Algoritma Genetik by Ignas Lamabelawa

PENYELESAIAN TSP DENGAN

ALGORITMA GENETIK

PENGERTIAN TSP
sebuah persoalan optimasi untuk
mencari rute
terpendek bagi seorang pedagang
keliling
(salesman)
Persoalan optimasi yang ingin dicapai
ialah rute
yang dilalui dan biaya yang digunakan
paling

PERMASALAHAN
Bila dipandang dari sudut komputasinya,
algoritma ini dapat diselesaikan
dengan cepat walaupun dengan
menggunakan algoritma brute force
sekalipun, jika kota-kota yang akan
dikunjunginya sedikit. Namun, jika
kota-kota yang akan dikunjungi banyak,
maka algoritma seperti Brute Force
tidaklah menjadi pilihan lagi. Sebab,
Algoritma Brute Force sendiri memiliki

METODE PENYELESAIN TSP KONVENSIONAL

Salah satu cara untuk menyelesaikan

TSP yaitu
dengan menggunakan Algoritma Brute
Force. Hal
yang dilakukan ialah dengan cara
mengenumerasi seluruh kemungkinan
rute yang
akan ditempuh

METODE PENYELESAIAN - ALGORTIMA GENETIK

Beberapa metode telah dikembangkan

untuk memecahkan persoalan ini
namun belum ditemukan algoritma
penyelesaian yang optimal. Salah satu
algoritma yang muncul untuk
menyelesaikan persoalan ini ialah
Algoritma Genetika

CONTOH MASALAH TSP

PENYELESAIAN 1
Jumlah node (n) ada 5 buah,
Jumlah kemungkinan jalur = (n-1)! / 2
Jumlah jalur 4! /2 = 12 buah
Dimisalkan titik asal A dan titik akhir
adalah A
Maka jumlah jalur dan panjang
lintasannya adalah :

PENYELESAIAN 2
Lintasan
2. Lintasan
3. Lintasan
4. Lintasan
5. Lintasan
6. Lintasan
7. Lintasan
8. Lintasan
9. Lintasan
10. Lintasan
11. Lintasan
12. Lintasan
1.

1 = (a b c d e a) atau (a e d c b a) memiliki panjang lintasan = 7 + 7 + 4 + 6 + 9 = 33

2 = (a b c e d a) atau (a d e c b a) memiliki panjang lintasan = 7 + 7 + 3 + 6 + 9 = 32
3 = (a b d c e a) atau (a e c d b a) memiliki panjang lintasan = 7 + 2 + 4 + 3 + 9 = 25
4 = (a b d e c a) atau (a c e d b a) memiliki panjang lintasan = 7 + 2 + 6 + 3 + 5 = 23
5 = (a b e c d a) atau (a d c e b a) memiliki panjang lintasan = 7 + 8 + 3 + 4 + 9 = 31
6 = (a b e d c a) atau (a c d e b a) memiliki panjang lintasan = 7 + 8 + 6 + 4 + 5 = 30
7 = (a c b d e a) atau (a e d b c a) memiliki panjang lintasan = 5 + 7 + 2 + 6 + 9 = 29
8 = (a c b e d a) atau (a d e b c a) memiliki panjang lintasan = 5 + 7 + 8 + 6 + 9 = 35
9 = (a c d b e a) atau (a e b d c a) memiliki panjang lintasan = 5 + 4 + 2 + 8 + 9 = 28
10 = (a d b c e a) atau (a e c b d a) memiliki panjang lintasan = 9 + 2 + 7 + 3 + 9 = 30
11 = (a d b e c a) atau (a c e b d a) memiliki panjang lintasan = 9 + 2 + 8 + 3 + 5 = 27
12 = (a d c b e a) atau (a e b c d a) memiliki panjang lintasan = 9 + 4 + 7 + 8 + 9 = 37

Lintasan yang jaraknya paling pendek adalah : 4 yaitu 23

HASIL
Dari hasil ke-12 enumerasi di atas didapatkan
panjang jalur lintasan paling minimum yaitu
23.
Jumlah enumerasi dari algoritma ini ialah (n 1)! yang akan memerlukan waktu yang
sangat lama untuk mendapatkan panjang
lintasan paling minimum jika nilai n bernilai
sangat besar.

