0 0 1 0 0 0 0 1 1 3 Gagal

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 8

4. Individu 1 dan 5
Dilakukan Cross Over antara individu 1 dan 5 :

1 1 1 0 1 0 0 0 0 1 0
0 0 0 1 1 1 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
1 1 1 0 1 1 1 0 0 1 0 7 Gagal
0 0 0 1 1 0 0 0 0 1 0 3 Berhasil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
1 1 1 0 1 1 0 0 0 1 0 6 Gagal
0 0 0 1 1 0 1 0 0 1 0 4 Berhasil

5. Individu 2 dan 3
Dilakukan Cross Over antara individu 2 dan 3 :

0 0 0 0 0 1 1 1 1 1 0
0 0 1 1 1 1 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 0 0 1 1 0 1 1 1 0 4 Gagal
0 0 1 1 0 1 1 0 0 1 0 5 Gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 0 1 1 1 1 1 1 0 6 Gagal
0 0 1 1 0 1 0 0 0 1 0 4 Berhasil

6. Individu 2 dan 4
Dilakukan Cross Over antara individu 2 dan 4 :

0 0 0 0 0 1 1 1 1 1 0
0 0 0 0 0 0 0 0 0 1 1

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 9

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 0 0 0 0 0 1 1 1 0 3 Berhasil
0 0 0 0 0 1 1 0 0 1 1 4 Gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 0 0 0 1 1 1 1 0 4 Berhasil
0 0 0 0 0 1 0 0 0 1 1 3 Gagal

7. Individu 2 dan 5
Dilakukan Cross Over antara individu 2 dan 5 :

0 0 0 0 0 1 1 1 1 1 0
0 0 0 1 1 1 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 0 0 1 1 1 1 1 1 0 6 Gagal
0 0 0 1 0 1 1 0 0 1 0 4 Berhasil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 0 1 1 1 1 1 1 0 6 Gagal
0 0 0 1 0 1 1 0 0 1 0 4 Berhasil

8. Individu 3 dan 4
Dilakukan Cross Over antara individu 3 dan 4 :

0 0 1 1 1 1 0 0 0 1 0
0 0 0 0 0 0 0 0 0 1 1

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 10

0 0 0 0 1 1 0 0 0 1 1 4 gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil
0 0 0 0 1 1 0 0 0 1 1 4 gagal

9. Individu 3 dan 5
Dilakukan Cross Over antara individu 3 dan 5:

0 0 1 1 1 1 0 0 0 1 0
0 0 0 1 1 1 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 1 1 1 1 1 0 0 1 0 6 gagal
0 0 0 1 1 1 0 0 0 1 0 4 berhasil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 1 1 0 0 0 1 0 5 berhasil
0 0 0 1 1 1 1 0 0 1 0 5 berhasil

10. Individu 4 dan 5

Dilakukan Cross Over antara individu 4 dan 5 :

0 0 1 1 1 1 0 0 0 1 0
0 0 0 0 0 0 0 0 0 1 1

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil
0 0 0 0 1 1 0 0 0 1 1 4 gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :
Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil
0 0 0 0 1 1 0 0 0 1 1 4 gagal

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 11

Dilihat dari hasil cross over dan mutasi, terdapat beberapa anak yang gagal. Maksud
gagal di sini adalah gen individu – individu tersebut tidak sesuai dengan pasangan
mata – mata kuliah yang bertabrakan atau dengan kata lain, ada beberapa gen
( mata kuliah ) dari individu yang gagal tersebut yang tidak bertabrakan / berurutan.
Sementara, untuk hasil persilangan yang sukses, memiliki kemungkinan untuk
menjadi solusi (penyelesaian) karena alel dari gen – gen tersebut sesuai dengan
pasangan mata kuliah yang bertabrakan. Maka, dari hasil reproduksi tersebut,
diperoleh calon-calon individu generasi kedua yang berhasil :

Calo Mata kuliah ke-I Nilai Fitness Ket.

