Tugas III Kercerdasan Buatan

GENETIKA ALGORITMA

Diajukan untuk memenuhi Tugas Mata Kuliah

Kecerdasan Buatan (Artificial Intelligent)

Oleh :
Nama : Steven Lim
NPM : 1421021

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK INDUSTRI
UNIVERSITAS INTERNASIONAL BATAM
2015
 Bab I
Landasan Teori

Algoritma genetika merupakan evolusi/ perkembangan dunia komputer

dalam bidang kecerdasan buatan (artificial intelligence). Sebenarnya kemunculan
algoritma genetika ini terinspirasi oleh teori evolusi Darwin (walaupun pada
kenyatanya teori tersebut terbukti keliru) dan teori-teori dalam ilmu biologi,
sehingga banyak istilah dan konsep biologi yang digunakan. Karena itu sesuai
dengan namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan
apa yang terjadi pada evolusi biologi

Algoritma genetika merupakan teknik pencarian nilai optimum secara

stochastic berdasarkan mekanisme seleksi alam. Algoritma genetika berbeda
dengan teknik konvergensi konvensional yang lebih bersifat deterministic.
Metodenya sangat berbeda dengan kebanyakan algoritma optimasi lainnya, yaitu
mempunyai ciri-cirinya sebagai berikut :

1. Menggunakan hasil pengkodean dari parameter, bukan parameter

itu sendiri.
2. Bekerja pada populasi bukan pada sesuatu yang unik. Menggunakan
nilai satu-satunya pada fungsi dalam prosesnya.
3. mengunakan fungsi luar atau pengetahuan luar lainnya.
4. Menggunakan fungsi transisi probabilitas, bukan sesuatu yang pasti.

Algoritma genetika yang dikembangkan oleh Goldberg adalah algoritma

komputasi yang diinspirasi teori evolusi Darwin yang menyatakan bahwa
kelangsungan hidup suatu makhluk dipengaruhi aturan “yang kuat adalah yang
menang”. Darwin juga menyatakan bahwa kelangsungan hidup suatu makhluk
dapat dipertahankan melalui proses reproduksi, crossover, dan mutasi. Konsep
dalam teori evolusi Darwin tersebut kemudian diadopsi menjadi algoritma
komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih
“alamiah”

2
 Golberg (1989) mengemukakan bahwa algoritma genetik mempunyai
karakteristik-karakteristik yang perlu diketahui sehingga dapat terbedakan dari
prosedur pencarian atau optimasi yang lain, yaitu:
1. Algoritma genetik dengan pengkodean dari himpunan solusi permasalahan
berdasarkan parameter yang telah ditetapkan dean bukan parameter itu
sendiri.
2. Algoritma genetik pencarian pada sebuah solusi dari sejumlah individu-
individu yang merupakan solusi permasalahan bukan hanya dari sebuah
individu.
3. Algoritma genetik informasi fungsi objektif (fitness), sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari
suatu fungsi.
4. Algoritma genetik menggunakan aturan-aturan transisi peluang, bukan
aturan-aturan deterministic.
Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai
chromosome, sedangkan kumpulan chromosome-chromosome tersebut disebut
sebagai populasi. Sebuah chromosome dibentuk dari komponen-komponen
penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik,
biner, simbol ataupun karakter tergantung dari permasalahan yang ingin
diselesaikan.

Chromosome-chromosome tersebut akan berevolusi secara berkelanjutan

yang disebut dengan generasi. Dalam tiap generasi chromosome-chromosome
tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin
diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan fitness.
Untuk memilih chromosome yang tetap dipertahankan untuk generasi selanjutnya
dilakukan proses yang disebut dengan seleksi. Proses seleksi chromosome
menggunakan konsep aturan evolusi Darwin yang telah disebutkan sebelumnya
yaitu chromosome yang mempunyai nilai fitness tinggi akan memiliki peluang lebih
besar untuk terpilih lagi pada generasi selanjutnya.

Chromosome-chromosome baru yang disebut dengan offspring, dibentuk

dengan cara melakukan perkawinan antar chromosome-chromosome dalam satu

3
generasi yang disebut sebagai proses crossover. Jumlah chromosome dalam
populasi yang mengalami crossover ditetukan oleh paramater yang disebut dengan
crossover_rate. Mekanisme perubahan susunan unsur penyusun mahkluk hidup
akibat adanya faktor alam yang disebut dengan mutasi direpresentasikan sebagai
proses berubahnya satu atau lebih nilai gen dalam chromosome dengan suatu nilai
acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh
parameter yang dinamakan mutation_rate. Setelah beberapa generasi akan
dihasilkan chromosome-chromosome yang nilai gen-gennya konvergen ke suatu
nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh algoritma
genetika terhadap permasalahan yang ingin diselesaikan.