PENYELESAIAN DENGAN AG
Dengan contoh yang sama diatas,
tahap2 penyelesaian TSP dengan AG
adalah :
1. Inisialisasi
2. Evaluasi kromosom
3. Seleksi Kromosom
4. Pindah Silang (crossover)
5. Mutasi

INISIALISASI
Dipilih secara random ada 6 buah populasi
dalam satu generasi, yaitu :
Kromosom[1] = [B D E C]
Kromosom[2] = [D B E C]
Kromosom[3] = [C B D E]
Kromosom[4] = [E B C D]
Kromosom[5] = [E C B D]
Kromosom[6] = [C D E B]

EVALUASI KROMOSOM
Menghitung nilai fitness dari tiap kromosom yang telah
dibangkitkan pada langkah 1 di atas, dengan menghitung
bobot dari setiap lintasan :
Fitness[1] = AB+BD+DE+EC+CA = 7 + 2 + 6 + 3 + 5 = 23
Fitness[2] = AD+DB+BE+EC+CA = 9 + 2 + 8 + 3 + 5 = 27
Fitness[3] = AC+CB+BD+DE+EA = 5 + 7 + 2 + 6 + 9 = 29
Fitness[4] = AE+EB+BC+CD+DA = 9 + 8 + 7 + 4 + 9 = 37
Fitness[5] = AE+EC+CB+BD+DA = 9 + 3 + 7 + 2 + 9 = 30
Fitness[6] = AC+CD+DE+EB+BA = 5 + 4 + 6 + 8 + 7 = 30

SELEKSI
Q[i] = 1 / Fitness[i]
Q[1] = 1 / 23 = 0,043
Q[2] = 1 / 27 = 0,037
Q[3] = 1 / 29 = 0,034
Q[4] = 1 / 37 = 0,027
Q[5 = 1 / 30 = 0,033
Q[6] = 1 / 30 = 0,033

Total = 0,043 + 0,037 + 0,034 + 0,027 + 0,033 + 0,033

= 0,207

PROBABILITAS
Untuk mencari probabilitas kita menggunakan
rumus berikut :
P[i] = Q[i] / Total (2)
P[1] = 0,043 / 0,207 = 0,208
P[2] = 0,037 / 0,207 = 0,179
P[3] = 0,034 / 0,207 = 0,164
P[4] = 0,027 / 0,207 = 0,130
P[5] = 0,033 / 0,207 = 0,159
P[6] = 0,033 / 0,207 = 0,159

PROBABILITAS KUMULATIF
Dengan
C[1] =
C[2] =
C[3] =
C[4] =
C[5] =
C[6] =

0,028
0,028+0,179
0,387+0,164
0,551+0,130
0,681+0,159
0,840+0,159

=
=
=
=
=

0,387
0,551
0,681
0,840
1

METODE ROULETTE WHEEL

Bila bilangan random R[i]

yang dihasilkan sbb :
R[1] = 0,314
R[2] = 0,111,
R[3] = 0,342,
R[4] = 0,743
R[5] = 0,521,
R[6] = 0,411
Induk yang dipilih dengan
C[k-1]<R[k]<C[k]
menghasilkan :
C[2],C[[1],C[3],C[5],C[[4],C[]

6; 0.16

1; 0.21

5; 0.16
2; 0.18

4; 0.13
3; 0.16

POPULASI BARU YANG TERBENTUK

Kromosom[1] = [D B E C]
Kromosom[2] = [B D E C]
Kromosom[3]= [C B D E]
Kromosom[4] = [E C B D]
Kromosom[5] = [E B C D]
Kromosom[6] = [C D E B]

PINDAH SILANG(CROSSOVER)
Misal parameter crossover probability (c) =
25%. Berarti jika bilangan random dihasilkan <
0.25
maka akan dipilih menjadi induk baru. Hasil 6
bilangan random yang dihasilkan adalah :
R[1] = 0,451 , R[2] = 0,211 , R[3] = 0,202 , R[4] = 0,877 , R[5] = 0,771 ,R[6] =
0,131 ,

Kromosom ke-k yang dipilih sebagai induk jika

R[k] < c. Maka yang akan dijadikan induk
adalah kromosom[2], kromosom[3], dan
kromosom[6].

PROSES CROSSOVER :
Proses crossover :
Kromosom[2] = Kromosom[2] >< Kromosom[3]
= [B D E C] >< [C B D E]
= [B D C E]
Kromosom[3] = Kromosom[3] >< Kromosom[6]
= [C B D E] >< [C D E B]
= [C D E B]
Kromosom[6] = Kromosom[6] >< Kromosom[2]
= [C D E B] >< [B D E C]
= [C D B E]

HASIL CROSSOVER
Kromosom[1] = [D B E C] diambil dari kromosom induk 1
Kromosom[2] = [B D C E] diambil dari hasil crossover
kromosom 2 dan 3
Kromosom[3] = [C D E B] diambil dari hasil crossover
kromosom 3 dan 6
Kromosom[4] = [E C B D] diambil dari kromosom induk 4
Kromosom[5] = [E B C D] diambil dari kromosom induk 5
Kromosom[6] = [C D B E] diambil dari hasil crossover
kromosom 6 dan 2

