MAKALAH

RUANG LINGKUP DAN KONSEP DASAR ALGORITMA

Disusun oleh:

1.Tri bahtiyar

2.pendi saputra
3.Arya sumadi

4.Delfia maharani
5.agustina

Universitas teknologi sumbawa

Fakultas ilmu dan teknologi hayati
 Bab I
PENDAHULUAN
1.1 LATAR BELAKANG
Algoritma genetika adalah suatu metode yang terinspirasi oleh proses seleksi alam dan dapat
digunakan untuk menyelesaikan permasalahan optimisasi kombinatorial yang kompleks.
Dalam era digital saat ini, banyak masalah real-world yang memerlukan solusi yang optimal
dalam hal pengaturan kombinasi elemen atau entitas. Oleh karena itu, penelitian mengenai
optimalisasi algoritma genetika sangat penting untuk mengembangkan metode pemecahan
masalah yang efisien dan akurat.Algoritma adalah prosedur komputasi yang terdefinisi dengan
baik yang menggunakan beberapa nilai sebagai masukan dan menghasilkan beberapa nilai
yang disebut keluaran. Jadi, algoritma adalah deretan langkah komputasi yang
mentransformasikan masukan menjadi keluaran [1]. Pencarian adalah proses yang
fundamental dalam pengolahan data. Jadi, Algoritma pencarian adalah sebuah algoritma yang
menerima masukan berupa sebuah masalah dan menghasilkan sebuah solusi untuk masalah
tersebut, yang biasanya didapat dari evaluasi beberapa kemungkinan solusi dalam proses
pengolahan data [2]. Sedangkan Algoritma pencarian string atau sering disebut juga
pencocokan string adalah algoritma untuk melakukan pencarian semua kemunculan string
pendek pattern 0..n-1 yang disebut pattern di string yang lebih panjang teks 0..m-1 disebut teks
[3]. Ada sekitar 35 algoritma pencarian kata yang bisa digunakan dalam perangkat baik
merupakan algoritma yang diciptakan dari awal maupun berupa pengembangan dari algoritma
yang sudah ada. Dua di antaranya yaitu algoritma Karp-Rabin dan algoritma Reverse Colussi.
Algoritma Karp-Rabin adalah algoritma pencarian string matching yang arah pencariannya
dari kiri ke kanan dan pencariannya menggunakan fungsi Hasing untuk membantu
mempercepat pencarian string [4]. Berdasarkan referensi jurnal “Perbandingan Algoritma
Karp-Rabin dengan Algoritma Knuth-Morris-Pratt dalam pencarian string” dari Hadi Saloko
(ITB) yang menyatakan bahwa algoritma Karp-Rabin lebih unggul dibandingkan dengan
algoritma Knuth-Morris-Pratt dalam kasus pencarian string dengan pattern yang panjang dan
kasus pencarian string dengan multipattern [5]. Sedangkan Algoritma Reverse Colussi yaitu
pencarian yang telah ditentukan secara spesifik oleh sistem atau algoritma tersebut dimana
algoritma Reverse Colussi merupakan perbaikan dari algoritma Boyer-Moore yang merupakan
pencarian dari kanan ke kiri. Algoritma Reverse Colussi terdiri dari 2 fase 2 pencarian, yaitu
fase pemrosesan awal dan fase pencarian. Pada fase pemrosesan awal, dilakukan pencarian
sepasang karakter untuk menentukan posisi dan pergeseran pattern. Pada fase pencarian,
dilakukan operasi pencocokan pattern terhadap teks atau gambar. Berdasarkan jurnal
“Perbandingan Algoritma Reverse Colussi, Knuth-Morri-Pratt, Boyer-Moore, dan Colussi
dalam pencarian string” dari Didik Haryadi (ITB) menyatakan bahwa algoritma Reverse
Colussi lebih cepat dalam pencarian string [6]. Masing-masing Algoritma pencarian memiliki
keunggulan dan kekurangan dalam pencarian, pencocokan, kecepatan, ketepatan, dan lain-lain.
Dengan melakukan analisis perbandingan performansi maka akan dapat diketahui kecepatan
dan ketepatan dalam waktu proses pencarian dan pencocokan kata dan persentase memory
yang dipakai dalam satu kali proses dari masing - masing algoritma tersebut. Dari
permasalahan yang dipaparkan maka untuk menentukan performansi dari kedua algoritma
 dalam mencari dan mencocokkan kata, kedua Algoritma tersebut akan diimplementasikan pada
sebuah Word Game untuk menentukan mana algoritma yang lebih optimal berdasarkan hasil
perbandingan performansi kedua algoritma dari kecepatan dan ketepatan waktu proses dan
persentase penggunaan memory dalam 1 kali proses.