Perbandingan istilah alam dengan Algoritma Genetika :

Table 1.1 Tabel Perbandingan Alam dengan GA.

Alam Algoritma Genetika
Chromosome String
Locus Posisi String
Gene Karakter
Allele Nilai Karakter
Genotype Struktur
Phenotype Kode Struktur

Algoritma genetik merupakan proses pencarian yang heuristik dan acak

sehingga penekanan pemilihan operator yang digunakan sangat menentukan
keberhasilan algoritma genetik dalam menemukan solusi optimum suatu masalah
yang diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya
konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya,
dalam arti bahwa solusi yang diperoleh adalah hasil optimum local.

Operator genetik yang digunakan setelah proses evaluasi tahap pertama

membentuk populasi baru dari generasi sekarang. Operator-operator tersebut adalah
operator seleksi, crossover dan mutasi.

4
1. Seleksi
Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi
anggota populasi yang paling fit. Langkah pertama dalam seleksi ini adalah
pencarian nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan
menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya
sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut.
Nilai fitness inilah yang nantinya akan digunakan pada tahap seleksi berikutnya.
Kemampuan algoritma genetik untuk memproduksi kromosom yang lebih
baik secara progresif tergantung pada penekanan selektif (selective pressure)
yang diterapkan ke populasi. Penekanan selektif dapat diterapkan dalam dua
cara. Cara pertama adalah membuat lebih banyak kromosom anak yang
dipelihara dalam populasi dan memilih hanya kromosom-kromosom terbaik
bagi generasi berikut. Walaupun orang tua dipilih secara acak, metode ini akan
terus menghasilkan kromosom yang lebih baik berhubungan dengan penekanan
selektif yang diterapkan pada individu anak tersebut.

2. Crossover
Crossover bertujuan untuk menambah keanekaragaman sting dalam
populasi dengan penyyilangan antara string satu dengan string lainya yang
diperoleh sebelumnya. Crossover memiliki beberapa jenis yaitu :
a) Crossover 1-titik.
Pada crossover dilakukan dengan memisahkan suatu string
menjadi dua bagian dan selanjutnya salah satu bagian dipertukarkan
dengan salah satu bagian dari string yang lain yang telah dipisahkan
dengan cara yang sama. Proses yang demikian dinamakan operator
crossover satu titik.
Tabel 1.2 Contoh Crossover 1-titik
Kromosom Orangtua 1 11001011
Kromosom Orangtua 2 11011111
Keturunan 11001111

b) Crossover 2-titik.

5
 Proses crossover ini dilakukan dengan memilih dua titik
crossover. Kromosom keturunan kemudian dibentuk dengan barisan
bit dari awal kromosom sampai titik crossover pertama disalin dari
orangtua pertama, bagian dari titik crossover pertama dan kedua
disalin dari orangtua kedua, kemudian selebihnya disalin dari
orangtua pertama lagi.

Tabel 1.3 Contoh Crossover 2-titik

Kromosom Orangtua 1 11001011
Kromosom Orangtua 2 11011111
Keturunan 11011111

c) Crossover Seragam.
Crossover seragam manghasilkan kromosom keturunan
dengan menyalin bit-bit secara acak dari kedua orangtuanya.

Tabel 1.4 Contoh Crossover seragam

Kromosom Orangtua 1 11001011
Kromosom Orangtua 2 11011111
Keturunan 11011111

3. Mutasi.
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam
suatu kromosom. Operasi crossover yang dilakukan pada kromosom dengan
tujuan untuk memperoleh kromosom-kromosom baru sebagai kandidat solusi
pada generasi mendatang denga fitness yang lebih baik, dan lama-kelamaan
menuju solusi optimum yang diinginkan. Akan tetapi, untuk mencapai hal ini,
penekanan selektif juga memegang peranan yang penting. Jika dalam proses
pemilihan kromosom-kromosom cenderung pada kromosom yang memiliki
fitness yang tinggi saja, konvergensi premature, yaitu mencapai solusi yang
optimal lokal sangat mudah terjadi.

