SEMNAS RISTEK 2018 ISSN :2527-5321

IMPLEMENTASI ALGORITMA GENETIKA METODE ROULETTE WHEEL

SELECTION, ONE-POINT CROSSOVER DAN RANDOM MUTATION UNTUK
OPTIMASI PERAKITAN KOMPUTER PADA TOKO TISA COMPUTER

Moch. Arfan Rifai1, Achmad Solichin2, Gandung Triyono3

Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, DKI Jakarta
1rifaiarfan@gmail.com, 2achmad.solichin@budiluhur.ac.id, 3gandung.triyono@budiluhur.ac.id

ABSTRAK
Tisa Computer merupakan toko yang menjual barang-barang elektronik seperti komputer, laptop,
printer, speaker dan beberapa perangkat komputer lainnya. Pelanggan yang ingin membeli komputer banyak
yang mengalami kesulitan dalam menentukan komponen komputer sesuai dengan anggaran yang dimiliki.
Pemilihan komponen komputer secara manual membutuhkan waktu yang cukup lama. Pada penelitian ini
dikembangkan aplikasi untuk mengoptimalkan proses perakitan komputer dengan kualitas terbaik sesuai
anggaran yang dimiliki oleh pelanggan. Penelitian ini mengimplementasikan Algoritma Genetika dengan
metode representasi integer, Roulette Wheel Selection, One-Point Crossover dan Random Mutation. Hasil
pengujian menunjukkan bahwa aplikasi ini mampu untuk mengoptimalkan pemilihan komponen perakitan
komputer dengan nilai rata-rata fitness sebesar 18829 dan waktu yang diperlukan 20.72 detik. Dengan
adanya aplikasi ini pelanggan dapat dimudahkan untuk menentukan pilihan terhadap komponen komputer
yang akan dibeli.

Kata kunci: aplikasi, algoritma genetika, optimasi, perakitan komputer

I. PENDAHULUAN
Perkembangan di dunia teknologi sangatlah pesat, karena teknologi saat ini sudah menjadi tuntutan bagi
sebagian banyak orang untuk melakukan kegiatan sehari-harinya. Semua bidang saat ini sudah harus mengikuti
teknologi yang ada, karena jika tidak maka akan mengalami ketertinggalan informasi. Hal tersebut lah yang
harus di hindari dari sebagian banyak orang. Komputer merupakan salah satu dari banyak perangkat yang
berpengaruh dalam hal perkembangan teknologi, karena komputer merupakan suatu perangkat yang sangat
dapat membantu permasalahan dalam kehidupan sehari-hari dari sebagian banyak orang. Diantaranya
komputer dapat melakukan perhitungan, browsing, menonton film, bermain game, dan lain-lain.
Perkembangan komputer sangat ditentukan pada perkembangan perangkat keras komponen pada komputer
tersebut, karena kemampuan pada komputer akan meningkat ketika perangkat keras pada komputer tersebut di
upgrade atau ditingkatkan. Saat ini sudah sangat banyak spesifikasi atau merk dari komponen komputer
tersebut, maka dari itu akan menyebabkan sebagian orang bingung dalam memilih komponen komputer yang
terbaik dan sesuai dengan kebutuhan konsumen tersebut.
Berdasarkan masalah bingungnya user dalam memilih komponen perakitan komputer yang sesuai dengan
keinginannya, sedangkan toko tisa computer masih melakukan cara konvensional dalam pemilihan komponen
perakitan komputer yang menyebabkan waktu proses yang cukup lama, maka pada penelitian ini penulis
membuat suatu sistem atau aplikasi yang dapat menyelesaikan masalah tersebut dengan menggunakan
Algoritma Genetika. Menurut penulis Algoritma ini cukup mampu dalam permasalahan dalam
mengoptimalkan pemilihan komponen komputer pada perakitan komputer dengan hasil yang terbaik dan sesuai
dengan yang diinginkan konsumen. Pada penelitian ini penulis menggunakan pengkodean Integer, Roulette
Wheel Selection, One-Point Crossover, dan Random Mutation untuk mendapatkan hasil yang maksimal.

