BAB I

PENDAHULUAN

1.1 Latar Belakang

Algoritma Genetika dikembangkan pertama kali oleh John Holand dari New York,
Amarika Serikat yang dipublikasikan dalam bukunya yang berjudul “Adaption in Natural and
Artificial Systems” tahun 1975. Algoritma Genetika merupakan Teknik untuk menemukan
solusi optimal dari permasalahan yang mempunyai banyak solusi. Teknik ini akan melakukan
pencarian dari beberapa solusi yang diperoleh sampai mendapatkan solusi terbaik sesuai
dengan kriteria yang telah ditentukan atau yang disebut sebagai fungsi fitness. Algoritma ini
masuk dalam kelompok algoritma evolusioner dengan menggunakan pendekatan evolusi
Darwin di bidang Biologi seperti pewarisan sifat, seleksi alam, mutasi gen dan kombinasi
(crossover). Karena merupakan Teknik pencarian optimal dalam bidang ilmu komputer,
maka algoritma ini juga termasuk dalam kelompok algoritma metaheuristik.
Aplikasi algoritma genetika dapat ditemukan di berbagai bidang terutama bidang-
bidang yang memerlukan solusi kombinatorik seperti penjadwalan, peramalan, jarak
terpendek dan kombinasi ransum atau bahan. Algoritma genetika sering dipakai untuk
melakukan simulasi dengan Komputer untuk mendapatkan solusi terbaik berdasarkan calon-
calon solusi yang visible. Proses pencarian solusi terbaik dimulai dengan merepresentasikan
solusi-solusi yang mungkin terjadi berdasarkan domain yang biasanya dalam bentuk string
biner (0 dan 1). Dari representasi ini dibentuk populasi individual secara acak yang
membentuk suatu generasi. Kemudian dari setiap populasi yang terbentuk dievaluasi dengan
menggunakan fungsi fitness untuk dapat memilih populasi terbaik. Kemudian populasi
dimodifikasi dengan mutasi dan kombinasi untuk mendapatkan populasi baru. Proses ini
diulang sampai mendapatkan individu dari populasi yang mencapai nilai fitness.
Langkah-langkah algoritma genetika dapat diuraikan sebagai berikut:
Penentuan representasi individu dari populasi
Pembetukan populasi individu secara acak
Evaluasi kecocokan setiap individu dalam populasi berdasarkan fungsi fitness
Memilih individu dengan nilai kecocokan paling tinggi
Kombinasi antar individu terpilih dalam populasi dan mutasi individu dengan tingkat tertentu
untuk membentuk populasi baru
Proses 3 diulang sampai mendapatkan solusi terbaik.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka rumusan masalah dalam tugas
kelompok ini adalah menjelaskan Batasan Batasan masalah yang telah di tentukan oleh dosen
pengampu ibu suriyani selaku dosen mata kuliah kecerdasan buatan semester 4. Batasan
masalah dapat dilihat dalam poin 1.4
1.3 Maksud dan Tujuan
Maksud dari pembuatan makalah ini untuk memenuhi tugas kelompok pada mata kuliah
kecerdasan buatan (AI)
Sedangkan tujuan yang ingin dicapai dari makalah ini adalah memberikan ilmu dan
pengetahuan mahasiswa/I undipa mengenai algoritma genetika.

1.4 Batasan Masalah

Batasan masalah dimaksud agar pembahasan dapat dilakukan secara terarah dan tercapai
sesuai dengan yang diharapkan, maka perlu ditetapkan batasan-batasan permasalahan.
Batasan masalah dalam makalah ini yaitu sebagai berikut :
a. Struktur umum Algoritma Genetika
b. Komponen komponen utama algoritma genetika
c. Seleksi dan Re- Kombinasi/ Crossover Algoritma Genetika
d. Mutasi Dan contoh Algoritma Genetika
 BAB II
PEMBAHASAN

Adapun pembahasan dari Batasan- Batasan masalah di atas ialah sebagai berikut :

2.1 Struktur umum algoritma genetika

1. Membangkitkan populasi awal.

Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi
terdiri dari sejumlah kromosom-kromosom yang merepresentasikan solusi yang
diinginkan.

2. Pembentukan generasi baru.

Dalam pembentukan tersebut digunakan tiga operator, yaitu operator reproduksi/seleksi,

crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah
kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini
merupakan representasi dari solusi baru.

3. Evaluasi solusi.

Pada proses ini akan dilakukan evaluasi setiap populasi dengan menghitung nilai fitness
dari setiap kromosom dan akan terus melakukan evaluasinya sampai terpenuhi kriteria
berhenti. Tetapi kalau samapai akhir kriteria belum terpenuhi maka akan dibentuk lagi
generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering
digunakan antara lain:

a. Berhenti pada generasi tertentu.

b. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness

tertinggi tidak berubah.

c. Berhenti bila sampai n generasi tidak didapatkan nilai fitness yang lebih tinggi.