6
 Untuk menghindari konvergensi premature tersebut dan tetap menjaga
perbedaan (diversity) kromosom-kromosom dalam populasi, selain melakukan
penekanan selektif yang lebih efisien, operator mutasi juga dapat digunakan.
Proses mutasi dalam system biologi berlangsung dengan mengubah isi allele
gen pada suatu locus dengan allele yang lain. Proses mutasi ini bersifat acak
sehingga tidak selalu menjamin bahwa setelah proses mutasi akan diperoleh
kromosom dengan fitness yang lebih baik.

7
 Bab II
Metode Penyelesaian

Gambar 2.1 Interface Program Genetika Algoritma.

Interface di atas menunjukan bagaimana form tersebut disusun. Cara kerja

daam penentuan nilai algoritma menggunakan program ini cukup mudah. Pertama,
anda harus mengisikan target yang diinginkan pada textbox yang disediakan
(Penulis menggunakan Nomor Kemahasiswaanya. Saat target sudah diisikan makan
akan muncul Nama dan button inisialisasi akan menyala (Active). Berikut adalah
coding untuk menampilkan nama dari target input.
{
for (int n = 0; n < num; n++)
{
if (target == number[n])
{
npm = n;
flag = true;
break;
}
else
{
flag = false;
//Application.ExitThread();
}
}
if (flag == true )
{
MessageBox.Show("Your value target is your student's
number = " + target + "\n Your name is : " + nama[npm], "Answers",
MessageBoxButtons.OK, MessageBoxIcon.Information);
label1.Text = "Nama : " + nama[npm] + " Npm : " +
number[npm];

8
 InpTar.Enabled = false;
inptarget.Enabled = false;
Init.Enabled = true;
Auto.Enabled = true;
}
}

Gambar 2.2 Interface Setelah Target Input dimasukan.

Bila Interface sudah tampak seperti pada gambar 2.2 maka langkah
selanjutnya adalah menggunakan Button Inisialisasi yang akan menampilkan
angka(n) setiap individu dengan coding sebagi berikut.
private void init_chromosome()
{
Random rnd = new Random();
int i, k;
listBox1.Items.Add("----Inisialisasi----");
for (i = 0; i <= pop - 1; i++)
{
for (k = 0; k <= gen - 1; k++)
{
chromosome[i, k] = Convert.ToInt32(rnd.Next(minrand,
maxrand));
}
listBox1.Items.Add("Individu [" + i + "] : " +
(chromosome[i, 0]) + " , " + (chromosome[i, 1]) + " , " + (chromosome[i,
2]) + " , " + (chromosome[i, 3]));
}
}

9
 Gambar 2.3 Interface setelah menggunakan Button inisialisasi.
Setelah menggunakan Button inisialisasi dan individu sudah muncul
selanjutnya adalah menggunakan Button evaluasi. Button Evaluasi akan muncul
karena coding yang telah menghubungkan inisialisasi dengan evalusi sehingga saat
buttoninitial click di jalankan akan memunculkan atau mengaktifkan button
evaluasi untuk tahap selanjutnya seperti pada coding berikut.
private void Init_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = true;
Sel.Enabled = false;
Cross.Enabled = false;
Mut.Enabled = false;
Clear.Enabled = false;
listBox1.Items.Clear();
listBox2.Items.Clear();
init_chromosome();
}

Tahap selanjutnya sama seperti tahap sebelumnya yaitu, menggunakan

Button yang muncul selanjutnya yaitu seleksi. Button seleksi akan muncul saat kita
telah menjalankan Button sebelumnya yaitu Button evaluasi.

10
 Gambar 2.4 Interface Setelah Button evaluasi di jalankan.
Berikut adalah Coding yang digunakan untuk menghubungkan evaluasi dan
seleksi :
private void Eval_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = false;
Sel.Enabled = true;
Cross.Enabled = false;
Mut.Enabled = false;
Clear.Enabled = false;
evaluasi_chromosome();
}

Selanjutnya adalah proses seleksi, tahap seleksi ini akan memunculkan

Button Crossover yang dihubungkan dengan kode sebagai berikut.
private void Sel_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = false;
Sel.Enabled = false;
Cross.Enabled = true;
Mut.Enabled = false;
Clear.Enabled = false;
Seleksi();
}

Pada proses seleksi ini juga akan memunculkan data baru pada listbox 1 dan
listbox 2 dimana pada listbox 2 adalah Individu baru. Berikut adalah tampilan
Interface setelah menggunakan seleksi.

