BAB 1

PENDAHULUAN

1.1 Latar Belakang

Algoritma Genetika adalah adalah suatu algoritma pencarian yang bertujuan untuk
mencari solusi dari suatu masalah, baik dengan satu variabel maupun
multivariable. Metode ini meniru mekanisme dari genetika alam, yaitu untuk
menemukan susunan-susunan gen yang terbaik di dalam tubuh makhluk hidup.
Algortima Genetika diusulkan pertama kali oleh John Holland dan teman-
temannya di universitas Michigan untuk aplikasi seluler otomata. Teknik ini
menjadi popular diantara saintis dan rekayasawan di seluruh dunia untuk
memecahkan masalah optimasi mereka. Aplikasi algoritma genetika antara lain
adalah: job shop scheduling, pembelajaran pengendali neuro-fuzzy, pemrosesan
citra serta optimasi kombinatorial, dan sebagainya.
Dasar dari algoritma genetika adalah teori evolusi Darwin, yang menjelaskan
prinsip dasar terciptanya banyak spesies makhluk hidup yang ada di dunia
sekaarang ini. Makhluk hidup yang dapat beradaptasi dengan lebih baik terhadap
lingkungannya akan mempunyai kesempatan yang lebih besar untuk bertahan
hidup dan bereproduksi sehingga mempengaruhi jumlah populasi yang
bersangkutan di waktu-waktu selanjutnya. Individu-individu tersebut dapat
dikatakan berhasil menempatkan diri pada lingkungannya lebih baik dari yang
lainnya.
Dalam perkembangannya metode ini banyak dipakai dalam berbagai displin
ilmu, misalnya untuk menyelesaikan kasus-kasus yang mempunyai banyak solusi,
dimana tidak ada kepastian solusi mana yang terbaik sehingga dalam penyelesaian
masalah tersebut akan membutuhkan waktu yang sangat lama. Setiap solusi pada
algoritma genetika diwakili oleh suatu individu atau satu kromosom. Keuntungan
dari algoritma genetika adalah sifat metode searchnya yang lebih optimal, tanpa
terlalu memperbesar ruang pencarian dan tanpa kehilamgan completeness. Sudah
banyak permasalahan optimasi yang telah diselesaikan dengan algoritma genetika,
dan hasil yang diperoleh biasanya lebih baik dari metode sebelumnya, walaupun
tidak menutup kemungkinan bahwa ada juga hasil akhir yang kurang begitu
memuaskan (Desiani dan Muhammad,2006).

1.2 Tujuan Penulisan

1. Mengetahui dan memahami mengenai algoritma genetika
2. Memahami teknis kerja algoritma genetika sampai mendapatkan solusi optimal

1.3 Manfaat Penulisan

Penulisan makalah ini diharapkan dapat menambah wawasan, pengetahuan dan
pemahaman mengenai algoritma genetika.

1.4 Metodologi Penulisan

Penyusunan makalah ini dilakukan dengan metode analisis literature mengenai
materi algoritma genetika yang didapatkan dari internet dan buku teks.
 BAB 2
PEMBAHASAN

2.1 Sejarah Algoritma Genetika

Algoritma genetika pertama kali diperkenalkan oleh John Holland dari
Universitas Michigan pada awal 1970-an di New York, Amerika Serikat. John
Holland bersama murid-murid serta rekan kerjanya lalu menghasilkan buku yang
berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975, yang cara
kerjanya berdasarkan pada seleksi dan genetika alam. Konsep yang dipergunakan
dalam algoritma genetika adalah mengikuti apa yang dilakukan oleh alam
(Desiani dan Muhammad, 2006).
Algoritma Genetik khususnya diterapkan sebagai simulasi computer di mana
sebuah populasi representasi abstrak (kromosom) dari solusi-solusi calon
(individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi
solusi yang lebih baik. Secara tradisional solusi-solusi tersebut 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) secara stochastic (berdasarkan
kemampuan mereka) lalu dimodifikasi (dengan mutasi atau rekombinasi) menjadi
bentuk populasi baru yang menjadi populasi sekarang (current) pada iterasi
berikutnya dari algoritma.

