CRITICAL

BOOK REPORT
ALGORTMA GENETIKA

Kelompok 2 – Ilmu Komputer B 2019

 Kelompok 2
Anggota 1 Anggota 2 Anggota 3 Anggota 4 Anggota 5

Muhamad Rifqi Silvya Ajeng R Putri Angela

Nur Anisa Fitria Nazifatul Fadhilla
Naufal Saraski Parapak
4193550005 4193250016
4193250018 4193550004 4191250006

Notes
Ilmu Komputer B 2019 – FMIPA UNIMED
 Materi yang akan
dibahas
BAB I PENDAHULUAN
(Latar Belakang, Rumusan Masalah, Tujuan)

CBR
Alogarit BAB II PEMBAHASAN
(Identitas, Ringkasan Kelebihan & Kekurangan buku)

ma
Genetika BAB III PENUTUP
(Kesimpulan, Saran)
 BAB I PENDAHULUAN

Latar Belakang Rumusan Tujuan

Konsep yang dipergunakan dalam
Algoritma Genetika adalah
Masalah 1. Untuk mengetahui
mengikuti apa yang dilakukan oleh
1. Apa kelebihan dan kelebihan dan
alam. Tidak seperti teknik-teknik kekurangan dari masing- kekurangan dari masing-
optimasi tradisional yang sudah masing buku ? masing buku.
ada sebelumnya, algoritma 2. Bagaimana cara kerja 2. Untuk mengetahui solusi
genetika bekerja tidak secara setiap permasalahan dari setiap
langsung pada parameter-
parameter permasalahan yang ada.
optimasi yang dibahas permasalahan optimasi
Sebaliknya, algoritma genetika pada masing-masing yang dibahas pada
mulai bekerja pada calon-calon buku ? masing-masing buku.
solusi, yang dikodekan terlebih
dahulu ke dalam bentuk kromosom.
 BAB II PEMBAHASAN

Buku Pertama Buku Kedua

Judul : Algoritma Genetika Teori Judul : Penerapan Algoritma
dan Aplikasinya Untuk Bisnis dan Genetika Pada Permasalahan
Industri Distribusi dan Rute Kendaraan

Penulis : Yandra Arkeman, Kudang

Identitas Penulis : Dewi Agushinta R., Emirul
Boro Seminar, Hendra Gunawan Buku Bahar, Rossi Septy Wahyuni

Penerbit : IPB Press Penerbit : Gunadharma

ISBN : 9-786029-438703
ISBN : 978-979-493-437-1
Tahun Terbit : 2016
Tahun Terbit : 2012
 Ringkasan Buku Pertama
Kasus 1 : Optimasi Fungsi Sederhana

Misalkan akan dicari nilai

maksimum dari fungsi
fitnessdengan wilayah
pencariannya adalah.. Grafik
fungsi ini dapat dillhat pada
Gambar
 Ringkasan Buku Pertama
Untuk menyelesaikan masalah tersebut, langkah-langkah yang dilakukan adalah sebagai berikut:

Representasi kromosom
Langkah pertama yang dilakukan adalah mengkodekan wilayah pencarian ke
dalam kromosom biner. Panjang kromosom bergantung pada tingkat
ketelitian yang diinginkan. Panjang kromosom yang diperlukan (disimbolkan
oleh lchrom) dihitung dengan menggunakan rumus:

< (b-a) x 
 Ringkasan Buku Pertama
Untuk menyelesaikan masalah tersebut, langkah-langkah yang dilakukan adalah sebagai berikut:

Representasi kromosom
Langkah pertama yang dilakukan adalah mengkodekan wilayah pencarian ke dalam
kromosom biner. Panjang kromosom bergantung pada tingkat ketelitian yang
diinginkan. Panjang kromosom yang diperlukan (disimbolkan oleh lchrom)
dihitung dengan menggunakan rumus: < (b-a) x 

Oleh karena kromosom yang digunakan berbentuk biner, deret biner ini perlu
dikonversi ke dalam bentuk desimal. Pengonversian dilakukan dengan
menggunakan rumus sebagai berikut: 𝑏− 𝑎
𝑥=𝑎+ 𝑑𝑒𝑠𝑖𝑚𝑎𝑙 ( 𝑠𝑡𝑟𝑖𝑛𝑔 ) × 𝐿𝑐h𝑟𝑜𝑚 −1
2
 Ringkasan Buku Pertama