11
 Gambar 2.5 Interface Setelah Button seleksi di jalankan.

Tahap selanjutnya adalah Button Crossover yang akan menyilangkan

individu-individu baru pada listbox 2 untuk menghasilkan Chromosome yang akan
menjadi individu pada tahap selanjutnya. Berikut adalah coding pada Button
Crossover yang akan memunculkan Button Mutasi:
private void Cross_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = false;
Sel.Enabled = false;
Cross.Enabled = false;
Mut.Enabled = true;
Clear.Enabled = false;
crossover();
}

Mutasi merupakanproses selanjutnya. Pada proses mutasi, program akan

memunculkan Chart. Chart tersebut berfungsi untuk menunjukan pada generasi
keberapa target kita ditemukan. Setlah itu akan muncul Button Clear Listbox.
Berikut adalah tampilan interface dan coding setelah mutasi dilakukan.
private void Mut_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = false;
Sel.Enabled = false;
Cross.Enabled = false;
Mut.Enabled = false;
Clear.Enabled = true;
mutasi();

12
 Gambar 2.6 Interface Setelah Button Mutasi dijalankan.
Button Clear listbox berfungsi untuk memunculkan individu baru atau
memulai dengan generasi baru. Setelah Button Clear listbox dijalankan maka
generasi baru akan muncul pada listbox 1 dan menggunakan Tahap yang sama
untuk mendapatkan target. Perbedaan dengan tahap awal adalah button inisialisasi
tidak diaktifkan melainkan langsung menuju ke Button Evaluasi.
private void Clear_Click(object sender, EventArgs e)
{
Init.Enabled = false;
Eval.Enabled = true;
Sel.Enabled = false;
Cross.Enabled = false;
Mut.Enabled = false;
Clear.Enabled = false;
listBox1.Items.Clear();
listBox2.Items.Clear();

Gambar 2.7 Interface Setelah 15 Generasi.

13
 Pada chart terdapat 2 garis yang berbeda warna. Garis dengan warna biru
merupakan target yang ingin kita dapatka sedangkan garis berwana merah adalah
output atau hasil yang kita dapatkan.
Button auto pada program ini berfungsi untuk kita mendapatkan hasil yang
kitainginkan tanpa menggunakan cara diatas. Dengan Button auto maka hasil akan
dicari dengan sendirinya dan akan berhenti ketika mencapai target yang diinginkan.

Gambar 2.8 Menggunakan Button auto.

Pencarian otomatis akan berhenti ketika kita mencapai target maka
sebelum itu ingatlah untuk menggunakan batasan generasi dengan range cukup
jauh, bila mengguanakan range yang hanya 10 atau 200 maka pencarian akan
berhenti pada range yang ditentukan, tidak peduli apakah hasil sudah didapatkan
atau belum. (int generation = 4000;)

Gambar 2.9 Interface saat pencarian mencapai target yang diinginkan.

Pada gambar 2.9 ditunjukan bahwa pencarian berhenti pada generasi 1421
karena telah menemukan target yang diinginkan yaitu 1421021.

14
Gambar 2.10 Flowchart Genetika Algoritma

15
 Bab III
Analisa Data

Berikut adalah analisa yang dilakukan pada program diatas namun

menggunakan data yang berbeda dari data yang digunakan pada metode pengerjaan.
1. INISIALISASI
private void init_chromosome()
{
Random rnd = new Random();
int i, k;
listBox1.Items.Add("----Inisialisasi----");
for (i = 0; i <= pop - 1; i++)
{
for (k = 0; k <= gen - 1; k++)
{
chromosome[i, k] =
Convert.ToInt32(rnd.Next(minrand, maxrand));
}
listBox1.Items.Add("Individu [" + i + "] : " +
(chromosome[i, 0]) + " , " + (chromosome[i, 1]) + " , " +
(chromosome[i, 2]) + " , " + (chromosome[i, 3]));
}
}

Pada program ini, inisialisasi merupkan proses dimana program

akan memberikan nilai awal terhadap gen-gen yang akan digunakan untuk
mencapai targer serta sesuai dengan batasan nilai yang ditentukan

Gambar 3.1 Coding untuk menentukan batasan nilai

Sesuai dengan batasan yang digunakan program tersebut maka
batasan nilainya adalah 1000 dan minimal nilainya adalah 10. Misalkan
populasi yang kita gunakan adalah 6 seperti yang ditumjukan pada gambar
berikut.