2.2 Struktur Umum Algoritma Genetika

Algoritma genetik memberikan suatu pilihan bagi penentuan nilai parameter
dengan meniru cara reproduksi genetik, pembentukan kromosom baru serta
seleksi alami seperti yang terjadi pada makhluk hidup. Algoritma Genetik secara
umum dapat diilustrasikan dalam diagram alir berikut ini:
 Skema Pengkodean

Inisialisasi Populasi

Mutasi
Fungsi Objektif

Generai baru
Generasi Tua/Lama

Fungsi Objektif
Seleksi Tidak

Kondisi
Ya
Perkawinan silang Terminasi
\
Gambar 2.1 Diagram alir algoritma genetika

Golberg (1989) mengemukakan bahwa algoritma genetik mempunyai

karakteristik-karakteristik yang perlu diketahui sehingga dapat terbedakan dari
Terminasi
prosedur pencarian atau optimasi yang lain, yaitu:
1. Algoritma genetik dengan pengkodean dari himpunan solusi permasalahan
berdasarkan parameter yang telah ditetapkan dean bukan parameter itu sendiri.
2. Algoritma genetik pencarian pada sebuah solusi dari sejumlah individu individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetik informasi fungsi objektif (fitness), sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu
fungsi.
4. Algoritma genetik menggunakan aturan-aturan transisi peluang, bukan aturan-
aturan deterministik.
 Variabel dan parameter yang digunakan pada algoritma genetik adalah:
1. Fungsi fitness (fungsi tujuan) yang dimiliki oleh masing-masing individu untuk
menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin
dicapai.
2. Populasi jumlah individu yang dilibatkan pada setiap generasi.
3. Probabilitas terjadinya persilangan (crossover) pada suatu generasi.
4. Probabilitas terjadinya mutasi pada setiap individu.
5. Jumlah generasi yang akan dibentuk yang menentukan lama penerapan
algoritma genetik.

Secara umum struktur dari suatu algoritma genetik dapat mendefenisikan

dengan langkah-langkah sebagai berikut:
1. Membangkitkan populasi awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan
solusi yang diinginkan.

2. Membentuk generasi baru

Untuk membentuk generasi baru, digunakan operator reproduksi/ seleksi,
crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan
jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi
baru ini merupakan representasi dari solusi baru. Generasi baru ini dikenal dengan
istilah anak (offspring).

3. Evaluasi solusi
Pada tiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan
alat ukur yang dinamakan fitness. Nilai fitness suatu kromosom menggambarkan
kualitas kromosom dalam populasi tersebut. Proses ini akan mengevaluasi setiap
populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya
sampai terpenuhi criteria berhenti. Bila kriteria berhenti belum terpenuhi maka
akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria
berhenti sering digunakan antara lain: berhenti pada generasi tertentu, berhenti
setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi
tidak berubah, berhenti dalam n generasi tidak didapatkan nilai fitness yang lebih
tinggi.
Fungsi fitness tersebut sebagai berikut:
1
Fitness= (2.1)
1+ Penalti

di mana:
Penalti= Bp Np

Dari persamaan diatas nilai fitness ditentukan oleh nilai penalty. Penalty
tersebut menunjukkan jumlah pelanggaran kendala pada suatu kromosom.
Semakin tinggi nilai fitness akan semakin besar kemungkinan kromosom tersebut
terpilih ke generasi berikutnya. Jadi nilai penalty berbanding terbalik dengan nilai
fitness, semakin kecil nilai penalty (jumlah pelanggaran) semakin besar nilai
fitnessnya.
Jadi fungsi fitness:
1
Fitness= (2.2)
1+ Bp Np
Keterangan:
Bp : Bobot Pelanggaran
Np : Indikator Pelanggaran

