MAKALAH

ALGORITMA GENETIKA

Untuk memenuhi tugas mata kuliah Kecerdasan Buatan

Dosen Pengampu : Upik Ari Erlita, S.T., M.Pd

Oleh :
Kelompok 1
Lilis Muliani (ETE10190097)
Riza Zulfa Mulyawan (ETE10190116)
Wirda Hayati (ETE10190122)

PROGRAM STUDI D-III TEKNIK ELEKTROMEDIK

POLITEKNIK UNGGULAN KALIMANTAN

BANJARMASIN
2021
 KATA PENGANTAR

Dengan menyebut nama Allah Subhanahu Wa Ta’ala Yang Maha Pengasih

Lagi Maha Penyayang, syukur Alhamdulillah atas segala limpahan karunia Allah
Subhanahu Wa Ta’ala berkat Ridho-Nya penulis mampu menyelesaikan
penyusunan makalah Kecerdasan Buatan dengan judul “Algoritma Genetika” tepat
pada waktunya. Tidak lupa juga penulis haturkan shalawat serta salam kepada
junjungan Nabi Muhammad Shallallahu ‘alaihi Wa Sallam, beserta keluarganya,
para sahabatnya dan semua umatnya yang selalu istiqomah sampai akhir zaman.
Penyusunan makalah ini sudah penulis lakukan semaksimal mungkin dengan
dukungan dari banyak pihak, sehingga bisa memudahkan dalam penyusunannya.
Untuk itu penulis pun tidak lupa mengucapkan terima kasih kepada berbagai pihak
yang telah membantu penulis dalam rangka menyelesaikan makalah ini.
Tetapi tidak lepas dari semua itu, penulis sadar sepenuhnya bahwa dalam
makalah ini masih terdapat banyak kekurangan baik dari segi penyusunan bahasa
serta aspek-aspek lainnya. Maka dari itu, dengan lapang dada penulis membuka
seluas-luasnya pintu bagi para pembaca yang ingin memberikan kritik ataupun
sarannya demi penyempurnaan makalah ini.
Akhir kata, penulis sangat berharap semoga dari makalah yang sederhana ini
bisa bermanfaat dan juga besar keinginan penulis bisa menginspirasi para pembaca
untuk mengangkat berbagai masalah lainnya yang masih berhubungan pada
makalah-makalah berikutnya.

Banjarmasin, 04 November 2021

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ i

DAFTAR ISI .......................................................................................................... ii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Rumusan Masalah .................................................................................. 2
1.3 Tujuan Penulisan .................................................................................... 2
1.4 Manfaat Penulisan .................................................................................. 3
1.5 Metodologi Penulisan.............................................................................. 3
BAB II LANDASAN TEORI ............................................................................... 4
2.1 Sejarah Algoritma Genetika .................................................................. 4
2.2 Aplikasi Algoritma Genetika ................................................................. 4
BAB III PEMBAHASAN ..................................................................................... 7
3.1 Pengertian Algoritma Genetika ............................................................. 7
3.2 Struktur Umum Algoritma Genetika ................................................... 7
3.3.1 Teknik Pengkodean .............................................................................. 8
3.3.2 Prosedur Inisialisasi.............................................................................. 8
3.3.3 Evaluasi Nilai Fitness (Fitness Value) ................................................. 9
3.3.4 Seleksi .................................................................................................. 9
3.3.5 Pindah Silang (Crossover) ................................................................. 11
3.3.6 Mutasi (Mutation) .............................................................................. 11
3.3.7 Elitism................................................................................................. 12
3.3.8 Pembentukan Populasi Baru .............................................................. 12
3.4 Langkah Optimasi dalam Algoritma Genetika .................................. 13
3.5 Hal-hal yang Harus Dilakukan dalam Algoritma Genetika ............. 13
3.6 Hal-hal yang Harus Diperhatikan dalam Pemakaian Algoritma
Genetika ................................................................................................. 14
3.7 Contoh Pemakaian Algoritma Genetika ............................................. 14
BAB IV PENUTUP ............................................................................................. 16
4.1 Kesimpulan ............................................................................................ 16
4.2 Saran ...................................................................................................... 16
DAFTAR PUSTAKA .......................................................................................... 17

