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,

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 2

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 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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 3

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.
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 M

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.

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 4

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.
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.

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 5

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, f).
Matakuliah mi dan mj disebut saling berurutan jika 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
f 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.

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 6

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) :

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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 7

NB : Digit angka yang di-highlight kuning adalah gen-gen

yang akan disilangkan
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
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
Berha
0 0 1 1 1 0 0 0 0 1 0 4 sil

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
Berha
0 0 1 1 1 0 0 0 0 1 0 4 sil

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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 8

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
Berha
1 1 1 0 0 0 0 0 0 1 0 4 sil
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
Berha
1 1 1 0 0 0 0 0 0 1 0 4 sil
0 0 0 0 1 0 0 0 0 1 1 3 Gagal

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
Berha
0 0 0 1 1 0 0 0 0 1 0 3 sil

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
Berha
0 0 0 1 1 0 1 0 0 1 0 4 sil

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

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 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
Berha
0 0 1 1 0 1 0 0 0 1 0 4 sil

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

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
Berha
0 0 0 0 0 0 0 1 1 1 0 3 sil
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
Berha
0 0 0 0 0 0 1 1 1 1 0 4 sil
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 :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 10

Nilai
Fitness
0 0 0 0 1 1 1 1 1 1 0 6 Gagal
Berha
0 0 0 1 0 1 1 0 0 1 0 4 sil

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
Berha
0 0 0 1 0 1 1 0 0 1 0 4 sil

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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 11

0 0 1 1 1 1 1 0 0 1 0 6 gagal
berha
0 0 0 1 1 1 0 0 0 1 0 4 sil

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

Nilai Fitness
berha
0 0 1 1 1 1 0 0 0 1 0 5 sil
berha
0 0 0 1 1 1 1 0 0 1 0 5 sil

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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
0 0 0 0 1 1 0 0 0 1 1 4 gagal

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 :

Cal Mata kuliah ke-I Nilai Ket.

on 1 2 3 4 5 6 7 8 9 10 Fitness
An
ak

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 12

1 0 0 1 1 1 0 0 0 0 1 0 4 Sam
2 0 0 1 1 1 0 0 0 0 1 0 4 a
3 1 1 1 0 0 0 0 0 0 1 0 4 Sam
4 1 1 1 0 0 0 0 0 0 1 0 4 a
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 Sam
12 0 0 1 1 0 0 0 0 0 1 0 3 a
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 Sam
17 0 0 1 1 0 0 0 0 0 1 0 3 a
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 :

Indivi Nilai
du Fitness
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
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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 13

dengan cara itu, diperoleh populasi generasi kedua dengan jumlah

individu sama dengan jumlah induknya, yakni :

Indivi Nilai
du Fitness
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 :

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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 14

0 0 1 1 1 0 0 0 0 1 0

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
berha
0 0 1 1 1 0 0 0 0 1 0 4 sil
berha
0 0 1 1 1 1 0 0 0 1 0 5 sil

Kedua individu baru dimutasikan dan dari hasil mutasi diperoleh lagi
dua individu baru, yaitu :
Nilai
Fitness
berha
0 0 1 1 1 0 0 0 0 1 0 4 sil
berha
0 0 1 1 1 1 0 0 0 1 0 5 sil

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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
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
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 15

Dari hasil persilangan diperoleh dua individu baru yaitu :

Nilai
Fitness
0 0 1 1 1 0 1 0 0 1 0 5 gagal
berha
0 0 0 1 1 1 0 0 0 1 0 4 sil

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

Nilai
Fitness
berha
0 0 1 1 1 0 0 0 0 1 0 4 sil
berha
0 0 0 1 1 1 1 0 0 1 0 5 sil

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
berha
0 0 0 1 1 0 0 0 0 1 0 3 sil
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
berha
0 0 0 1 1 0 1 0 0 1 0 4 sil
berha
0 0 1 1 1 1 0 0 0 1 0 5 sil

6. Individu 2 dan 4
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 :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 16

Nilai
Fitness
berha
0 0 0 1 0 0 0 0 0 1 0 2 sil
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
berha
0 0 0 1 0 0 1 0 0 1 0 3 sil
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
berha
0 0 0 1 1 0 1 0 0 1 0 4 sil
berha
0 0 0 1 1 1 1 0 0 1 0 5 sil

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

Nilai
Fitness
berha
0 0 0 1 1 0 1 0 0 1 0 4 sil
berha
0 0 0 1 1 1 1 0 0 1 0 5 sil

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

Dari hasil persilangan diperoleh dua individu baru yaitu :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 17

Nilai
Fitness
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
berha
1 1 1 0 1 0 0 0 0 1 0 5 sil

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

Nilai
Fitness
berha
0 0 1 1 0 0 0 0 0 1 0 3 sil
berha
1 1 1 0 1 0 0 0 0 1 0 5 sil

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
berha
0 0 0 1 1 0 0 0 0 1 0 3 sil

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

Nilai
Fitness
berha
0 0 1 1 1 0 0 0 0 1 0 4 sil
berha
0 0 0 1 1 0 1 0 0 1 0 4 sil

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 :

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 18

Nilai
Fitness
1 1 1 0 1 0 1 0 0 1 0 6 gagal
berha
0 0 0 1 0 0 0 0 0 1 0 2 sil

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

Nilai
Fitness
berha
1 1 1 0 1 0 0 0 0 1 0 5 sil
berha
0 0 0 1 0 0 1 0 0 1 0 3 sil

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 :

Calo Nilai
n Mata Kuliah ke - i 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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 19

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
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 :

Indivi Mata Kuliah ke - i Nilai

du Fitness
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

Sekolah Tinggi Manajemen Informatika dan Komputer KHARISMA - 2010

 MAKALAH Tugas Besar Algoritma Genetika 20

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 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