ALGORITMA GENETIKA

A. SEJARAH ALGORITMA GENETIKA

Algoritma genetika pertama kali ditemukan oleh Jhon Holland dari Universitas Michigan
pada awal 1970-an di New York, Amerika Serikat. Jhon Holland bersama murid- muridnya
serta rekan kerjanya lalu menghasilkan buku yang berjudul “Adaption in Natural and
Artificial Systems” pada tahun 1975, yang cara kerjanya berdasarkan pada seleksi dan
genetika alam. Konsep yang dipergunakan dalam algoritma genetika adalah mengikuti apa
yang dilakukan oleh alam.
Algoritma genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah
populasi representasi abstrak (kromosom) dari solusi-solusi calon (individual) pada sebuah
masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional
solusi-solusi tersebut dilambangkan dalam biner sebagai string '0' dan '1', walaupun
dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari
sebuah populasi individual acak yang lengkap dan terjadi dalam generasigenerasi.
Dalam tiap generasi kemampuan keseluruhan populasi dievaluasi, kemudian multiple
individuals dipilih dari populasi sekarang (current) secara stochastic (berdasarkan
kemampuan mereka) lalu dimodifikasi (dengan mutasi atau rekombinasi) menjadi bentuk
populasi baru yang menjadi populasi sekarang (current) pada iterasi berikutnya dari
algoritma.

B. PENGERTIAN ALGORITMA GENETIKA

Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang
kemudian diadopsi menjadi algoritma komputasi yang biasa digunakan untuk memecahkan
suatu pencarian nilai dalam sebuah masalah optimasi. Algoritma ini didasarkan pada proses
genetik yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi
yang alami, secara lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia yang
bertahan (survive)”. Dengan meniru teori evolusi ini, algoritma genetika dapat digunakan
untuk mencari solusi permasalahan-pemasalahan dalam dunia nyata.

Ada 4 kondisi yang sangat mempengaruhi proses evolusi, yaitu :

1. Kemampuan organisme untuk melakukan reproduksi,
2. Keberadaan populasi organisme yang bias melakukan reproduksi,
3. Keberagaman organisme dalam suatu populasi dan
4. Perbedaan kemampuan untuk survive.
 Gambar 1 - Flowchart Algoritma Genetika

