Algoritma Genetika

Pertemuan 14
 Algoritma Genetika
 Genetic Algorithm (GA) adalah algoritma
pencarian yang didasarkan pada mekanisme
seleksi alamiah dan genetika alamiah
[GOL89].
 GA dimulai dengan serangkaian solusi awal (kromosom), yang disebut
populasi. Populasi ini akan ber-evolusi menjadi populasi yang berbeda
melalui serangkaian iterasi. Pada akhir iterasi, GA mengembalikan
anggota populasi yang terbaik sebagai solusi untuk problem tersebut.
Pada setiap iterasi (generasi), proses evolusi yang terjadi adalah
sebagai berikut:
 Dua anggota populasi (parent) dipilih berdasarkan pada suatu distribusi
populasi. Kedua anggota ini kemudian dikombinasikan atau dikawinkan
melalui operator crossover (pindah silang) untuk menghasilkan anak
(offspring).
 Dengan probabilitas yang rendah, anak ini akan mengalami perubahan oleh
operator mutasi.
 Apabila anak sesuai untuk populasi tersebut, suatu skema penggantian
(replacement scheme) diterapkan untuk memilih anggota populasi yang
akan digantikan oleh anak.
 Proses ini terus berulang sampai dicapai kondisi tertentu, misalnya sampai
jumlah iterasi tertentu.
 Sifat-Sifat Khusus GA
[GOL89]:
1. GA bekerja dengan sebuah pengkodean dari
kumpulan parameternya sendiri.
2. GA mencari dari sebuah populasi titik-titik, bukan
dari sebuah titik tunggal.
3. GA hanya menggunakan informasi hasil (fungsi
objektif), bukan menurunkan dari bantuan
pengetahuan lain.
4. GA menggunakan kemungkinan aturan transisi,
bukan aturan-aturan deterministik.
Operator-operator GA
1. Reproduksi (seleksi orang tua)
2. Pindah Silang (Cross Over)
3. Mutasi
1. Reproduksi
 Reproduksi merupakan sebuah proses dimana
sebuah string individu disalin kembali menjadi
individu-individu baru yang siap menjadi orang tua.
 Mekanisme reproduksi menggunakan cross over dan
mutasi. Pemilihan individu orang tua bergantung
pada nilai fungsi fitness dari individu-individu
tersebut di dalam populasinya.
 Kegunaan dari pemilihan orang tua dalam GA adalah
untuk memberikan kesempatan bereproduksi
terhadap seluruh anggota populasi yang terbaik. Ada
banyak cara untuk menyelenggarakan pemilihan
orang tua, salah satunya adalah pemilihan orang tua
Roulette Wheel.
Ilustrasi seleksi dengan Mesin Roulette Wheel
2. Pindah Silang (Cross Over)
 Pindah Silang Satu Titik
 Pindah Silang (Cross Over)
 Pindah Silang Dua Titik

 Operator pindah silang dapat dilakukan dengan lebih dari dua titik. Tetapi
jumlah titik potong yang semakin banyak akan memperendah kualitas solusi
yang didapatkan. Hal ini disebabkan operasi pindah silang terlalu sering
merusak kromosom yang baik.
Pindah Silang pola seragam

 Dalam contoh ini pindah silang dilakukan berdasarkan suatu

pola tertentu. Pindah silang dilakukan jika pola bernilai 0.
 3. Mutasi
 Mutasi diperlukan untuk mengembalikan
informasi bit yang hilang akibat cross over.
 Mutasi diterapkan dengan probabilitas sangat
kecil.
 Jika mutasi dilakukan terlalu sering, maka
akan menghasilkan individu yang lemah
karena konfigurasi bit pada kromosom yang
unggul akan dirusak.
 Berdasarkan bagian yang termutasi,
proses mutasi dapat dibedakan atas 3
bagian :
 Tingkat kromosom : semua gen dalam kromosom berubah.
Gen yang bernilai 0 jadi 1, gen yang bernilai 1 jadi 0

 Tingkat gen : semua bit dalam satu gen akan berubah.

Misalnya gen 2 yang mengalami mutasi

 Tingkat bit : hanya satu bit yang berubah

 Contoh 1 : Algoritma Genetika untuk
Traveling Salesman Problem (TSP)
 Dua contoh individu AG untuk masalah TSP
Contoh 2 : Algoritma Genetika
untuk Learning
 Tabel 1. Data penerimaan
pegawai

Pelamar IPK Psikologi Wawancara Diterima

P1 Bagus Tinggi Baik Ya
P2 Bagus Sedang Baik Ya
P3 Bagus Sedang Buruk Ya
P4 Bagus Rendah Buruk Tidak
P5 Cukup Tinggi Baik Ya
P6 Cukup Sedang Baik Ya
P7 Cukup Sedang Buruk Ya
P8 Cukup Rendah Buruk Tidak
P9 Kurang Tinggi Baik Ya
P10 Kurang Sedang Buruk Tidak
P11 Kurang Rendah Baik Ya
Pohon Keputusan
Wawancara

Baik Buruk

Ya Psikologi

Tinggi Rendah
Sedang

Tidak Tidak
IPK

Bagus Cukup Kurang

Ya Tidak
Ya
 Dengan demikian, persamaan berikut dapat
menggantikan pohon keputusan tersebut
dalam mengklasifikasikan sampel data ke
dalam kelas ‘Ya’ dan ‘Tidak’.
(Wawancara=‘Baik’)ν
((Wawancara=‘Buruk’)Λ(Psikologi=‘Sedang’)
Λ(IPK=‘Bagus’)) ν
((Wawancara=‘Buruk’) Λ (Psikologi=‘Sedang’)
Λ(IPK=‘Cukup’))
Diterima = ‘Ya’
 Ketiga aturan tersebut, secara
berturut-turut dapat
direpresentasikan sebagai :
IPK Psikologi Wawancara Diterima
111 111 10 1
100 010 01 1
010 010 01 1

 Dimana tiga bit pada IPK menyatakan tiga buah nilai :’Bagus”, “Cukup”,
“Kurang”.
 Tiga bit pada Psikologi menyatakan tiga buah nilai :’Tinggi’, ‘Sedang’,
‘Rendah’.
 Dua bit pada Wawancara menyatakan dua buah nilai :’Baik’, ‘Buruk’.
 Jika ketiga bit pada IPK bernilai 1, maka hal itu berarti bahwa atribut
IPK tidak diperhatikan.
 Pada aturan pertama, IPK dan Psikologi tidak diperhatikan, sehingga
ketiga bit untuk kedua atribut tersebut bernilai 1.
 Sedangkan dua bit pada ‘Wawancara’ bernilai 1 0 menyatakan
wawancara = ‘Baik’.
Dengan demikian, kita bisa mengkodekan aturan pada
persamaan sebagai suatu individu AG berikut :
TERIMA KASIH
 MATERI UAS :
 LEARNING
 ID3
 JST
 AG