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Kehidupan merupakan suatu kesatuan dari kejadian-kejadian yang dinamis
seperti suatu masalah ataupun solusi atas kemungkinan-kemungkinan masalah
yang akan terjadi. Dinamisnya kehidupan menuntut siapa saja yang berada di
dalamnya untuk menjadi lebih kebal terhadap keadaan buruk suatu kejadian.
Pemilihan tindakan sudah sebagaimana mestinya haruslah memenuhi kriteria
sebuah solusi sehingga pemecahan masalah benar-benar didapatkan pada
akhirnya.
Seperti proses evolusi yang mutlak terjadi sebagai bentuk representasi
kehidupan yang mengharuskan siapapun menjadi lebih kebal secara genetika
sehingga dapat melewatkan proses seleksi alam yang terjadi. Dimana yang
lebih kuatlah yang mampu bertahan, sehingga yang kuat itulah yang
merupakan suatu kualitas solusi optimal dari sebuah masalah. Terinspirasi dari
kehidupan dan seleksi alam yang terjadi di dalamnya, algoritma genetika
kemudian dikembangkan sebagai bentuk algoritma khusus yang digunakan
dalam mencari solusi optimal terhadap masalah yang diangkat dengan teknis
yang disesuaikan dengan proses evolusi.
Dasar dari algoritma genetika ialah teori evolusi Darwin, yang
menjelaskan prinsip dasar terciptanya banyak spesies makhluk hidup yang ada
di dunia sekarang ini. Makhluk hidup yang dapat beradaptasi dengan lebih baik
terhadap lingkungannya akan mempunyai kesempatan yang lebih besar untuk
bertahan hidup dan bereproduksi sehingga mempengaruhi jumlah populasi
spesies yang bersangkutan di waktu-waktu selanjutnya. Individu-individu
tersebut dapat dikatakan berhasil menempatkan diri pada lingkungannya lebih
baik dari yang lainnya.
Dalam perkembangannya metode ini banyak dipakai dalam berbagai
disiplin ilmu, misalnya untuk menyelesaikan kasus-kasus yang mempunyai
banyak solusi, di mana tidak ada kepastian solusi mana yang terbaik sehingga

1
 dalam penyelesaian masalah tersebut akan membutuhkan waktu yang sangat
lama. Setiap solusi pada algoritma genetika diwakili oleh suatu individu atau
satu kromosom. Keuntungan dari algoritma genetika ialah sifat metode search-
nya yang lebih optimal, tanpa terlalu memperbesar ruang pencarian dan tanpa
kehilangan completeness. Sudah banyak permasalahan optimasi yang telah
diselesaikan dengan menggunakan algoritma genetika, dan hasil yang
diperoleh biasanya lebih baik dari metode sebelumnya, walaupun tidak
menutup kemungkinan bahwa ada juga hasil akhir yang kurang begitu
memuaskan.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat diketahui beberapa
permasalahan yang dapat dikaji lebih lanjut sebagai berikut :
a. Bagaimana sejarah algoritma genetika?
b. Apa pengertian algoritma genetika?
c. Apa saja aplikasi algoritma genetika?
d. Apa saja hal yang harus dilakukan dalam algoritma genetika?
e. Apa saja hal yang harus diperhatikan dalam pemakaian algoritma genetika?
f. Bagaimana contoh pemakaian algoritma genetika?