Nilai desimal untuk kromosom di atas adalah 95003, dan nilai variabel dihitung sebagai berikut:
10 − 0
𝑥=0+ 95003< 17 =7,2482
2 −1

Nilai fitness untuk kromosom dengan nilai sebesar 7,2482 adalah :

2
𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑣 𝑗 = 𝑓 ( 7,2482 )=(7,2482) =52,5365
 Ringkasan Buku Pertama

Hasil Eksperimen
Dalam eksperimen, nilai- nilai parameter algoritma genetika yang digunakan adalah sebagai
berikut : jumlah populasi (PopSize)=20, generasi maksimum (MaxGen)=600, peluang
penyilangan (Pc)=0.85, dan peluang mutasi (Pm)=0,10. Hasil eksperimen tersebut disajikan
dalam 2 buah gambar yaitu Gambrar 3.2 dan Gambar 3.3.
Ringkasan Buku Pertama

Pada Gambar 3.2 dapat kita lihat generasi awal yang

terdiri atas 20 kromosom dengan nilai fitness yang
berbeda-beda. Nilai fitness in diperoleh secara
langsung dari fungsi Nilai fitness maksimum yang
muncul adalah 60,9848 dan nilai fitness minimum
adalah 0,0022. Kromosom-kromosom tersebut
kemudian akan diseleksi untuk dijadikan kromosom
induk: Kromosom-kromosom yang terpilih kemudian
akan dikembangbiakkan (disilangkan atau
dimutasikan) untuk membentuk keturunan-keturunan
pada generasi berikutnya. Tentu saja kromosom yang
memiliki nilai fitnessbesarmemiliki peluang untuk
terpilih menjadi kromosom induk.
 Ringkasan Buku Pertama
Berikutnya, pada Gambar 3.3 dapat kita lihat
grafik perubahan nilai fitness (rata-rata dan
maksimum) hingga mencapai 600 generasi.
Nilal maksimum yang didapat ialah dengan nilai
, dan . Untuk nilal fitness rata-rata, terjadi
peningkatan yang cukup signifikan hingga
generasi ke-70, tetapi kemudian antar generasi
ke-70 dan generasi ke-100 terjadi penurunan
dikarenakan tidak terdapatnya proses elitisme
untuk mempertahankan kromosom yang baik.
Secara umum proses pencarian yang dilakukan
algoritma genetika sudah optimal dengan
berhasil menemukan nilai yang maksimum.
 Ringkasan Buku Kedua

Masalah Rute Kendaraan Angkut

Salah satu masalah pada aspek transportasi adalah masalah rute kendaraan
angkut atau yang dikenal dengan istilah Vehicle Routing Problem (VRP),
yang merupakan model perencanaan optimal rute transportasi sekelompok
kendaraan. Setiap kendaraan digunakan untuk berbagai penghantaran
barang dalam rute tersebut. Pada permasalahan sederhana, misalkan
terdapat sekelompok pelanggan yang tinggal di berbagai daerah geografis,
setiap pelanggan dapat dikirim sejumlah barang. Setiap pelanggan dikaitkan
dengan sebuah titik pada daerah yang diinginkan.
 Ringkasan Buku Kedua

Produk dan Armada Pengiriman

Alat transportasi yang digunakan untuk

melakukan pengiriman bunga menggunakan
mobil boks berpendingin dengan suhu rata-rata
8ºC. Selain itu untuk menjaga kondisi bunga
agar tetap baik maka bunga dikemas dan
dilakukan pengepakan menggunakan karton dus
(kardus) yang cukup kuat sehingga tidak akan
rusak saat disusun secara bertindihan di dalam
kendaraan.
 Ringkasan Buku Kedua
Lokasi Pelanggan (Rute)