C. STRUKTUR UMUM ALGORITMA GENETIKA

Algoritma genetika memiliki struktur umum, antara lain :
1. Populasi, istilah pada teknik pencarian yang dilakukan sekaligus atas sejumlah
kemungkinan solusi.
2. Kromosom, individu yang terdapat dalam satu populasi dan merupakan suatu solusi
yang masih berbentuk simbol.
3. Generasi, populasi awal dibangun secara acak sedangkan populasi selanjutnya
merupakan hasil evolusi kromosom-kromosom melalui iterasi.
4. Fungsi Fitness, alat ukur yang digunakan untuk proses evaluasi kromosom. Nilai
fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi
tersebut.
5. Generasi berikutnya dikenal dengan anak (offspring) yang terbentuk dari gabungan
dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan
menggunakan operator penyilang (crossover).
6. Mutasi, operator untuk memodifikasi kromosom.
D. Komponen Utama Algoritma Genetika
Dalam algoritma genetika terdapat enam komponen utama, yaitu :
1. Teknik Penyandian
Teknik penyandian meliputi penyandian gen dari kromosom. Gen merupakan bagian
dari kromosom, satu gen biasanya mewakili satu variable. Gen dapat
direpresentasikan dalam bentuk : string bit, pohon, array bilangan real, daftar aturan,
elemen permutasi, elemen program dan lain-lain.
2. Prosedur Inisialisasi
Ukuran populasi tergantung pada permasalahan yang akan dipecahkan dan jenis
operator genetika yang akan diimplementasikan. Setelah ukuran populasi telah
ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat
pada populasi tersebut. Inisialisasi kromosom dapat dilakukan secara acak, namun
demikian harus tetap memperhatikan domain solusi dan kendala permasalahan yang
ada.
3. Fungsi Evaluasi
Ada dua hal yang harus dilakukan dalam melakukan evaluasi kromosom yaitu :
evaluasi fungsi objektif dan konversi fungsi objektif kedalam fungsi fitness
4. Seleksi
Memiliki tujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi
anggota populasi yang paling fit. Seleksi akan menentukan individu-individu mana
saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana offspring
terbentuk dari individu-individu terpilih tersebut. Langkah pertama yaitu pencarian
nilai fitness. Langkah kedua adalah nilai fitness yang diperolah digunakan pada
tahap-tahap seleksi selanjutnya.
Ada beberapa definisi yang bisa digunakan untuk melakukan perbandingan terhadap
beberapa metode yang akan digunakan, antara lain :
a. Selective Pressure : probabilitas dari individu terbaik yang akan diseleksi
dibandingkan dengan rata-rata probabilitas dari semua individu yang diseleksi.
b. Bias : perbedaan absolut antara fitness ternormalisasi dari suatu individu dan
probabilitas reproduksi yang diharapkan.
c. Spread : range nilai kemungkinan untuk sejumlah offspring dari suatu individu.
d. Loss of diversity: proposi dari individu-individu dalam suatu populasi yang tidak
terseleksi selama fase seleksi.
e. Selection intensity : nilai fitness rata-rata yang diharapkan dalam suatu populasi
setelah dilakukan seleksi (menggunakan distribusi Gauss ternormalisasi).
f. Selection variance : variansi yang diharapkan dari distribusi fitness dalam
populasi setelah dilakukan seleksi (menggunakan distribusi Gauss
ternormalisasi).
Ada beberapa metode seleksi dari induk, yaitu :
a. Rank-based fitness assignment
Populasi diurutkan menurut nilai objektifnya. Nilai fitness dari tiap-tiap individu
hanya tergantung pada posisi individu tersebut dalam urutan, dan tidak
dipengaruhi oleh nilai objektifnya.
b. Roulette wheel selection
Istilah lainnya adalah stochastic sampling with replacement. Individu-individu
dipetakan dalam suatu segmen garis secara berurutan sedemikian hingga tiaptiap
segmen individu memiliki ukuran yang sama dengan ukuran fitnessnya. Sebuah
bilangan random dibangkitkan dan individu yang memiliki segmen dalam
kawasan segmen dalam kawasan bilangan random tersebut akan terseleksi.
Proses ini berulang hingga didapatkan sejumlah individu yang diharapkan.
c. Stochastic universal sampling
Memiliki nilai bias nol dan penyebaran yang minimum. Individu-individu
dipetakan dalam suatu segmen garis secara berurut sedemikian hingga tiap-tiap
segmen individu memiliki ukuran yang sama dengan ukuran fitnessnya seperti
halnya pada seleksi roda roulette. Kemudian diberikan sejumlah pointer sebanyak
individu yang ingin diseleksi pada garis tersebut. Andaikan N adalah jumlah
individu yang akan diseleksi, maka jarak antar pointer adalah 1/N, dan posisi
pointer pertama diberikan secara acak pada range [1, 1/N].
d. Local selection
 Setiap individu yang berada di dalam konstrain tertentu disebut dengan nama
lingkungan lokal. Interaksi antar individu hanya dilakukan di dalam wilayah
tersebut. Lingkungan tersebut ditetapkan sebagai struktur dimana populasi
tersebut terdistribusi. Lingkungan tersebut juda dapat dipandang sebagai
kelompok pasangan-pasangan yang potensial. Langkah pertama yang dilakukan
adalah menyeleksi separuh pertama dari populasi yang berpasangan secara
random. Kemudian lingkungan baru tersebut diberikan pada setiap individu yang
terseleksi.
Struktur lingkungan pada seleksi lokal dapat berbentuk : linear (full ring dan half
ring), dimensi-2 (full cross dan half cross, full star dan half star), dan dimensi-3
dan struktur yang lebih kompleks yang merupakan kombinasi dari kedua struktur
diatas. Jarak antara individu dengan struktur tersebut akan sangat menentukan
ukuran lingkungan. Individu yang terdapat dalam lingkungan dengan ukuran
yang lebih kecil, akan lebih terisolasi dibandingkan dengan individu yang terletak
pada lingkungan dengan ukuran yang lebih besar.
e. Truncation selection
Merupakan seleksi buatan yang digunakan oleh populasi yang jumlahnya sangat
besar. Individu-individu diurutkan berdasarkan nilai fitnessnya. Hanya individu
yang terbaik saja yang akan diseleksi sebagai induk. Parameter yang digunakan
adalah suatu nilai ambang trunc yang mengindikasikan ukuran populasi yang
akan diseleksi sebagai induk yang berkisar antara 50% -10%. Individu-individu
yang ada dibawah nilai ambang tidak akan menghasilkan keturunan.
f. Tournament selection
Ditetapkan suatu nilai tour untuk individu-individu yang dipilih secara random
dari suatu populasi. Individu-individu yang terbaik dalam kelompok ini akan
diseleksi sebagai induk. Parameter yang digunakan adalah ukuran tour yang
bernilai antara 2 sampai N (jumlah individu dalam populasi).