1.3 Tujuan Penulisan

Adapun tujuan dari pembuatan makalah ini antara lain :
a. Pembaca dapat mengetahui tentang sejarah algoritma genetika.
b. Pembaca dapat mengetahui tentang pengertian algoritma genetika.
c. Pembaca dapat mengetahui tentang aplikasi algoritma genetika.
d. Pembaca dapat mengetahui tentang hal-hal yang harus dilakukan dalam
algoritma genetika.
e. Pembaca dapat mengetahui tentang hal-hal yang harus diperhatikan dalam
pemakaian algoritma genetika.
f. Pembaca dapat mengetahui tentang contoh pemakaian algoritma genetika.

2
1.4 Manfaat Penulisan
Manfaat penulisan makalah ini ialah agar dapat memberikan kontribusi
dalam menambah wawasan, pengetahuan, dan pemahaman mengenai
algoritma genetika. Selain itu, juga dapat memberikan gambaran umum
tentang struktur serta tahapan-tahapan penyelesaian masalah menggunakan
algoritma genetika.

1.5 Metodologi Penulisan

Penyusunan makalah algoritma genetika ini dilakukan dengan metode
analisis literatur mengenai materi algoritma genetika yang didapatkan dari
internet dan buku teks.

3
 BAB II

LANDASAN TEORI

2.1 Sejarah Algoritma Genetika

Algoritma genetika pertama kali ditemukan oleh Jhon Holland dari
Universitas Michigan pada awal 1970-an di New York, Amerika Serikat. Jhon
Holland bersama murid-muridnya serta rekan kerjanya lalu menghasilkan buku
yang berjudul “Adaption in Natural and Artificial Systems” pada tahun 1975,
yang cara kerjanya berdasarkan pada seleksi dan genetika alam. Konsep yang
digunakan dalam algoritma genetika ialah mengikuti apa yang dilakukan oleh
alam.
Algoritma genetika khususnya diterapkan sebagai simulasi komputer
dimana sebuah populasi representasi abstrak (kromosom) dari solusi-solusi
calon (individual) pada sebuah masalah optimisasi akan berkembang menjadi
solusi-solusi yang lebih baik. Secara tradisional solusi-solusi tersebut
dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan
juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari
sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-
generasi. Dalam tiap generasi kemampuan keseluruhan populasi dievaluasi,
kemudian multiple individuals dipilih dari populasi sekarang (current) secara
stochastic (berdasarkan kemampuan mereka) lalu dimodifikasi (dengan mutasi
atau rekombinasi) menjadi bentuk populasi baru yang menjadi populasi
sekarang (current) pada iterasi berikutnya dari algoritma.

2.2 Aplikasi Algoritma Genetika

Sejak pertama kali dirintis oleh John Holland, Algoritma genetika telah
dipelajari, diteliti dan diaplikasikan secara luas pada berbagai bidang.
Algoritma Genetika banyak digunakan pada masalah praktis yang berfokus
pada pencarian parameter-parameter yang optimal. Hal ini membuat banyak
orang mengira bahwa algoritma genetika hanya digunakan untuk
menyelesaikan masalah optimasi saja. Namun demikian, pada kenyataanya

4
 algoritma genetika juga memiliki perfomansi yang bagus untuk masalah-
masalah selain optimasi.
Keuntungan penggunaan algoritma genetika sangat jelas terlihat dari
kemudahan implementasi dan kemampuannya untuk menemukan solusi yang
bagus dan bisa diterima secara cepat untuk masalah-masalah berdimensi tinggi.
Algoritma Genetika sangat berguna dan efisien untuk masalah dengan
karakteristik sebagai berikut (Suyanto, 2005) :
a. Ruang masalah sangat besar, kompleks, dan sulit dipahami.
b. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk
merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit.
c. Tidak tersedianya analisis matematika yang memadai.
d. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan
masalah yang dihadapi.
e. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup “bagus” atau
bisa diterima.
f. Terdapat batasan waktu, misalnya dalam real time system atau sistem waktu
nyata.
Algoritma Genetika juga telah banyak diaplikasikan untuk berbagai
macam permasalahan, antara lain (Suyanto, 2005) :
a. Optimasi
Algoritma genetika untuk optimasi antara lain untuk optimasi numerik dan
optimasi kombinatorial seperti Traveling Salesmen Problem (TSP),
Perancangan Integrated Circuit atau IC, Job Scheduling, Optimasi video dan
suara.
b. 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.
c. Machine Learning
Algoritma genetika telah berhasil diaplikasikan untuk memprediksi
struktur protein. Algoritma Genetika juga berhasil diaplikasikan dalam

