4.

1 Langkah-langkah Algoritma Genetika

4.3.1 Populasi Awal
Tahap ini bertujuan untuk membangkitkan sebuah populasi awal yang
berisi sejumlah kromosom yang telah ditentukan banyaknya. Banyaknya
kromosom dalam populasi awal telah ditentukan sebanyak 100 kromosom,
kromosom yang terbentuk terlihat seperti pada Tabel 4.11. Populasi awal ini
dipilih secara random, berdasarkan nilai random yang muncul. Pada tahap
populasi awal ini adalah seluruh individu dalam populasi sebelum iterasi dimulai.
4.3.2 Evaluasi Fungsi Fitness
Fungsi fitness digunakan untuk menentukan seberapa baik individu yang
dihasilkan oleh setiap kromosom.

Z tot

adalah Total biaya distribusi barang tiga

tahap PT. Semen Tonasa. Semakin maksimal nilai suatu fitness dari suatu
kromosom, maka akan semakin baik nilai kromosom tersebut. Untuk mencari
nilai fitness adalah sebagai berikut:
Z
Fungsi fitness = 1/ tot
Maka akan diperoleh hasil nilai fitness dari setiap kromosom, sebagai berikut:
4.3.3 Seleksi
Tahap selanjutnya adalah menyeleksi hasil populasi tersebut. Sebelum
melakukan seleksi ini, pertama-tama adalah mencari probabilitas fitness tiap biaya
distribusi dan mencari probabilitas kumulatif tiap biaya distribusi. Probabilitas
fitness didapatkan dengan cara pertama-tama menjumlahkan seluruh nilai fitness
yang ada setelah itu nilai fitness setiap individu di bagi dengan jumlah total nilai
fitness. Hasil probabilitas fitness (pk) yang ada dapat dilihat pada tabel di bawah
ini. Kemudian mencari probabilitas kumulatif (qk) tiap biaya distribusi. Berikut
adalah contoh perhitungan untuk mendapatkan pk dan qk.
4.3.4 Crossover
Crossover merupakan suatu proses persilangan sepasang kromosom
parents untuk menghasilkan offspring atau keturunan yang menjadi generasi
berikutnya. Offspring yang dihasilkan dari proses crossover ini diharapkan

memiliki sifat-sifat yang unggul yang dimiliki oleh parents mereka. Penentuan
crossover dilakukan dengan cara membandingkan nilai probabilitas crossover (pc)
tersebut dengan bilangan yang dibangkitkan secara random. Metode yang
digunakan untuk melakukan crossover adalah dengan metode penyilangan satu
titik potong (one cut point crossover), yaitu panjang kromosom diseleksi secara
random dan tidak diperbolehkan ada posisi yang sama, variabel-variabel ditukar
antar kromosom pada titik tersebut untuk menghasilkan keturunan/ anak yang
lebih baik dari orang tuanya (parent).
4.3.5 Mutasi
Proses mutasi merupakan proses untuk menggantikan gen-gen yang hilang
dari populasi dalam proses seleksi, selain itu untuk menghasilkan gen-gen yang
tidak terdapat pada populasi awal. Proses mutasi ini dilakukan berdasarkan
bilangan random yang dihasilkan, apabila nilai bilangan random lebih besar dari
probabilitas mutasi maka individu tersebut tidak akan dimutasi, namun apabila
nilai bilangan random tersebut lebih kecil dari peluang mutasi maka individu
tersebut akan di mutasi. Proses mutasi dilakukan dengan mengubah satu gen
dalam kromosom. Metode yang digunakan pada proses mutasi ini adalah
repciprocal exchange mutation.
4.3.6 Pelestarian Individu Terbaik
Setelah melakukan tahapan itu semua, maka akan didapatkan hasil yang
optimal, walaupun belum tentu menghasilkan yang paling optimal. Untuk
mendapatkan hasil yang optimal harus dibuat sampai dengan generasi ke-100.
Hasil dari populasi akhir generasi ke-1 ini, nantinya akan dijadikan sebagai
populasi awal untuk dilakukan proses di generasi ke-2, mulai dari tahap seleksi,
crossover, mutasi hingga pelestarian individu terbaik lagi. Proses ini akan selalu
berulang sampai maksimum generasi ke-100. Kemudian didapatkan populasi
akhir pada generasi ke-100 dan nantinya akan dipilih berdasarkan nilai fitness
yang terbesar untuk dijadikan sebagai rute yang optimal. Hasil dari Generasi ke-1
dapat dilihat pada Tabel 6.