II. LANDASAN TEORI

A. Algoritma Genetika
Algoritma genetika merupakan suatu metode pencarian yang didasarkan pada mekanisme dari seleksi
dan genetika natural (Hannawati, Thiang, & Eleazar, 2002). Algoritma ini didasarkan pada proses genetic
yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi yang alami, secara
lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia yang bertahan (survive)”. Dengan
meniru teori evolusi ini, algoritma genetika dapat digunakan untuk mencari solusi permasalahan-
permasalahan dalam dunia nyata (Firmansyah, Nurul, Agustin, & Amrizal, 2012).

Pada proses awalnya, algoritma genetika akan membentuk sejumlah alternatif pemecahan yang disebut
populasi. Pembentukan populasi awal dalam algoritma genetika dilakukan secara acak. Dalam populasi
tersebut terdapat anggota populasi yang disebut dengan kromosom. Kromosom tersebut berisikan informasi
solusi dari sekian banyak alternatif solusi masalah yang dihadapi. Kromosom-kromosom akan mengalami
evolusi melalui sejumlah iterasi yang disebut generasi. Dalam setiap perjalanan proses generasi, kromosom-

145
SEMNAS RISTEK 2018 ISSN :2527-5321

kromosom tersebut akan dievaluasi menggunakan suatu fungsi yang disebut fungsi obyektif. Setiap generasi
akan menghasilkan kromosom-kromosom baru yang dibentuk dari generasi sebelumnya dengan menggunakan
operator reproduksi, kawin silang(crossover) dan mutasi.
Kromosom-kromosom yang mempunyai nilai obyektif yang baik dari kromosom lain akan memiliki
probabilitas yang lebih tinggi untuk terseleksi. Setelah beberapa kali proses generasi tersebut dilakukan,
algoritma genetika akan menunjukkan kromosom yang terbaik, dan diharapkan itulah solusi yang optimal
ataupun mendekati optimal dari problem yang dihadapi. Hal lain yang perlu diperhatikan adalah representasi
kromosom, yaitu bagaimana mengkodekan suatu alternatif solusi itu menjadi kromosom yang akan diproses
menggunakan algoritma genetika.
Algoritma genetika saat ini banyak digunakan pada masalah praktis yang berfokus pada pencarian
parameter-parameter atau solusi yang optimal. Hal ini membuat banyak orang mengira bahwa algoritma
genetika hanya dapat digunakan untuk menyelesaikan masalah optimasi saja. Namun, pada kenyataannya
algoritma genetika juga memiliki kemampuan untuk menyelesaikan masalah-masalah selain optimasi. Menurut
Firmansyah dkk. (2012) algoritma genetika banyak diaplikasikan untuk berbagai macam permasalahan, yaitu :
 Optimasi. Beberapa penggunaan algoritma genetika untuk optimasi antara lain untuk optimasi numerik
dan optimasi kombinatorial seperti Traveling Salesmen Problem (TSP), 6 Perancangan Integrated Circuit
atau IC, Job Scheduling, dan Optimasi video dan suara.
 Pemrograman Otomatis. Algoritma genetika untuk pemrograman otomatis antara lain untuk melakukan
proses evolusi terhadap program komputer dalam merancang struktur komputasional, seperti cellular
automata dan sorting networks.
 Machine Learning. Algoritma genetika juga telah berhasil diaplikasikan untuk memprediksi struktur
protein. Algoritma genetika juga berhasil diaplikasikan dalam perancangan neural networks (jaringan
syaraf tiruan) untuk melakukan proses evolusi terhadap aturanaturan pada learning classifier system atau
symbolic production system dan dapat digunakan untuk mengontrol robot.
 Model Ekonomi. Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan prosesproses
inovasi dan pembangunan bidding strategies.
 Model Sistem Imunisasi. Contoh penggunaan algoritma genetika dalam bidang ini untuk memodelkan
berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama kehidupan individu dan
menemukan keluarga dengan gen ganda (multi gen families) sepanjang waktu evolusi.
 Model Ekologis. Algoritma genetika juga dapat digunakan untuk memodelkan fenomena ekologis seperti
host-parasite co evolutions, simbiosis dan aliran sumber di dalam ekologi.