5
 perancangan neural networks (jaringan syaraf tiruan) untuk melakukan proses
evolusi terhadap aturan-aturan pada learning classifier system atau symbolic
production system. Algoritma genetika juga dapat digunakan untuk
mengkontrol robot.
d. Model Ekonomi
Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan
proses-proses inovasi dan pembangunan bidding strategies.
e. 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.
f. Model Ekologis
Algoritma genetika juga dapat digunakan untuk memodelkan fenomena
ekologis seperti host-parasite co evolutions, simbiosis dan aliran sumber di
dalam ekologi.

6
 BAB III

PEMBAHASAN

3.1 Pengertian Algoritma Genetika

Algoritma genetika adalah suatu teknik pencarian (searching technique)
dan teknik optimasi yang cara kerjanya meniru proses evolusi dan perubahan
struktur genetik pada makhluk hidup. Prinsip utama dari cara kerja algoritma
genetika ini diilhami oleh proses seleksi alam dan prinsip-prinsip ilmu
genetika. Dalam seleksi alam, individu-individu bersaing untuk
mempertahankan hidup dan melakukan reproduksi. Individu-individu yang
lebih fit akan mempunyai peluang untuk terus bertahan hidup (survive) dan
melakukan reproduksi (menghasilkan keturunan). Sebaliknya, individu-
individu yang kurang fit akan mati dan punah. Prinsip ini sering dinamakan
juga survival of the fittest.
Selanjutnya, dalam proses seleksi alam ini beberapa individu baru yang
lebih fit dari kedua orang-tuanya akan dilahirkan melalui proses yang disebut
penyilangan (crossover) dan mutasi. Kedua proses ini terjadi pada kromosom–
kromosom individu yang melakukan reproduksi (penyilangan dan mutasi) ini
berlangsung berulang-kali, sampai individu yang paling fit dihasilkan. Individu
yang paling fit inilah yang merupakan solusi dari masalah yang dihadapi. Ada
4 kondisi yang sangat mempengaruhi proses evolusi, yaitu :
a. Kemampuan organisme untuk melakukan reproduksi.
b. Keberadaan populasi organisme yang bias melakukan reproduksi.
c. Keberagaman organisme dalam suatu populasi.
d. Perbedaan kemampuan untuk survive.

3.2 Struktur Umum Algoritma Genetika

Adapun struktur umum dari algoritma genetika ialah sebagai berikut :
a. Populasi, istilah pada teknik pencarian yang dilakukan sekaligus atas sejumlah
kemungkinan solusi.

7
 b. Kromosom, individu yang terdapat dalam satu populasi dan merupakan suatu
solusi yang masih berbentuk simbol.
c. Generasi, populasi awal dibangun secara acak sedangkan populasi selanjutnya
merupakan hasil evolusi kromosom-kromosom melalui iterasi.
d. Fungsi fitness, alat ukur yang digunakan untuk proses evaluasi kromosom.
Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom
dalam populasi tersebut.
e. Generasi berikutnya dikenal dengan anak (offspring) yang terbentuk dari
gabungan dua kromosom generasi sekarang yang bertindak sebagai induk
(parent) dengan menggunakan operator penyilang (crossover).
f. Mutasi, operator untuk memodifikasi kromosom.