n 1 2 3 4 5 6 7 8 9 10
Ana
k
1 0 0 1 1 1 0 0 0 0 1 0 4 Sama
2 0 0 1 1 1 0 0 0 0 1 0 4
3 1 1 1 0 0 0 0 0 0 1 0 4 Sama
4 1 1 1 0 0 0 0 0 0 1 0 4
5 0 0 0 1 1 0 0 0 0 1 0 3
6 0 0 0 1 1 0 1 0 0 1 0 4
7 0 0 1 1 0 1 0 0 0 1 0 4
8 0 0 0 0 0 0 0 1 1 1 0 3
9 0 0 0 0 0 0 1 1 1 1 0 4
10 0 0 0 1 0 1 1 0 0 1 0 4
11 0 0 1 1 0 0 0 0 0 1 0 3 Sama
12 0 0 1 1 0 0 0 0 0 1 0 3
13 0 0 0 1 1 1 0 0 0 1 0 4
14 0 0 1 1 1 1 0 0 0 1 0 5
15 0 0 0 1 1 1 1 0 0 1 0 5
16 0 0 1 1 0 0 0 0 0 1 0 3 Sama
17 0 0 1 1 0 0 0 0 0 1 0 3
Tabel 1.1 : Tabel Calon Individu – Individu Generasi Kedua

Dari calon – calon anak dari hasil reproduksi di atas, ada beberapa individu yang
memiliki untaian dengan gen yang sama, oleh karena itu individu – individu yang
sama tersebut dapat digabungkan menjadi satu saja. Maka, individu – individu untuk
generasi kedua, yaitu :

Individ Nilai Fitness

u
1 0 0 1 1 1 0 0 0 0 1 0 4
2 1 1 1 0 0 0 0 0 0 1 0 4
3 0 0 0 1 1 0 0 0 0 1 0 3
4 0 0 0 1 1 0 1 0 0 1 0 4
5 0 0 1 1 0 1 0 0 0 1 0 4
6 0 0 0 0 0 0 0 1 1 1 0 3
7 0 0 0 0 0 0 1 1 1 1 0 4

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 12

8 0 0 0 1 0 1 1 0 0 1 0 4
9 0 0 1 1 0 0 0 0 0 1 0 3
10 0 0 0 1 1 1 0 0 0 1 0 4
11 0 0 1 1 1 1 0 0 0 1 0 5
12 0 0 0 1 1 1 1 0 0 1 0 5
13 0 0 1 1 0 0 0 0 0 1 0 3
Tabel 1.2 : Tabel Individu – Individu Generasi Kedua

Setelah diperoleh beberapa calon individu generasi kedua, dilakukan seleksi

berikutnya untuk menentukan individu mana saja yang cocok menjadi populasi
generasi kedua. Seleksi didasarkan pada individu dengan nilai fitness tertinggi. Maka,
dari penyeleksian dengan cara itu, diperoleh populasi generasi kedua dengan jumlah
individu sama dengan jumlah induknya, yakni :

Individ Nilai Fitness

u
1 0 0 1 1 1 1 0 0 0 1 0 5
2 0 0 0 1 1 1 1 0 0 1 0 5
3 0 0 1 1 1 0 0 0 0 1 0 4
4 1 1 1 0 0 0 0 0 0 1 0 4
5 0 0 0 1 1 0 1 0 0 1 0 4
Tabel 1.3 : Tabel Individu – Individu Generasi Kedua yang Unggul

Setelah diperoleh beberapa individu generasi kedua yang unggul, maka dilakukan
lagi proses reproduksi yang meliputi, cross-over dan mutasi.

Persilangan (Cross Over) dan Mutasi GENERASI KEDUA :

1. Individu 1 dan 2
NB : Digit angka yang di-highlight kuning adalah gen-gen yang akan
disilangkan
Dilakukan Cross Over antara individu 1 dan 2 :

0 0 1 1 1 1 0 0 0 1 0
0 0 0 1 1 1 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
0 0 1 1 1 1 1 0 0 1 0 6 gagal
0 0 0 1 1 1 0 0 0 1 0 4 berhasil

NB : Digit angka yang di-highlight biru adalah gen-gen yang akan dimutasikan
Dan dari hasil mutasi, diperoleh lagi dua individu baru yaitu :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 13

Nilai Fitness
0 0 1 1 1 1 0 0 0 1 0 5 berhasil
0 0 0 1 1 1 1 0 0 1 0 5 berhasil

2. Individu 1 dan 3
Dilakukan Cross Over antara individu 1 dan 3 :

0 0 1 1 1 1 0 0 0 1 0
0 0 1 1 1 0 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
berhasi
0 0 1 1 1 0 0 0 0 1 0 4 l
berhasi
0 0 1 1 1 1 0 0 0 1 0 5 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 1 0 0 0 0 1 0 4 berhasil
0 0 1 1 1 1 0 0 0 1 0 5 berhasil

3. Individu 1 dan 4
Dilakukan Cross Over antara individu 1 dan 4 :

0 0 1 1 1 1 0 0 0 1 0
1 1 1 0 0 0 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
berhasi
0 0 1 1 0 0 0 0 0 1 0 3 l
1 1 1 0 1 1 0 0 0 1 0 6 gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 14