16
 Gambar 3.2 Inisialisasi populasi
Dapat dilihat bahwa nilai a,b,c,d sesuai dengan batasan yaitu nilai
terkecil dari inisialisasi diatas adalah 71 dan nilai 71 > 10(batasan minimal)
dan nilai terbesar adalah 988 dan nilai 988 < 1000(batasan maksimal).
2. EVALUASI
}
private void evaluasi_chromosome()
{
double temp = 0;
int i;
listBox1.Items.Add("----Evaluasi----");
for (i = 0; i <= pop - 1; i++)
{
f_obj[i] = Math.Abs((Math.Pow(chromosome[i, 0], 2)) +
(Math.Pow(chromosome[i, 1], 2)) + (Math.Pow(chromosome[i, 2], 2)) +
chromosome[i, 3] - target);
listBox1.Items.Add("Fungsi Obyektif [" + i + "] : " +
f_obj[i]);
temp = temp + f_obj[i];
}
f_obj_avg = temp / pop;
listBox1.Items.Add("Rata-rata Obyektif = " + f_obj_avg);
}

Koding diatas merupakan koding untuk evaluasi. Dalam program

ini, permasalahan yang ingin kita selesaikan berdasarkan variable yang
digunakan adalah A, B, C, dan D
𝐴2 + 𝐵 2 + (𝐶 2 + 𝐷) = 𝑁𝑃𝑀………………………………………….(1)
Mangka fungsi objektif yang digunakan adalah
𝑓𝑜𝑏𝑗(𝑖) = |𝐴2 + 𝐵 2 + (𝐶 2 + 𝐷) − 𝑁𝑃𝑀|………………………………(2)
Persamaan diatas diambil dari coding yang di blok sebagai berikut.

17
 Berdasarkan inisialisasi individu yang kita dapatkan tadi dapat di
hitung fungsi objektifnya,
𝑓𝑜𝑏𝑗(0) = |(912 + 9882 + (7952 + 465)) − 1421021|
= | (8281 +976144 +(632025 + 465)) – 1421021|
= 195894
𝑓𝑜𝑏𝑗(1) = |3392 + 9282 + (6102 + 561) − 1421021|
= |(114921 + 861184 +(372100 + 561)) – 1421021|
= |-72255| = 72255
𝑓𝑜𝑏𝑗(2) = |9162 + 712 + (9532 + 774) − 1421021|
= |1753080- 1421021|
= 332059
𝑓𝑜𝑏𝑗(3) = |6122 + 9662 + (3502 + 840) − 1421021|
= 10019
𝑓𝑜𝑏𝑗(4) = |3242 + 5592 + (4252 + 74) − 1421021|
= 822865
𝑓𝑜𝑏𝑗(5) = |8522 + 2162 + (2932 + 90) − 1421021|
= 562522
Maka rata-rata dari fungsi objektif diatas adalah
𝑓𝑜𝑏𝑗(𝑡𝑜𝑡𝑎𝑙) ÷ 6…………………………………………………………(3)

Dengan menggunakan persamaan diatas hasil rata-rata dapat kita

dapatkan dengan hasil sebagai berikut.
rata-rata = (195894 + 72255 + 332059 + 10019 + 822865 + 562522) / 6
= 332602,3333333

Gambar 3.3 Hasil dari Evaluasi.

18
3. SELEKSI
Proses seleksi dilakukan dengan cara membuat chromosome yang
mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang
besar atau mempunyai nilai probabilitas yang tinggi. Untuk itu dapat
digunakan fungsi fitness.
1
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (𝑖) = fobj(i)+1……………………………………………….(4)

fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan

program yang diakibatkan pembagian oleh 0. Fungsi diatas juga didapatkan
dari coding pada program sebagai berikut.
{
fitness[i] = 1 / (f_obj[i] + 1);
temp = temp + fitness[i];
listBox1.Items.Add("Fitness [" + i + "] : " + fitness[i]);
}
Berikut adalah pengujian untuk membuktikan fungsi yang diberikan
memiliki hasil yang sesuai dengan program.
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (0) = 1/(𝑓𝑜𝑏𝑗(0) + 1)
= 1/ (195894 + 1)
= 5.10 x 10-6
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (1) = 1/(𝑓𝑜𝑏𝑗(1) + 1)
= 1/ (72255 +1)
= 1.38 x 10-5
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (2) = 1/(𝑓𝑜𝑏𝑗(2) + 1)
= 1/ (332059 + 1)
= 3.01 x 10-6
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (3) = 1/(𝑓𝑜𝑏𝑗(3) + 1)
= 1/( 10019 +1)
= 9.98 x 10-5
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (4) = 1/(𝑓𝑜𝑏𝑗(4) + 1)
= 1.21 x 10-6
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 (5) = 1/(𝑓𝑜𝑏𝑗(5) + 1)
= 1.77 x 10-6

19
}
tot_fit = temp;
listBox1.Items.Add("Total Fitness : " + tot_fit);
max = fitness[0];
for (i = 1; i <= pop - 1; i++)
{
max = Math.Max(max, fitness[i]);
if (max == fitness[i])
{
winner = i;
}
}
listBox1.Items.Add("Max : " + max);
listBox1.Items.Add("Number Chromosome : " + winner);
for (i = 0; i <= pop - 1; i++)
{
prob[i] = fitness[i] / tot_fit;
listBox1.Items.Add("Probability [" + i + "]: " + prob[i]);
}

for (i = 0; i <= pop - 1; i++)

{
temp = 0;
int k = 0;
for (k = 0; k <= i; k++)
{
com_prob[i] = temp + prob[k];
temp = com_prob[i];
}
listBox1.Items.Add("Roulete [" + i + "]: " + com_prob[i]);
}

for (i = 0; i <= pop - 1; i++)

{
roulwheel[i] = rnd.NextDouble();
listBox1.Items.Add("Roulete Wheel [" + i + "]: " +
roulwheel[i]);
}
for (i = 0; i <= pop - 1; i++)
{
if (roulwheel[i] < com_prob[0])
{
numb_chro[i] = 0;
}
else
{
int k;
for (k = 0; k <= pop - 1; k++)
{
if ((roulwheel[i] > com_prob[k]) & (roulwheel[i] <
com_prob[k + 1]))
{
numb_chro[i] = k + 1;
}
}
}

}
for (i = 0; i <= pop - 1; i++)
{

20
 for (j = 0; j <= gen - 1; j++)
{
new_chrom[i, j] = chromosome[numb_chro[i], j];
}
listBox2.Items.Add("New Individu [" + i + "]: " +
(new_chrom[i, 0]) + " , " + (new_chrom[i, 1]) + " , " + (new_chrom[i, 2]) +
" , " + (new_chrom[i, 3]));
}

Dari coding diatas dapat dimengerti bahwa setelah mencari hasil

fitness selanjutnya adalah mencari nilai total fitness , probability,
cumulative probability , lalu menggunakan roulette wheel untuk menyeleksi
chromosome.
Untuk mencari hasil dari total fitness ukup mudah , yaitu dengan
menjumlahkan seluruh hasil fitness dengan persamaan sebagai berikut.
∆𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 𝑓(0) + 𝑓(1) + ⋯ + 𝑓(𝑛)…………………………………(5)
Dengan menggunakan persamaan diatas dapat ditemukan bahawa
nilai total_fitness pada program ini adalah 0.0001247. Kemudian, untuk
mencari probability dapat digunakan persamaan sebagai berikut.
𝑓𝑖𝑡𝑛𝑒𝑠𝑠(𝑖)
𝑃(𝑖) = ………………………………………………………..(6)
∆𝑓𝑖𝑡𝑛𝑒𝑠𝑠

Program ini mapu mengerjakan persamaan tersebut dikarenakan coding

yang ada pada program tersebut.
{
prob[i] = fitness[i] / tot_fit;
listBox1.Items.Add("Probability [" + i + "]: " + prob[i]);
}

Berikut adalah pengujian 2 sample menggunakan persamaan diatas

secara manual untuk menguji ketepatan perhitungan program.
P(0) = fitness (0) / ∆fitness
= 5.10 x 10-6 / 0.0001247

= 0.040

P(3) = fitness (3) / ∆fitness

= 9.98 x 10-5 / 0.0001247

= 0.800

21
 Bila dilihat dari data yang ada pada program dapat dopastikan nilai
yang dicari secara manual dan program adalah sama.

Gambar 3.4 Hasil dari Pencarian data Probability.

