ALGORITMA

GENETIKA
Lingkup Presentasi
TOPIK UTAMA

Pengertian Algoritma Genetika

Definisi penting dalam Algen (Gen,
Allele, Kromosom, individu, populasi,
generasi, nilai fitness)
Cross Over, Mutasi Gen
Operator dalam Algen
Kelebihan dan kelemahan Algen
Penerapan dalam contoh kasus nyata
Apa itu Algoritma Genetika?
Algoritma Genetika atau Genethic Algorithm (GA)
dikenalkan oleh John Holland dalam menyelesaikan
masalah optimasi. Algoritma Genetika mensimulasikan
proses yang terjadi pada populasi alamiah yang
merupakan hal yang penting dalam proses evolusi.
Algoritma genetika dapat digunakan untuk
menyelesaikan masalah optimasi yang kompleks seperti
mencari rute paling optimum dengan memperhatikan
kondisi jalan misalnya kepadatan lalu lintas, jalan satu
arah dan lain-lain.
 2. ALLELE

Definisi penting
Salah satu dari 2 atau lebih bentuk gen
yang menempati posisi tertentu pada
kromosom.

dalam Algen 3. KROMOSOM

Gabungan dari gen-gen yang

membentuk nilai tertentu dalam bentuk
1. GENOTYPE (GEN) bit string.

Sebuah nilai yang menyatakan satuan dasar 4. INDIVIDU

yang membentuk suatu arti tertentu dalam
satu kesatuan gen yang dinamakan Menyatakan satu nilai atau keadaan yang
kromosom. Dalam algoritma genetika, gen ini menyatakan salah satu solusi yang
bisa berupa nilai biner, float, integer maupun mungkin dari permasalahan yang diangkat.
karakter atau kombinatorial.
 6. GENERASI

Definisi penting
Menyatakan satu siklus proses evolusi
atau satu literasi di dalam algoritma
genetika.

dalam Algen 7. NILAI FITNESS

5. POPULASI
Sekumpulan individu yang akan diproses
bersama dalam satu siklus proses evolusi.
Menyatakan seberapa baik nilai dari suatu
individu atau solusi yang didapatkan. Nilai
fitness ini juga dijadikan acuan dalam
mencapai nilai optimal dalam algoritma
genetika. Fungsi fitness yang digunakan
ditunjukkan pada persamaan (1).
 CROSSOVER & MUTASI GEN

MUTASI GEN
CROSSOVER
Mutasi gen berfungsi sebagai cara mengembalikan materi
Crossover (pindah silang) adalah proses pemilihan
genetik yang hilang. Melalui mutasi gen, individu baru dapat
posisi string secara acak dan menukar karakter-
diciptakan dengan memodifikasi satu atau lebih nilai genetik
karakter stringnya (Goldberg, 1989). Fungsinya
dalam individu yang sama. Mutasi mencegah hilangnya
adalah menghasilkan kromosom anak dari
materi genetik sepenuhnya setelah reproduksi dan pindah
kombinasi materi-materi gen 2 kromosom induk.
silang. Mutasi ini berfungsi untuk menggantikan gen-gen
Probabilitas crossover ditentukan untuk
yang hilang dalam suatu populasi akibat seleksi, sehingga
mengendalikan frekuensi crossover.
memungkinkan munculnya kembali gen-gen yang tidak ada
pada saat populasi diinisialisasi.
 OPERATOR
DALAM ALGEN
CROSSOVER MUTASI GEN
mengabungkan 2 kromosom induk untuk merubah 1 atau lebih gen dalam
menghasilkan keturunan baru dengan sebuah kromosom dari bentuk
kombinasi gen yang berbeda. penyilangan aslinya dan menghasilkan sebuah
dilakukan dengan memilih titik gen baru. Mutasi dilakukan
pemotongan pada kedua kromosom dengan cara memilih satu atau
indukdan menukar bagian kromosom beberapa gen secara acak dan
setelah titik pemotongan mengubah nilainya menjadi nilai
yang baru
 OPERATOR
DALAM ALGEN
SELEKSI REPRODUKSI
memilih individu terbaik dari populasi menggandakan individu terpilih
saat ini untuk dijadikan induk pada untuk membentuk populasi baru.
generasi berikutnya. seleksi dapat reproduksi dapat dilakukan
dilakukan secara acak atau dengan cara menggandakan
berdasarkan nilai fitness dari setiap seluruh kromosomatau hanya
individu. sebagian kromosom dari individu
terpilih.
 KELEBIHAN ALGEN
1. Eksplorasi Ruang Pencarian 4. Kemampuan Beradaptasi
Algen dirancang untuk mengeksplorasi berbagai Algen mempunyai kemampuan beradaptasi terhadap
kemungkinan solusi terhadap suatu masalah. perubahan masalah atau lingkungan. Algen dapat
Menggunakan proses “evolusioner” sehingga mengembangkan dan meningkatkan solusinya seiring
menghasilkan dan mengevaluasi sejumlah besar berjalannya waktu, bahkan ketika masalahnya rumit atau
kemungkinan solusi, sehingga memungkinkan untuk berubah.
menjelajahi sebagian besar ruang permasalahan.

