1.

Algoritma Genetika
Algoritma genetika adalah teknik pencarian yang di dalam ilmu komputer
untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah
pencarian. Algoritma genetika adalah kelas khusus dari algoritma evolusioner
dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti
warisan, mutasi, seleksi alam dan rekombinasi (atau crossover)
Algoritma Genetika pertama kali dikembangkan oleh John Holland pada
tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman
kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial
Systems" pada tahun 1975.
Algoritma Genetika khususnya diterapkan sebagai simulasi komputer dimana
sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon
(disebut individual) pada sebuah masalah optimisasi akan berkembang menjadi
solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan
dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga penggunaan
penyandian (encoding) yang berbeda.
2. Evolusi
Evolusi dimulai dari sebuah populasi individual acak yang lengkap dan
terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan
populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang
(current) tersebut secara stochastic (berdasarkan kemampuan mereka), lalu
dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru
yang menjadi populasi sekarang (current) pada iterasi berikutnya dari algoritma.
Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan:
a. Representasi genetik dari penyelesaian
b. Fungsi kemampuan untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain
dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi
genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena
ukurannya yang tetap, yang memudahkan operasi persilangan sederhana.
Representasi panjang variabel juga digunakan, tetapi implementasi persilangan
lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam
pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.
Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur
kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada
masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah
benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas
yang tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap
bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah
obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini
valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan
penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika
representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau
bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada
kasus ini digunakan IGA.
Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan,
algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak,
dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operatoroperator mutasi, persilangan, dan seleksi.
3. Tutorial Algoritma Genetika
Algoritma genetik merupakan suatu metode yang menggunakan seleksi alam
yang merupakan bagian utama dari prinsip evolusi sebagai dasar pemikiran untuk
menyelesaikan suatu permasalahan. Prinsip ini dikemukakan oleh Charles
Darwin, dimana tanpa menghiraukan prinsip dasar penurunan sifat, Darwin
mengemukakan penggabungan kualitas induk pada generasi berikutnya,

disamping itu bahwa individu yang mampu beradaptasi dengan lingkunganya

akan mempunyai kesempatan hidup yang lebih besar.
Penggunaan prinsip genetika pada komputer dimulai pada tahun 1950 ketika
beberapa ahli Biologi mengunakan komputer untuk simulasi sistem biologi. Akhir
tahun 1975 John Holland dari Universitas Michigan melalui paper yang berjudul
Adaption in Natural and Artificial System mengunakan konsep dasar algoritma
genetika. Algoritma genetika bekerja dengan suatu populasi string dan melakukan
proses pencarian nilai optimal secara parallel, dengan mengunakan operator
genetika. Algoritma genetika akan melakukan rekombinasi antar individu.
Algoritma genetika memiliki elemen dasar berupa string yang tersusun dari
rangkaian substring (gen), yang masing-masing merupakan kode dari parameter
dalam ruang solusi dimana suatu string (kromosom) menyatakan kandidat solusi.
Kumpulan string dalam populasi berkembang dari generasi ke generasi melalui
operator genetika. Pada setiap iterasi, individu-individu (Kromosam) dalam
populasi itu akan dievolusi dan diseleksi untuk menentukan populasi pada
generasi berikutnya. Populasi ini akan terus berulang sampai menemukan suatu
parameter dengan nilai yang paling optimal sesuai dengan yang diinginkan.
Adapun struktur umum algoritma genetika dapat diilustrasikan pada gambar
berikut:

Gambar 1. Struktur umum Algoritma Genetika

Binary encoding dapat memberikan banyak kemungkinan pada kromosom

meskipun pada jumlah allele yang sedikit. Dilain pihak jenis encoding ini tidak
cukup natural untuk beberapa kasus tertentu dan kadang-kadang harus dilakukan
koreksi setelah melakukancrossover atau mutasi, contoh penggunaan Binary
encoding adalah pada permasalahanknapsack atau pengepakan, dimana ada
beberapa barang dengan jumlah dan ukuran masing-masing dan knapsack harus
memberikan kapasitasnya untuk barang-barang tersebut, permasalahanya adalah
bagaimana memilih barang untuk memaksimalkan jumlah barang sehingga dapat
ditampung olehk napsack tanpa harus menambah kapasitasnya.
Istilah-istilah yang digunakan dalam Algoritma genetika ini hampir sama
dengan istilah-istilah yang dipakai dalam bidang biologi genetika, antara lain Gen,
Kromosom, Populasi, Fungsi Fitness, dan operator genetika yang meliputi mutasi
dan crossover.
Gen adalah suatu sel dari suatu kromosom atau nilai yang terdapat dalam
Algoritma genetika ini dapat dibentuk oleh sebuah byte bahkan tidak menutup
kemungkinan suatu string. Gen ini mewakili sebagian kecil dari solusi
permasalahan.
Individu dalam populasi disebut string, genotype atau kromosom-kromosom
terdiri dari unit-unit yang dinamakan Gen, Karakter, Decoder. Kromosom ini
dapat mewakili suatu solusi, dimana dapat diilustrasikan dalam gambar dibawah
ini:

Gambar 2. Kromosom dalam

Untuk mempresentasikan kromosom dilakukan dengan proses encoding,
dibawah ini akan dijelaskan beberapa proses encoding yang biasa digunakan
dalam beberapa kasus tertentu.

3.1 Permutation Encoding

Untuk jenis Permutation Encoding ini digunakan untuk permasalahan proses
pengurutan, misalnya terdapat kasus optimasi jadwal atau pada kasus traveling
salesman. Pada Permutation Encoding, setiap Gen pada kromosom berupa angka
dimana dapat ditampilkan seperti gambar di bawah ini:

Gambar 3. Permutation Encoding

Permutation Encoding hanya berlaku untuk permasalahan pengurutan, untuk
itu dalam kasus-kasus yang ada pada Permutation Encoding terdapat beberapa
jenis crossover dan mutasi yang harus dibuat untuk mempertahankan kromosom
agar tetap konsisten. Contoh penggunaan Permutation Encoding ini adalah pada
kasus trvelling salesman, dimana terdapat beberapa kota dengan jarak masingmasing. Pada kasus traveling salesman ini seorang salesman harus mengunjungi
semua kota yang ada, tetapi tidak harus berjalan jauh untuk mencapai seluruh
kota. Permasalahanya adalah menentukan urutan kota yang akan dikunjungi untuk
meminimalisasi jarak yang harus ditempuh.
3.2 Binary encoding
Binary encoding adalah jenis encoding yang paling sering digunakan karena
kasus pertama yang ada pada Algiritma Genetik menggunakan algoritma jenis ini.
Setiap kromosom padaBinary encoding merupakan bit 0 dan 1 dimana dapat
ditampilkan pada gambar bawah:

Gambar 4. Binary encoding

Binary encoding dapat memberikan banyak kemungkinan pada kromosom

meskipun pada jumlah Gen yang sedikit. Dilain pihak jenis encoding ini tidak
cukup natural untuk beberapa kasus tertentu dan kadang-kadang harus dilakukan
koreksi setelah melakukancrossover atau mutasi, contoh penggunaan Binary
encoding adalah pada permasalahanknapsack atau pengepakan, dimana ada
beberapa barang dengna jumlah dan ukuran masing-masing dan knapsack harus
memberikan kapasitasnya untuk barang-barang tersebut, permasalahanya adalah
bagaimana memilih barang untuk memaksimalkan jumlah barang sehingga dapat
ditampung oleh knapsack tanpa harus menambah kapasitasnya.
3.3 Crossover
Crossover adalah operator algoritma genetika yang membutuhkan parameter
dua kromosom. Dua buah kromosom tersebut disebut kromosom induk. Operator
ini akan menghasilkan dua buah kromosom baru. Ada beberapa jenis crossover
yang sering digunakan dalam algoritma genetika antara lain:
1. Ordered Based Crossover
Ordered based Crossover diawali dengan menentukan posisi-posisi gen secara
random pada induk pertama misalnya didapatkan posisi 3,4,6 dan 9 pada induk.
P1= ( 1 2 3 4 5 6 7 8 9 )
P1= ( 4 5 2 1 8 7 6 9 3 )
Kemudian Gen-gen pada induk yang berada tepat dibawah posisi-posisi tersebut
dicatat yaitu 2,1,7 dan 3 untuk Q1 disalin dari P1 dengan menghilangkan angkaangka 2,1,7 dan3 tersebut sehingga menjadi
Q1= ( x x x 4 5 6 x 8 9 )
Subset 2,1,7, dan 3 ini di masukan dalam Q1 dimulai dari kiri dengan
mempertahankan urutan sehingga menjadi
Q1 = (2 1 7 4 5 6 3 8 9)

Untuk Q2 diperlukan sama hanya perlu meukar induk pertama menjadi induk
kedua dan induk kedua menjadi induk pertama yang menjadi:
Q2 = (3 5 2 1 8 7 4 6 9)
2. One-Point Crossover
Contoh kerja operator ini adalah dengan menentukan crossover point (gen
tertentu). Kromosom baru pertama berisi gen pertama sampai gen crossover point
dari kromosom induk pertama ditambah dengan gen dari crossover point sampai
gen terakhir dari kromosom induk kedua. Kromosom baru kedua berisi gen
pertama sampai gen crossover point dari induk kedua ditambahkan dengan gen
dari crossover point sampai gen dari kromosom induk pertama. Adapun metode
crossover ini dapat diilustrasikan pada gambar berikut:

Gambar 5. Proses crossover dengan satu crossover point

Dari ilustrasi di atas maka contoh penerapan metode One-Point Crossover
adalah sebagai berikut:
Parent 1: 1 2 3 4 5 | 6 7 8 9
Parent 2: 4 5 3 6 8 | 9 7 2 1
Setelah proses crossover turunan yang dapat dihasilkan adalah dari kedua parent
diatas adalah:
Parent 1: 1 2 3 4 5 | 9 7 2 1
Parent 2: 4 5 3 6 8 | 6 7 8 9

3. Two-Point Crossover
Proses Two-Point Crossover hampir sama dengan prosedur One-Point
Crossover, kecuali pada Two-Point Crossover harus dipilih dua crossover point
dan hanya gen yang ada di antara kedua crossover point itu yang akan ditukarkan.
Metode ini dapat menjadi bagian awal dan akhir dari kromosom dan hanya
menukar bagian tengahnya saja.
4. N-Point Crossover
Prosedur N-Point Crossover hampir sama baik dengan prosedur one-point
crossover maupuntwo-point crossover, hanya saja dalam n-point crossover ini
harus dipilih n crossover point dan hanya gen di antara crossover point ganjil dan
genap yang dapat ditukarkan sedangkan gen diantara genap dan ganjil operator
crossover tidak berubah. Atau dengan kata lain harus dipilih posisi n dan hanya bit
antara ganjil dan genap posisi crossover yang akan dihilangkan.
Contoh:
P1= 9 7 6 3 2 8
P2= 2 1 9 7 4 5
Jika didapatkan angka random untuk n=3 dan diacak 1,2 dan 4 sebagai posisi dari
gen yang akan di crossover, didapatkan kromosom turunan:
T1= 9 1 6 3 4 5
T2= 2 7 9 7 2 8
3.4 Mutasi
Mutasi adalah operator yang membutuhkan satu perameter. Kromosom
operator ini merupakan nilai suatu gen dari sebuah kromosom sehingga
kromosom yang baru ini berbeda dengan kromosom yang lama. Sekumpulan
kejadian dengan suatu nilai pelanggaran maksimal dapat dengan mudah

dihilangkan selama evaluasi fitness tujuan dari proses mutasi ini, untuk
mempertahankan kehilangan permanent dari suatu bit atau gen (Whitley,
1993:16). Seluruh proses mutasi ini menjanjikan keuntungan melalui pengarahan
mutasi kemana mutasi ini tersebut sangat dibutuhkan. Oprator mutasi digunakan
untuk melakukan modifikasi satu atau lebih dari nilai gen dalam individu yang
sama. Mutasi memastikan bahwa probabilitas untuk pencarian pada daerah
tertentu dalam persoalan tidak akan pernah nol dan mencegah kehilangan total
materi genetika setelah pemilihan dan penghapusan. Mutasi ini bukanlah operator
genetika yang utama, yang dilakukan secara acak pada gen dengan kemungkinan
yang lebih kecil. Metode ini disebut metasi gen (gene mutation) terdapat metode
lain yaitu: order mutation dimana dimungkinkan untuk menghilangkan seluruh
gen dari dua gen yang dipilih secara acak. Terdapat empat operator yang biasa
digunakan untuk permasalahan penjadwalan antara lain:
1. Violation Directed Mutation (VDM)
Memilih sutatu kejadian dengan suatu nilai pelanggaran maksimal, dan
secara acak mengubah waktu penugasan.
2. Event Freeing Mutation (EFM)
Memilih suatu kejadian dengan sauatu pelanggaran maksimal, kemudian
memberi waktu baru yang mana akan mengurangi secara maksimal angka ini.
Secara stokastik memilih suatu kejadian ,bias melalui kejadian itu dengan
nilai pelanggaran yang tinggi, kemudian secara stokastik memilh waktu baru
untuk kejadian ini, bisa melalui waktu yang mana akan mengurangi secara
maksimal angka pelanggaran kejadian.
3. Fungsi Objektif
Fungsi objektif adalah tujuan dari optimasi permasalahan. Biasanya fungsi
objektif ini hanya dua macam yaitu memaksimalkan dan meminimalkan.

