ALGORITMA GENETIKA

2  PENDAHULUANAlgoritma genetika terinspirasi dari prinsip genetika dan seleksi alam (teori
evolusi Darwin) yg ditemukan di Universitas Michigan, AS, oleh John Holland (1975) melalui sebuah
penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg.Konsep dasar algoritma
genetika sebenarnya dirancang utk menyimulasikan proses-proses dlm sistem alam yg diperlukan
utk evolusi, khususnya teori evolusi alam yg dicetuskan oleh Charles Darwin, yaitu survival of the
fittest.Menurut teori ini, di alam terjadi persaingan antara individu-individu utk memperebutkan
sumber daya alam yg langka shg makhluk yg kuat mendominasi makhluk yg lebih lemah.

3  PENDAHULUANAlgoritma genetika adalah teknik pencarian heuristik yg didasarkan pada

gagasan evolusi seleksi alam dan genetik.Algoritma ini memanfaatkan proses seleksi alamiah yg
dikenal dgn proses evolusi, “hanya individu-individu yg kuat yg mampu bertahan”.Proses seleksi
alamiah ini melibatkan perubahan gen yg terjadi pd individu melalui proses perkembangbiakan.

4  Proses perkembangbiakan ini didasarkan pd analogi struktur genetika dan perilaku kromosom
dlm populasi individu dg menggunakan dasar sbb:Individu dlm populasi bersaing utk sumber daya
alam dan pasangannya.Mereka yg plg sukses di setiap kompetisi akan menghasilkan keturunan yg
lebih baik drpd individu-individu yg berkinerja buruk.Gen dari individu yg baik akan menyebar ke
seluruh populasi shg dua orang tua yg baik kadang-kadang akan menghasilkan keturunan yg lbh
baik dr org tuanya.Setiap ada pergantian generasi maka generasi terbaru ini biasanya lbh cocok dg
lingkungan mereka. Dgn kata lain, generasi baru ini bisa menyesuaikan dgn keadaan
lingkungannya.

5  Permasalahan yg Membutuhkan Algoritma Genetika

Ruang pencarian sangat besar, kompleks atau krg dipahami.Tidak ada pengetahuan yg memadai
utk menyederhanakan ruang pencarian yg sgt besar mjd ruang pencarian yg lebih sempit.Tidak ada
analisis matematis yg bisa menangani ketika metode konvensional gagal menyelesaikan masalah
yg dihadapi.Solusi yg dihasilkan tidak harus optimal, asal sudah memenuhi kriteria sudah bisa
diterima.Mempunyai kemungkinan solusi yg jumlahnya tak hingga.Membutuhkan solusi “real-time”,
yaitu solusi yg bisa didapatkan dgn cepat shg dpt diimplementasikan utk permasalahan yg
mempunyai perubahan yg cepat.

6  APLIKASI ALGORITMA GENETIKA

Algoritma genetika telah digunakan utk memecahkan masalah dan pemodelan di bidang teknik,
bisnis dan hiburan, termasuk:Optimasi: algoritma genetika byk digunakan dlm berbagai tugas
optimasi, termasuk optimasi numerik, dan masalah-masalah optimasi kombinatorial seperti Traveling
Salesman Problem (TSP), desain sirkuit, Job Shop Scheduling dan optimasi video & kualitas
suara.Pemrograman Otomatis: algoritma genetika telah digunakan utk berevolusi thd program
komputer utk melakukan tugas-tugas yg spesifik dan merancang struktur komputasi lain, misalnya
selular automata dan sorting networking.Machine Learning: algoritma genetika byk digunakan utk
aplikasi mesin-learning, termasuk klasifikasi dan prediksi struktur protein. Algoritma genetika juga
telah digunakan utk merancang jst dan utk mengendalikan robot.Model ekonomi : algoritma genetika
telah digunakan utk memodelkan proses inovasi, pengembangan strategi penawaran dan
munculnya pasar ekonomi.

7  APLIKASI ALGORITMA GENETIKA

Model Sistem Imunisasi: algoritma genetika telah digunakan utk memodelkan berbagai aspek sistem
kekebalan tubuh alami, termasuk mutasi somatik selama masa hidup individu dan menemukan
keluarga dg gen ganda selama evolusi.Model ekologi:algoritma genetika telah digunakan utk
memodelkan fenomena ekologi seperti host-parasite co-evolution, simbiosis dan arus sumber daya
dlm ekologi.Interaksi antara evolusi dan pembelajaran : algoritma genetika telah digunakan utk
mempelajari bagaimana individu belajar dan memengaruhi proses evolusi suatu spesies satu sama
lain.