2.3 Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon
solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok
persoalan ketika menggunakan algoritma genetik.
Berdasarkan jenis symbol yang digunakan sebagai nilai suatu gen, metode
pengkodean dapat diklasifikasikan sebagai berikut:
1. Pengkodean biner merupakan cara pengkodean yang paling umum digunakan
karena adalah yang pertama kali digunakan dalam algoritma genetik oleh Holland.
Keuntungan pengkodean ini adalah sederhana untuk diciptakan dan mudah
dimanipulasi. Pengkodean biner memberikan banyak kemungkinan untuk
kromosom walaupun dengan jumlah nilai-nilai yang mungkin terjadi pada suatu
gen yang sedikit (0 dan 1). Di pihak lain, pengkodean biner sering tidak sesuai
untuk banyak masalah dan kadang pengoreksian harus dilakukan setelah operasi
crossover dan mutasi.
2. Pengkodean bilang riil adalah suatu pengkodean bilangan dalam bentuk riil.
Masalah optimalisasi fungsi dan optimalisasi kendala lebih tepat jika diselesaikan
dengan pengkodean bilangan riil karena struktur topologi ruang genotif untuk
pengkodean bilangan riil identik dengan ruang fenotifnya, sehingga mudah
membentuk operator genetik yang efektif dengan cara memakai teknik yang dapat
digunakan yang berasal dari metode konvensional.
3. Pengkodean bilangan bulat adalah metode yang mengkodekan bilangan dalam
bentuk bilangan bulat. Pengkodean ini baik digunakan untuk masalah optimisasi
kombinatorial.
4. Pengkodean struktur data adalah model pengkodean yang menggunakan
struktur data. Pengkodean ini digunakan untuk masalah kehidupan yang lebih
kompleks seperti perencanaan jalur robot, dan masalah pewarnaan Graph.

2.4 Operator Genetik

Algoritma genetik merupakan proses pencarian yang heuristik dan acak sehingga
penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan
algoritma genetik dalam menemukan solusi optimum suatu masalah yang
diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya
konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya,
dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal.
Operator genetik yang digunakan setelah proses evaluasi tahap pertama
membentuk populasi baru dari generasi sekarang. Operator-operator tersebut
adalah operator seleksi, crossover dan mutasi.
2.4.1 Seleksi
Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi
anggota populasi yang paling fit. Langkah pertama dalam seleksi ini adalah
pencarian nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan
menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya
sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut.
Nilai fitness inilah yang nantinya akan digunakan pada tahap seleksi berikutnya
(Kusumadewi, 2003).
Kemampuan algoritma genetik untuk memproduksi kromosom yang lebih
baik secara progresif tergantung pada penekanan selektif (selective pressure) yang
diterapkan ke populasi. Penekanan selektif dapat diterapkan dalam dua cara. Cara
pertama adalah membuat lebih banyak kromosom anak yang dipelihara dalam
populasi dan memilih hanya kromosom-kromosom terbaik bagi generasi berikut.
Walaupun orang tua dipilih secara acak, metode ini akan terus menghasilkan
kromosom yang lebih baik berhubungan dengan penekanan selektif yang
diterapkan pada individu anak tersebut.
Cara lain menerapkan penekanan selektif adalah memilih orang tua yang lebih
baik ketika membuat keturunan baru. Dengan metode ini, hanya kromosom
sebanyak yang dipelihara dalam populasi yang perlu dibuat bagi generasi
berikutnya. Walaupun penekanan selektif tidak diterapkan ke level keturunan,
metode ini akan terus menghasilkan kromosom yang lebih baik, karena adanya
penekanan selektif yang diterapkan ke orangtua.
Ada beberapa metode untuk memilih kromosom yang sering digunakan antara
lain adalah seleksi roda rolet (roulette wheel selection), seleksi ranking (rank
selection) dam seleksi turnamen (tournament selection).

2.4.2 Crossover
Crossover (perkawinan silang) bertujuan menambah keanekaragaman string
dalam populasi dengan penyilangan antar-string yang diperoleh dari sebelumnya.
Beberapa jenis crossover tersebut adalah:
1. Crossover 1-titik
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian
dan selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari
string yang lain yang telah dipisahkan dengan cara yang sama. Proses yang
demikian dinamakan operator crossover satu titik seperti diperlihatkan pada
gambar berikut:

2. Crossover 2-titik
Proses crossover ini dilakukan dengan memilih dua titik crossover. Kromosom
keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik
crossover pertama disalin dari orangtua pertama, bagian dari titik crossover
pertama dan kedua disalin dari orangtua kedua, kemudian selebihnya disalin dari
orangtua pertama lagi.