Dari data diatas dapat dilihat bahwa chromosome ke 3 memiliki

data fitness terbesar maka chromosome ini memiliki probabilitas untuk
terpili pada generasi selanjutnya akan lebih besar bila dibandingkan
dengan generasi yang lainya. Untuk menggunakan seleksi roulette wheel
terlebih dahulu kita mencari cumulative probability dari chromosome
diatas terlebih dahulu menggunakan persamaan sama seperti coding
berikut.
{
com_prob[i] = temp + prob[k];
temp = com_prob[i];
}

C(0) = 0.040

C(1) = 0.040 + 0.110 = 0.15

C(2) = 0.040 + 0.110 + 0.024 =0.0176

C(3) = 0.040 + 0.110 + 0.024 + 0.800 = 0.976

C(4) = 0.040 + 0.110 + 0.024 + 0.800 = 0.985

C(5) = 0.040 + 0.110 + 0.024 + 0.800 + 0.015 = 1

Setelah dihitung cumulative probabilitasnya maka proses seleksi

menggunakan roulete-wheel dapat dilakukan. Prosesnya adalah dengan
membangkitkan bilangan acak R dalam range 0-1. Jika R[k] < C[1] maka
pilih chromosome 1 sebagai induk, selain itu pilih chromosome ke-k sebagai
induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete wheel sebanyak
jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan pada tiap
putaran, kita pilih satu chromosome untuk populasi baru.

22
 Dengan menggunakan program ini , hasil yang kita peroloeh adalah
sebagai berikut.

Gambar 3.5 Hasil dari seleksi dengan metode roulette wheel.

4. CROSSOVER
Setelah proses seleksi maka proses selanjutnya adalah proses
crossover. Metode yang digunakan salah satunya adalah one-cut point, yaitu
memilih secara acak satu posisi dalam chromosome induk kemudian saling
menukar gen. Chromosome yang dijadikan induk dipilih secara acak dan
jumlah chromosome yang mengalami crossover dipengaruhi oleh
parameter crossover_rate
Berikut adalah coding yang digunakan dalam proses Crossover.
private void crossover()
{
listBox2.Items.Add("----Crossover----");
Random rnd = new Random();
int k = 0;
int j = 0;
int i;
double pc = 0.5;
int count = 0;
int[] off_num = new int[6];
int[] cross = new int[6];
for (i = 0; i <= pop - 1; i++)
{
RR[i] = rnd.NextDouble();
}
for (i = 0; i <= pop - 1; i++)
{
if (RR[i] < pc)
{
for (k = 0; k <= gen - 1; k++)
{

23
 parent[i, k] = new_chrom[i, k];
}
off_num[count] = i;
count++;
}
listBox2.Items.Add("Parent [" + i + "]: " + (parent[i, 0])
+ " , " + (parent[i, 1]) + " , " + (parent[i, 2]) + " , " + (parent[i,
3]));
}
for (i = 0; i <= count - 1; i++)
{
listBox2.Items.Add("off spring number [" + i + "] : " +
off_num[i]);
}
for (i = 0; i <= count - 1; i++)
{
for (k = 0; k <= gen - 1; k++)
{
mutation[i, k] = parent[off_num[i], k];
}
listBox2.Items.Add("mutation [" + i + "] : " + mutation[i,
0] + " ; " + mutation[i, 1] + " ; " + mutation[i, 2] + " ; " + mutation[i,
3]);
}
for (i = 0; i <= count - 1; i++)
{
cross[i] = Convert.ToInt32(rnd.Next(0, count));
}
for (i = 0; i <= count - 1; i++)
{
for (k = 0; k <= gen - 1; k++)
{
if (k == 0)
{
child[i, k] = mutation[i, k];
}
else
{
child[i, k] = mutation[cross[i], k];
child[i, k] = mutation[cross[i], k];
child[i, k] = mutation[cross[i], k];
}
}
listBox2.Items.Add("child [" + i + "] : " + child[i, 0] + "
; " + child[i, 1] + " ; " + child[i, 2] + " ; " + child[i, 3]);
}

for (i = 0; i <= pop - 1; i++)

{
if (i == off_num[j])
{
for (k = 0; k <= gen - 1; k++)
{
chromosome[i, k] = child[j, k];
}
j++;
}
else
{
for (k = 0; k <= gen - 1; k++)

24
 {
chromosome[i, k] = new_chrom[j, k];
}
}
listBox2.Items.Add("Chromosome [" + i + "] : " +
chromosome[i, 0] + " , " + chromosome[i, 1] + " , " + chromosome[i, 2] + "
, " + chromosome[i, 3]);
}

}
Karena Crossover_rate (pc) pada program adalah 0.5. maka, dari
data diatas yang akan kita jadikan induk adalah R(4) dan R(5).

