MAKALAH

ALGORITMA GENETIK

Di Susun Oleh:
 KATA PENGATAR

Puji dan syukur senantiasa kita panjatkan kehadirat Allah SWT, shalawat serta salamsemoga
senantiasa dilimpahkan kepada Nabi Muhammad SAW, juga untuk para keluarga,sahabat dan
pengikutnya sampai akhir zaman. Karena atas rahmat-Nya, kami dapat menyelesaikan makalah ini yang
berjudul “Algoritma Genetika”.

Makalah ini disusun untuk memenuhi tugas mata kuliah “Kecerdasan Buatan”. Kami
mengucapkan terimakasih kepada Bapak Fajar Novriansyah Yasir, S.Kom., M.Kom. selaku dosen
pengampu, teman-teman dan semua pihak yang membantu dalam penyelesaian makalah ini.

Kami berharap makalah ini dapat menambah pengetahuan pembaca dan memberikan gambaran
mengenai materi terkait yaitu Algoritma Genetika. Sehingga pembaca dapat menggunakan makalah ini
sebagai literatur pendukung dalam pengembangan bidang ilmu selanjutnya yang terkait dengan
penggunaan algoritma genetika.

Kami menyadari bahwa makalah ini masih jauh dari kesempurnaan, maka kami mengharapkan
saran dan kritik yang membangun untuk perbaikan makalah ini.Besar harapan kami makalah ini dapat
berguna bagi siapapun yang menjadikan makalah ini sebagai bahan literatur mengenai materi terkait.

Palopo, 28 mei 2022

penyusun
 BAB I
PENDAHULUAN

1.1 Latar Belakang

            Algoritma genetika adalah salah satu metode metaheuristik yang digunakan untuk menyelesaikan
permasalahan optimasi. Algoritma genetika diciptakan pada tahun 1975oleh John Holland yang
mengemukakan komputasi berbasis evolusi dalam bukunya yang berjudul “Adaption in Natural and
Artificial Intelligence”. Tujuannya adalah untuk membuat mesin dapat melakukan apa yang alam
lakukan. Holland mengemukakan sebuah algoritma yang memfokuskan diri pada manipulasi stringdalam
bentuk binary bit yang diambil dari konsep abstrak dari evolusi alam. Tahapan algoritma genetika yang
dikemukakan dapat direpresentasikan sebagai tahapan berurutan sebagai bentuk populasi dari kromosom
buatan menjadi sebuah populasi baru (Negnevitsky, 2005).

Algoritma genetika merupakan suatu mekanisme yang dapat melakukan pencarian dengan meniru
sistem seleksi alam dan genetika alamiah. Pengaplikasian algoritma genetika biasanya menggambarkan
proses evolusi, dengan menghasilkan kromosom-kromosom dari tiap populasi secara acak dan
memungkinkan kromosom tersebut berkembang biak sesuai dengan hukum evolusi yang diharapkan akan
dapat menghasilkan suatu individu yang lebih baik lagi. Setelah didapat suatu individu yang baru
diharapkan individu tersebut dapat menjadi solusi yang baik dari permasalahan yang dibahas.

1.2 Rumusan Masalah

1. Apa pengertian algoritma genetik?

2. Bagaimana sejarah algoritma genetik?
3. Bagaimana tahapan proses algoritma genetik?
4. Apa kelebihan algoritma genetik?
5. Apa struktur umum algoritma genetik?
6. Komponen utama algoritma genetik?
7. Apa saja karakteristik algoritma genetik?

1.3 Tujuan Penulisan

            Tujuan penulisan makalah ini adalah untuk menjelaskan tentang algoritma genetik dari pengertian,
sejarah, tahapan proses, kelebihan ,struktur umum, komponen,, serta apa saja yang mejadi karakteristik
algoritma genetik.
 BAB II
PEMBAHASAN

2.1 Pengertian Algoritma Genetik

Algoritma Genetika adalah suatu algoritma pencarian yang bertujuan untuk mencari solusi dari
suatu masalah, baik dengan satu variable maupun multivariable. Metode ini meniru mekanisme dari
genetika alam yaitu untuk menemukan susunan-susunan gen yang terbaik dalam tubuh makhluk hidup.
Dasar Algoritma Genetika adalah 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.

