Sistem Cerdas
13
Teknik Teknik ELektro MK14035 Julpri Andika, ST., M.Sc.
Abstract Kompetensi
Penggunaan Genetik algoritma sebagai Mampu menjelaskan dan memahami
alat bantu penyelesaian system cerdas tentang Genetik algoritma
Aplikasi Algoritma Genetik
13.1 Algoritma Genetika
Algoritma Genetika pada dasarnya adalah program komputer yang mensimulasikan
proses evolusi. Dalam hal ini populasi dari kromosom dihasilkan secara random dan
memungkinkan untuk berkembang biak sesuai dengan hukum-hukum evolusi dengan
harapan akan menghasilkan individu kromosom yang prima. Kromosom ini pada
kenyataannya adalah kandidat penyelesaian dari masalah, sehingga bila kromosom yang
baik berkembang, solusi yang baik terhadap masalah diharapkan akan dihasilkan.
Algoritma Genetika ini banyak dipakai pada aplikasi bisnis, teknik maupun pada
bidang keilmuan. Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat untuk
masalah optimal dari satu variabel atau multi variabel. Sebelum algoritma ini dijalankan,
masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal
dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan
semakin baik. Walaupun pada awalnya semua nilai fitness kemungkinan sangat kecil
(karena algoritma ini menghasilkannya secara random), sebagian akan lebih tinggi dari yang
lain. Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi
untuk bereproduksi pada generasi selanjutnya. Sehingga untuk setiap generasi pada proses
evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah
fitness yang meningkat.
Algoritma genetika sangat tepat digunakan untuk penyelesaian masalah optimasi
yang kompleks dan sukar diselesaikan dengan menggunakan metode yang konvensional.
Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika yang sederhana
umumnya terdiri dari tiga operator yaitu: operator reproduksi, operator crossover
(persilangan) dan operator mutasi. Struktur umum dari suatu algoritma genetika dapat
didefinisikan dengan langkah-langkah sebagai berikut:
Pada uraian berikut penulis mencoba membahas aplikasi algoritma genetika pada bidang
sistem distribusi air bersih, karena selama ini penulis bekerja pada konsultan dalam bidang
sistem air bersih, dan penulis menguasai sedikit tentang masalah ini.
Dalam sistem air bersih aplikasi GA umumnya dapat digunakan dalam kalibrasi model
hidrolis jaringan pipa dan optimasi perencanaan jaringan baru atau pengembangan jaringan
untuk mendapatkan harga pipa yang paling murah dengan memilih diameter pipa dengan
harga yang paling ekonomis tetapi tetap mememenuhi kriteria hidrolis yang ditentukan
(misalnya: sisa tekan pada titik sadap minimal 30m). Sebagai contoh dalam optimasi
jaringan dengan GA, kita dapat mengasumsikan diameter pipa yang akan dipilih sebagai
kromosom dan dikodekan kedalam kode string biner. Contohnya adalah sebagai berikut:
0000 1 2
0001 2 5
0010 3 8
0011 4 11
0100 5 16
0101 8 23
0110 10 32
0111 12 60
1000 14 60
1001 16 90
1010 18 130
1011 20 170
1100 22 300
1101 24 500
String biner : 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101
Selanjutnya kita melakukan proses iterasi evolusi GA pada string biner kromosom ini,
mengubah diameter pipa pada jaringan, lalu mengetes hasilnya pada program simulator
hidrolis (mis: Epanet) dan diulang sampai kriteria berhenti pada evaluasi solusi tercapai.
Optimasi GA adalah alat yang ampuh yang dapat digunakan oleh pengelola air
bersih dan konsultan untuk membantu mencari solusi yang mendekati optimal pada masalah
perencanaan, perancangan dan operasi sistem air bersih. Optimasi GA tidak seharusnya
dilihat sebagai pendekatan yang bersaing dengan analisa simulasi tradisional. Tetapi GA
adalah langkah lanjutan dari analisa simulasi dimana dengan penggunaan GA akan didapat
penghematan biaya 20% - 30%.
Dibawah ini akan kita lihat bagaimana GA dapat ditempatkan dalam proses studi
dengan melihat langkah-langkah studi simulasi tradisional dan langkah-langkah dalam
analisis optimasi GA:
Pada umumnya langkah-langkah pada master plan distribusi air bersih adalah sebagai
berikut:
Langkah 3 - Tentukan kebutuhan air di masa yang akan datang yang harus dicapai dan
disain dan kriteria kinerja yang harus dipenuhi.
Langkah 4 - Tambahkan pipa, reservoar, pompa dan valve pada sistem dan jalankan
simulasi untuk melihat apakah simulasi dapat bekerja.
Optimasi GA masuk ke dalam proses setelah langkah 1,2 dan 3 selesai. Dari pada
menggunakan cara pendekatan coba-coba (trial-and-error) untuk evaluasi hasil solusi satu
persatu pada langkah 4 dan 5, otomatisasi GA digunakan untuk mengidentifikasi biaya
termurah, yang mendekati solusi optimal sebagai berikut:
Langkah 4 - Identifikasikan pilihan yang memungkinkan untuk pengadaan baru atau rehab
dari pipa, reservoar, pompa dan valve dan pilihan operasi.
Langkah 7 - Lakukan dan jalankan GA dan dapatkan masukan dan arah dari ahli hidrolis.
Pada umumnya langkah 5, 6, dan 7 telah tercakup dalam software aplikasi optimasi
GA, sehingga lebih memudahakan untuk pengguna. Dengan demikian optimasi GA dengan
mudah diintegrasikan pada proses studi pada tahap evaluasi alternatif. Data dan informasi
yang dibutuhkan oleh GA sama persis dengan data yang dibutuhkan oleh engineer dalam
menggunakan analisis simulasi.
Analisa GA membutuhkan:
Untuk mendapat gambaran tentang penerapan aplikasi ini penulis telah membuat
aplikasi demo untuk penerapan dalam optimasi jaringan pipa air bersih. Tampilannya dapat
dilihat pada gambar berikut ini:
Telah lebih dari 10-15 tahun GA digunakan dalam lingkungan aplikasi yang luas, seperti :
Contoh :
Feature Selection dan Classifier dengan Algoritma Genetika untuk Klasifikasi Obyek
pada sebuah Gambar