Lokasi pendistribusian bunga krisan tersebar ke beberapa titik

distribusi di berbagai wilayah. Data jarak yang diperlukan untuk
pengolahan adalah jarak antara depot dengan titik distribusi (customer)
dan jarak antar titik-titik distribusi tersebut.
pada gambar 4.1. Depot diberi nomor 0 dan
titik distribusi lain (customer) diberi nomor 1
sampai 6 sesuai dengan jumlah customer.
Pengukuran jarak antara dua titik dilakukan
dengan
mengikuti alur jalan yang ada pada peta
sehingga data jarak yang diperoleh dapat
mendekati jarak aktual yang ditempuh oleh
vehicle (kendaraan).
 Ringkasan Buku Kedua
Data jarak dari depot menuju titik distribusi dan jarak antar titik-titik distribusi
dituangkan dalam bentuk matriks jarak, ditunjukkan di tabel 4.4. Hasil data jarak yang
diperoleh digunakan sebagai dasar proses perhitungan Algoritma Genetika.
 Ringkasan Buku Kedua
SOLUSI ALGORITMA GENETIKA PADA MASALAH RUTE KENDARAAN ANGKUT
Model Simulasi
Pada bagian ini akan dijelaskan simulasi proses dari Algoritma Genetika dengan menggunakan masalah
rute kendaraan. Simulasi akan terdiri dari langkah Algoritma Genetika yaitu pemodelan kromosom,
inisialisasi populasi, evaluasi, selection, crossover, mutasi, proses elitisme, pergantian populasi hingga
proses repair.
Pemodelan Kromosom
 

Kromosom menyatakan salah satu solusi yang mungkin. Terdiri dari kumpulan gen baik dalam bentuk biner,
float maupun kombinatorial. Di dalam kromosom berisi informasi banyaknya vehicle serta penugasan vehicle
terhadap tiap customer (HFVRP). Visualisasi kromosom dapat dilihat pada gambar 5.2.
Kromosom menggunakan sebuah gen
khusus bernilai 0 yang merupakan pemisah
antar setiap rute, dengan asumsi tidak
boleh ada kota yang menggunakan id 0,
sehingga ilustrasi pada gambar 5.2 jika
dituliskan dalam bentuk kromosom akan
menjadi A {1, 5, 0, 4, 3, 0, 2, 0, 6}.
 Ringkasan Buku Kedua
Inisialisasi Populasi
Tahap inisialisasi populasi merupakan tahap pembangkitan populasi awal secara random berdasarkan
masukan titik awal dan titik tujuan. Inisialisasi populasi awal ditunjukkan pada tabel 5.1 dengan
menggunakan popsize = 5, akan menghasilkan 5 buah parent yang hanya muncul tepat 1 dari
masingmasing node. Setiap parent memiliki 6 buah node (gen) sesuai dengan jumlah customer yang
akan dikunjungi vehicle.
 Ringkasan Buku Kedua
Evaluasi
Fungsi evaluasi akan menghasilkan suatu nilai yang disebut sebagai fitness value, hasil nilai
tersebut dapat mengukur kualitas dari suatu kromosom (yang mewakili sebuah solusi). Nilai fitness
dilihat dari total jarak yang harus ditempuh vehicle dalam sebuah solusi rute. Pada kasus ini,
semakin rendah nilai fitness atau total jarak yang ditempuh, maka solusi semakin baik. Ini
dikarenakan jarak tempuh vehicle semakin minim yang akan berbanding lurus dengan biaya yang
harus dikeluarkan vehicle untuk melakukan aktivitas distribusi.
 Ringkasan Buku Kedua
 Selection
Tahap selection merupakan proses pemilihan beberapa kromosom dari keseluruhan
populasi untuk dikenai operasi-operasi Algoritma Genetika lainnya. Metode
selection yang digunakan pada kasus ini adalah Roulette Wheel Selection.

Dari tabel 5.3, nilai fitness masing-masing

kromosom didefinisikan dari jarak total sebuah rute.
Hasil fitness value terkecil mempunyai
kemungkinan terpilih besar atau mempunyai nilai
probabilitas yang tinggi. Untuk itu dilakukan
pencarian inverse berupa kebalikan nilai fitness (1/
fitness value) untuk menyatakan probabilitas suatu
solusi P[i] = inverse[i]/ total_inverse. Kemudian
nilai probabilitas diubah dalam bentuk persentase
sehingga didapat range masing-masing kromosom
dari angka 1 sampai 100 pada actual count.
 Ringkasan Buku Kedua
Expected count menggambarkan gagasan parent yang akan dikenai proses crossover dan
mutasi di mana expected count = inverse[i]/ avg_inverse Hasil seleksi membentuk populasi
baru untuk digunakan pada proses crossover yang digambarkan pada tabel 5.4. Tanda panah
pada tabel menunjukkan keterkaitan antar dua parent yang akan dikenai proses persilangan.
 Ringkasan Buku Kedua

Crossover
Pada tahap ini, melibatkan dua parent yang diambil dari hasil selection tahap
sebelumnya untuk membentuk suatu kromosom baru. Crossover tidak selalu
dilakukan pada semua individu yang ada. Hanya individu yang terpilih secara acak
yang akan dikenai proses ini. Individu yang akan mengalami operasi crossover
adalah parent yang dihasilkan pada proses selection yaitu P2, P4 dan P5. Metode
crossover yang dipilih pada kasus ini adalah Partial-Mapped Crossover (PMX).
 