Beberapa definisi penting yang perlu diperhatikan untuk membangun penyelesaian permasalahan dengan
algoritma menurut Basuki (2003), adalah sebagai berikut:
 Genotype (Gen), adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu
dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai
biner, float, integer maupun karakter, atau kombinatorial.
 Allele adalah nilai dari gen.
 Kromosom adalah gabungan gen-gen yang membentuk nilai tertentu.
 Individu menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari
permasalahan yang diangkat.
 Populasi Merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.
 Generasi Menyatakan satu-satuan siklus proses evolusi.
 Nilai Fitness merupakan nilai yang menyatakan baik tidaknya suatu solusi(individu).

B. Optimasi dengan Algoritma Genetika

Optimasi merupakan salah satu disiplin ilmu dalam matematika yang fokus untuk mendapatkan nilai
minimum atau maksimum secara sistematis dari suatu fungsi, peluang, maupun pencarian nilai lainya dalam
berbagai kasus. Optimasi sangat berguna di hampir segala bidang dalam rangka melakukan usaha secara efektif
dan efisien untuk mencapai target hasil yang ingin dicapai. Tentunya hal ini akan sangat sesuai dengan prinsip
ekonomi yang berorientasikan untuk senantiasa menekan pengeluaran untuk menghasilkan output yang
maksimal. Optimasi ini juga penting karena persaingan sudah sangat ketat disegala bidang yang ada (Silitonga
& Murdiyanto, 2011).
Seperti yang dikatakan sebelumnya, bahwa optimasi sangat berguna bagi hampir seluruh bidang yang ada,
maka berikut ini adalah contoh-contoh bidang yang sangat terbantu dengan adanya teknik optimasi tersebut.
Bidang tersebut, antara lain : Arsitektur, Data Mining, Jaringan Komputer, Signal And Image Processing,
Telekomunikasi, Ekonomi, Transportasi, Perdagangan, Pertanian, Perikanan, Perkebunan, Perhutanan, dan
sebagainya. Teknik optimasi secara umum dapat dibagi menjadi dua bagian, yang pertama adalah
Mathematical Programming, dan yang kedua adalah Combinatorial Optimatimization. Dalam bidang
mathematical programming dapat dibagi menjadi dua kembali, yaitu support vector machines dan gradient

146
SEMNAS RISTEK 2018 ISSN :2527-5321

descent. Dan pada bidang Combinatorial Optimization kembali difokuskan lagi ke dalam dua bidang, yaitu
Graph Theory dan Genetic Algorithm. Pemfokusan pemfokusan bidang tersebut dikarenakan beberapa
parameter, diantaranya, Restoration, Feature selection, Classification, Clustering, RF assignment,
Compression, dan sebagainya.
Tabel 1 menyajikan beberapa penelitian terkait penerapan metode algoritma genetika untuk menyelesaikan
berbagai permasalahan.