3. Crossover seragam
Crossover seragam manghasilkan kromosom keturunan dengan menyalin bit-bit
secara acak dari kedua orangtuanya.

2.4.3 Mutasi
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu
kromosom. Operasi crossover yang dilakukan pada kromosom dengan tujuan
untuk memperoleh kromosom-kromosom baru sebagai kandidat solusi pada
generasi mendatang denga fitness yang lebih baik, dan lama-kelamaan menuju
solusi optimum yang diinginkan. Akan tetapi, untuk mencapai hal ini, penekanan
selektif juga memegang peranan yang penting. Jika dalam proses pemilihan
kromosom-kromosom cenderung pada kromosom yang memiliki fitness yang
tinggi saja, konvergensi premature, yaitu mencapai solusi yang optimal lokal
sangat mudah terjadi.
Untuk menghindari konvergensi premature tersebut dan tetap menjaga
perbedaan (diversity) kromosom-kromosom dalam populasi, selain melakukan
penekanan selektif yang lebih efisien, operator mutasi juga dapat digunakan.
Proses mutasi dalam system biologi berlangsung dengan mengubah isi allele gen
pada suatu locus dengan allele yang lain. Proses mutasi ini bersifat acak sehingga
tidak selalu menjamin bahwa setelah proses mutasi akan diperoleh kromosom
dengan fitness yang lebih baik.

2.4.4 Parameter Genetik

Pengoperasian algoritma genetik dibutuhkan 4 parameter (Juniawati, 2003)
yaitu:
1. Probabilitas Persilangan (Crossover Probability)
Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak
terjadi crossover maka keturunannya akan sama persis dengan kromosom
orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi
yang lama. Jika probabilitas crossover 100% maka semua keturunannya
dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom
yang baru akan lebih baik.
2. Probabilitas Mutasi (Mutation Probability)
Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah
kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah
crossover tidak berubah. Jika terjadi mutasi bagian kromosom akan berubah. Jika
probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada
yang mengalami mutasi.
3. Jumlah Individu
Menunjukkan jumlah kromosom yang terdapat dalam populasi (dalam satu
generasi). Jika hanya sedikit kromosom dalam populasi maka algoritma genetik
akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover antara
orangtua karena hanya sebagian kecil dari search space yang dipakai. Sebaliknya
jika terlalu banyak maka algoritma genetik akan berjalan lambat.
4. Jumlah Populasi
Menetukan jumlah populasi atau banyaknya generasi yang dihasilkan, digunakan
sebagai batas akhir proses seleksi, persilangan dan mutasi.

2.5 Contoh Permasalahan

Contoh permasalahan yang diambil adalah pencarian nilai fungsi maksimum.
Bentuk fungsi sinus yang dianalisis dalam makalah ini cukup kompleks karena,
selain hanya ada satu nilai fungsi maksimum global, juga terdapat banyak nilai
fungsi maksimum lokal. Adapun fungsi sinus yang dimaksud adalah

di mana: -3 x1 12.1
4.1 x2 5.8
Nilai fungsi maksimum global yang dicari dibatasi hanya pada rentang nilai x1
dan x2 yang ditetapkan. Kenyataan bahwa ada nilai fungsi yang lebih besar dari
pada nilai fungsi maksimum global di luar rentang nilai x1 dan x2 yang telah
ditetapkan bukan merupakan masalah dalam bahasan ini.