5. Operator Genetika
Ada dua operator genetika dalam algoritma genetika, yaitu :
a. Operator untuk melakukan rekombinasi, yang terdiri dari :
i. Rekombinasi bernilai real, yaitu :
1. Rekombinasi diskrit : menukar nilai variabel antar kromosom induk.
2. Rekombinasi intermediate : metode rekombinasi yang hanya dapat digunakan
untuk variabel real. Nilai variabel anak dipilih di sekitar dan antara nilai-nilai
variable induk.
3. Rekombinasi garis : hamper sama dengan rekombinasi menengah, hanya saja
nilai alpha untuk semua variable sama.
4. Rekombinasi garis yang diperluas
ii. Rekombinasi bernilai biner (Crossover), yaitu :
1. Crossover satu titik
2. Crossover banyak titik
3. Crossover seragam
4. Crossover dengan permutasi
b. Mutasi, yang terdiri dari :
i. Mutasi bernilai real
 ii. Mutasi bernilai biner

6. Penetuan Parameter
Parameter adalah parameter control algoritma genetika, yaitu ukuran populasi
(popsize), peluang crossover (pc) dan peluang mutasi (pm). Rekomendasi untuk
menentukan nilai parameter :
i. Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong
merekomendasikan nilai parameter : (popsize; pc; pm) = (50;0,6;0,001)
ii. Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Grefenstette
merekomendasikan : (popsize; pc; pm) = (30;0,95;0,01)
iii. Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya
adalah : (popsize; pc; pm) = (80;0,45;0,01)
iv. Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis
permasalahan.

E. Hal-Hal Yang Harus Dilakukan Dalam Algoritma Genetika

Beberapa hal yang harus dilakukan dalam algoritma genetika adalah :
1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi
(penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah
individu atau baik-tidaknya solusi yang didapatkan.
3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan
dengan menggunakan pembangkitan acak seperti random-walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang
akan digunakan.

a. Pengertian individu
Individu menyatakan salah satu solusi yang mungkin. Individu bisa dikatakan
sama dengan kromosom, yang merupakan kumpulan gen. Gen ini bisa bersifat biner,
float, dan kombinatorial. Beberapa definisi penting yang perlu diperhatikan dalam
mendefinisikan individu untuk membangun penyelesaian permasalahan dengan
algoritma genetika adalah sebagai berikut :
1. Genotype (gen), sebuah nilai yang menyatakan satuan dasar yang
membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan
kromosom. Dalam algoritma genetika, gen ini bisa brupa nilai biner, float,
integer maupun karakter, atau kombinatorial.
2. Allele, nilai dari gen.
3. Kromosom, gabungan gen-gen yang membentuk nilai tertentu.
4. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu
solusi yang mungkin dari permasalahan yang diangkat.
5. Generasi, menyatakan satu siklus proses evolusi atau satu iterasi di dalam
algoritma genetika.
Gambar 2 - Ilustrasi representasi penyelesaian permasalahan dalam algoritma genetika

