Algoritma Genetika AG PDF
Algoritma Genetika AG PDF
BAB IV
Materi : Bab ini berisi pengertian AG, dasar-dasar AG dan operasional AG. Bagian
Hal. 1
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Struktur Bab
4.1 Pendahuluan
4.1.1 Pengertian AG
4.1.2 Sejarah AG
4.1.3 kelebihan AG
4.2 Dasar AG
4.2.1 Pengertian populasi AG
4.2.2 Pengertian individu AG
4.2.3 Pengertian nilai fitness AG
4.3 Operasioanl AG
4.3.1 Populasi awal AG
4.3.2 Evaluasi fitness AG
4.3.3 Seleksi individu AG
4.3.4 Pindah silang AG
4.3.4 Mutasi gen AG
Hal. 2
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
4.1 Pendahuluan
4.1.1 Pengertian AG
solusi optimasi menggunakan pencarian acak, ini terlihat pada proses pembangkitan
populasi awal yang menyatakan sekumpulan solusi yang d ipilih secara acak.
Algoritma ini memanfaatkan proses seleksi alamiah yang dikenal dengan proses
evolusi.
Dalam proses evo lusi, individu secara terus-menerus mengalami perubahan gen
untuk menyesuaikan dengan lingkungan hidupnya. Hanya ind ividu yang kuat yang
individu yang terbaik. Proses seleksi alamiah ini melib atkan perubahan gen yang
proses evolusi. Dalam hal ini populasi dari kromosom dihasilkan secara random
dengan harapan akan menghasilkan individu kromosom yang prima. Kromosom ini
kromosom yang baik berkembang, solusi yang baik terhadap masalah d iharapkan
akan dihasilkan.
Algoritma genetik ini banyak dipakai pada ap likasi bisnis, teknik maupun pada
bidang keilmuan. Algoritma ini dapat dipakai untuk mendapatkan solusi yang tepat
Hal. 3
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
4.1.2 Sejarah AG
| 1 1 0 1 1 0 | string kromosom
gen
menghasilkan off spring (keturunan) yang sehat pula. Dalam praktek penerapan
algoritma genetik kromosom dari populasi yang tersedia secara acak. Siklus
oprasional genetik akan berhasil apabila kromosom yang disebut “parents (orang
tua)” dip ilih melalui rutinitas penyeleksian yang spesifik. Gen dari parents
digabung untuk menghasilkan off spring yang merupakan generasi baru dari proses
evaluasi ini (manipulasi terhadap gen) diharapkan kromosom yang leb ih baik akan
Hal. 4
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
menghasilkan jumlah off spring yang lebih banyak dan mungkin berhasil bertahan
4.1.3 Kelebihan AG
konvensional.
4.2 Dasar AG
komponen-komponen penyusun yang d isebut sebagai gen dan nilainya dapat berupa
yang ingin diselesaikan. Contoh susunan dari populasi digambarkan pada Gambar
4.1. Penggambaran tentang populasi dapat dilihat pada gambar berikut ini.
Hal. 5
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Populasi
Gen Kromosom
Individu
Gen Kromosom
Gen Kromosom
Individu merupakan kumpulan gen dalam sistem algoritma genetik bisa dikatakan
sama dengan kromosom. Gen ini bisa biner, flo at, dan kombinatorial. Individu
dalam algoritma genetik dapat juga menyatakan salah satu kemungkinan solusi
yang dicari. Misalkan dalam travel salesman problem individu dapat menyatakan
Hal. 6
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
3 6
1
5
2
4
7
Individu: 1 2 3 6 7 5 4
Sebelum algoritma ini d ijalankan, masalah apa yang ingin d ioptimalkan 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 kec il (karena algoritma ini
menghasilkannya secara random), sebagian akan lebih tinggi dari yang lain.
Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang
generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam,
4.3 Operasional AG
sederhana umumnya terdiri dari tiga operator yaitu: operator reproduksi, operator
Hal. 7
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Struktur umum dari suatu sistem algoritma genetik dapat diselesaikan dengan langkah-
sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah
kromosom yang cukup untuk membentuk generasi baru dimana generasi baru
terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan
Berhenti b ila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih
tinggi.
Hal. 8
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Blok diagram algoritma genetik Atau dapat dilihat pada gambar di bawah ini.
Popul
asi Eva l
uasi Sel eksi
Awal Fitness Individu
Rep r
oduksi:
Cross-Over
Da nM utasi
Popul
asi
Ba r
u
Membangkitkan populasi awal adalah proses membangkitkan sejumlah ind ividu secara
1 2 4 3 6 5 7
5 7 4 6 2 3 1
7 2 6 4 5 1 3
4 6 5 7 3 2 1
Hal. 9
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
3. kemud ian mengkonvert fungsi objektif tersebut ke dalam fitness. Dimana untuk
Penyeleksian ind ividu dilakukan untuk mendapatkan calon induk yang baik. Induk
yang baik akan menghasilkan keturunan yang baik.Semakin tinggi nilai fitness
Perkawinan Silang (Cross Over) merupakan salah satu operator dalam Algoritma
Genetik yang melib atkan dua induk untuk menghasilkan keturunan yang baru.
Perkawinan silang d ilakukan dengan melakukan pertukaran gen dari dua induk
secara acak.
Hal. 10
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
1 1 0 0 1 1 1 1 1 0 1 0 1 1
P=
1 1 0 1 0 1 1 0.70 1 1 0 0 1 1 1
1 1 0 1 1 0 0 1 1 0 1 1 0 0
P=
0 1 1 0 0 0 1 0.95 0 1 1 0 0 0 1
1 1 0 0 0 0 0 1 0 1 0 1 0 0
P=
1 0 1 0 1 0 1 0.35 1 1 0 0 0 0 1
1 0 1 1 1 1 1 1 0 1 0 0 1 1
P=
1 1 1 0 0 0 1 0.65 1 1 1 1 1 0 1
Ditentuk
anpr
oba
bil
itasCr
oss-Over= 0.9
Pertukaran Secara Aritmatika
Hal. 11
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Mutasi Gen merupakan operator yang menukar nilai gen dengan nilai inversinya,
misal gennya bernilai 0 menjadi 1. Setiap ind ividu mengalami mutasi gen dengan
probabilitas mutasi yang ditentukan. Contoh dari proses mutasi gen adalah sebagai
berikut.
1 0 0 1 1 r= 1 1 0 1 1
2
1. 0. 1. 1. 0.
2 2 5 2 2
R= 2
=
0.1
1. 0. 1. 1. 0.
2 3 5 2 2
Hal. 12
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
-2x
Algoritma Genetik Untuk Mencari Nilai Maksimal Fungsi F(x)=e .sin(3x)
Jawab:
Individu dinyatakan dalam nilai x sebagai individu, dapat berupa nilai biner atau nilai
float. Fungsi di atas bila digambarkan akan menjadi:
Dari gambar tersebut terlihat bahwa penyelesaian berada pada nilai 0<x<1. Jad i dengan
menggunakan 8 b it biner didefinisikan :
00000000 berarti 0
11111111 berarti 1
Individu dinyatakan dalam 8 gen biner, dengan batas 0 sampai dengan 1, berarti 1 bit
setara dengan 2-8.
Contoh:
10001001 = (128+8+1)/256 = 0.5352
00110100 = (4+16+32)/256 = 0.2031
Hal. 13
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Individu F
itness
10010000 -- 0.56250 -- 0.32244
01001110 -- 0.30469 -- 0.43060 Individumak
simum
01100110 -- 0.39844 -- 0.41933
10111101 -- 0.73828 -- 0.18266
11101000 -- 0.90625 -- 0.06699
11110010 -- 0.94531 -- 0.04543
00110011 -- 0.19922 -- 0.37778
11111100 -- 0.98438 -- 0.02616
10000111 -- 0.52734 -- 0.34828
10001011 -- 0.54297 -- 0.33702
Seleksi adalah proses pemilihan calon induk, dalam proses seleksi ini terdapat beberapa
metode yang bisa d igunakan antara lain: Mesin Roulette (Roulette Wheel), Competition
dan Tournament. Dalam contoh ini digunakan Mesin Roullete yang memang metode
paling dasar dan model acaknya uniform. Seleksi dilakukan dengan menggunakan
prosentasi fitness setiap individu, dimana setiap individu mendapatkan luas bagian
sesuai dengan prosentase nilai fitnessnya.