2. Fleksibilitas 5. Optimasi Global

Algen dapat diterapkan pada berbagai masalah, mulai Algen tidak hanya dapat menemukan solusi optimal
dari perencanaan, penambahan data, hingga lokal terhadap suatu permasalahan, namun juga solusi
pembelajaran mesin. Hal ini adalah alat fleksibel yang optimal global. hal ini menjadikan alat yang ampuh
dapat digunakan dalam berbagai konteks berbeda. untuk masalah optimasi yang memerlukan solusi
optimal.
3. Pemrosesan Paralel
Algen dapat berjalan secara paralel pada beberapa
prosesor atau node, memungkinkan untuk memproses
data dalam jumlah besar dengan lebih cepat dan
efesien.
 KELEMAHAN ALGEN
1. Kompleksitas Komputasi
Algen memerlukan sumber daya komputasi yang
signifikan, terutama saat menangani data besar dan
masalah kompleks, yang dapat mengakibatkan kinerja
yang lambat dan tingkat penggunaan daya komputasi
yang tinggi.
2. Kesulitan dalam Menyesuaikan Parameter
Algen bergantung pada beberapa parameter, seperti
ukuran populasi, laju mutasi, dan laju persilangan yang
mungkin sulit untuk disesuaikan dengan masalah
spesifik yang dihadapi. Menyetel parameter ini secara
tidak tepat dapat menyebabkan kinerja buruk.
3. Ketergantungan pada Kacakan
Algen menggunakan proses acak untuk menghasilkan
dan mengevaluasi kandidat solusi yang dapat
menyebabkan hasil tidak dapat diprediksi dan
mempersulit perbandingan kinerja berbagai algoritma.
4. Risiko Konvergensi Dini
Algen terkadang dapat menyatu terlalu cepat hingga
menghasilkan solusi suboptimal, khususnya ketika ukuran
populasinya kecil atau laju mutasinya terlalu rendah.
5. Pemahaman Hasil yang Terbatas
Algen dapat memberikan hasil yang sulit untuk
diinterpresentasikan atau dipahami. Hal ini dapat
menyulitkan untuk menentukan apakah algoritma
telah menemukan solusi optimal atau belum.
 PENERAPAN DALAM
CONTOH KASUS NYATA
Penjadwalan Mata Pelajaran : penelitian ini menunjukkan bahwa
penerapan algoritma genetika dapat menghasilkan jadwal yang lebih
akurat dengan aturan yang ada dalam waktu yang lebih singkat.
Distribusi Barang : penelitian ini menunjukkan bahwa algoritma genetika
mampu menyelesaikan masalah kompleks dalam segala bidang
permasalahan
Rekomendasi Wisata Kuliner: penelitian ini menunjukkan bahwa
algoritma genetika dapat memnghasilkan solusi optimal yang melakukan
proses seleksi dan reproduksi seperti pada genetika alami.
 PENERAPAN DALAM
CONTOH KASUS NYATA
Travelling Salesman Problem : penelitian ini menunjukkan bahwa
penerapan algoritma genetika dapat digunakan untuk mencari rute
optimal atau terpendek dengan data set yang telah digunakan.