1.2 RUMUSAN MASALAH

a.Bagaimana kinerja algoritma genetika dalam penyelesaian permasalahan
optimisasi
kombinatorial?
b.Apa tantangan yang dihadapi oleh algoritma genetika dalam penyelesaian
permasalahan
optimisasi kombinatorial?
c.Bagaimana algoritma genetika dapat dioptimalkan untuk meningkatkan
efisiensi dan
keakuratan solusi.

1.3 TUJUAN

a.Menganalisis kinerja algoritma genetika dalam memecahkan permasalahan

optimisasi
kombinatorial.
b.Mengidentifikasi tantangan yang dihadapi oleh algoritma genetika dalam
penyelesaian
permasalahan kombinatorial.
c.Mengoptimalkan algoritma genetika dengan menggunakan teknik seperti
seleksi operator
crossover dan mutasi serta mendefinisikan kriteria evaluasi fitness yang tepat.
d.Membandingkan kinerja algoritma genetika yang telah dioptimalkan dengan
algoritma
genetika standar dalam penyelesaian permasalahan optimisasi kombinatorial.
 Bab II
PEMBAHASAN
2.1 PENGENALAN ALGORITMA GENETIKA
Algoritma Genetika adalah metode yang terinspirasi oleh evolusi alami untuk memecahkan
masalah optimasi dan pencarian di dalam komputer. Algoritma genetika menggunakan konsep dari
teori genetika dan seleksi alam untuk menghasilkan solusi yang optimal atau mendekati solusi
optimal dari suatu masalah.
Komponen utama dari algoritma genetika meliputi:
1. Pewakilan Individu: Dalam algoritma genetika, solusi untuk masalah yang diberikan diwakili
sebagai individu atau kromosom. Setiap kromosom berisi serangkaian gen, di mana setiap gen
mewakili satu atribut atau parameter yang harus dioptimalkan.
2. Fungsi Fitness: Fungsi fitness digunakan untuk mengevaluasi sejauh mana setiap individu dalam
populasi memenuhi kriteria optimasi. Fungsi fitness memberikan skor numerik yang
menggambarkan kualitas solusi yang diwakili oleh kromosom. Semakin tinggi skor, semakin baik
solusi tersebut.
3. Seleksi: Proses seleksi adalah tahap di mana individu dengan fitness yang lebih baik memiliki
peluang yang lebih tinggi untuk dipilih menjadi orang tua untuk menghasilkan generasi berikutnya.
Seleksi dapat dilakukan berdasarkan beberapa metode seperti seleksi proporsional, seleksi
turnamen, atau metode seleksi lainnya.
4. Operator Crossover (Persilangan): Operator crossover menggabungkan bagian-bagian genetik
dari dua individu yang dipilih melalui seleksi untuk menghasilkan individu-individu baru yang
berasal dari kombinasi genetik orang tua. Operator crossover merangkai gen-gen antara dua
individu dalam populasi dengan menggunakan titik pemotongan tertentu.
5. Operator Mutasi: Operator mutasi secara acak mengubah satu atau lebih gen dalam individu
dengan probabilitas rendah. Tujuan dari mutasi adalah untuk memperkenalkan variasi baru ke
dalam populasi, yang dapat mencegah jatuhnya populasi ke dalam optimum lokal dan
meningkatkan kemungkinan menemukan solusi global yang lebih baik.
Melalui iterasi berulang dari tahapan seleksi, crossover, dan mutasi yang diterapkan pada populasi
individu, algoritma genetika mencoba untuk mencapai solusi yang optimal atau mendekati solusi
yang optimal. Hal ini dilakukan dengan memperbaiki kualitas dan kecocokan individu-individu
dalam populasi dari generasi ke generasi.
2.2 TANTANGAN DALAM ALGORITMA GENETIKA UNTUK PERMASALAHAN
KOMBINATORIAL
1. Penentuan dan representasi individu dalam populasi:
Proses penentuan dan representasi individu dalam populasi merupakan langkah awal dalam
algoritma evolusi. Hal ini melibatkan cara individu-individu dalam populasi direpresentasikan