3.3 Komponen Utama Algoritma Genetika

Terdapat beberapa komponen utama dalam algoritma genetika, komponen
tersebut ialah sebagai berikut :
3.3.1 Teknik Pengkodean
Teknik pengkodean adalah suatu cara bagaimana mengkodekan gen
dari kromosom, dimana gen merupakan salah satu bagian dari kromosom.
Satu gen akan mewakili satu variabel. Agar dapat diproses melalui algoritma
genetika, maka alternatif solusi tersebut harus dikodekan terlebih dahulu ke
dalam bentuk kromosom. Masing-masing kromosom berisi sejumlah gen
yang mengkodekan informasi yang disimpan dalam kromosom
(Kusumadewi, 2003: 280)
Gen dapat dipresentasikan dalam bentuk: string bit, pohon, array,
bilangan real, daftar aturan, elemen permutasi, elemen program atau
representasi lainnya yang dapat diimplementasikan untuk operator genetika.

3.3.2 Prosedur Inisialisasi

Ukuran populasi tergantung pada permasalahan yang akan dipecahkan
dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran
populasi telah ditentukan, kemudian harus dilakukan inisialisasi terhadap
kromosom yang terdapat pada populasi tersebut. Inisialisasi kromosom

8
 dapat dilakukan secara acak, namun demikian harus tetap memperhatikan
domain solusi dan kendala permasalahan yang ada.

3.3.3 Evaluasi Nilai Fitness (Fitness Value)

Evaluasi nilai fitness berfungsi untuk mengukur kualitas dari sebuah
solusi dan memungkinkan tiap solusi untuk dibandingkan (Michalewicz,
1996: 72). Di dalam evolusi alam, individu yang memiliki nilai fitness tinggi
akan bertahan hidup, dan individu yang memiliki nilai fitness rendah akan
mati (Goldberg, 1989: 72). Pada masalah optimasi dengan kendala kapasitas
1
dan waktu, fungsi fitness yang digunakan ialah 𝑓 = ℎ.

Dengan nilai ℎ merupakan nilai dari total waktu pendistribusian

dijumlahkan dengan waktu pinalti. Waktu pinalti yaitu waktu pelayanan
yang melebihi jangka waktu yang tersedia. Semakin kecil nilai ℎ, maka akan
semakin besar nilai fitnessnya. Tetapi jika ℎ bernilai 0, maka akan
mengakibatkan nilai fitnessnya tak terhingga. Untuk mengatasi hal tersebut,
maka nilai ℎ perlu ditambahkan dengan bilangan yang sangat kecil sehingga
1
fungsi fitnessnya menjadi 𝑓 = . Dengan 𝑎 adalah bilangan yang
(ℎ+𝑎)

dianggap sangat kecil (konstanta) dan bervariasi sesuai dengan masalah

yang akan diselesaikan (Suyanto, 2005: 10).

3.3.4 Seleksi
Seleksi yang digunakan dalam algoritma genetika merupakan adopsi
dari seleksi alam yang diteliti oleh Darwin. Seleksi dalam algoritma
genetika bertujuan untuk menentukan individu-individu mana saja yang
akan dipilih untuk dilakukan rekombinasi dan bagaimana keturunan
(offspring) terbentuk dari individu-individu terpilih. (Kusumadewi, 2003:
87)
Proses seleksi dapat dilakukan secara proporsional berdasaran nilai-
nilai fitness yang dihasilkan. Dalam algoritma genetika, seleksi yang
menggunakan prinsip survival of the fittest (bertahan karena merupakan
yang terkuat) paling sering digunakan. Prinsip ini bertujuan supaya kualitas
kebugaran (fitness) individu-individu pada setiap generasi dapat bertambah.

