Nama Kelompok :

1. Gilang Ramadhan
2. I Made Budi Surya Darma
3. Dimas Joko
4. M Adhriawan

1. Kelemahan algoritma genetika dengan pengkodean biner adalah tidak dapat menjangkau titik-titik
solusi yang berada pada daerah kontinyu. Kelemahan yang lain adalah transformasi biner ke
bilangan decimal dan sebaliknya dapat menyita waktu sangat banyak apabila digunakan pada
optimasi fungsi yang kompleks dan membutuhkan banyak generasi.

2. P1 = (2.3, 5.2)
P2 = (4.8, 3.1)
a = [0.1, 0.2]
Tentukan dua offspring C1 dan C2 dengan extended intermediate crossover

C1: x1 = 2.3 + 0.1(4.8-2.3) = 2.55

x2 = 5.2 + 0.2(3.1-5.2) = 4.78
C2: x1 = 4.8 + 0.1(2.3-4.8) = 4.55
x2 = 3.1 + 0.2(5.2-3.1) = 3.52

3. Misalkan yang terpilih sebagai induk adalah P=(2,3, 5,2) dan nilai x2 berada pada range [1,0,
10,0]. Jika r=0,01 dan gen yang terpilih nomer 2, tentukan offspring C yang terbentuk dari random
mutation!

xi = xi + r (maxi
C : X1 = 2,3 (Tetap)
X2 = 5,2 + 0,01(10,0 1,0)
= 5,29
4. Diketahui individu dengan popSize=5 dan offspring sebagai berikut:

Tentukan himpunan individu yang lolos ke generasi selanjutnya jika digunakan elitism selection!

P(t+1) asal P(t) fitness

P1 P2 10
P2 P1 9
P3 P4 9
P4 C2 8
P5 C3 7
5. Diketahui individu dengan popSize=5 dan offspring sebagai berikut:

Tentukan himpunan individu yang lolos ke generasi selanjutnya jika digunakan replacement
selection!

P(t+1) asal P(t) Fitness

P1 P1 9
P2 P2 10
P3 C1 4
P4 P4 9
P5 C2 8

6. Sebutkan keuntungan dan kerugian jika nilai parameter ukuran populasi (popSize),
probabilitas crossover (pc) dan probabilitas mutasi (pm) ditentukan semakin besar?

Keuntungan = meningkatkan kemampuan eksplorasi algoritma genetika untuk

mencari solusi terbaik.
Kerugian = membebani waktu komputasi (proses berlangsung lama) karena bisa jadi
algoritma genetika mengeksplorasi area yang tidak mempunyai nilai optimum.
7. Pada proses seleksi terdapat mekanisme sampling untuk memilih individu yang dipertahankan
hidup. Sebutkan tiga kategori metode dasar untuk melakukan sampling!

Stochastic sampling
memilih menggunakan angka random dan berdasarkan nilai probabilitas. Roulette
wheel selection merupakan contoh kategori ini, semakin besar nilai fitness sebuah
individu maka semakin besar juga peluangnya untuk terpilih.

Deterministic sampling
bekerja dengan aturan tetap, misalkan mengurutkan kumpulan individu
(parent+offspring) berdasarkan nilai fitness-nya kemudian mengambil sejumlah
individu dengan nilai fitness terbaik (sesuai dengan popSize). Elitism selection
termasuk dalam kategori ini.

Mixed sampling
merupakan strategi campuran dari stochastic sampling dan deterministic sampling.
Tournament selection merupakan contoh kategori ini dengan memilih secara random
2 atau lebih individu kemudian mengambil satu yang terbaik.
8. Apa tujuan dari penyesuaian (adjustment) probabilitas seleksi?
Penyesuaian probabilitas seleksi berguna untuk dapat melakukan seleksi individu yang memiliki
nilai fungsi fitness yang kecil karna bisa jadi individu yang memiliki nilai fitness kecil tersebut
bisa jadi merupakan suatu solusi optimum.