Hal. 14
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
F
itne
ss
0 0 1 1 1 0 0 1 -- 0.22266 induk 1
0.3968
1 0 0 1 1 0 1 0 -- 0.60156 induk 2
0.2921
Mutasi gen adalah proses penggantian gen dengan nilai inversinya, gen 0 menjadi 1 dan
gen 1 menjad i 0. Proses ini dilakukan secara acak pada posisi gen tertentu pada
individu-individu yang terpilih untuk dimutasikan. Banyaknya individu yang
mengalami mutasi d itentukan oleh besarnya probabilitas mutasi.
F
itness
0 0 1 1 1 0 0 1 -- 0.22266 induk 0.3968
Generasi ke 1 : Generasi ke 2 :
10100111 -- 0.65234 -- 0.25127 10000000 -- 0.50000 -- 0.36696
01000110 -- 0.27344 -- 0.42328 10001010 -- 0.53906 -- 0.33987
01001110 -- 0.04297 -- 0.43060 01001110 -- 0.04297 -- 0.43060
01110110 -- 0.46094 -- 0.39076 10010111 -- 0.58984 -- 0.30132
10111001 -- 0.72266 -- 0.19488 10000011 -- 0.51172 -- 0.35913
10001111 -- 0.55859 -- 0.32540 10000011 -- 0.51172 -- 0.35913
10001000 -- 0.53125 -- 0.34550 01001110 -- 0.30469 -- 0.43060
10010011 -- 0.57422 -- 0.31348 10001000 -- 0.53125 -- 0.34550
00111011 -- 0.23047 -- 0.40214 10111101 -- 0.73828 -- 0.18266
10000011 -- 0.51172 -- 0.35913 01000010 -- 0.25781 -- 0.41715
....
Generasi ke 4 :
00001110 -- 0.05469 -- 0.14641
11001000 -- 0.78125 -- 0.15005
01001110 -- 0.30469 -- 0.43060
10000011 -- 0.51172 -- 0.35913
01001110 -- 0.30469 -- 0.43060
01001110 -- 0.30469 -- 0.43060
01000011 -- 0.26172 -- 0.41885
10001110 -- 0.55469 -- 0.32833
00001110 -- 0.05469 -- 0.14641
01001110 -- 0.78906 -- 0.43060
Hal. 16
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
4.4.2 Latihan
1. a. Apakah AG?
Jawab :
Jawab :
Algoritma genetik ini diajukan oleh John Holland yang dalam bukunya yang
berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975, yang
Jawab :
Jawab :
Dasar AG:
- Populasi
- Individu
- Fitness
Jawab :
Hal. 17
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang
Handout M at a Kuliah Artifi cial Intelligence
Jawab :
dikatakan sama dengan kromosom. Gen ini b isa biner, flo at, dan kombinatorial
Jawab :
Jawab :
populasi awal adalah proses membangkitkan sejumlah ind ividu secara acak atau
Jawab :
Penyeleksian ind ividu dilakukan untuk mendapatkan calon induk yang baik
Jawab :
Pindah Silang (Cross Over) merupakan salah satu operator dalam Algoritma
Genetik yang melib atkan dua induk untuk menghasilkan keturunan yang baru
Jawab :
Mutasi Gen merupakan operator yang menukar nilai gen dengan nilai inversinya,
Hal. 18
Teknik Elektro Fakultas Teknik Universitas Widyagama Malang