b. Nilai Fitness
Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu).
Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam algoritma
genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang
paling tinggi.
c. Elitisme
Proses seleksi yang dilakukan secara random sehingga tidak ada jaminan bahwa
suatu indvidu yang bernilai fitness tertinggi akan selalu terpilih. Walaupun individu
bernilai fitness tertinggi terpilih, mungkin saja individu tersebut akan rusak (nilai
fitnessnya menurun) karena proses pindah silang (crossover). Oleh karena itu, untuk
menjaga agar individu bernilaifitness tertinggi tersebut tidak hilang selama evolusi,
maka perlu dibuat satu atau beberapa copy-nya. Prosedure ini dikenal sebagai elitisme.

F. Hal-Hal Yang Harus Diperhatikan Dalam Pemakaian Algoritma Genetika

Beberapa hal yang perlu diperhatikan dalam pemakaian algoritma genetika adalah :
1. Algoritma genetika adalah algoritma yang dikembangkan dari proses pencarian
solusi menggunakan pencarian acak, ini terlihat pada proses pembangkitan
populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak.
2. Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang
memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik,
sehingga dalam proses evolusi dapat diharapkan diproleh individu yang terbaik.
G. Contoh Pemakaian Algoritma Genetika
Kita akan membahas sebuah contoh aplikasi algoritma genetika yang digunakan untuk
menyelesaikan masalah kombinasi. Misalkan ada persamaan :
“a + 2b + 3c + 4d = 30”
Kita mencari nilai a, b, c, dan d yang memenuhi persamaan diatas. Kita mencoba
menggunakan algoritma genetika untuk menyelesaikan permasalahan diatas.
Flowchart dari algoritma genetika untuk menyelesaikan permasalahan diatas dapat
dilihat dibawah ini.

Gambar 3 - Flowchart contoh penggunaan algoritma genetika

Penjelasan mengenai langkah-langkah penyelesaian permasalahan dari flowchart
diatas menggunakan algoritma genetika adalah sebagai berikut :
1. Pembentukan Kromosom
2. Karena yang dicari adalah nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai
gen-gen pembentuk kromosom. Batasan nilai variabel a adalah bilangan integer 0
sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan integer 0
sampai 10.
3. Inisialisasi
4. Proses inisialisasi dilakukan dengan cara memberikan nilai awal gen-gen dengan
nilai acak sesuai batasan yang telah ditentukan. Misalkan kita tentukan jumlah
populasi adalah 6, maka :
 Kromosom[1] = [a;b;c;d] = [12;05;03;08]
 Kromosom[2] = [a;b;c;d] = [02;01;08;03]
 Kromosom[3] = [a;b;c;d] = [10;04;03;04]
 Kromosom[4] = [a;b;c;d] = [20;01;10;06]
 Kromosom[5] = [a;b;c;d] = [01;04;03;09]
 Kromosom[6] = [a;b;c;d] = [20;05;07;01]
5. Evaluasi Kromosom
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
memenuhi persamaan a + 2b + 3c + 4d = 30, maka fungsi_objektif yang dapat
digunakan untuk mendapatkan solusi adalah
“fungsi_objektif(kromosom) = | (a + 2b + 3c + 4d) – 30 |”
Kita hitung fungsi_objektif dari kromosom yang telah dibangkitkan :
i. fungsi_objektif(Kromosom[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) - 30)
= Abs((12 + 10 + 9 + 32 ) - 30)
= Abs(63 - 30)
= 33
ii. fungsi_objektif(Kromosom[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) - 30)
= Abs(( 2 + 2 + 24 + 12 ) - 30)
= Abs(40 - 30)
= 10
iii. fungsi_objektif(Kromosom[3]) = Abs(( 10 + 2*4 + 3*3 + 4*4 ) - 30)
= Abs(( 10 + 8 + 9 + 16 ) - 30)
= Abs(43 - 30)
= 13
iv. fungsi_objektif(Kromosom[4]) = Abs(( 20 + 2*1 + 3*10 + 4*6 ) - 30)
= Abs(( 20 + 2 + 30 + 24 ) - 30)
= Abs(76 - 30)
= 46
v. fungsi_objektif(Kromosom[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) - 30)
= Abs(( 1 + 8 + 9 + 36 ) - 30)
= Abs(54 - 30)
= 24
vi. fungsi_objektif(Kromosom[6]) = Abs(( 20 + 2*5 + 3*7 + 4*1 ) - 30)
= Abs(( 20 + 10 + 21 + 4) - 30)
 = Abs(55 - 30)
= 25