2.2 Sejarah Algoritma Genetik

Algoritma Genetika pertama kali ditemukan oleh John Holland pada tahun 1960-an dan kemudian
dikembangkan bersama murid-murid dan rekan kerjanya di Universitas Michigan pada tahun 1970-an.
Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma
yang dapat memecahkan suatu masalah, namun lebih mengarah ke study mengenai fenomena adaptasi
yang terjadi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut kedalam system
computer.
Algoritma Genetika yang dibuat Holland merupakan sebuah metode untuk memindahkan suatu
populasi kromosom (terdiri dari bit-bit 1 dan 0 ) ke populasi baru dengan menggunakan “ seleksi alam “
dan operator genetic seperti :

1.     Crossover
menukar bagian kecil dari dua kromosom
2.     Mutasi  
mengganti secara acak nilai gen beberapa lokasi pada kromosom,
3.     Inversion
membalikkan urutan beberapa gen yang berurutan dalam kromosom. Dasar teori inilah yang menjadi
dasar kembanyakan program yang menggunakan Algoritma Genetika.

2. 3 Tahapan Proses Algoritma Genetik

Pada dasarnya, algoritma genetika dapat dilakukan melalui lima tahap  yaitu sebagai berikut :
1. Membentuk Populasi Awal
 Langkah pertama dalam algoritma genetika adalah membentuk sebuah populasi untuk sejumlah
gen. populasi itu sendiri merupakan sekumpulan solusi yang akan digunakan dalam proses
regenerasi selanjutnya untuk mencari solusi terbaik. Solusi-solusi yang ada selanjutnya disebut
sebagai individu.
2. Mencari Fitness Cost
Pada tahap ini setiap individu yang terbentuk dicari fitness cost-nya sebagai nilai pembanding
antara individu satu dengan yang lainnya.
3. Pengurutan (Sorting)
Pada tahap ini, individu yang terdapat pada populasi diurutkan berdasarkan fitness costnya.
Tujuan utamanya adalah untuk mencari individu terbaik pada populasi yang ada, yang dapat
dikatakan sebagai solusi sementara.
4. Proses Regenerasi
Proses ini terdapat dua metode yaitu :
      - Elitism Method
Metode dimana individu-individu yang akan mengalmi proses regenerasi, yaitu proses mutasi dan
crossover adalah individu-individu dengan nilai fitness yang rendah, sedangkan individu dengan
nilai fitness tertinggi atau gen terbaik akan dipertahankan untuk dibandingkan lagi dengan
individu hasil proses regenerasi.
- Non Elitms
Suatu metode regenerasi yang melibatkan semua individu baik individu / gen terbaik maupun gen
yang kurang baik (individu dengan nilai fitness rendah).
5. Tahapan Pengulangan

Setelah proses regenerasi selesai, maka dilakukan pengulangan proses ini sampai sejumlah
generasi yang dikehendaki.

2. 4 Kelebihan Algoritma Genetik

Beberapa hal yang termasuk kelebihan dari Algoritma Genetika adalah sebagai berikut (Haupt dan
Haupt, 2004):
 Mengoptimalkan dengan variabel kontinu atau diskrit,

 Tidak memerlukan informasi derivatif,

 Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya,

 Berkaitan dengan sejumlah besar variabel,

  Baik untuk komputer paralel,

 Mengoptimalkan permukaan variabel dengan biaya yang sangat kompleks (GA bisa melompat
dari minimum lokal),

 Memberikan daftar variabel yang optimal, bukan hanya solusi tunggal,

 Dapat menyandikan variabel sehingga optimasi dilakukan dengan mengkodekan variabel, dan

 Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis fungsi.