dalam bentuk yang dapat dimanipulasi oleh algoritma. Organisme dalam algoritma evolusi sering
kali direpresentasikan sebagai vektor atau string yang terdiri dari gen-gen atau kromosom-
kromosom. Representasi ini harus sesuai dengan masalah yang sedang dihadapi dan
memperhitungkan karakteristik khusus dari populasi yang diteliti.
2. Pemilihan operator crossover dan mutasi yang efektif:
Operator crossover dan mutasi adalah dua komponen penting dalam algoritma genetika. Operator
crossover menggabungkan informasi dari dua atau lebih individu dalam populasi untuk
menghasilkan individu baru. Sedangkan operator mutasi mengubah nilai spesifik dalam individu
secara acak. Pemilihan operator yang efektif adalah penting untuk menjaga variasi dan kemajuan
dalam evolusi populasi. Operator crossover yang efektif harus dapat menggabungkan sifat-sifat
yang menguntungkan dari individu-individu yang berbeda, sementara operator mutasi harus dapat
memperkenalkan variasi baru ke dalam populasi.
3. Definisi dan penggunaan kriteria evaluasi fitness yang sesuai:
Kriteria evaluasi fitness digunakan untuk mengevaluasi kinerja individu-individu dalam populasi.
Fitness menggambarkan kemampuan atau kualitas individu dalam menyelesaikan masalah yang
diberikan. Pemilihan kriteria evaluasi fitness yang sesuai bergantung pada konteks masalah yang
ditangani. Kriteria evaluasi fitness dapat berupa fungsi objektif, tujuan yang ingin dicapai oleh
individu, atau bisa juga berupa metrics yang lebih spesifik terkait dengan karakteristik yang
diinginkan dalam populasi. Dengan memilih kriteria evaluasi fitness yang tepat, algoritma evolusi
dapat bergerak menuju solusi yang lebih baik secara efektif.
2.3 OPTIMISASI ALGORITMA GENETIKA
1. Seleksi yang optimal adalah proses memilih individu-individu terbaik dari populasi untuk
diturunkan ke generasi berikutnya dalam algoritma genetika. Tujuan dari seleksi ini adalah untuk
meningkatkan nilai fitness secara keseluruhan dari populasi. Beberapa tipe seleksi yang umum
digunakan adalah seleksi elit, seleksi roulette wheel, dan seleksi turnamen.
2. Pemilihan operator crossover dan mutasi yang menghasilkan variasi yang baik sangat penting
dalam algoritma genetika. Operator crossover menggabungkan informasi genetik dari dua individu
yang berbeda untuk menciptakan keturunan baru. Pilihan operator crossover yang baik harus
memastikan kombinasi yang optimal antara gen-gen yang bermanfaat dari kedua orangtua.
Operator mutasi, di sisi lain, memperkenalkan variasi genetik secara acak dalam populasi. Pilihan
operator mutasi yang baik harus mempertahankan diversitas genetik tanpa menghancurkan
kombinasi gen yang menguntungkan. Operator crossover dan mutasi yang paling umum digunakan
adalah crossover titik tunggal, crossover titik multipel, dan mutasi titik.
3. Definisi kriteria evaluasi fitness adalah pernyataan tentang tujuan yang ingin dicapai dalam
algoritma genetika. Kriteria evaluasi fitness berfungsi untuk mengukur sejauh mana sebuah
individu memenuhi tujuan tersebut. Misalnya, jika tujuan adalah mencari individu dengan
performa terbaik dalam suatu masalah optimasi, maka kriteria evaluasi fitness dapat didefinisikan
sebagai fungsi objektif yang memetakan individu ke dalam suatu nilai numerik yang merefleksikan
performa mereka dalam masalah tersebut. Penyesuaian kriteria evaluasi fitness yang tepat
tergantung pada konteks masalah dan tujuan yang ingin dicapai.