Optimasi Penggunaan Lahan Pertanian : penelitian ini menunjukkan

bahwa algoritma genetika dapat digunakan untuk memecahkan masalah
optimasi penggunaan lahan pertanian.
 IMPLEMENTASI
ALGORITMA
GENETIKA
UNTUK OPTIMASI
PENGGUNAAN
LAHAN PERTANIAN
Nama Author : Harim Adi Saputro, Wayan
Firdaus Mahmudy dan Candra Dewi
Affiliations/instansi : Teknik
Informatika, Program Teknologi
Informasi dan Ilmu Komputer,
Universitas Brawijaya
Nama Jurnal : Jurnal Skripsi atau Jurnal
Mahasiswa PTIIK
Volume, Number : Vol. 5, No. 12
Tahun terbit : 2015
Alamat akses paper tersebut :
https://doi.org/10.9744/jte.2.2.
Outline
Introduction
Related Work
Methodology
Experiment and Result
Conclusions
Introduction
01
Paper ini berfokus pada
implementasi algoritma
genetika untuk
mengoptimalkan penggunaan
lahan pertanian selama musim
kemarau di Indonesia
03
Paper ini menyoroti
manfaat polikultur,
temasuk peningkatan
produktivitas lahan dan
pendapataan petani
dibandingkan dengan
monokultur.
02
Tujuannya untuk mengurangi
kegagalan pada panen dan
risiko kerugian dengan
menentukan proporsi optimal
penggunaan lahan pertanian
untuk memaksimalkan
keuntungan.
04
Algoritma genetika
digunakan sebagai metode
optimasi yang
menggambarkan evolusi
alami melalui representasi
kromosom berkode nyata
dan operator genetik
seperti persilangan, mutasi,
dan seleksi
 Related Works

1. Mengimplementasikan algoritma genetika untuk

merekomendasikan proporsi luas lahan yang optimal untuk
penggunaan lahan pertanian.
2. Mengetahui representasi kromosom yang efisien untuk
permasalahan optimasi penggunaan lahan pertanian
3. Menganalisa dan menguji penerapan algoritma genetika
untuk optimasi penggunaan lahan pertanian.
 Methodology

METODOLOGI PENELITIAN DATA PENELITIAN

DAN PERANCANGAN Data yang dibutuhkan dalam penelitian ini yaitu:
1. Data biaya produksi pada masing-masing jenis
tanaman per meter persegi
2. Data hasil produksi pada masing-masing jenis
tanaman per meter persegi
3. Data luas lahan minimal pada masing-masing
jenis tanaman
4. Jarak tanam optimal pada masing-masing
jenis tanaman.
5. Usia panen pada masing-masing jenis
tanaman
 PERANCANGAN SISTEM

Proses optimasi penggunaan lahan

pertanian dengan algoritma genetika ditunjukkan
pada Gambar 4.

IMPLEMENTASI

Gambar 5. Implementasi Halaman Utama

 Gambar 7. Implementasi Halaman Proses
Algoritma Genetika
IMPLEMENTASI

Gambar 6. Implementasi Halaman Entry

Data Tanaman Gambar 8. Implementasi Halaman
Daftar Data Tanaman
 EXPERIMENT AND RESULT

Pengujian dilakukan untuk mengetahui parameter

algoritma genetika yang optimal agar dapat
menghasilkan fitness terbaik. Terdapat 4 macam
pengujian yang akan dilakukan yaitu pengujian
ukuran populasi, pengujian ukuran generasi, dan
pengujian kombinasi crossover rate dan mutation
rate serta perbandingan seleksi yang digunakan.

HASIL DAN ANALISA UJI COBA

BANYAKNYA GENERASI
Pengujian dilakukan dengan data lahan 14.000m² dan
modal Rp 10 juta, mempertimbangkan tanaman jagung,
kedelai, dan kacang hijau. Populasi terdiri dari 50
individu, dievolusi dari generasi 50 hingga 550 dengan
kelipatan 50. Penggunaan crossover rate dan mutation
rate sebesar 0,5. Setiap generasi diuji 10 kali, dengan
dihitung rata-rata fitnessnya. Grafik (Gambar 7)
menunjukkan perubahan fitness sepanjang generasi.
HASIL DAN UJI COBA UKURAN POPULASI
HASIL DAN ANALISA UJI COBA KOMBINASI
CROSSOVER RATE DAN MUTATION RATE
 HASIL DAN ANALISA PERBANDINGAN
SELEKSI METODE ELITISM DAN BINARY
TOURNAMENT