4.2 Hasil dan Analisa Pengujian

4.4.1 Pengujian Ukuran Populasi
Pengujian ini bertujuan untuk mengetahui ukuran populasi yang optimal
sehingga menghasilkan rata rata nilai fitness terbaik pada penelitian ini. Data
yang digunakan dalam pengujian populasi adalah data kapasitas produksi pabrik,
kapasitas unit pengantongan, dan jumlah distributor. Data jumlah bahan baku dari
pemasok untuk pabrik, jumlah produk dari pabrik ke unit pengantongan, dan
jumlah permintaan dari unit pemgantongan ke distributor. Data distribusi dari
pemasok ke pabrik, data distribusi pabrik ke unit pegantongan, dan data distribusi
dari unit pengantonga ke distributor. Serta data unit biaya bahan baku dari
pemasok, data biaya operasi tetap pabrik, dan data biaya operasi unit
pengantongan. Pengujian terhadap pengaruh ukuran populasi dilakukan dengan
ukuran populasi sebanyak 20, 40, 60, 80 dan 100 dengan kombinasi cr = 0,45 dan
mr = 0,01 dan jumlah generasi sebanyak 100. Untuk mendapatkan nilai rata-rata
fitness setiap percobaan akan dilakukan sebanyak 10 kali. Dari pengujian tersebut
dibuat sebuah grafik untuk melihat perbedaan dari hasil pengujian banyak
generasi terhadap nilai fitness yang dapat dilihat pada grafik Gambar 8. Dari
grafik 8 dapat dilihat bahwa ukuran populasi berpengaruh terhadap hasil algoritma
yang terlihat pada nilai fitnessnya. Nilai fitness terendah terdapat pada populasi 25
dikarenakan ukuran populasi masih sedikit untuk memproses data dengan
menggunakan algoritma genetika, sehingga area eksplorasi algoritma genetika
semakin sempit dan solusi yang ditemukan tidak akan terlalu baik. Namun, terlalu
besar ukuran populasi juga belum tentu hasil algoritma genetika menjadi lebih
optimal. Terlalu besar ukuran populasi yang digunakan membuat waktu proses
semakin panjang. Selain itu, nilai fitness yang dihasilkan juga belum tentu lebih
baik dari ukuran populasi yang lebih kecil. Dari grafik Gambar 8 bisa disimpulkan
bahwa ukuran populasi 125 menghasilkan nilai fitness yang optimal. Ukuran
populasi yang lebih besar dari 125 meghasilkan nilai fitnes yang cenderung naik
turun, tetapi dengan selisih yang tidak signifikan. Kondisi ini yang disebut dengan
konvergensi.

4.4.2 Pengujian Pengaruh Kombinasi Crossover Rate dan Mutation Rate

Pengujian terhadap pengaruh kombinasi nilai crossover rate (cr) dan
mutation rate (mr) digunakan untuk mengetahui pengaruh kombinasi dari kedua
parameter terhadap hasil yang optimal untuk kasus distribusi barang tiga tahap.
Pada pengujian ini digunakan jumlah populasi terbaik dari pengujian sebelumnya
sebanyak 100 populasi dan jumlah generasi sebanyak 100. Kombinasi parameter
reproduksi yang digunakan berkisar 0 sampai 1 dan masing-masing percobaan
dilakukan sebanyak 10 kali yang akan diambil nilai rata-rata fitness. Pada gambar
5.2 dapat dilihat grafik kenaikan dan penurunan nilai fitness.
Berdasarkan Gambar 5.2 diperoleh ratarata nilai fitness terbesar adalah
pada ukuran kombinasi crossover rate (cr) sebesar 0,6 dan ukuran mutation rate
(mr) sebesar 0,4 dengan rata-rata nilai fitness 0,16566. Sedangkan rata-rata nilai
fitness terkecil adalah pada ukuran kombinasi cr 0,1 dan mr 0,9 dengan
rata-rata fitness 0,1596. Nilai fitness yang dihasilkan pada setiap kombinasi
cenderung rendah pada nilai cr dan mr yang tidak seimbang, yaitu cr yang terlalu
kecil maupun mr yang terlalu kecil. Nilai cr yang terlalu tinggi dan mr yang
rendah menyebabkan algoritma genetika tidak akan mampu memperlebar area
pencarian, sedangkan nilai cr yang rendah dan mr yang tinggi menyebabkan
algoritma genetika akan bekerja seperti random search dan tidak mampu
mengekplorasi daerah pencarian secara efektif (Mahmudy, WF, Marlian, RM
dan Luong, LHS dalam Pratiwi, 2014).
4.4.3 Pengujian Pengaruh Jumlah Generasi
Pengujian terhadap maksimum generasi digunakan untuk mengetahui
pengaruh banyaknya jumlah generasi yang digunakan terhadap rata-rata nilai
fitness. Pada pengujian ini digunakan jumlah generasi sebanyak 20, 40, 60, 80,100
dengan jumlah ukuran populasi sebanyak 80 dan kombinasi cr sebesar 0,6 dan mr
sebesar 0,4. Percobaan terhadap pengaruh jumlah generasi dilakukan sebanyak 10
kali untuk diambil nilai rata-rata fitness, hasil pengujian ditunjukkan pada Gambar
5.3.
Berdasarkan Gambar 5.3 mengenai pengujian jumlah generasi diperoleh
solusi terbaik pada generasi ke 80. Hasil fitness tertinggi pada generasi tersebut

adalah 0,165652 dan nilai fitness terendah dihasilkan ketika menggunakan jumlah
generasi yang sedikit pada jumlah generasi 20. Pada grafik yang ditunjukkan oleh
Gambar 6.3 generasi 20 sampai dengan 80 mengalami kenaikan rata-rata nilai
fitness yang signifikan. Jumlah generasi sebanyak 20 memiliki rata-rata nilai
fitness cenderung sedikit dikarenakan eksplorasi terhadap ruang pencarian
cenderung lebih kecil. Sedangkan pada jumlah generasi 80 menghasilkan rata-rata
nilai fitness yang tinggi karena eksplorasi terhadap ruang pencarian cenderung
lebih besar namun dibarengi dengan waktu eksekusi yang lebih lama. Pada
generasi ke 100 rata-rata nilai fitness cenderung mengalami penurunan karena
ruang pencarian cenderung lebih besar dan memungkinkan kromosom
mendapatkan fitness yang lebih kecil karena sifat genetika adalah random
kromosom.
4.4.4 Pengujian Seleksi Metode Elitism
Seleksi yang digunakan pada pengujuian ini adalah Metode Elitism, yaitu
seleksi dengan mengurutkan individu-individu yang memiliki nilai fitness tinggi
ke rendah. Seleksi menghasilkan individu terbaik dengan nilai fitness tertinggi
sesuai dengan jumlah populasi sebelumnya. Metode Elitism yang memiliki
individu nilai fitness baik selalu lolos untuk menjadi parent pada generasi
selanjutnya.