2.4 PERBANDINGAN KINERJA ALGORITMA GENETIKA YANG DIOPTIMALKAN

1. Pengujian dan evaluasi kinerja algoritma genetika yang telah dioptimalkan pada berbagai
permasalahan kombinatorial. Algoritma genetika adalah teknik optimisasi yang terinspirasi oleh
proses evolusi alamiah. Algoritma ini sering digunakan untuk memecahkan permasalahan
kombinatorial yang sulit. Dalam konteks pengujian dan evaluasi kinerja algoritma genetika yang
telah dioptimalkan, dapat dilakukan perbandingan dengan algoritma genetika standar.
Pada dasarnya, algoritma genetika dioptimalkan dengan melakukan modifikasi pada komponen-
komponen kunci seperti representasi kromosom, fungsi evaluasi, dan operator genetika seperti
seleksi, crossover, dan mutasi. Tujuan utama pengoptimalan ini adalah untuk meningkatkan
efisiensi dan kecepatan konvergensi algoritma, serta menemukan solusi yang lebih baik untuk
permasalahan yang diberikan.
Dalam melakukan pengujian dan evaluasi kinerja algoritma genetika yang telah dioptimalkan,
beberapa metrik yang umum digunakan antara lain:
a. Kecepatan konvergensi: Ini mengukur seberapa cepat algoritma genetika mencapai solusi yang
baik. Semakin cepat sebuah algoritma mencapai solusi optimum, semakin baik performanya.
b. Kualitas solusi: Hal ini melibatkan perbandingan solusi yang dihasilkan oleh algoritma genetika
yang telah dioptimalkan dengan solusi yang dihasilkan oleh algoritma genetika standar. Jika
algoritma genetika yang dioptimalkan dapat menghasilkan solusi yang lebih baik dalam hal
kualitas solusi, maka dapat dikatakan bahwa pengoptimalan berhasil.
c. Efisiensi: Efisiensi mengacu pada penggunaan sumber daya komputasi seperti memori dan
waktu komputasi. Algoritma genetika yang telah dioptimalkan diharapkan dapat bekerja lebih
efisien dibandingkan dengan algoritma genetika standar.
2. Perbandingan hasil dengan algoritma genetika standar.
Pada umumnya, pengujian dan evaluasi dilakukan dengan menjalankan algoritma genetika yang
telah dioptimalkan dan algoritma genetika standar pada sejumlah permasalahan kombinatorial
yang berbeda. Kemudian, hasil dari kedua algoritma dibandingkan menggunakan metrik-metrik di
atas. Jika algoritma genetika yang telah dioptimalkan secara konsisten mengungguli algoritma
genetika standar dalam pengujian ini, maka dapat dikatakan bahwa pengoptimalan tersebut
berhasil.
 Bab III
KESIMPULAN

Melalui penelitian ini, dapat disimpulkan bahwa algoritma genetika memiliki

potensi yang besar dalam menyelesaikan permasalahan optimisasi kombinatorial.
Namun, terdapat tantangan yang perlu dihadapi, seperti penentuan representasi
individu, pemilihan operator crossover dan mutasi, serta definisi kriteria evaluasi
fitness yang sesuai. Dengan mengoptimalkan algoritma genetika melalui pemilihan
yang bijak dari tipe seleksi, operator crossover dan mutasi, serta penyesuaian kriteria
evaluasi fitness, kinerja algoritma genetika dapat ditingkatkan. Melalui pengujian
dan evaluasi kinerja, algoritma genetika yang telah dioptimalkan menunjukkan hasil
yang lebih baik dalam menyelesaikan berbagai permasalahan optimisasi
kombinatorial dibandingkan dengan algoritma genetika standar. Oleh karena itu,
penelitian ini memberikan kontribusi penting dalam pengembangan algoritma
genetika untuk penyelesaian permasalahan optimisasi kombinatorial.