1 1 1 0 1 1 0 0 0 1 0 6 gagal

4. Individu 1 dan 5
Dilakukan Cross Over antara individu 1 dan 5 :

0 0 1 1 1 1 0 0 0 1 0
0 0 0 1 1 0 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
0 0 1 1 1 0 1 0 0 1 0 5 gagal
berhasi
0 0 0 1 1 1 0 0 0 1 0 4 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 1 0 0 0 0 1 0 4 berhasil
0 0 0 1 1 1 1 0 0 1 0 5 berhasil

5. Individu 2 dan 3
Dilakukan Cross Over antara individu 2 dan 3 :

0 0 0 1 1 1 1 0 0 1 0
0 0 1 1 1 0 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
berhasi
0 0 0 1 1 0 0 0 0 1 0 3 l
0 0 1 1 1 1 1 0 0 1 0 6 gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 1 1 0 1 0 0 1 0 4 berhasil
0 0 1 1 1 1 0 0 0 1 0 5 berhasil

6. Individu 2 dan 4

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 15

Dilakukan Cross Over antara individu 2 dan 4 :

0 0 0 1 1 1 1 0 0 1 0
1 1 1 0 0 0 0 0 0 1 0
Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
berhasi
0 0 0 1 0 0 0 0 0 1 0 2 l
1 1 1 0 1 1 1 0 0 1 0 7 gagal

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 1 0 0 1 0 0 1 0 3 berhasil
1 1 1 0 1 1 0 0 0 1 0 6 gagal

7. Individu 2 dan 5
Dilakukan Cross Over antara individu 2 dan 5 :

0 0 0 1 1 1 1 0 0 1 0
0 0 0 1 1 0 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
berhasi
0 0 0 1 1 0 1 0 0 1 0 4 l
berhasi
0 0 0 1 1 1 1 0 0 1 0 5 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 0 1 1 0 1 0 0 1 0 4 berhasil
0 0 0 1 1 1 1 0 0 1 0 5 berhasil

8. Individu 3 dan 4
Dilakukan Cross Over antara individu 3 dan 4 :

0 0 1 1 1 0 0 0 0 1 0
1 1 1 0 0 0 0 0 0 1 0

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 16

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
berhasi
0 0 1 1 0 0 0 0 0 1 0 3 l
berhasi
1 1 1 0 1 0 0 0 0 1 0 5 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 0 0 0 0 0 1 0 3 berhasil
1 1 1 0 1 0 0 0 0 1 0 5 berhasil

9. Individu 3 dan 5
Dilakukan Cross Over antara individu 3 dan 5 :

0 0 1 1 1 0 0 0 0 1 0
0 0 0 1 1 0 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
0 0 1 1 1 0 1 0 0 1 0 5 gagal
berhasi
0 0 0 1 1 0 0 0 0 1 0 3 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
0 0 1 1 1 0 0 0 0 1 0 4 berhasil
0 0 0 1 1 0 1 0 0 1 0 4 berhasil

10. Individu 4 dan 5

Dilakukan Cross Over antara individu 4 dan 5 :

1 1 1 0 0 0 0 0 0 1 0
0 0 0 1 1 0 1 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai Fitness
1 1 1 0 1 0 1 0 0 1 0 6 gagal

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 17

berhasi
0 0 0 1 0 0 0 0 0 1 0 2 l

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi dua individu
baru, yaitu :

Nilai Fitness
1 1 1 0 1 0 0 0 0 1 0 5 berhasil
0 0 0 1 0 0 1 0 0 1 0 3 berhasil

Dilihat dari hasil cross over dan mutasi, terdapat beberapa anak yang gagal. Seperti
pada hasil persilangan induk – induk pada generasi pertama, maksud gagal di sini
ialah gen individu – individu tersebut tidak sesuai dengan pasangan mata – mata
kuliah yang bertabrakan atau dengan kata lain, ada beberapa gen ( mata kuliah ) dari
individu yang gagal tersebut yang tidak bertabrakan / berurutan. Sementara, untuk
hasil persilangan yang sukses, memiliki kemungkinan untuk menjadi solusi
(penyelesaian) karena alel dari gen – gen tersebut sesuai dengan pasangan mata
kuliah yang bertabrakan. Maka, dari hasil reproduksi tersebut, diperoleh calon-calon
individu generasi ketiga yang berhasil :