Gambar 2.5 Bidang sisi luar pada tampilan-3D dari fungsi sinus yang dianalisis
Proses perhitungan nilai fungsi maksimum global dari persamaan (1) dengan
menggunakan teknik konvergensi konvensional pada dasarnya sulit dilakukan.
Misalnya, nilai fungsi maksimum yang diperoleh dengan menggunakan fasilitas
solver pada program aplikasi Ms-Excel akan terus berubah dan sangat tidak
mudah untuk mendapatkan nilai fungsi maksimum global. Penentuan nilai fungsi
maksimum global secara grafis seperti diilustrasikan pada Gambar 2.5 juga sulit
dilakukan. Sedangkan, dengan menggunakan algoritma genetika, solusi optimum
yang diinginkan umumnya dapat diperoleh.
Pernyataan terakhir mungkin masih terdengar kurang pasti tetapi memang
demikian halnya. Ketidakpastian tersebut sebenarnya merupakan sifat unik dari
algoritma genetika yang memanfaatkan bilangan random dan probabilitas dalam
proses pencarian solusi optimum yang diinginkan. Solusi yang diperoleh tidak
selalu tepat dan dapat berubah-ubah. Meskipun demikian, dengan mengatur proses
seleksi generasi baru secara cermat, generasi baru terbaik yang merupakan solusi
yang tepat sangat mungkin dapat diperoleh.
Oleh karena itu, untuk persoalan yang sederhana, algoritma genetika secara
teoritis tidak lebih baik dibandingkan dengan teknik konvergensi konvensional.
Akan tetapi, algoritma genetika akan sangat bermanfaat khususnya untuk
penyelesaian masalah yang sulit dipecahkan, seperti halnya fungsi sinus pada
persamaan (1).

2.5.1 Program GA
Tampilan program GA untuk pencarian nilai fungsi sinus maksimum diperlihatkan
pada Gambar 3. Proses regenerasi selalu dilakukan untuk 1000 generasi. Generasi
yang menghasilkan chromosome (solusi) terbaik dapat diketahui di akhir proses
regenerasi. Ketiga data input utama lainnya, yaitu jumlah chromosome,
probabilitas crossover dan probabilitas mutation juga diperlihatkan di sini.
Gambar 4 memperlihatkan trayektori pencapaian generasi terbaik yang
memberikan nilai fungsi sinus maksimum untuk 5 kali pengulangan proses. Sifat
stochastic algoritma genetika mulai dari proses pembentukan generasi awal
sampai pada proses pencapaian generasi terbaik yang selalu berubah terlihat pada
Gambar 4. Bahkan, solusi optimum tidak selamanya akan dapat dihasilkan jika
empat data input utama, yaitu jumlah chromosome, probabilitas crossover,
probabilitas mutation dan fungsi seleksi tidak ditentukan secara tepat.
2.5.2 Analisis Faktor-Faktor Pengaruh Dominan Dalam Algoritma Genetika

Gambar 5 memperlihatkan pengaruh dari masing-masing data input utama

terhadap nilai fungsi sinus maksimum yang dihasilkan. Untuk menggambarkan
keempat faktor pengaruh tersebut digunakan nilai data input berikut sebagai
acuan, yang dari analisis pendahuluan diketahui merupakan data input yang relatif
terbaik.
Jumlah chromosome = 10
Probabilitas crossover = 0.25
Probabilitas mutation = 0.05
Fungsi seleksi : memilih chromosome turunan secara random sebagai generasi
baru dan harus selalu menyertakan chromosom yang memberikan nilai fungsi
sinus maksimum (alternatif 2)
Gambar 5a memperlihatkan bahwa rentang jumlah chromosome yang dianalisis
bervariasi dari 10 100. Secara umum, nilai fungsi sinus maksimum selalu dapat
diperoleh dalam 5 kali pengulangan proses, kecuali pada jumlah chromosome
sebesar 10 dan 60 dimana solusi yang diperoleh agak bervariasi. Sedikit
perbedaan solusi juga terlihat pada jumlah chromosome sebesar 20, 50 dan 90.
Perbedaan2 solusi tersebut pada prinsipnya selalu mungkin terjadi dalam proses
pencarian nilai optimum dengan menggunakan algoritma genetika yang
berdasarkan pendekatan stochastic. Meskipun demikian, jika siklus regenerasi
diperpanjang, maka nilai fungsi sinus maksimum umumnya akan dapat diperoleh.