Pengujian setiap metode seleksi dilakukan dengan

2. Menguji program dengan metode seleksi binary
skenario uji seperti berikut :
tournament dengan jumlah generasi 200, populasi 600
1. Menguji program dengan metode seleksi elitism dengan
dan kombinasi Cr dan Mr adalah 0,4 dan 0,6. Pengujian
jumlah generasi 200, jumlah populasi 600, serta
dilakukan sebanyak 10 kali percobaan.
kombinasi nilai Cr dan Mr adalah 0,4 dan 0,6. Pengujian
dilakukan sebanyak 10 kali percobaan.
 Conclusions
KESIMPULAN
1. Metode representasi kromosom menggunakan real coded dengan extended
intermediate crossover dan random mutation berhasil mengoptimalkan penggunaan
lahan pertanian, memaksimalkan keuntungan sesuai modal.
2. Parameter algoritma genetika berpengaruh: nilai kecil menyempitkan pencarian,
nilai besar meningkatkan waktu komputasi.
3. Hasil uji coba menunjukkan generasi ke-400 optimal dengan fitness rata-rata
8.405.517,1. Populasi optimal adalah 125 dengan fitness rata-rata 8.423.467,0.
Kombinasi nilai crossover rate 0,4 dan mutation rate 0,6 memiliki fitness rata-rata
8.424.336,1."
SARAN
Untuk perbaikan solusi yang dihasilkan dengan menggabungkan algoritma
genetika dengan algoritma lain (hybrid). Penggabungan ini telah terbukti
efektif sebelumnya (Mahmudy, 2008). Untuk pengembangan selanjutnya,
disarankan untuk menambahkan data yang lebih luas, tidak hanya terbatas
pada tanaman palawija dan kelompok sayuran. Percobaan dengan teknik
crossover dan mutasi yang berbeda juga dianjurkan untuk mendapatkan
variasi solusi yang lebih baik.
 KELEBIHAN
1. Relevansi topik : Paper ini membahas tentang penggunaan algoritma genetika untuk
mengoptimalkan penggunaan lahan pertanian, yang merrupakan topik yang relevan dan
penting dalam konteks pertanian dan berkelanjutan.
2. Kontribusi topik : Paper ini memberikan kontribusi baru dalam penerapan algoritma genetika
untuk mengoptimalkan penggunaan lahan pertanian, khususnya dalam konteks polikultur selama
musim kemarau di Indonesia. Hal ini dapat membantu petani dalam mengambil keputusan
dalam menentukan proporsi lahan yang optimal untuk memaksimalkan keuntungan.
3. Penggunaan data nyata : Paper ini menggunakan data nyata dalam penelitiannya, yang
meningkatkan validitas dan relevansi hasil penelitian. Penggunaan data nyata juga
memungkinkan pembaca untuk melihat bagaimana algoritma genetika dapat diterapkan dalam
konteks nyata.
4. Kesimpulan yang jelas : Paper ini memberikan kesimpulan yang jelas berdasarkan hasil
penelitian. Kesimpulan ini menyatakan bahwa algoritma genetika dapat efektif diterapkan
untuk mengoptimalkan penggunaan lahan pertanian, dan memberikan rekomendasi mengenai
parameter-parameter yang optimal untuk mencapai hasil yang terbaik.
 KEKURANGAN

1. Kurangnya penjelasan metode pengumpulan data : Paper ini kurang memberikan penjelasan
mendalam mengenai metode pengumpulan data yang digunakan dalam penelitian. Tidak
dijelaskan bagaimana data yang digunakan dalam penelitian dikumpulkan, apakah melalui survei
lapangan, pengambilan sampel, atau sumber data lainnya.

2. Perlu keterbukaan lebih lanjut : Penting untuk meningkatkan transparansi dengan memberikan
penjelasan yang lebih rinci mengenai langkah-langkah yang diambil dalam pengumpulan data. Hal
ini akan membantu pembaca dalam menilai keakuratan dan keandalan data yang digunakan
dalam penelitian.
 Daftar Pustaka
chrome
extension://efaidnbmnnnibpcajpcglclefindmk
aj/https://rosyid.lecturer.pens.ac.id/materi%2
0AI/Minggu10%20-
%20Algoritma%20Genetika.pdf

https://ojs.unimal.ac.id/techsi/article/downlo
ad/167/149#:~:text=Crossover%20(persilangan
)%20yang%20merupakan%20operator,informa
si%20dari%20kromosom%20induk%20kedua

https://aspiringyouths.com/advantages-
disadvantages/genetic-
algorithm/#google_vignette
Thank You