Calon Mata Kuliah ke - i Nilai Fitness

anak 1 2 3 4 5 6 7 8 9 10 11
1 0 0 1 1 1 1 0 0 0 1 0 5
2 0 0 1 1 1 1 0 0 0 1 0 5
3 0 0 1 1 1 1 0 0 0 1 0 5
4 0 0 1 1 1 1 0 0 0 1 0 5
5 0 0 0 1 1 1 1 0 0 1 0 5
6 0 0 0 1 1 1 1 0 0 1 0 5
7 0 0 0 1 1 1 1 0 0 1 0 5
8 0 0 0 1 1 1 1 0 0 1 0 5
9 1 1 1 0 1 0 0 0 0 1 0 5
10 1 1 1 0 1 0 0 0 0 1 0 5
11 1 1 1 0 1 0 0 0 0 1 0 5
12 0 0 1 1 1 0 0 0 0 1 0 4
13 0 0 1 1 1 0 0 0 0 1 0 4
14 0 0 1 1 1 0 0 0 0 1 0 4
15 0 0 1 1 1 0 0 0 0 1 0 4
16 0 0 0 1 1 1 0 0 0 1 0 4
17 0 0 0 1 1 1 0 0 0 1 0 4
18 0 0 0 1 1 0 1 0 0 1 0 4
19 0 0 0 1 1 0 1 0 0 1 0 4
20 0 0 0 1 1 0 1 0 0 1 0 4
21 0 0 0 1 1 0 1 0 0 1 0 4
22 0 0 1 1 0 0 0 0 0 1 0 3
23 0 0 1 1 0 0 0 0 0 1 0 3
24 0 0 1 1 0 0 0 0 0 1 0 3
25 0 0 1 1 0 0 0 0 0 1 0 3

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 18

26 0 0 0 1 0 0 1 0 0 1 0 3
27 0 0 0 1 0 0 1 0 0 1 0 3
28 0 0 0 1 1 0 0 0 0 1 0 3
29 0 0 0 1 1 0 0 0 0 1 0 3
30 0 0 0 1 0 0 0 0 0 1 0 2
31 0 0 0 1 0 0 0 0 0 1 0 2
Tabel 1.4 : Tabel Calon Individu – Individu Generasi Ketiga
Ket : individu dengan warna yang sama memiliki kromosom dengan nilai yang sama

Dari calon – calon anak dari hasil reproduksi di atas, ada beberapa individu yang
memiliki untaian dengan gen yang sama, oleh karena itu individu – individu yang
sama tersebut dapat digabungkan menjadi satu saja. Maka, individu – individu untuk
generasi kedua, yaitu :

Individ Mata Kuliah ke - i Nilai Fitness

u 1 2 3 4 5 6 7 8 9 10 11
1 0 0 1 1 1 1 0 0 0 1 0 5
2 0 0 0 1 1 1 1 0 0 1 0 5
3 1 1 1 0 1 0 0 0 0 1 0 5
4 0 0 1 1 1 0 0 0 0 1 0 4
5 0 0 0 1 1 1 0 0 0 1 0 4
6 0 0 0 1 1 0 1 0 0 1 0 4
7 0 0 0 1 1 0 1 0 0 1 0 4
8 0 0 1 1 0 0 0 0 0 1 0 3
9 0 0 0 1 0 0 1 0 0 1 0 3
10 0 0 0 1 1 0 0 0 0 1 0 3
11 0 0 0 1 0 0 0 0 0 1 0 2
Tabel 1.5 : Tabel Individu – Individu Generasi Ketiga

Dari tabel 1.5, dapat dilihat bahwa nilai fitness tertinggi di antara individu – individu
tersebut adalah 5, sehingga dapat disimpulkan bahwa jumlah ruangan minimum
yang dapat digunakan untuk mengatur jadwal mata kuliah adalah 5 ruangan.

4. Kesimpulan
Algoritma genetika ini sangat tepat untuk diimplementasikan pada
penyelesaian program pengaturan jadwal mata kuliah dan permasalahan lain dengan
memberikan solusi yang mengutamakan efisiensi dan . Karena tadi telah ditunjukkan
bahwa algoritma ini dapat menyelesaikan suatu persoalan yang apabila dikerjakan
secara manual (otak manusia) sangat lama. Jadi, algoritma ini cukup mangkus untuk

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar – Algoritma Genetika 19

digunakan menyelesaikan masalah – masalah yang membutuhkan solusi terbaik di

antara berbagai alternatif yang ada.

REFERENSI
[1] http://en.wikipedia.org/wiki/Genetic_algortihm, diakses tanggal 21 Mei 2007
[2] http://www.informatika.org

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010