(a) pengaruh dari jumlah chromosome

Gambar 5: Pengaruh dari berbagai data input terhadap nilai

fungsi sinus maksimum dalam 5x pengulangan proses
 (b) pengaruh dari probabilitas crossover

(c) pengaruh dari probabilitas mutation

(d) pengaruh dari fungsi seleksi

Rentang probabilitas crossover yang dianalisis bervariasi dari 0 100%. Gambar

5b menunjukkan, bahwa secara umum nilai fungsi sinus maksimum juga tidak
begitu dipengaruhi oleh tingkat probabilitas crossover. Variasi nilai fungsi sinus
maksimum yang terlihat pada Gambar 5b akan berkurang jika jumlah
chromosome yang dianalisis diperbesar.
Yang cukup menarik dari analisis sensitivitas terhadap tingkat probabilitas
crossover adalah bahwa proses pencarian nilai optimum seringkali terperangkap
pada nilai fungsi sinus maksimum lokal sebesar 38.844. Dari analisis awal
diketahui, bahwa masalah ini kelihatannya dapat diatasi dengan menggunakan
fungsi seleksi gabungan. Studi yang lebih mendalam masih diperlukan untuk
menjelaskan kasus ini.
Pengaruh tingkat probabilitas mutation terhadap nilai fungsi sinus maksimum
ternyata sangat signifikan, seperti diperlihatkan pada Gambar 5c. Bahkan, jika
proses mutation tidak dilakukan, maka proses pencarian nilai optimum dengan
menggunakan algoritma genetika sulit untuk konvergen. Untuk contoh kasus yang
sedang dianalisis, tingkat probabilitas mutation terbaik kurang lebih adalah 5%.
Akhirnya, Gambar 5d memperlihatkan pengaruh fungsi seleksi terhadap nilai
fungsi sinus maksimum. Generasi baru yang ditentukan hanya secara random
(alternatif 1) umumnya tidak dapat memberikan solusi optimum. Sebaliknya,
solusi optimum hampir selalu dapat diperoleh dengan menggunakan pendekatan
meta-heuristic yang terus mempertahankan chromosome terbaik pada setiap
proses regenerasi (alternatif 2 4); dan, alternatif 2 yang merupakan pendekatan
stochastic secara marginal dapat dikatakan lebih menjanjikan untuk menghasilkan
solusi optimum yang diinginkan dalam kasus ini.
 BAB 3
PENUTUP

3.1 Kesimpulan
Adapun kesimpulan dari permasalahan yang dibahas adalah sebagai berikut.
1. Algoritma genetika karena merupakan pendekatan stochastic tidak selalu dapat
memberikan solusi yang tepat, khususnya jika empat data input utama, yaitu
jumlah chromosome, probabilitas crossover, probabilitas mutation dan fungsi
seleksi, tidak ditentukan secara cermat. Meskipun demikian, jika proses regenerasi
terus berlanjut, maka solusi optimum pada akhirnya akan dapat diperoleh. Untuk
aplikasi algoritma genetika waktu pemrosesan komputer umumnya dapat
dilakukan relatif secara cepat.
2. Secara umum, untuk contoh proses pencarian nilai fungsi sinus maksimum,
jumlah chromosome dan probabilitas crossover tidak begitu mempengaruhi solusi
optimum; sedangkan, probabilitas mutation memiliki nilai optimum, yaitu di
sekitar 5%. Probabilitas mutation yang terlalu kecil atau terlalu besar cenderung
tidak dapat menghasilkan solusi optimum; dan akhirnya, 3 alternatif fungsi seleksi
yang terus mempertahankan chromosome terbaik untuk tetap disertakan pada
setiap proses regenerasi umumnya dapat memberikan solusi optimum yang
diinginkan.
3. Dari studi yang lebih mendalam pada buku referensi dan program GA diketahui
bahwa algoritma genetika akan bermanfaat khususnya untuk persoalan yang sulit
terpecahkan dengan pendekatan deterministik.