4. Model Pengembangan Algoritma Genetika

Algoritma genetika menyelesaikan permasalahan dengan cara menghasilkan,
mengubah dan mengevaluasi kandidat solusi dari permasalahan tersebut. Awalnya
sebuah populasi acak yang terdiri dari kromosom-kromosom di hasilkan
kemudian kromosom-kromosom itu diubah oleh operator genetika yaitu crossover
dan mutasi, kemudian kromosom-kromosom tersebut dievaluasi oleh fungsi
fitness.
Terdapat beberapa cara dalam menentukan inisialisasi diantaranya biner dan
non biner. Untuk inisialisasi masalah penjadwalan yang paling sederhana dapat
dilihat sebagai masalah penetapan V even atau kejadian dalam S selang waktu
dengan kata lain definisi dari masalah penjadwalan adalah:
E adalah definisi dari sejumlah V even (e1, e2, .en)
T adalah definisi dari sejumlah S selang waktu (t1, t2, tn)
Berdasarkan definisi tersebut maka permasalahan penjadwalan tersebut
ditetapkan sebagai pasangan terurut (a, b) yang berarti a E dan b T, dengan
intepretasi bahwa even a terjadi pada selang waktu b.
Terdapat berbagai versi pengkodean masalah penjadwalan diantaranya adalah
representasi klasik dan representasi Tuples. Dalam representasi kalsik digunakan
matrik dua dimensi. Bagian kolom merupakan bagian produksi dan bagian baris
merupakan interval waktu. Isi dari matrik M(i,j) adalah staf atau karyawan yang
mengerjakan WO dan jumlah shiftnya. Jadi matrik M(i,j) dibaca sebagai
karyawan dengan shift m mengerjakan WOpada bagian produksi.
Metode penentuan lokasi awal sangat berpengaruh terhadap kinerja algoritma
genetika. Ada dua cara yang bisa digunakan untuk menghasilkan dua populasi
awal. Cara yang pertama dengan menghasilkan seluruh kromosom secara acak.
Sedangkan cara yang kedua sebagain kromosom dihasilkan dengan metode
tertentu, yang dikenal dengan populasi awal terarah. Salah satu metode untuk
membangkitkan populasi awal adalah metodeJoshepus permutation.

Berikut adalah algoritma joshepus permutation:

Step 1 = [ Nilai awal ]
For i=1 to N Step1
Plist[i] 0
End for
N Loop random (N) + 1
F gen random (N) + 1
K=1
Step 2 = [ Isi nilai gen ]
Kromosom [k] F gen
Plist [F gen] 1
Step 3 = [ Cek kondisi ]
If ( K= n ) then go to Step 7
End if
Step 4 = [ Cari nilai gen selanjutnya ]
For i=1 to N Loop Step1
Repeat
F gen F gen + 1
If (F gen > N) then
F gen 1
Until Plist [F gen] <> 1
End if
End for
Step 5 = [ Naikan ounter k ]
K =K+1
Step 6 = [ Ulangi Step2 sampai Step 5 ]
Go to Step 2
Step 7 = [ Ulangi untuk kromosom selanjutnya ]
If Belum_semua_krm_telah_diinisialisasi then
Kromosom parameter_ke_krm_berikutnya_dalam_populasi
Go to Step 2
End if
Step 8 = [ Selesai ]
Return
Catatan : N adalah jumlah allele dalam seluruh kromosom, Plist adalah sebuah array dengan
jumlah element sebanyak N, random (x) adalah fungsi generator bilangan random antara 0 sampai
x-1. element array dimulai dari 1. kromosom adalah element dari array populasi yang menampung
urutan allele.

3.5 Fungsi Evaluasi atau Fungsi Fitness

Fungsi adalah salah satu aspek terpenting dalam algoritma genetika. Fungsi
evaluasi yang baik harus mampu menghasilkan suatu kurva silo. Siklus yang
cukup baik dan dapat mewakili permasalahan yang dihadapi.
Pengumpulan dini dalam algoritma genetika terjadi ketika beberapa
kromosom dengan nilai fitness yang tinggi (tapi bukan optimal) memdominasi
populasi dengan mengakibatkan algoritma genetika konvergen pada local optima.
Ketika populasi konvergenkemampuan algoritma genetika untuk mencari solusi
manjadi lebih baik. Crossover antara kromosom yang hampir identik
menghasilkan kromosom baru yang identik dalam operasi ini hanya operasi
mutasi yang mampu menghasilkan kromosom yang relatif baru dan merupakan
cara untuk menghidarkan kromosom yang super mendominasi populasi.

Sumber

http://www.metode-algoritma.com/2013/02/algoritma-genetika.html,

diakses tanggal 19 Oktober 2014 jam 04:29 WIB