8  BEBERAPA PENGERTIAN DASAR

Gen (genotype) adalah variabel dasar yg membentuk suatu kromosom. Dalam algoritma genetika,
gen ini bs bernilai biner, float,integer maupun karakter.Allele adalah nilai dari suatu gen, bisa berupa
biner,float,integer maupun karakter.Kromosom adalah gabungan dari gen-gen yg membentuk arti
tertentu. Ada beberapa macam bentuk kromosom, yaitu :Kromosom biner adalah kromosom yg
disusun dr gen-gen yg bernilai biner. Kromosom ini mempunyai tingkat ketelitian yg diharapkan.
Kromosom ini bagus bila digunakan utk permasalahan yg parameter dan range nilainya
tertentu.Kromosom float adalah kromosom yg disusun dr gen-gen yg bernilai pecahan, termasuk
gen yg bernilai bulat. Kromosom ini mrp model yg jumlah parameternya banyak. Tingkat
keberhasilan dr kromosom ini rendah dlm kecepatan (jlh kecepatan)Kromosom string yaitu
kromosom yg disusun dr gen-gen yg bernilai stringKromosom kombinatorial yaitu kromosom yg
disusun dr gen-gen yg dinilai berdasarkan urutannya.

9  BEBERAPA PENGERTIAN DASAR

Individu adalah kumpulan gen, bs dikatakan sama dgn kromosom. Individu menyatakan salah satu
kemungkinan solusi dari suatu permasalahanPopulasi adalah sekumpulan individu yg akan diproses
scr bersama-sama dlm satu siklus proses evolusiGenerasi menyatakan satu satuan siklus proses
evolusiNilai fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yg didapatkan.
Nilai inilah yg dijadikan acuan utk mencapai nilai optimal. Algoritma genetika bertujuan utk mencari
individu yg mempunyai nilai fitness yg plg optimal (bs maksimum atau minimum, tergantung pd
kebutuhan)

10  SIKLUS ALGORITMA GENETIKA

David Goldberg adalah org yg pertama kali memperkenalkan siklus algoritma genetika seperti
digambarkan sbb.Populasi AwalEvaluasiFitnessSeleksi IndividuReproduksi:Cross-OverDan
MutasiPopulasi Baru

11  Siklus dimulai dari membuat populasi awal scr acak, kemudian setiap individu dihitung nilai
fitnessnya. Proses berikutnya adl menyeleksi individu terbaik, kemudian dilakukan cross-over dan
dilanjutkan oleh proses mutasi shg terbentuk populasi baru. Selanjutnya populasi baru ini
mengalami siklus yg sama dgn populasi sblmnya. Proses ini berlangsung terus hingga generasi ke-
n.Siklus ini kemudian diperbaiki oleh Zbigniew Michalewicz dg menambahkan satu proses elitisme
dan membalik proses reproduksi dahulu, kemudian proses seleksi seperti berikut.

12  Reproduksi:Cross-Over dan Mutasi

Populasi AwalReproduksi:Cross-Over dan MutasiEvaluasiFitnessSeleksi IndividuPopulasi
BaruElitisme

13  KOMPONEN-KOMPONEN UTAMA ALGORITMA GENETIKA

Untuk mengimplementasikan algoritma genetika, ada 8 komponen utama yg hrs dilakukan.Teknik
encoding/decoding gen dari individu.Membangkitkan populasi awal scr random dgn terlebih dahulu
menentukan jlh individu dlm populasi tsb.Nilai fitness (nilai dari fungsi tujuan)Elitisme (prosedur utk
mengcopy individu yg mempunyai nilai fitness tertinggi sebanyak 1 (bila jlh individu dlm populasi
ganjil) atau 2 ( bila jlh individu dlm populasi adl genap)SeleksiCross-over (pindah silang)Operasi
pindah silang antar kromosom yg dilakukan utk membentuk individu baru yg lbh baik.Mutasi (untuk
melakukan modifikasi satu atau lebih nilai gen dlm kromosom yg sama.Penggantian populasi (agar
semua individu awal dari satu generasi diganti oleh temporer individu hasil proses pindah silang dan
mutasi)

14  1. Teknik Encoding/Decoding Gen dan Individu

Encoding (pengkodean) berguna utk mengodekan nilai gen-gen pembentuk individu. Nilai-nilai gen
ini diperoleh scr acak.

16  Decoding (pendekodean) berguna utk mendekode gen-gen pemebentuk individu agar nilainya
tdk melebihi range yg telah ditentukan dan sekaligus mjd nilai variabel yg akan dicari sbg solusi
permasalahn. Jika nilai variabel x yg telah dikodekan tsb range-nya diubah mjd [rb ra], yaitu rb =
batas bwh, ra = batas atas , maka cara utk mengubah nilai-nilai variabel di atas hingga berada dlm
range yg baru [rb ra], disebut decoding (pengodean)

17  Pengdekodean bilangan real :

x = rb + (ra – rb)gPendekodean diskrit desimal:x = rb + (ra – rb) (g g … + gN. 10-N)3. Pendekodean
biner:x = rb + (ra – rb)(g g … + gN.2-N)N : jlh gen dlm individu