Gambar 3.6 Hasil Induk untuk crossover.

Posisi dalam penyilangan ini adalah dengan menyilangkan kedua

induk chromosome tadi , yaitu :

chromosome[4] >< chromosome[5]

chromosome[5] >< chromosome[4]

setelah penyilangan , hasil yang didapatkan adalah akan menjadi

generasi yang baru.

Gambar 3.7 generasi yang baru dan akan di mutasikan.

25
5. MUTASI
Jumlah chromosome 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. Prosesnya adalah sebagai berikut. Pertama kita
hitung dahulu panjang total gen yang ada dalam satu populasi. Dalam kasus
ini panjang total gen adalah

total_gen = (jumlah gen dalam chromosome) * jumlah populasi

=4*6

= 24

Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan

cara membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu
1 sampai 24. Jika bilangan acak yang kita bangkitkan lebih kecil daripada
variabel mutation_rate (ρm) maka pilih posisi tersebut sebagai sub-
chromosome yang mengalami mutasi. Misal ρm kita tentukan 10% maka
diharapkan ada 10% dari total_gen yang mengalami populasi:

jumlah mutasi = 0.1 * 24

= 2.4

=2

Dalam program ini yang mengalami mutasi adalah chromosome ke

1, 4 dan 5.

26
 Gambar 3.8 Hasil akhir dari mutasi.

Dapat dilihat bahwa hasil dari fungsi_objektif tersebut tidak sesuai

dengan target. Untuk mendapatkan target agar lebih mudah, kita dapat
menggunakan Button auto.
private void timer1_Tick_1(object sender, EventArgs e)
{
if ((epoch == generation) || (val == target))
{
timer1.Enabled = false;
}
else
{
listBox1.Items.Clear();
listBox2.Items.Clear();
evaluasi_chromosome();
Seleksi();
crossover();
mutasi();
}
chart1.Series[0].Points.AddXY(epoch, target);
chart1.Series[1].Points.AddXY(epoch, val);
epoch++;
}

Dan bila target sudah didapatkan maka pencarian akan berheti

secara otomatis erta akan menunjukan pada generasi keberapa target
tersebut didapatkan.

27
 Gambar 3.9 Hasi pencarian auto namun tidak sesuai target.

Dalam pencarian diatas terjadi error dalam pencarian yaitu 7 x 10-5 % dari
target yang diinginkan.

Gambar 3.10 Hasil pencarian auto dan mendapatkan target.

Pencarian pada gambar 3.10 mencapaitarget yang diinginkan pada

generasi ke 2532.

28
 Bab IV
Kesimpulan

1. Interface program Yang diberikan cukup membantu karena button yang

ingin diaktifkan akan aktif setelah button sebelumnya di jalankan.
2. Pengujian yang dilakukan sebanyak 5 kali mendapatkan hasil 2/5 berhasil
dengan tingkat keberhasilan 40%
3. Nilai gen dalam chromosome memiliki nilai min dan max rang yang
memiliki pengaruh dalam timer untuk mencari hasil yang menjadi target.
Dengan nilai yang kecil akan memakan waktu yang cukup lama
dibandingkan dengan nilai yang besar.
4. Fungsi objective dilakukan untuk mendapatkan nilai target yang diinginkan
yaitu dengan persamaan |A2 + B2 + (C2 + D) – NPM| = 0
5. Dalam program yang digunakan, chart yang muncul merupakan noise yang
menyebabkan hasil sulit mencapai target.
6. Algoritma genetik merupakan proses pencarian yang heuristik dan acak
sehingga penekanan pemilihan operator yang digunakan sangat menentukan
keberhasilan algoritma genetik dalam menemukan solusi optimum suatu
masalah yang diberikan.

29
Daftar Pustaka.
 Suyanto (2014) Artificial Intelligent : Informatika Bandung
 Firman (2007). Algoritma serta Aplikasinya. [online] “http://www.firman-
its.com/2007/05/17/algoritma-genetika-dan-contoh-aplikasinya/”

30