2.2 Komponen- Komponen utama algoritma genetika

Ada 6 komponen utama dalam algoritma genetika, yaitu :

1. Teknik Penyandian
Teknik penyandian disini meliputi penyadian gen dari kromosom. Gen
merupakan bagian dari kromosom. Satu
gen biasanya akan mewakili satu variabel. 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.
2. Prosedur Inisialisasi
Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis
operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan,
kemudian harus inisialisai terhadap kromosom yang terdapat pada populasi tersebut.
 Inisialisasi kromosom dilakukan secara acak, namun demikian harus tetap
memperhatikan domain solusi dan kendala permasalahan yang ada.
3. Fungsi Evaluasi
Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu:
evaluasi fungsi objektif (fungsi tujuan) dan konversi fungsi objektif kedalam fungsi
fitness. Secara umum, fungsi fitness diturunkan dari fungsi objektif dengan nilai tidak
negatif. Apabila ternyata fungsi objektif memiliki nilai negatif, maka perlu
ditambahkan suatu konstanta C agar nilai fitness yang terbentuk menjadi tidak negatif.
4. Seleksi
Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih
besar bagi anggota populasi yang paling fit.
5. Operator Genetika
Ada 3 operator genetika, yaitu:
a. Reproduksi
b. Operator untuk melakukan rekombinasi, yang terdiri dari: rekombinasi bernilai
biner (crossover).
c. Mutasi. mutasi bernilai biner
6. Penentuan parameter
Yang disebut parameter yaitu parameter kontrol algoritma genetika, yaitu:
ukuran populasi (popsize), peluang crossover (Pc), dan peluang mutasi (Pm). Nilai
parameter ini ditentukan juga berdasarkan permasalahan yang akan dipecahkan.

2.3 Seleksi dan rekombinasi\crossover algoritma genetika

2.3.1 Seleksi
Seleksi adalah proses pemilihan calon induk, dalam proses seleksi ini terdapat
beberapa metode yang bisa digunakan antara lain: Mesin Roulette (Roulette Wheel),
Competition dan Tournament. Dalam contoh ini digunakan Mesin Roullete yang memang
metode paling dasar dan model acaknya uniform.
• Seleksi dilakukan untuk mendapatkan calon induk yang baik. “Induk yang baik akan
menghasilkan keturunan yang baik”.
• Semakin tinggi nilai fitness suatu individu semakin besar kemungkinannya untuk
terpilih.
• Seleksi dapat dilakukan dengan menggunakan dua macam teknik, yaitu mesin
roullete, dan turnamen.

1 1
2 9
8
3 7
5
4
2.3.2 Rekombinasi\crossover
• Cross Over (Pindah Silang) merupakan salah satu operator dalam algoritma genetika
yang melibatkan dua induk untuk menghasilkan keturunan yang baru.
• Cross over dilakukan dengan melakukan pertukaran gen dari dua induk secara acak.
• Macam-macam Cross-Over yang banyak digunakan antara lain: pertukaran gen secara
langsung dan pertukaran gen secara aritmatika.
• Proses cross over dilakukan pada setiap individu dengan probabilitas cross-over yang
ditentukan.

2.4 Mutasi dan contoh algoritma genetika

2.4.1 Mutasi
Mutasi gen adalah proses penggantian gen dengan nilai inversinya, gen 0 menjadi 1
dan gen 1 menjadi 0. Proses ini dilakukan secara acak pada posisi gen tertentu pada individu-
individu yang terpilih untuk dimutasikan.
Banyaknya individu yang mengalami mutasi ditentukan oleh besarnya probabilitas
mutasi.
2.4.2 Contoh algoritma genetika

Hasil Algoritma Genetika

Generasi 1: Generasi 2:

x y fitness x y fitness

0.49263 0.67386 --- 1.41828 0.32399 0.21433 --- 3.08441

0.73599 0.17132 --- 1.99971 0.40854 0.17132 --- 2.75335
0.46789 0.21433 --- 2.53206 0.21732 0.25417 --- 3.37731
0.26464 0.17132 --- 3.33107 0.15797 0.25417 --- 3.55604
0.56603 0.83281 --- 1.90247 0.56603 0.30491 --- 2.00455
0.56603 0.83281 --- 1.90247 0.17084 0.78207 --- 2.39452
0.70012 0.17132 --- 2.02239 0.17084 0.19691 --- 3.65879
0.21795 0.25417 --- 3.37522 0.73599 0.22859 --- 1.99249
0.15734 0.25417 --- 3.55771 0.35642 0.25417 --- 2.85825
0.42702 0.25417 --- 2.59217 0.91416 0.83281 --- 1.89165
0.17084 0.25417 --- 3.52082 0.66069 0.17132 --- 2.06394
0.74723 0.17132 --- 1.99537 0.15734 0.25417 --- 3.55771
 Hasil Algoritma Genetika
Generasi 3: Generasi 4:

x y fitness x y fitness

0.40784 0.22363 --- 2.73759 0.27182 0.14624 --- 3.25968

0.17084 0.72976 --- 2.19665 0.17084 0.19691 --- 3.65879
0.85135 0.29176 --- 1.89196 0.15765 0.32497 --- 3.16152
0.56603 0.26732 --- 2.13788 0.16415 0.29516 --- 3.33433
0.40854 0.17132 --- 2.75335 0.37024 0.25417 --- 2.80481
0.17084 0.78207 --- 2.39452 0.27987 0.17132 --- 3.27160
0.15734 0.25417 --- 3.55771 0.26467 0.17335 --- 3.33281
0.15797 0.25417 --- 3.55604 0.17084 0.19488 --- 3.66005
0.17084 0.19691 --- 3.65879 0.17415 0.17132 --- 3.64583
0.76096 0.83281 --- 1.82495 0.17714 0.36596 --- 2.82353
0.40854 0.17132 --- 2.75335 0.17182 0.36596 --- 2.83666
0.40854 0.17132 --- 2.75335 0.17947 0.17132 --- 3.62975

Hasil Algoritma Genetika

Generasi 5: Generasi 6:

x y fitness x y fitness

0.17164 0.19047 --- 3.65955 0.17129 0.69742 --- 2.07593

0.17084 0.17584 --- 3.65923 0.17164 0.45035 --- 2.26035
0.16415 0.21711 --- 3.65133 0.21598 0.22974 --- 3.46123
0.64027 0.24422 --- 2.05715 0.16415 0.17137 --- 3.67512
0.96166 0.19499 --- 2.09101 0.30561 0.21997 --- 3.14860
0.17155 0.42238 --- 2.43739 0.28211 0.20465 --- 3.26279
0.17084 0.19488 --- 3.66005 0.28211 0.22974 --- 3.21996
0.17415 0.49995 --- 2.00790 0.28211 0.22974 --- 3.21996
0.17084 0.19488 --- 3.66005 0.16415 0.19227 --- 3.68061
0.37024 0.25933 --- 2.78706 0.17129 0.17188 --- 3.65484
0.16415 0.17137 --- 3.67512 0.32762 0.22974 --- 3.04113
0.17164 0.22974 --- 3.60074 0.28211 0.22974 --- 3.21996
 BAB III
PENUTUP

3.1 Kesimpulan

Algoritma Genetika
Algoritma Genetika adalah algoritma yang memanfaatkan proses seleksi
alamiah yang dikenal dengan proses evolusi.
Dalam proses evolusi, individu secara terus-menerus mengalami perubahan
gen untuk menyesuaikan dengan lingkungan hidupnya. “Hanya individu-individu
yang kuat yang mampu bertahan”.
Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada
individu melalui proses perkembang-biakan. Dalam algoritma genetika ini, proses
perkembang-biakan ini menjadi proses dasar yang menjadi perhatian utama, dengan
dasar berpikir: “Bagaimana mendapatkan keturunan yang lebih baik”.

3.2 Saran

Berdasarkan dari pengkajian hasil kerja kelompk kami bermaksud untuk memberikan
saran yang mudah-mudahan dapat bermanfaat bagi pembaca makalah ini :
1. Diupayakan tidak berfokus hanya makalah ini saja, karena banyak literatur lain yang
mungkin lebih lengkap
2. Pengkajian makalah ini dilakukan dengan meneliti dan mempelajari terlebih dahulu
maksud dan tujuan dari algoritma genetika ini seperti apa, maka diharapkan bagi
pembuat makalah selanjutnya agar mengupayakan bisa lebih luas dalam mencari
pengetahuan , tidak hanya lewat buku , melainkan juga dapat lewat internet/ teknologi
lainnya.
BAB 1 PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang masalah, rumusan masalah, maksud dan
tujuan, batasan masalah
BAB 2 PEBAHASAN
Bab ini menguraikan penjelasan mengenai Algoritma Gentika.
BAB 3 PENUTUP
Bab ini menjelaskan tentang kesimpulan yang diperoleh dari hasil implementasi dan
pengujian yang dilakukan pada hasil penelitian, serta saran-saran untuk pengembangan ilmu
kecerdasan buatan yang dibangun untuk masa yang akan datang.
 KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas selesainya makalah
yang berjudul ‘’Algoritma Genetika’’. Atas dukungan moral dan materi yang diberikan dalam
penyusunan makalah ini, maka penulis mengucapkan terima kasih kepada Ibu dosen
pengampu Mata Kuliah Kecerdasan Buatan Ibu Suryani S.Kom., MT. Penulis menyadari
bahwa makalah ini jauh dari kata sempurna dan masih terdapat beberapa kekurangan, oleh
karena itu penulis sangat mengharapkan saran dan kritik yang membangun dari pembaca
untuk penyempurnaan makalah ini.

Makassar, 31 Mei 2023

Penulis