Rata-rata dari fungsi objektif tersebut adalah = (33+10+13+46+24+25)/6

= 151 / 6
= 25.167
6. Seleksi Kromosom
Proses seleksi dilakukan dengan cara membuat kromosom yang mempunyai
fungsi_objektif kecil mempunyai kemungkinan terpilih yang besar atau mempunyai nilai
probabilitas yang tinggi. Untuk itu dapat digunakan
“fungsi fitness = (1 / (1 + fungsi_objektif))”
Fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang diakibatkan
pembagian oleh 0.

i. fitness[1] = 1 / (fungsi_objektif[1]+1) = 1 / 34 = 0.0294

ii. fitness[2] = 1 / (fungsi_objektif[2]+1) = 1 / 11 = 0.0909
iii. fitness[3] = 1 / (fungsi_objektif[3]+1) = 1 / 14 = 0.0714
iv. fitness[4] = 1 / (fungsi_objektif[4]+1) = 1 / 47 = 0.0212
v. fitness[5] = 1 / (fungsi_objektif[5]+1) = 1 / 25 = 0.0400
vi. fitness[6] = 1 / (fungsi_objektif[6]+1) = 1 / 26 = 0.0385

total_fitness = 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385 = 0.2914

Rumus untuk mencari probabilitas : “P[i] = fitness[i] / total_fitness”
i. P[1] = 0.0294 / 0.2914 = 0.1009
ii. P[2] = 0. 0909 / 0.2914 = 0.3119
iii. P[3] = 0. 0714 / 0.2914 = 0.2450
iv. P[4] = 0. 0212 / 0.2914 = 0.0728
v. P[5] = 0.04 / 0.2914 = 0.1373
vi. P[6] = 0.0385 / 0.2914 = 0.1321

Dari probabilitas diatas dapat kita lihat kalau kromosom ke-2 yang mempunyai fitness
paling besar maka kromosom tersebut mempunyai probabilitas untuk terpilih pada generasi
selanjutnya lebih besar dari kromosom lainnya. Untuk proses seleksi kita gunakan roulette
wheel, untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya :
i. C[1] = 0.1009
ii. C[2] = 0.1009 + 0.3119 = 0.4128
iii. C[3] = 0.1009 + 0.3119 + 0.2450 = 0.6578
iv. C[4] = 0.1009 + 0.3119 + 0.2450 + 0.0728 = 0.7306
v. C[5] = 0.1009 + 0.3119 + 0.2450 + 0.0728 + 0.1373 = 0.8679
vi. C[6] = 0.1009 + 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321 = 1

Setelah dihitung kumulatif probabilitasnya maka proses seleksi menggunakan roulette-

wheel dapat dilakukan. Prosesnya adalah dengan membangkitkan bilangan acak R dalam
range 0-1. Jika R[k] < C[1] maka pilih kromosom 1 sebagai induk, selain itu pilih
kromosom ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete wheel
 sebanyak jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan pada tiap putaran,
kita pilih satu kromosom untuk populasi baru. Misal :
i. R[1] = 0.201
ii. R[2] = 0.284
iii. R[3] = 0.009
iv. R[4] = 0.822
v. R[5] = 0.398
vi. R[6] = 0.501

Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada C[2] maka
pilih Kromosom[2] sebagai kromosom pada populasi baru, dari bilangan acak yang telah
dibangkitkan diatas maka populasi kromosom baru hasil proses seleksi adalah :
i. Kromosom[1] = Kromosom[2]
ii. Kromosom[2] = Kromosom[2]
iii. Kromosom[3] = Kromosom[1]
iv. Kromosom[4] = Kromosom[5]
v. Kromosom[5] = Kromosom[2]
vi. Kromosom[6] = Kromosom[3]

Kromosom baru hasil proses seleksi :

i. Kromosom[1] = [02;01;08;03]
ii. Kromosom[2] = [02;01;08;03]
iii. Kromosom[3] = [12;05;03;08]
iv. Kromosom[4] = [01;04;03;09]
v. Kromosom[5] = [02;01;08;03]
vi. Kromosom[6] = [10;04;03;04]

7. Crossover
Setelah proses seleksi maka proses selanjutnya adalah proses crossover. Metode yang
digunakan salah satunya adalah one-cut point, yaitu memilih secara acak satu posisi dalam
kromosom induk kemudian saling menukar gen. Kromosom yang dijadikan induk dipilih
secara acak dan jumlah kromosom yang mengalami crossover dipengaruhi oleh parameter
crossover_rate (ρc). Pseudo-code untuk proses crossover adalah sebagai berikut :

begin
k← 0;
while (k<populasi) do
R[k] ← random(0-1);
21
if (R[k] < ρc ) then
select Chromosome[k] as parent;
end;
k = k + 1;
end;
end;
 Misal kita tentukan crossover probability adalah sebesar 25%, maka diharapkan dalam satu
generasi ada 50% kromosom (3 kromosom) dari satu generasi mengalami proses crossover.
Prosesnya adalah sebagai berikut :

i. Pertama kita bangkitkan bilangan acak R sebanyak jumlah populasi

 R[1] = 0.191
 R[2] = 0.259
 R[3] = 0.760
 R[4] = 0.006
 R[5] = 0.159
 R[6] = 0.340
Maka kromosom ke-k akan dipilih sebagai induk jika R[k] < ρc, dari bilangan acak R
diatas maka yang dijadikan induk adalah Kromosom[1], Kromosom[4] dan
Kromosom[5].

ii. Setelah melakukan pemilihan induk proses selanjutnya adalah menentukan posisi
crossover. Ini dilakukan dengan cara membangkitkan bilangan acak dengan batasan 1
sampai (panjang kromosom - 1), dalam kasus ini bilangan acak yang dibangkitkan
adalah 1 – 3. Misalkan didapatkan posisi crossover adalah 1 maka kromosom induk
akan dipotong mulai gen ke-1 kemudian potongan gen tersebut saling ditukarkan antar
induk.
 Kromosom[1] >< Kromosom[4]
 Kromosom[4] >< Kromosom[5]
 Kromosom[5] >< Kromosom[1]

iii. Posisi cut-point crossover dipilih menggunakan bilangan acak 1-3 sebanyak jumlah
crossover yang terjadi, misal :
C[1] = 1
C[2] = 1
C[3] = 2

 offspring[1] = Kromosom[1] >< Kromosom[4]

= [02;01;08;03] >< [01;04;03;09]
= [02;04;03;09]
 offspring[4] = Kromosom[4] >< Kromosom[5]
= [01;04;03;09] >< [02;01;08;03]
= [01;01;08;03]
 offspring[5] = Kromosom[5] >< Kromosom[1]
= [02;01;08;03] >< [02;01;08;03]
= [02;01;08;03]

Dengan demikian populasi kromosom setelah mengalami proses crossover

menjadi :
 Kromosom[1] = [02;04;03;09]
 Kromosom[2] = [02;01;08;03]
  Kromosom[3] = [12;05;03;08]
 Kromosom[4] = [01;01;08;03]
 Kromosom[5] = [02;01;08;03]
 Kromosom[6] = [10;04;03;04]