MUTASI
Panjang total gen = jumlah gen dalam 1 kromosom *
jumlah Kromosom (3)
= 4 * 6 = 24
Misal probabilitas mutasi (m) = 20 %, maka jumlah gen
yang akan dimutasi adalah = 0,2*24 = 4,8 = 5 .Posisi
tersebut didapat dari pembangkitan 5 bilangan acak, mis
bilangan acak yang dihasilkan adalah 0,1 maka posisi gen
yang akan dimutasi adalah posisi no 3, dimana 0.1 <
3/24 Mis 5 buah posisi gen yang akan dimutasi adalah 3, 7,
10, 20, 24.

PROSES MUTASI
Kromosom[1] = [D B C E]
Kromosom[2] = [B D E C]
Kromosom[3] = [C E D B]
Kromosom[4] = [E C B D]
Kromosom[5] = [D B C E]
Kromosom[6] = [E D B C]

KESIMPULAN
Kelebihan algoritma genetika dibandingkan metode
pencarian konvensiona pada TSP yaitu
1. Solusi dapat diperoleh kapanpun karena solusi
dihasilkan pada generasi ke berapapun
2. Algoritma genetika tidak harus membutuhkan
waktu yang lama karena tidak semua kemungkinan
dicoba, tergantung pada kriteria berakhirnya.
3. Algoritma pencarian konvensional dilakukan
apabila jumlah n kecil, tapi jika n nya banyak maka
akan memakan banyak waktu untuk penyelesaian
dibandingkan algoritma genetik

CONTOH PROGRAM TSP DENGAN

MATLAB
Ada 10 kota yang dipetakan dalam titik
koordinat
sebagai berikut :
Kota(x,y)
=
[1 3;1 7; 3 9; 5 3; 7 1; 9 5; 9 9; 11 1;15
7; 19 3];

GAMBAR

1. INISIALISASI
function Populasi =
TSPInisialisasiPopulasi(UkPop,JumGen)
for i=1:UkPop,
[Xval,Ind] = sort(rand(1,JumGen));
Populasi(i,:) = Ind;
end

IMPLEMENTASI
Misalkan diambil ukuran populasi atau jumlah kromosom dalam populasi = 20 Jumlah gen dalam
kromosom/ jumlah kota = 10
>> TSPinisialisasiPopulasi(20,10)

Y=
8
7
3
2
4
5
1
9
6 10
10
3
5
2
6
8
9
4
1
7
1
9
8 10
7
3
6
5
2
4
10
8
1
7
6
5
3
4
2
9
2
8
1
7
6
9
4
3 10
5
2
8
1
3
9 10
4
5
7
6
1
5
8 10
6
3
4
9
2
7
7
3
4
8 10
9
1
5
2
6
5 10
4
2
6
9
1
3
8
7
10
1
4
3
5
2
7
6
9
8
5
3
1
2
6
4
7 10
9
8
4
8
1 10
7
2
3
9
6
5
10
4
6
8
2
5
9
1
7
3
6
1
3
2
4
5
8
9 10
7
6
7
2
8
3
9 10
5
4
1
10
6
3
4
9
2
5
7
1
8
4
7
6
5 10
2
3
1
8
9
2
9 10
5
6
8
4
3
7
1
6
9
1
7
3
4
2
8
5 10
1
9
7
8 10
4
3
5
2
6

2. HITUNG NILAI FITNESS

function fitness =
TSPEvaluasiIndividu(Kromosom,JumGen,XYkota)
TB = 0;
For i=1:JumGen-1,
TB = TB + norm(XYkota(Kromosom(ii),:) XYkota(Kromosom(i+1),:));
end
% Jalur harus kembali ke kota asal
TB = TB + norm(XYkota(Kromosom(JumGen),:) XYkota(Kromosom(1),:));
fitness = 1 / TB;

>> TSPEvaluasiIndividu(Y,10,XYkota)
TB =
105.3432

ans =
0.0095

LINEARFITNESSRANKING
function LFR =
LinearFitnessRanking(UkPop,Fitness,MaxF,MinF)
[SF,IndF] = sort(Fitness);
% LinearFitness = nilai fitness baru hasil pen-skala-an
for rr=1:UkPop,
LFR(IndF(UkPop-rr+1)) = MaxF-(MaxF-MinF)*((rr-1)/
(UkPop-1));
end