Tabel 1. Penelitian terkait penerapan metode algoritma genetika

Peneliti Tujuan/Kasus Metode Seleksi, Hasil
Crossover, Mutasi
Maharani Penelitian ini bertujuan untuk Metode Seleksi Roulette Dari pengujian sistem yang telah
(2013) membantu Project Manager Wheel, One-Point dilakukan, sistem penjadwalan
dalam membuat penjadwalan Crossover, Random proyek menggunakan algoritma
proyek dan menunjukkan Mutation genetika dapat menghasilkan
kepada organisasi bagaimana jadwal proyek yang optimal karena
proyek akan dilaksanakan. tidak terdapat pelanggaran
terhadap aturan penjadwalan
proyek yang telah ditetapkan.
Saputro dkk. Mengimplementasikan Metode Seleksi Binary Dari hasil pengujian, didapatkan
(2015) algoritma genetika untuk Turnament dan Seleksi hasil terbaik dengan nilai fitness
merekomendasikan proporsi Elitsm, Extended tertinggi yang mendekati solusi
luas lahan yang optimal untuk Intermediate Crossover, optimal pada ukuran populasi 125,
penggunaan lahan pertanian. Random Mutation jumlah generasi 400, nilai
probabilitas crossover 0,4 dan
probabilitas mutasi 0,6
Akbar dkk. Penelitian ini bertujuan untuk Metode Seleksi Roulette Dari hasil pengujian, dapat
(2008) menyelesaikan dari kondisi Wheel, Uniform Crossover, disimpulkan bahwa Algoritma
awal rubik’s cube yang teracak Random Mutation Genetika dapat digunakan untuk
hingga kondisi menyelesaikan permasalahan
solved rubiks cube dengan tipe 3x3x3
Suprapto & Mengimplementasikan Roulette Wheel Hasil dari penelitian menyatakan
Sariman (2012) algoritma genetika dengan Selection dan Stochastic bahwa Metode Algoritma Genetika
sistem logika samar (Fuzzy Universal Sampling, dengan sistem Fuzzy Logic pada
Logic) dalam membantu untuk Single-Point Crossover, sistem motor arus searah
penentuan parameter Random Mutation menghasilkan nilai steady state
pengendali PID error mendekati 0 berkisar 0.004
sampai 0.001.
Sillueta dkk. Penelitian ini bertujuan untuk Seleksi Roulette Wheel, Dari beberapa pengujian yang telah
(2015) Penjadwalan ruangan untuk One-Point Crossover, dilakukan dapat dinyatakan bahwa
setiap mata kuliah yang Random Mutation Aplikasi Penjadwalan pada Lab
berada di LAB untuk setiap sesi dapat berjalan dengan baik dan
dalam satu hari yang telah dapat memudahkan supervisor
ditentukan oleh pihak Fakultas LAB untuk mengatur sebuah
penjadwalan mata kuliah yang ada
di LAB ICT

Dari studi literatur yang tertera di atas dapat disimpulkan bahwa beberapa penelitian tersebut dapat
membantu penulis dalam menerapkan algoritma genetika beserta metode-metodenya ke dalam sistem atau
aplikasi yang telah dibuat penulis, serta memberikan pemahaman tentang teori-teorinya. Dapat diketahui
bahwa meskipun penelitian sebelumnya menggunakan algoritma dan metode yang sama, maka yang
membedakan penelitian sebelumnya dengan penelitian penulis adalah terletak pada isi datanya, parameter-
parameternya, dan tingkat keberhasilan pada hasil uji coba yang telah dilakukan penulis. Karena jika berbeda
parameternya maka hasil yang didapatkan juga akan berbeda.

III. METODE PENELITIAN

Pada penelitian ini digunakan beberapa metode penelitian baik dalam pengambilan data, proses
pengembangan aplikasi maupun evaluasi terhadap aplikasi.
 Metode Kepustakaan. Metode ini bertujuan untuk mencari, memahami, serta mempelajari dengan seksama
dari buku dan berbagai artikel ilmiah berkaitan dengan algoritma genetika dan semua yang berhubungan
dengan topik ini.
 Metode Wawancara. Wawancara adalah suatu cara memperoleh data dengan tanya-jawab secara langsung
kepada instansi tempat dilakukannya riset, untuk mengetahui permasalahan yang dihadapi dan
mendiskusikan aplikasi yang diharapkan dapat memecahkan masalah tersebut.

147
SEMNAS RISTEK 2018 ISSN :2527-5321

 Metode Pengamatan (Observasi). Pengamatan adalah salah satu pengumpulan data atau fakta yang secara
langsung dilakukan untuk mengetahui jalannya proses kegiatan yang sedang berjalan dan membuat
keputusan terhadap kegiatan tersebut.
 Metode Angket atau Kuesioner. Angket atau kuesioner merupakan suatu teknik pengumpulan data secara
tidak langsung, biasanya untuk menyatakan pandangannya terhadap suatu persoalan. Pengumpulan
datanya juga disebut angket yang berisikan sejumlah pertanyaan – pertanyaan yang harus dijawab atau
direspon oleh toko Tisa Computer. Setiap pertanyaan telah disertai sejumlah pilihan jawaban, toko hanya
memilih jawaban yang paling sesuai.