8. Mutasi
Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh parameter
mutation_rate. Proses mutasi dilakukan dengan cara mengganti satu gen yang terpilih secara
acak dengan suatu nilai baru yang didapat secara acak.
Prosesnya adalah sebagai berikut :
i. Pertama kita hitung dahulu panjang total gen yang ada dalam satu populasi.
Dalam kasus ini panjang total gen adalah :
total_gen = (jumlah gen dalam kromosom) * jumlah populasi
=4*6
= 24
ii. Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan cara
membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu 1 sampai 24. Jika
bilangan acak yang kita bangkitkan lebih kecil daripada variabel mutation_rate (ρm)
maka pilih posisi tersebut sebagai sub-kromosom yang mengalami mutasi. Misal ρm
kita tentukan 10% maka diharapkan ada 10% dari total_gen yang mengalami populasi :
jumlah mutasi = 0.1 * 24
= 2.4
=2
iii. Misalkan setelah kita bangkitkan bilangan acak terpilih posisi gen 12 dan 18 yang
mengalami mutasi. Dengan demikian yang akan mengalami mutasi adalah kromosom
ke-3 gen nomor 4 dan kromosom ke-5 gen nomor 2. Maka nilai gen pada posisi tersebut
kita ganti dengan bilangan acak 0-30. Misalkan bilangan acak yang terbangkitkan
adalah 2 dan 5. Maka populasi kromosom setelah mengalami proses mutasi adalah :
 Kromosom[1] = [02;04;03;09]
 Kromosom[2] = [02;01;08;03]
 Kromosom[3] = [12;05;03;02]
 Kromosom[4] = [01;01;08;03]
 Kromosom[5] = [02;05;08;03]
 Kromosom[6] = [10;04;03;04]
Setelah proses mutasi maka kita telah menyelesaikan satu iterasi dalam algoritma
genetika atau disebut dengan satu generasi. Maka fungsi_objective setelah satu generasi
adalah :
i. Kromosom[1] = [02;04;03;09]
fungsi_objektif[1] = Abs(( 2 + 2*4 + 3*3 + 4*9 ) - 30)
= Abs(( 2 + 8 + 9 + 36 ) - 30)
= Abs( 55 - 30)
= 25
ii. Kromosom[2] = [02;01;08;03]
fungsi_objektif[2] = Abs(( 2 + 2*1 + 3*8 + 4*3 ) - 30)
= Abs(( 2 + 2 + 24 + 12 ) - 30)
 = Abs(40 - 30)
= 10
iii. Kromosom[3] = [12;05;03;02]
fungsi_objektif[3] = Abs(( 12 + 2*5 + 3*3 + 4*2 ) - 30)
= Abs(( 12 + 10 + 9 + 8 ) - 30)
= Abs(39 - 30)
=9
iv. Kromosom[4] = [01;01;08;03]
fungsi_objektif[4] = Abs(( 1 + 2*1 + 3*8 + 4*3 ) - 30)
= Abs(( 1 + 2 + 24 + 12 ) - 30)
= Abs(39 - 30)
=9
v. Kromosom[5] = [02;05;08;03]
fungsi_objektif[5] = Abs(( 2 + 2*5 + 3*8 + 4*3 ) - 30)
= Abs(( 2 + 10 + 24 + 12 ) - 30)
= Abs(48 - 30)
= 18
vi. Kromosom[6] = [10;04;03;04]
fungsi_objektif[6] = Abs(( 10 + 2*4 + 3*3 + 4*4 ) - 30)
= Abs(( 10 + 8 + 9 + 16 ) - 30)
= Abs(43 - 30)
= 13
Rata-rata fungsi objektif setelah satu generasi adalah :
rata-rata = ( 25 + 10 + 9 + 9 + 18 + 13) / 6 = 84 / 6 = 14.0

