net/publication/324476572
CITATION READS
1 12,214
2 authors, including:
Taufiq Hidayat
Universitas Islam Indonesia
13 PUBLICATIONS 32 CITATIONS
SEE PROFILE
All content following this page was uploaded by Taufiq Hidayat on 12 April 2018.
ABSTRAKSI
Algoritma genetika merupakan salah satu metode penyelesaian optimasi yang dikenal mampu
menghasilkan nilai optimum. Makalah ini menerapkan perancangan algoritma genetika pada kasus Shortest
Path Problem, dimana jalur terpendek dapat dilalui tanpa harus kembali ke titik awal seperti halnya kasus
Travelling Salesman Problem Dengan menggunakan contoh data jarak antar kota yang telah diketahui dan
representasi graf, algoritma genetika dapat memberi jalur optimum sesuai dengan yang diharapkan..
B-75
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007
B-76
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007
Di samping ketiga operator dasar (reproduksi, Ada beberapa macam proses rekombinasi yang
rekombinasi, dan mutasi), parameter-parameter ada pada algoritma genetika, diantaranya [5]:
genetik (jumlah populasi, maksimum generasi, rekombinasi diskret, rekombinasi menengah,
probabilitas rekombinasi, probabilitas mutasi, dan rekombinasi garis, rekombinasi satu titik,
lain-lain), serta asumsi-asumsi yang digunakan rekombinasi banyak titik, rekombinasi seragam,
dalam pemodelannya juga mempunyai peran rekombinasi dengan permutasi,
penting.
Pada algoritma genetika terdapat beberapa d. Proses Mutasi
proses yaitu: Mutasi adalah proses penambahan nilai acak
a. Proses Pengkodean (Encoding) yang sangat kecil dengan probabilitas rendah
Pada proses pengkodean, gen dapat pada variabel keturunan. Peluang mutasi
direpresentasikan dalam bentuk string bit, pohon, didefinisikan sebagai persentasi dari jumlah total
array bilangan real, daftar aturan, elemen gen pada populasi yang mengalami mutasi.
permutasi, elemen program, atau representasi Peluang mutasi mengendalikan banyaknya gen
lainnya yang dapat diimplementasikan untuk baru yang akan dimunculkan untuk dievaluasi.
operator genetika [5]. Jika peluang mutasi terlalu kecil, banyak gen
Ada beberapa macam teknik pengkodean yang yang mungkin berguna tidak dievaluasi, tetapi
dapat dilakukan dalam algoritma genetika, bila peluang mutasi ini terlalu besar maka akan
diantaranya pengkodean biner (binary encoding), terlalu banyak gangguan acak, sehingga anak
pengkodean permutasi (permutation encoding), akan kehilangan kemiripan dari induknya dan
pengkodean nilai (value encoding) dan algoritma juga akan kehilangan kemampuan
pengkodean pohon (tree encoding) [6]. untuk belajar dari history pencarian [5].
Ada dua macam proses mutasi yang ada pada
b. Proses Seleksi algoritma genetika, diantaranya mutasi bilangan
Seleksi adalah proses untuk menentukan individu real dan mutasi biner.
mana saja yang akan dipilih untuk dilakukan
rekombinasi dan bagaimana keturunan terbentuk Berikut adalah diagram alir untuk algoritma
dari individu-individu terpilih tersebut. Langkah genetika:
pertama yang dilakukan dalam seleksi adalah
pencarian nilai fitness. Masing-masing individu
dalam suatu wadah seleksi akan menerima
probabilitas reproduksi yang tergantung pada
nilai obyektif dirinya sendiri terhadap nilai
obyektif dari semua individu dalam wadah
seleksi tersebut. Nilai fitness kemudian akan
digunakan pada tahap seleksi berikutnya.
Ada beberapa macam proses seleksi yang ada
pada algoritma genetika, diantaranya [5]: Seleksi
dengan Roda Roulette (Roulette Wheel
Selection), seleksi berdasarkan Ranking Fitness
(Rank-based Fitness), seleksi Stocastic Universal
Sampling, seleksi Lokal (Local Selection),
seleksi dengan Pemotongan (Truncation
Selection) dan seleksi dengan Turnamen
(Tournament Selection).
c. Proses Rekombinasi
Rekombinasi adalah proses untuk menyilangkan
dua kromosom sehingga membentuk kromosom
baru yang harapannya lebih baik dari pada
induknya. Rekombinasi dikenal juga dengan
nama crossover. Tidak semua kromosom pada `
suatu populasi akan mengalami proses Gambar 4. Diagram alir algoritma genetika
rekombinasi. Kemungkinan suatu kromosom
mengalami proses rekombinasi didasarkan pada 5. RANCANGAN ALGORITMA GENETIKA
probabilitas crossover yang telah ditentukan Pada graf berbobot ABCDEG diatas, dapat
terlebih dahulu. Probabilitas crossover dibuat representasi menggunakan senarai kedekatan,
menyatakan peluang suatu kromosom akan pada gambar 4.
mengalami crossover.