Kromosom[2] = Kromosom[2]>< Kromosom[4]
Kromosom[4] = Kromosom[4] >< Kromosom[5]
Kromosom[5] = Kromosom[5] >< Kromosom[2]
 Ringkasan Buku Kedua
1. Kromosom[2] >< Kromosom[4]

Menentukan child yang mengacu pada hubungan mapping

Penggunaan kromosom pada proses crossover

tanpa mengikutsertakan gen depot (0), susunan
kromosom hanya mengambil gen dari customer (1-
6). Dari proses ini didapat susunan kromosom[2] yaitu
 
Penukaran substring antar parent
0, 3, 2, 6, 1, 5, 4, 0.
 Ringkasan Buku Kedua
1. Kromosom[4] >< Kromosom[5]

Menentukan child yang mengacu pada hubungan mapping

Dari proses ini didapat susunan kromosom[4] yaitu 0, 4, 5,

3, 1, 2, 6, 0.
 Ringkasan Buku Kedua
1. Kromosom[5] >< Kromosom[2]

Menentukan child yang mengacu pada hubungan mapping

Dari proses ini didapat susunan kromosom[5] yaitu 0-5-2-4-

1-6-3-0.
 Ringkasan Buku Kedua
Semua kromosom hasil proses crossover yang telah didapat dari ketiga bagian
proses di atas kemudian dimasukkan ke dalam tabel yang membentuk populasi
baru seperti pada tabel 5.5
 Ringkasan Buku Kedua
Hasil Simulasi
Simulasi model menggunakan perangkat lunak Excel yang menggabungkan antara
metode Algoritma Genetika dengan Heterogeneous Fleet Vehicle Routing Problem
(HFVRP). Koordinat Lokasi di tabel 5.9 memakai koordinat polar yang langsung
memanfaatkan akses Sistem Informasi Geografis melalui layanan
www.bingsmapsportal.com.
 Kelebihan dan Kekurangan
Buku
Buku
Algoritma Genetika Teori dan
Aplikasinya Untuk Bisnis dan
Industri
 
Penerapan Algoritma Genetika
Pada Permasalahan Distribusi
dan Rute Kendaraan
Kelebihan Kekurangan
 Isi buku sangat cocok dijadikan  Buku ini hanya membahas
referensi untuk kasus optimasi kasus optimasi fungsi dan tidak
fungsi karena mudah mencantumkan contoh kasus-
dipahami. kasus optimasi lainnya.
 Memiliki contoh serta cara  Terdapat beberapa penjelasan
penyelesaiannya dan yang diulang oleh si penulis
mencantumkan hasil simulasi sehingga membuat pembaca
akhir setelah si penulis mungkin akan terasa jenuh.
menjelaskan tahap solusi yang
digunakan pada kasus optimasi
yang dibahas
 BAB III
PENUTUP
Kesimpulan
Algoritma Genetika dapat menghasilkan
peluang inovasi baik dalam bidang Pendidikan,
bisnis, industry maupun bidang lainnya. Seperti
pada buku dua, Algoritma genetika sangat
mampu dalam menyelesaikan kasus optimasi
permasalahan pada rute kendaraan. Sehingga
dengan adanya algoritma genetika akan lebih
memudahkan kita dalam menghadapi kasus-
kasus perhitungan optimasi seperti halnya yang
sudah dijelaskan sebelumnya.
Saran
Saran kami, jika anda ingin menambah
wawasan anda tentang permasalahan
optimasasi dengan Algoritma Genetika
maka sebaiknya anda menggnakan buku
kedua dikarenakan materi yang
dipaparkan sangat rinci walaupun ada
bagian penjelasan yang diulang, namun
buku ini sudah cukup sempurna untuk
dijadikan sebuah referensi.
TERIMA KASIH

SALAM DARI
KELOMPOK 2