ROULETTE WHEEL
function Pindex = RouletteWheel(UkPop,LinearFitness);
JumFitness = sum(LinearFitness);
KumulatifFitness = 0;
RN = rand;
ii = 1;
while ii <= UkPop,
KumulatifFitness = KumulatifFitness + LinearFitness(ii);
if (KumulatifFitness/JumFitness) > RN,
Pindex = ii;
break;
end
ii = ii + 1;
end

PINDAH SILANG

function Anak = TSPPindahSilang(Bapak,Ibu,JumGen)

cp1 = 1 + fix(rand*(JumGen-1))
cp2 = 1 + fix(rand*(JumGen-1))
while cp2==cp1,
cp2 = 1 + fix(rand*(JumGen-1))
end
if cp1 < cp2,
cps = cp1; cpd = cp2;
else
cps = cp2; cpd = cp1;
end
Anak(1,cps+1:cpd) = Ibu(cps+1:cpd);
Anak(2,cps+1:cpd) = Bapak(cps+1:cpd);
C=Anak(1,cps+1:cpd)
D=Anak(2,cps+1:cpd)
SisaGenbapak = [];
SisaGenIbu = [];
for ii=1:JumGen,
if ~ismember(Bapak(ii),Anak(1,:)),
SisaGenbapak = [SisaGenbapak Bapak(ii)];
end
if ~ismember(Ibu(ii),Anak(2,:)),
SisaGenIbu = [SisaGenIbu Ibu(ii)];
end
end
SGB=SisaGenbapak
SGI=SisaGenIbu
Anak(1,cpd+1:JumGen) = SisaGenbapak(1:JumGen-cpd);
Anak(1,1:cps) = SisaGenbapak(1+JumGen-cpd:length(SisaGenbapak));
Anak(2,cpd+1:JumGen) = SisaGenIbu(1:JumGen-cpd);
Anak(2,1:cps) = SisaGenIbu(1+JumGen-cpd:length(SisaGenIbu));


>> B=TSPInisialisasiPopulasi(1,10)

B =2
8
1
3
9 10
4
5
7
6

>> I=TSPInisialisasiPopulasi(1,10)

I=1
5
8 10
6
3
4
9
2
7

cp1 = 8;cps=4
cp2 = 4;cpd=8

anak1( 5:8 ) = baris ke 5-8 dari ibu 6

3
4
9
sisanya diambil dari Sisa Gen Bapak yang tidak sama dengan anak1 yang terbentuk diatas:
2 8 1 10 5 7
Dengan perincian
Anak1(9:10)=sisa gen bapak(1:10-8) = 2 8
Anak1(1:4)=sisag gen bapak(3:6)
= 1 10 5 7

Anak2 = 9 10
4
5
Anak2(5:8) = 9 10
4
5
Sisa gen ibu = 1 8 6 3 2 7
Anak2(9:10)= 1 8
Anak2(1:4)= 6 3 2 7

Anak 1 : 1 10
5 7 6 3 4 9 2 8
Anak 2 : 6
3
2 7 9 10 4 5 1 8

MUTASI
function MutKrom = TSPMutasi(Kromosom,JumGen,Pmutasi)
MutKrom = Kromosom;
For i=1:JumGen,
if rand < Pmutasi,
TM2 = 1 + fix(rand*JumGen);
while TM2==i,
TM2 = 1 + fix(rand*JumGen);
end
temp = MutKrom(i);
MutKrom(i) = MutKrom(TM2);
MutKrom(TM2) = temp;
end
end

HASIL MUTASI
>> TSPMutasi(Y,10,0.005)
ans =
8
7
3
2
4
5
1
9
6 10
10
3
5
2
6
8
9
4
1
7
1
9
8 10
7
3
6
5
2
4
10
8
1
7
6
5
3
4
2
9
2
8
1
7
6
9
4
3 10
5
2
8
1
3
9 10
4
5
7
6
1
5
8 10
6
3
4
9
2
7
7
3
4
8 10
9
1
5
2
6
5 10
4
2
6
9
1
3
8
7
10
1
4
3
5
2
7
6
9
8
5
3
1
2
6
4
7 10
9
8
4
8
1 10
7
2
3
9
6
5
10
4
6
8
2
5
9
1
7
3
6
1
3
2
4
5
8
9 10
7
6
7
2
8
3
9 10
5
4
1
10
6
3
4
9
2
5
7
1
8
4
7
6
5 10
2
3
1
8
9
2
9 10
5
6
8
4
3
7
1
6
9
1
7
3
4
2
8
5 10
1
9
7
8 10
4
3
5
2
6

HASIL OUTPUT

JalurTerbaik =
4
1

10

Terima kasih