B-77
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007
B-78
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007
Tabel 7. Induk yang akan direkombinasi banyak generasi yang diproses, maka semakin
Kromosom Fitness Ke- tinggi tingkat optimasi suatu kasus.
1 ACFGBDE 0.091 1 c. Dengan tidak mengharuskan melalui seluruh
2 ABCDEGF 0.143 3 jalur, hasil optimasi kasus Shrtest Path dapat
3 ACDFGBE 0.100 4 lebih menghasilkan tingkat optimasi yang lebih
4 ABCDFGE 0.111 10 tinggi dibanding kasus Travelling Salesman
Problem dimana seluruh jalur harus dilalui.
g. Membangkitkan bilangan acak sejumlah ukuran
populasi untuk mutasi. Bilangan acak untuk PUSTAKA
mutasi pada generasi pertama terdapat pada [1] Eiben, A. E. & Smith, J. E. Introduction to
Tabel 8. Evolutionary Computing. Heidelberg:
Springer. 2003.
Tabel 8. Bilangan Acak untuk Mutasi [2] Goldberg, D. E. Genetic Algorithms in
Bilangan Search, Optimization & Machine Learning.
1 0.170 New York: Addison-Wesley. 1989.
2 0.025 [3] Kruse, R. L., Leung, B. P. & Tondo, C. L.
0.240 Data Structures and Program Design in C.
3
New Delhi: Prentince-Hall Inc. 1999.
4 0.004
[4] Kusumadewi, S. Artificial Intelligence
5 0.478
(Teknik dan Aplikasinya). Yogyakarta: Graha
6 0.024
Ilmu. 2003.
7 0.824 [5] Kusumadewi, S. & Purnomo, H.
8 0.173 Penyelesaian Masalah Optimasi dengan
9 0.582 Teknik-teknik Heuristik. Yogyakarta: Graha
10 0.429 Ilmu. 2005.
[6] Lukas, S., Anwar, T. & Yuliani, W.
h. Kromosom yang kena mutasi adalah: 2,4,6. Penerapan Algoritma Genetika untuk
Kromosom yang terkena mutasi terdapat pada Travelling Salesman Problem dengan
tabel 9. Menggunakan Metode Order Crossover dan
Insertion Mutation, Seminar Nasional
Tabel 9. Kromosom yang terkena mutasi Aplikasi Teknologi Informasi, I 1-I 5. 2005.
Kromosom Fitness Ke- [7] Mutakhiroh, I., Saptono, F. & Hasanah, N.
1 ABDFGCE 0.100 2 Implementasi Metode Heuristik pada
2 ACDFGBE 0.100 4 Teknologi Informasi untuk Menentukan Jarak
3 ABEGCDF 0.167 6 Terpendek. Makalah disampaikan pada
Lomba Karya Tulis Ilmiah Universitas Islam
Sehingga didapatkan populasi baru untuk Indonesia. Yogyakarta. 2007.
generasi selanjutnya, berdasarkan proses [8] Rayward, V. J., Osman, I. H., Reeves, C. R.
seleksi, rekombinasi dan mutasi. & Smith, G. D. Modern Heuristic Search
Iterasi akan berulang sampai seterusnya sampai Methods. John Willey & Sons: England.
generasi ke-50 (maksimum generasi), sehingga 1996.
didapatkan jalur terpendek antara graf [9] Saputro, N. & Dirgagautama, E. Penerapan
ABCDEFG adalah jalur A-B-E-G dengan bobot Algoritma Genetik pada Permainan Catur
6. Jawa. Integral, Vol 9, No.1, 17-26. 2004.
[10] Tettamanzi, A. & Tomassini, M. Soft
6. KESIMPULAN Computing: Integrating Evolutionary, Neural,
Berdasarkan perancangan algoritma genetika and Fuzzy Systems. Heidelberg: Springer.
yang ada, maka dapat diambil beberapa kesimpulan 2001.
yaitu: [11] Zakaria, T. M. & Prijono, A. Konsep dan
a. Untuk kasus Shortest Path Problem, kromosom Implementasi Struktur Data. Bandung:
dirancang dengan menggunakan prinsip Informatika. 2006.
pengacakan, dimana untuk perhitungan
dilakukan hanya untuk jalur yang dilalui dari
kota sumber dan kota tujuan, dengan sisa
kromosom (kota yang tidak dilalui) berfungsi
sebagai pelengkap agar kromosom tidak
terpotong.
b. Tingkat persentase optimasi algoritma genetika
ditentukan oleh maksimum generasi. Semakin
B-79