Goldberg (1989) menjelaskan bahwa algoritma genetik merupakan algoritma pencarian

berdasarkan mekanisme seleksi alam dan genetika alam. Algoritma genetik

mengkawinkan struktur string yang bertahan untuk membentuk algoritma pencarian
baru. Pada setiap generasi sejumlah individu baru diciptakan melalui bagian yang kuat
dari orang tuanya. Metode algoritma genetik dikembangkan oleh John Holland dan
mahasiswanya di Universitas Michigan. Tujuan dari penelitian yang dilakukan adalah
untuk meneliti proses adaptasi dari sistem alam serta mendesain perangkat lunak yang
memiliki kecerdasan buatan dengan mencontoh mekanisme sistem alam.

Goldberg (1989) menjelaskan beberapa istilah yang digunakan dalam algoritma

genetik. Istilah strings dalam sistem genetik buatan analog dengan kromosom dalam
sistem biologi. Pada sistem biologi, satu atau lebih kromosom dikombinasi untuk
membentuk resep genetik secara keseluruhan. Resep genetika ini digunakan untuk
pembentukan dan operasi beberapa organisme.
 .

Ilustrasi representatif penyelesaian permasalahan dalam algoritma genetika

etelah proses seleksi maka proses selanjutnya adalah proses crossover. Metode yang
digunakan salah satunya adalah one-cut point, yaitu memilih secara acak

satu posisi dalam kromosom induk kemudian saling menukar gen. Kromosom yang
dijadikan induk dipilih secara acak dan jumlah kromosom yang mengalami crossover
dipengaruhi oleh parameter crossover_rate (c).

Pada sistem alamiah, keseluruhan paket genetik disebut genotip. Pada sistem genetik
buatan, keseluruhan paket strings disebut sebuah struktur. Pada sistem alamiah,
organisme dibentuk oleh interaksi dari keseluruhan paket genetik dengan
lingkungannya yang disebut fenotip.

Pada sistem genetik buatan, struktur di-decode untuk membentuk paket parameter,
alternatif solusi, atau titik pada ruang solusi. Pada sistem alamiah, kromosom terdiri
dari gen-gen, yang terdiri dari sejumlah nilai yang disebut allel. Pada genetik, posisi
(locus) dari sebuah gen diidentifikasi secara terpisah dari fungsi gen. Tabel 1
menjelaskan perbandingan istilah yang digunakan oleh sistem alamiah dan algoritma
genetik.

Tabel 1. Perbandingan Istilah pada Sistem Alamiah dan Algoritma Genetik.

Sistem Alamiah Algoritma Genetik

Kromosom String

Gen Fitur, Karakter, atau detektor

Allel Nilai fitur

Locus Posisi String

Genotip Struktur

Fenotip Set parameter, solusi alternatif, struktur yang di-decode

Epitasis Non linieritas

Sumber: Goldberg (1989)
Individu menyatakan salah satu solusi yang mungkin. Individu bisa dikatakan sama
dengan kromosom, yang merupakan kumpulan gen. Gen ini bisa bersifat biner, float,
dan kombinatorial. Beberapa definisi penting yang perlu diperhatikan dalam
mendefinisikan individu untuk membangun penyelesaian permasalahan dengan
algoritma genetika adalah sebagai berikut :

1. Genotype (gen), sebuah nilai yang menyatakan satuan dasar yang membentuk
suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.

2. 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 brupa nilai biner, float, integer maupun karakter,
atau kombinatorial.

3. Allele, nilai dari gen.

4. Kromosom, gabungan gen-gen yang membentuk nilai tertentu.

5. Generasi, menyatakan satu siklus proses evolusi atau satu iterasi di dalam
algoritma genetika. [7]

Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi
(individu). Nilai fitness ini yang dijadikan acuan dalam mencapai nilai
optimal dalam algoritma genetika. Algoritma genetika bertujuan mencari
individu dengan nilai fitness yang paling tinggi.

Proses seleksi yang dilakukan secara random sehingga tidak ada jaminan
bahwa suatu indvidu yang bernilai fitness tertinggi akan selalu terpilih.
Walaupun individu bernilai fitness tertinggi terpilih, mungkin saja
individu tersebut akan rusak (nilai fitnessnya menurun) karena proses
pindah silang (crossover). Oleh karena itu, untuk menjaga agar individu
bernilaifitness tertinggi tersebut tidak hilang selama evolusi, maka
perlu dibuat satu atau beberapa copy-nya. Prosedure ini dikenal sebagai
elitisme.

Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh
parameter mutation_rate. Proses mutasi dilakukan dengan cara mengganti
satu gen yang terpilih secara acak dengan suatu nilai baru yang didapat
secara acak.
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga

disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)),

adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf

manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan

masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan

untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola

pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan

minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh

fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya

Algoritma Jaringan Syaraf Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya

digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya
dalam arah mundur (backward). Tahap perambatan maju (forward propagation) harus
dikerjakan terlebih dahulu untuk mendapatkan nilai error tersebut. Saat perambatan
maju neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner
yaitu:

Arsitektur jaringan syaraf backpropagation seperti terlihat pada gambar dibawah ini :

Gambar 3. Arsitektur backpropagation

Keterangan :

x1 s/d xn : input layer

z1 s/d zp : hidden layer

y1 s/d ym : output layer

Algoritma backpropagation (Kusumadewi, 2003):

Kelebihan dan kekurangan Algoritma jaringan syaraf tiruan

Adapun kelebihan dari algortima jaringan syaraf tiruan adalah sebagai berikut :

1. Mampu mengakuisisi pengetahuan walau tidak ada

kepastian

2. Mampu melakukan generalisasi dan ekstraksi dari suatu

pola data tertentu

3. JST dapat menciptakan suatu pola pengetahuan melalui

pengaturan diri atau kemampuan belajar (self organizing)

4. Memiliki fault tolerance, gangguan dapat dianggap

sebagai noise saja

5. Kemampuan perhitungan secara paralel sehingga

proses lebih singkat

Kemudian kekurangannya adalah sebagai berikut :

1. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi

2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis

3. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk
jumlah data yang besar
Model dari jaringan syaraf tiruan adalah sebagai berikut

1. Single Layer

2. Compatitive layer

3. Multi Layer