2. 5 Struktur Umum Algoritma Genetik

Struktur umum algoritma genetik dapat diilustrasikan dalam diagram alir berikut ini:
Inisialisasi populasi awal dilakukan untuk menghasilkan solusi awal dari suatu permasalahan algoritma
genetika. Inisialisasi ini dilakukan secara acak sebanyak jumlah kromosom/populasi yang diinginkan.
Selanjutnya dihitung nilai fitness dan seterusnya dilakukan seleksi dengan menggunakan metode roda
roullete, tournament atau ranking. Kemudian dilakukan perkawinan silang (crossover) dan mutasi.
Setelah melalui beberapa generasi maka algoritma ini akan berhenti sebanyak generasi yang diinginkan.

2.6 Komponen Utama Algoritma Genetik

a. Teknik pengkodean

Teknik pengkodean disini meliputi pengkodean gen dari kromosom. Gen merupakan bagian dari
kromosom. Satu gen biasanya akan mewakili satu variabel.

Algoritma genetika merepresentasikan gen sebagai bilangan real atau desimal, disini digunakan
discrete decimal encoding, yaitu setiap gen berupa deretan bilangan bulat dalam interval [0,9].

b. Prosedur Inisialisasi

Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetika yang
akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian harus dilakukan
inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi kromosom
dilakukan secara acak, namun demikian harus tetap memperhatikan domain solusi dan kendala
permasalahan yang ada.

c. Fungsi Evaluasi

Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu: evaluasi fungsi
objektif (fungsi tujuan) dan konversi fungsi objektif dengan nilai yang tidak negatif. Apabila
ternyata fungsi objektif memiliki nilai negatif, maka perlu ditambahkan suatu konstanta C agar
nilai fitness yang terbentuk menjadi tidak negatif. 

d. Seleksi

Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota
populasi yang paling fit. Seleksi akan menentukan individu-individu mana saja yang akan dipilih
untuk dilakukan rekombinasi dan bagaimana offspring terbentuk dari individu-individu terpilih
tersebut.

e. Operator Genetika
Ada 2 operator Genetika, yaitu:
 1. Operator rekombinasi, rekombinasi yang digunakan adalah rekobinasi one-point

crossover
2. Operator untuk mutasi mutasi yang digunakan adalah swapping mutation
f. Penetuan parameter
Parameter di sini adalah parameter kontrol algoritma genetika, yaitu: ukuran populasi (popsize),
peluang crossover (Pc), dan peluang A B C D E
mutasi (Pm). Nilai parameter ini ditentukan juga berdasarkan permasalahan yang akan
dipecahkan. Ada beberapa rekomendasi yang bisa digunakan, antara lain (Kusumadewi, 2003:
283): Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong
merekomendasikan untuk nilai parameter kontrol: (Popsize;Pc;Pm) = (50; 0,6; 0,001) Bila rata-
rata fitness setiap generasi digunakan sebagai indikator, maka Grefensette merekomendasikan:
(Popsize;Pc;Pm) = (30; 0,95; 0,01) Bila fitness dari individu terbaik dipantau pada setiap
generasi maka usulannya adalah: (Popsize;Pc;Pm) = (80; 0,45;0,01)

2. 7 Karakteristik Algoritma Genetik

Goldberg (1989) mengemukakan bahwa algoritma genetika mempunyai karakteristik -

karakteristik yang perlu diketahui sehingga dapat terbedakan dari prosedur pencarian atau optimasi
yang lain yaitu:

1. AG bekerja dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang
telah ditetapkan dan bukan parameter itu sendiri. Sebagai contoh untuk mendapatkan minimum
dari fungsi  f(x)=y=x4+2x3+5, AG tidak secara langsung mencari nilai x atau y, tetapi terlebih
dahulu merepresentasikan x dalam bentuk string biner.

2. AG melakukan pencarian pada sebuah populasi dari sejumlah individu-individu yang merupakan
solusi permasalahan bukan hanya dari sebuah individu.

3. AG merupakan informasi fungsi objektif (fitness), sebagai cara untuk mengevaluasi individu
yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.

4. AG menggunakan aturan-aturan transisi peluang, bukan aturan-aturan deterministik

 BAB III
PENUTUP
3.1 Kesimpulan
Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan
penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus
dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti
warisan, mutasi, seleksi alam dan rekombinasi (atau crossover). Algoritma Genetik pertama kali
dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat.

3.2 Saran