Dalam pengembangan aplikasi ini merujuk pada perancangan apikasi secara

umum. Terdapat 5 tahapan umum dalam metode pengembangan aplikasi yang digunakan dalam penelitian ini,
yaitu: (1) analisis data, (2) pembuatan rancangan aplikasi, (3) implementasi berupa pengembangan kode
program, dan (4) uji coba sistem.

IV. HASIL DAN PEMBAHASAN

A. Arsitektur Aplikasi
Berdasarkan permasalahan yang telah dijabarkan di atas, solusi untuk menyelesaikan masalah tersebut
adalah dengan adanya aplikasi atau sistem yang mampu mengoptimalkan hasil pemilihan komponen komputer
sesuai dengan kriteri konsumen dan dengan kualitas terbaik. Pada aplikasi ini menerapkan Metode Algoritma
Genetika untuk melakukan proses pemilihan komponen dalam perakitan komputer. Metode tersebut sudah
dibuktikan mampu untuk menghemat waktu dalam menentukan setiap komponen komputer yang dirakit sesuai
dengan kebutuhan konsumen.
Algoritma Genetika adalah teknik atau metode yang digunakan untuk mengoptimalkan suatu data, yang
nantinya data tersebut dapat dipergunakan untuk menunjang keputusan dalam pemilihannya. Contohnya adalah
mengoptimasi pemilihan komponen dalam perakitan komputer. Algoritma genetika bekerja dengan
menggunakan pendekatan random, sehiingga nilai – nilai yang dihasilkan adalah nilai random. Pada kasus
pencarian spesifikasi komputer terbaik dengan model genetika ditujukan untuk mendapatkan kombinasi yang
tepat antara Processor, Motherboard, Memory RAM, Graphic Card, Harddisk, Optical Drive, dan Power
Supply. Sehingga komponen-komponen tersebut terpilih berdasarkan kriteria tertentu dan kualitas terbaik yang
disesuaikan dengan anggaran konsumen. Dengan adanya sistem atau aplikasi ini penulis mengharapkan adanya
aspek kemudahan dan efektivitas waktu untuk menentukan komponen dalam melakukan perakitan komputer.
Gambar 2 menyajikan arsitektur aplikasi optimasi perakitan komputer dengan algoritma genetika.

Gambar 1. Arsitektur aplikasi optimasi perakitan komputer dengan algoritma genetika

148
SEMNAS RISTEK 2018 ISSN :2527-5321

Gambar 2. Tampilan layar utama aplikasi untuk meng-generate komponen perakitan komputer

B. Hasil Pengujian
Pada tahap ini dilakukan percobaan dan pengujian terhadap program dengan beberapa kasus-kasus masalah
yang berbeda-beda seperti dilakukan dengan pengujian perbedaan besarnya populasi, besarnya parameter,
besarnya iterasi, dan perbedaan-perbedaan kriteria tertentu yang diinginkan user. Pada pengujian kali ini
membandingkan beberapa hasil dari aplikasi implementasi algoritma genetika untuk optimasi perakitan
komputer pada Tisa Computer diantaranya adalah pengaruh jumlah iterasi, pengaruh ukuran populasi,
pengaruh nilai pc (probabilitas crossover), dan pengaruh nilai pm (probabilitas mutasi), kemudian pengujian
terhadap kombinasi parameter-parameternya.