9
 Misalnya terdapat individu A yang lebih kuat atau nilai fitnessnya lebih
besar daripada individu B, maka individu A berpeluang lebih besar untuk
terpilih sebagai calon orang tua.
Menurut Kusumadewi (2003: 282), terdapat beberapa metode seleksi
yaitu seleksi rangking (rank-based fitness assignment), seleksi roulette
wheel (roulette wheel selection), stochastic universal sampling, seleksi lokal
(local selection), seleksi dengan pemotongan (truncation selection), dan
seleksi dengan turnamen (tournament selection). Pada penelitian ini, akan
digunakan beberapa variasi seleksi yang sering digunakan untuk
menyelesaikan masalah pendistribusian raskin di Kota Yogyakarta sehingga
dapat diketahui metode seleksi mana yang akan memberikan solusi yang
optimum. Seleksi yang akan digunakan adalah : roulette wheel selection,
dan seleksi turnamen.
a. Roulette Wheel Selection
Pada roulette wheel selection, setiap kromosom dalam suatu populasi
memiliki tempat yang sesuai dengan proporsinya terhadap total nilai fitness.
Kromosom-kromosom dipetakan kedalam suatu segmen secara berurutan,
hingga tiap-tiap segmen kromosom memiliki ukuran yang sesuai dengan
nilai fitness. Langkah pertama dari seleksi ini ialah menghitung nilai fitness
masing-masing kromosom. Setelah itu, dihitung proporsi masing-masing
kromosom berdasarkan perbandingan probabilitas antara nilai fitness setiap
kromosom dengan total nilai fitness. Langkah selanjutnya ialah
membangkitkan bilangan real secara random antara 0 dan 1 untuk
menentukan kromosom yang bertahan hidup dan menjadi induk.
b. Seleksi Turnamen
Seleksi turnamen merupakan salah satu metode seleksi yang paling
popular dalam algoritma genetika karena efisiensi dan implementasi yang
sederhana. Seleksi ini merupakan jenis seleksi yang divariasi berdasarkan
roulette wheel selection dan seleksi rangking. Dalam seleksi turnamen, n
individu dipilih secara acak. Banyaknya perbandingan dalam turnamen
terhadap individu biasanya disebut dengan tournament size. Satu individu

10
 akan bersaing dengan individu lain untuk menentukan nilai fitness tertinggi
yang nantinya akan menjadi pemenang dan individu sebagai pemenang akan
terpilih dalam populasi generasi berikutnya. Seleksi turnamen juga
memberikan kesempatan pada semua individu terpilih untuk
mempertahankan keragamannya. Pemilihan turnamen memiliki beberapa
keunggulan yang meliputi efisien kompleksitas waktu, terutama jika
dilaksanakan secara paralel dan tidak ada persyaratan untuk skala nilai
fitness.

3.3.5 Pindah Silang (Crossover)

Crossover adalah operator dalam algoritma genetika yang melibatkan
dua induk untuk membentuk kromosom baru. Crossover menghasilkan
keturunan baru dalam ruang pencarian yang siap diuji. Operasi ini tidak
selalu dilakukan pada setiap individu yang ada. Individu dipilih secara acak
untuk dilakukan crossing dengan PC (Probability Crossover) antara 0,6
sampai dengan 0,95. Jika pindah silang tidak dilakukan, maka nilai dari
induk akan diturunkan pada keturunan (Michalewicz, 1996: 78).
Penyilangan merupakan operator dalam algoritma genetika yang bertujuan
untuk melahirkan kromosom baru yang mewarisi sifat-sifat induknya
sebagaimana proses reproduksi yang terjadi dalam kehidupan alam. Dengan
adanya operator ini proses pencarian yang dilakukan oleh algoritma
genetika akan bergerak menuju titik-titik pencarian yang berbeda (Zainudin,
2014: 43).
Prinsip dari pindah silang ini adalah melakukan operasi pertukaran pada
gen yang bersesuaian dari induk untuk menghasilkan individu baru. Proses
crossover dilakukan pada setiap individu dengan nilai probailitas crossover
yang telah ditentukan.

