MODUL PERKULIAHAN

Sistem Cerdas

Algoritma Genetik dan

Aplikasinya

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

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:

1. Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random

sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom
yang merepresentasikan solusi yang diinginkan.
2. Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah
disebut di atas yaitu 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.

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

2 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
 3. Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung
nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria
berhenti. 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 tidak berubah.
Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.

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.

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

3 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
13.2 Aplikasi Optimasi GA pada Sistem Jaringan Pipa Air Bersih

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:

Kode Biner Diameter Pipa (") Harga Unit

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

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

4 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
Maka kita akan mendapat urutan string biner sebagai berikut :

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:

13.1 Langkah-langkah pada Pendekatan Simulasi Tradisional

Pada umumnya langkah-langkah pada master plan distribusi air bersih adalah sebagai
berikut:

Langkah 1 - Pembuatan model sistem eksisting menggunakan EPANET, ALEID, H2ONet,

MIKENet, KYPIPE, WaterCAD, dll.

Langkah 2 - Kalibrasi model berdasarkan pengukuran lapangan.

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.

Langkah 5 - Lanjutkan penyesuaian peningkatan yang diusulkan dengan cara coba-coba

sampai ditemukan solusi yang tepat (atau limit biaya telah terlampaui).

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

5 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
13.2 Langkah-langkah yang diperlukan dalam aplikasi Optimasi GA

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 5 - Formulasikan rutin GA untuk variabel-variabel dari keputusan tersebut.

Langkah 6 - Hubungkan model hidrolis pada rutin GA.

Langkah 7 - Lakukan dan jalankan GA dan dapatkan masukan dan arah dari ahli hidrolis.

Langkah 8 - Finalisasikan alternatif yang dihasilkan dan verifikasi.

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:

Sistem simulasi model hidrolis

Daftar elemen (pipa, reservoar, pompa, valve) dan pilihan operasional yang
seharusnya dipertimbangkan sebagai opsi dalam perencanaan
Harga dari tiap elemen yang dipakai
Daftar dari kriteria disain dan kinerja sisteim yang harus dicapai

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:

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

6 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
 Setelah aplikasi dijalankan (tekan tombol Optimasi) akan telihat diameter pipa
berubah misalnya pada pipa nomor 7 rancangan awal diameter pipa 14" berubah menjadi
10", pada pipa nomor 8 pipa diameter 8" tenyata cukup digunakan 1" saja. Biaya juga
menurun dari 501.000 unit menjadi 419.000 unit saja dengan penghematan biaya 16,4%.
Anda juga dapat lebih menurunkan biaya dengan menurunkan nilai Minimal sisa tekan
(dalam meter), standar di Indonesia biasanya 10 - 15m saja.

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

7 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
13.3 Aplikasi pada bidang lain

Telah lebih dari 10-15 tahun GA digunakan dalam lingkungan aplikasi yang luas, seperti :

Disain jaringan listrik tegangan tinggi, penjadwalan konstruksi, management

investasi.
Dalam bidang lain seperti: disain sirkuit terintegrasi (IC) untuk mendapatkan ukuran
yang lebih kecil, perancangan mesin turbin gas untuk mendapatkan penggunaan
bahan bakar yang effisien pada pesawat udara, perencanaan jaringan kabel filber
optik.
dll.

Contoh :

Feature Selection dan Classifier dengan Algoritma Genetika untuk Klasifikasi Obyek
pada sebuah Gambar

Terdapat dua tahap utama agar obyek-obyek dapat dikelompokkan menurut

kelasnya: feature extraction dan klasifikasi. Sebelum tahap klasifikasi dilakukan, perlu
terlebih dahulu dipilih principle feature, yang digunakan untuk membedakan obyek-obyek
mana yang terdapat dalam satu kelas dan yang terdapat pada kelas yang berbeda. Dibahas
dan diaplikasikan kedua proses, yaitu pemilihan principle feature dan klasifikasi dengan
menggunakan algoritma genetika. Input dari proses pemilihan feature adalah hasil klasifikasi
yang dilakukan secara manual, sedangkan outputnya adalah principle feature yang
ditemukan. Terdapat enam belas feature yang akan diambil dari tiap-tiap obyek pada image,
dimana beberapa feature darinya akan merupakan output dari proses pemilihan feature.
Algoritma genetika memelihara sebuah populasi dimana tiap-tiap individu pada populasi
tersebut merupakan representasi solusi dari masalah yang hendak dipecahkan. Pada
masalah pemilihan feature ini sebuah individu menggambarkan feature apa saja yang
merupakan principle feature. Evaluasi akan dilakukan pada tiap-tiap individu berdasarkan
data klasifikasi manual yang telah dilakukan. Dengan bantuan algoritma genetika, principle
feature akhirnya dapat ditemukan. Input dari proses klasifikasi adalah principle feature yang
telah ditemukan. Berdasarkan data tersebut dapat dilakukan klasifikasi terhadap obyek-
obyek yang terdapat pada sebuah image, dimana obyek-obyek tersebut memiliki
karakteristik yang hampir sama dengan obyek-obyek yang digunakan pada proses
pemilihan principle feature. Dipaparkan pemanfaatan algoritma genetika sebagai alternatif
cara selain dengan menggunakan metode-metode clustering konvensional. Tiap-tiap

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

8 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
individu merepresentasikan suatu model klasifikasi, dan akan dievaluasi berdasarkan tingkat
kedekatan nilai principle feature antar obyek di dalam satu kelas dan antar obyek antar
kelas.

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

9 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id
Daftar Pustaka
1. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.
2. Dwi Purnomo, Hindriyanto. 2014. Logika Fuzzy. Yogyakarta : LeutikaPrio
3. Gunardi, Yudhi. 2013. Modul Sistem Cerdas. Jakarta: Universitas Mercu Buana
4. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta : Andi
5. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava media.
6. Martiana Kusumaningtyas, Entin. 2011. Bab 7 Algoritma Genetika. Surabaya : Politeknik
Elektronika Negeri Surabaya

2016 Sistem Cerdas Pusat Bahan Ajar dan eLearning

10 Julpri Andika, ST., M.Sc. http://www.mercubuana.ac.id