Gambar 3. Hasil ujicoba jumlah iterasi dan ukuran populasi terhadap fitness dan waktu

Pengujian pengaruh jumlah iterasi terhadap fitness dan waktu dilakukan dengan melakukan ujicoba dengan
jumlah iterasi sebanyak 50, 100, 300, dan 400. Adapun ukuran populasi dibuat tetap sebanyak 50, pc 0,8 serta
pm 0,2. Pengujian dilakukan 2 kali uji di setiap iterasi yang berbeda-beda. Gambar 3 menyajikan hasil ujicoba
jumlah iterasi dan ukuran populasi terhadap fitness dan waktu proses.
Berdasarkan hasil pengujian yang telah dilakukan di atas, pada iterasi ke 50 didapatkan hasil fitness rata-
rata sebesar 17470.5 dan waktu rata-rata sebesar 14.78 detik, pada iterasi ke 100 didapatkan hasil fitness rata-
rata sebesar 18792.5 dan waktu rata-rata sebesar 21.35 detik, pada iterasi ke 300 didapatkan fitness rata-rata
sebesar 18091.5 dan waktu rata-rata sebesar 54.97 detik, pada iterasi ke 400 didapatkan fitness rata-rata sebesar
18144 dan waktu rata-rata sebesar 68.31 detik. Dari hasil analisa tersebut didapatkan hasil yang lebih baik yaitu
pada iterasi ke 100 yaitu mendapatkan hasil fitness sebesar 18792.5.
Selanjutnya dilakukan pengujian pengaruh ukuran populasi terhadap nilai fitness dan waktu proses. Ukuran
populasi yang digunakan sebanyak 10, 20, 35 dan 50. Adapun jumlah iterasi sebesar 400 iterasi, pc 0.8 serta
pm 0,2. Pengujian dilakukan sebanyak 2 kali uji di setiap ukuran populasi yang berbeda-beda.
Berdasarkan hasil pengujian yang telah dilakukan di atas, pada ukuran populasi ke 10 didapatkan hasil
fitness rata-rata sebesar 17934 dan waktu rata-rata sebesar 8.82 detik, pada ukuran populasi ke 20 didapatkan
hasil fitness rata-rata sebesar 17468.5 dan waktu rata-rata sebesar 18.18 detik, pada ukuran populasi 35
didapatkan fitness rata-rata sebesar 18356.5 dan waktu rata-rata sebesar 59.03 detik, pada ukuran populasi 50
didapatkan fitness rata-rata sebesar 17199.5 dan waktu rata-rata sebesar 40.97 detik. Dari hasil analisa tersebut
didapatkan hasil yang lebih baik yaitu pada ukuran populasi 35 yaitu mendapatkan hasil fitness sebesar
18356.5.
Pengujian juga dilakukan untuk mengetahui kombinasi terbaik nilai pc dan pm pada proses algoritma
genetikanya. Pengujian dilakukan dengan mengubah nilai pc dan pm dimulai dari angka pm 0.1,0.2,0.3,0.5 dan

149
SEMNAS RISTEK 2018 ISSN :2527-5321

nilai pc 0.6,0.7,0.8,0.9. Jumlah populasi yang digunakan sebanyak 50 populasi dan 400 iterasi. Pengujian
dilakukan sebanyak 2 kali uji di setiap ukuran populasi yang berbeda-beda.
Tabel 2. Pengujian Pengaruh Nilai pc dan pm
No pc Pm Fitness Waktu Harga Kualitas
1. 0.6 0.1 19346 36.49 s 4.951.000 Terbaik
2. 0.6 0.1 17088 34.84 s 4.733.000 Baik
3. 0.7 0.2 18832 39.45 s 4.299.000 Baik
4. 0.7 0.2 18262 37.86 s 4.716.000 Baik
5. 0.8 0.3 18575 46.30 s 4.879.000 Baik
6. 0.8 0.3 18437 47.42 s 4.924.000 Terbaik
7. 0.9 0.5 18951 52.42 s 4.050.000 Terbaik
8. 0.9 0.5 17164 52.84 s 4.401.000 Terbaik

Berdasarkan hasil pengujian yang telah dilakukan di atas, pada kombinasi pc=0.6 dan pm=0.1 didapatkan
hasil fitness rata-rata sebesar 18217 dan waktu rata-rata sebesar 35.67 detik, pada kombinasi pc=0.7 dan
pm=0.2 didapatkan hasil fitness rata-rata sebesar 18547 dan waktu rata-rata sebesar 38.66 detik, pada
kombinasi pc=0.8 dan pm=0.3 didapatkan fitness rata-rata sebesar 18506 dan waktu rata-rata sebesar 46.86
detik, pada kombinasi pc=0.9 dan pm=0.5 didapatkan fitness rata-rata sebesar 18057.5 dan waktu rata-rata
sebesar 52.63 detik. Dari hasil analisa tersebut didapatkan hasil yang lebih baik yaitu pada kombinasi pc dan
pm pada nilai pc=0.7 dan pm=0.2 yaitu mendapatkan hasil fitness sebesar 18547.