3.3.6 Mutasi (Mutation)

Mutasi merupakan operator dalam algoritma genetika yang bertujuan
untuk mengubah gen-gen tertentu dari sebuah kromosom. Proses ini
dimodelkan sebagaimana yang terjadi dalam kehidupan alam. Probabilitas

11
 mutasi dari suatu gen biasanya dipilih sangat kecil, persis seperti kejadian
sebenarnya dalam kehidupan alamiah yang memungkinkan terjadinya
mutasi genetis tetapi dalam persentase yang sangat kecil (Zainudin, 2014:
46).
Operasi mutasi yang dilakukan pada kromosom dengan tujuan untuk
memperoleh kromosom-kromosom baru sebagai kandidat solusi pada
generasi mendatang dengan fitness yang lebih baik, dan lama-kelamaan
menuju solusi optimum yang diinginkan. Penekanan selektif memegang
peranan penting. Jika dalam proses pemilihan kromosom-kromosom
cenderung terus pada kromosom yang memiliki fitness yang tinggi saja,
konvergensi akan sangat mudah terjadi (Murniati, 2009: 24).

3.3.7 Elitism
Elitism adalah proses untuk mempertahankan supaya individu yang
mempunyai nilai fitness terbesar tetap ada selama proses evolusi
(Kusumadewi, 2003: 112). Pemilihan individu yang akan diseleksi akan
dilakukan secara random sehingga individu dengan nilai fitness tertinggi
tidak selalu terpilih. Jika individu bernilai fitness tertinggi terpilih, ada
kemungkinan individu tersebut akan rusak (nilai fitness menurun) karena
proses pindah silang.
Komponen-komponen di atas akan mengevaluasi setiap populasi
dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya
sampai terpenuhi kriteria berhenti. Proses optimasi yang dilakukan dengan
algoritma genetika akan berhenti setelah suatu syarat berhenti terpenuhi.
Beberapa syarat berhenti yang biasa digunakan adalah batas nilai fungsi
fitness, batas nilai fungsi objektif, batas waktu komputasi, banyak generasi
dan terjadinya konvergensi (Zainudin, 2014: 48).

3.3.8 Pembentukan Populasi Baru

Proses membangkitkan populasi baru bertujuan untuk membentuk
populasi baru yang berbeda dengan populasi awal. Pembentukkan populasi
baru ini didasarkan pada keturunan-keturunan baru hasil mutasi ditambah

12
 dengan individu terbaik setelah dipertahankan dengan proses elitism.
Setelah populasi baru terbentuk, kemudian mengulangi langkah-langkah
evaluasi nilai fitness, proses seleksi, proses pindah silang, proses mutasi
pada populasi baru untuk membentuk populasi baru selanjutnya.

3.4 Langkah Optimasi dalam Algoritma Genetika

Menurut Hannawati (2002: 80), ada 5 langkah yang harus dilakukan untuk
menyelesaikan masalah optimasi menggunakan algoritma genetika, yaitu :
a. Memilih dua individu sebagai orang tua (parents) yang kemudian dilakukan
perkawinan silang (crossover) untuk menghasilkan individu baru sebagai anak
(offspring).
b. Memilih satu individu sebagai orang tua (parents) yang kemudian akan
dilakukan perubahan gen meliputi operator mutasi (mutation) pada tingkat
tertentu.
c. Menerapkan skema pergantian untuk menghasilkan populasi baru.
d. Melakukan iterasi dengan cara mengulang seluruh proses evolusi hingga
berhenti pada kondisi tertentu. Kondisi berhenti dapat ditentukan dari jumlah
iterasi yang diinginkan, berdasarkan waktu tertentu atau ketika didapatkan
variasi individu terbaik yang memiliki nilai terbesar dalam suatu populasi.
e. Seleksi nilai fitness terbesar yang dihasilkan dari iterasi didapatkan dari
populasi baru yang memiliki individu-individu yang lebih baik dari individu
lama sebelumnya.