V. SIMPULAN DAN SARAN

Berdasarkan hasil pengujian dan pembahasan mengenai implementasi algoritma genetika untuk meng-
optimasi pemilihan komponen perakitan komputer, maka ada beberapa kesimpulan yang dapat diambil dari
penelitian dan pembuatan aplikasi ini sebagai berikut:
1) Hasil solusi yang dihasilkan oleh program memberikan hasil yang cukup maksimal dari beberapa
percobaan yang dilakukan untuk menentukan kombinasi komponen perakitan komputer sehingga dapat
membantu penganalisaan.
2) Aplikasi ini dapat membantu user yang awam ketika ingin merakit komputer namun ia bingung spesifikasi
komputer manakah yang lebih baik untuk ia beli, sesuai dengan kriteria yang ia inginkan
3) Semakin banyak iterasi maka kemungkinan semakin optimal dan akurat kata yang dihasilkan, dikarenakan
proses dilakukan secara berulang-ulang hingga mendapatkan hasil yang terbaik.
4) Dikarenakan algoritma genetika mendapatkan hasil kombinasi nya secara random maka hasil yang
didapatkan belum tentu sama dengan hasil yang ia jalankan setelahnya.
5) Hasil fitness yang didapatkan juga belum tentu bagus, semua itu tergantung dengan ukuran populasi,
jumlah iterasi, serta nilai probabilitas pc dan pm nya.
6) Dari hasil pengujian yang selama penulis coba, didapatkan hasil yang terbaik yaitu dengan ukuran populasi
50, jumlah generasi 100, serta nilai pc 0,8 dan pm 0.2.

DAFTAR PUSTAKA
Akbar, Z. F., Martiana, E., Setiawardhana, & H, R. Y. (2008). PENYELESAIAN PERMAINAN RUBIK ’ S CUBE
DENGAN METODE ALGORITMA GENETIKA, 1–7.
Basuki, A. (2003). Algoritma Genetika Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine
Learning, 1–26.
Firmansyah, E. R., Nurul, S. S. A., Agustin, N. H., & Amrizal, V. (2012). Algoritma genetika. Universitas Islam Negeri
Syarif Hidayatullah Jakarta. https://doi.org/10.1007/s13398-014-0173-7.2
Hannawati, A., Thiang, & Eleazar. (2002). Implementasi Algoritma Genetika Untuk Pencarian Rute Paling Opttmum. In
Proceedings Komputer dan Sistem Intelijen (KOMMIT2002) (pp. 31–39).
Maharani, F. (2013). SISTEM PENJADWALAN PROYEK MENGGUNAKAN ALGORITMA GENETIKA, 1–88.
Saputro, H. A., Mahmudy, W. F., & Dewi, C. (2015). IMPLEMENTASI ALGORITMA GENETIKA UNTUK OPTIMASI
PENGGUNAAN LAHAN PERTANIAN, (12).
Silitonga, S., & Murdiyanto, T. (2011). PERANCANGAN PROGRAM APLIKASI OPTIMASI LISTRIK PADA INDUSTRI
PLASTIK MENGGUNAKAN METODE SEQUENTIAL DYNAMIC PROGRAMMING. Universitas Bina Nusantara.
Sillueta, C. Y., Putra, E. C. I., & Ridwan, M. K. (2015). IMPLEMENTASI ALGORITMA GENETIKA PADA SISTEM
PENJADWALAN LAB ICT TERPADU, 1–83.
Suprapto, B. Y., & Sariman. (2012). Metode Algoritma Genetika dengan Sistem Fuzzy Logic untuk Penentuan Parameter
Pengendali PID, 10(1), 32–38.

150