3.5 Hal-hal yang Harus Dilakukan dalam Algoritma Genetika

Beberapa hal yang harus dilakukan dalam algoritma genetika ialah sebagai
berikut :
a. Mendefinisikan individu, dimana individu menyatakan salah satu solusi
(penyelesaian) yang mungkin dari permasalahan yang diangkat.
b. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah
individu atau baik-tidaknya solusi yang didapatkan.

13
 c. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan
dengan menggunakan pembangkitan acak seperti random-walk.
d. Menentukan proses seleksi yang akan digunakan.
e. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan
digunakan.

3.6 Hal-hal yang Harus Diperhatikan dalam Pemakaian Algoritma Genetika

Beberapa hal yang harus diperhatikan dalam algoritma genetika ialah
sebagai berikut :
a. Algoritma genetika adalah algoritma yang dikembangkan dari proses pencarian
solusi menggunakan pencarian acak, ini terlihat pada proses pembangkitan
populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak.
b. Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang
memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik,
sehingga dalam proses evolusi dapat diharapkan diproleh individu yang
terbaik.

3.7 Contoh Pemakaian Algoritma Genetika

Kita akan membahas sebuah contoh aplikasi algoritma genetika yang
digunakan untuk menyelesaikan masalah kombinasi. Misalkan ada persamaan:

a + 2b + 3c + 4d = 30

Kita mencari nilai a, b, c, dan d yang memenuhi persamaan di atas. Kita

mencoba menggunakan algoritma genetika untuk menyelesaikan permasalahan
di atas. Adapun langkah-langkah penyelesaian permasalahan dari persamaan
di atas menggunakan algoritma genetika ialah sebagai berikut :
a. Pembentukan Kromosom
b. Inisialisasi
c. Evaluasi Kromosom
d. Seleksi Kromosom
e. Crossover

14
f. Mutasi

15
 BAB IV

PENUTUP

4.1 Kesimpulan
Algoritma genetika pertama kali ditemukan oleh Jhon Holland dari
Universitas Michigan pada awal 1970-an di New York, Amerika Serikat. Jhon
Holland bersama murid-muridnya serta rekan kerjanya lalu menghasilkan buku
yang berjudul “Adaption in Natural and Artificial Systems” pada tahun 1975,
yang cara kerjanya berdasarkan pada seleksi dan genetika alam. Konsep yang
digunakan dalam algoritma genetika ialah mengikuti apa yang dilakukan oleh
alam.
Algoritma genetika adalah suatu teknik pencarian (searching technique)
dan teknik optimasi yang cara kerjanya meniru proses evolusi dan perubahan
struktur genetik pada makhluk hidup. Prinsip utama dari cara kerja algoritma
genetika ini diilhami oleh proses seleksi alam dan prinsip-prinsip ilmu
genetika. Dalam seleksi alam, individu-individu bersaing untuk
mempertahankan hidup dan melakukan reproduksi. Individu-individu yang
lebih fit akan mempunyai peluang untuk terus bertahan hidup (survive) dan
melakukan reproduksi (menghasilkan keturunan). Sebaliknya, individu-
individu yang kurang fit akan mati dan punah. Prinsip ini sering dinamakan
juga survival of the fittest.

4.2 Saran
Penulis menyarankan untuk pengembangan makalah selanjutnya agar
disertai contoh aplikasi algoritma genetika dalam bahasa pemrograman tertentu
untuk mempermudah simulasi serta juga menganalisis dan membandingkan
semua algoritma optimasi, bukan hanya algoritma genetika.

16
 DAFTAR PUSTAKA

Risky Firmansyah, Eka; dkk. 2012. “Algoritma Genetika”. Melalui dlscrib.com-

pdf-2-makalah-algoritma-genetika-
dl_01b5251724c2ae257e6fe55eba8facb6.pdf

17