Dapat dilihat dari hasil perhitungan fungsi objektif diatas bahwa setelah satu generasi,
nilai hasil rata-rata fungsi_objektif lebih menurun dibandingkan hasil fungsi_objektif
pada saat sebelum mengalami seleksi, crossover dan mutasi. Hal ini menunjukkan
bahwa kromosom atau solusi yang dihasilkan setelah satu generasi lebih baik
dibandingkan generasi sebelumnya. Maka pada generasi selanjutnya
kromosomkromosom yang baru adalah:
 Kromosom[1] = [02;04;03;09]
 Kromosom[2] = [02;01;08;03]
 Kromosom[3] = [12;05;03;02]
 Kromosom[4] = [01;01;08;03]
 Kromosom[5] = [02;05;08;03]
 Kromosom[6] = [10;04;03;04]

Kromosom-kromosom ini akan mengalami proses yang sama seperti generasi

sebelumnya yaitu proses evaluasi, seleksi, crossover dan mutasi yang kemudian akan
menghasilkan kromosom-kromosom baru untuk generasi yang selanjutnya. Proses ini
akan berulang sampai sejumlah generasi yang telah ditetapkan sebelumnya. Siklus ini
menurut beberapa ilmuwan Zbigniew Michalewiz digambarkan sebagai berikut :
 Gambar 4- Siklus Algoritma Genetika menurut Michalewiz

Setelah 50 generasi didapatkan kromosom yang terbaik adalah :

Kromosom = [07;05;03;01]

Jika didekode maka :

A=7;b=5;c=3;d=1

Jika dihitung terhadap persamaan :

F = a + 2b + 3c + 4d
= 7 + (2*5) + (3*3) + (4*1)
= 30.

H. Aplikasi Algoritma Genetika

Algoritma genetika sudah banyak digunakan pada masalah praktis yang berfokus pada
pencarian parameter-parameter atau solusi yang optimal. Hal ini membuat banyak orang
mengira bahwa algoritma genetika hanya dapat digunakan untuk menyelesaikan masalah
optimasi saja. Namun, pada kenyataanya algoritma genetika juga memiliki kemampuan untuk
menyelesaikan masalah-masalah selain optimasi. Algoritma genetika banyak diaplikasikan
untuk berbagai macam permasalahan, yaitu :
1. Optimasi
Beberapa penggunaan algoritma genetika untuk optimasi antara lain untuk optimasi
numerik dan optimasi kombinatorial seperti Traveling Salesmen Problem (TSP),
Perancangan Integrated Circuit atau IC, Job Scheduling, dan Optimasi video dan
suara.
2. Pemrograman Otomatis
Algoritma genetika untuk pemrograman otomatis antara lain untuk melakukan proses
evolusi terhadap program komputer dalam merancang struktur komputasional, seperti
cellular automata dan sorting networks.
3. Machine Learning
Algoritma genetika juga telah berhasil diaplikasikan untuk memprediksi struktur
protein. Algoritma genetika juga berhasil diaplikasikan dalam perancangan neural
networks (jaringan syaraf tiruan) untuk melakukan proses evolusi terhadap aturan-
aturan pada learning classifier system atau symbolic production system dan dapat
digunakan untuk mengontrol robot.
 4. Model Ekonomi
Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan proses-
proses inovasi dan pembangunan bidding strategies.
5. Model Sistem Imunisasi
Contoh penggunaan algoritma genetika dalam bidang ini untuk memodelkan berbagai
aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama kehidupan
individu dan menemukan keluarga dengan gen ganda (multi gen families) sepanjang
waktu evolusi.
6. Model Ekologis
Algoritma genetika juga dapat digunakan untuk memodelkan fenomena ekologis
seperti host-parasite co evolutions, simbiosis dan aliran sumber di dalam ekologi.

I. Keuntungan Menggunakan Algoritma Genetika

Keuntungan penggunaan algoritma genetika terlihat dari kemudahan implementasi dan
kemampuannya untuk menemukan solusi yang optimal dan bisa diterima secara cepat untuk
masalah-masalah berdimensi tinggi. Algoritma Genetika sangat berguna dan efisien untuk
masalah dengan karakteristik sebagai berikut :
1. Ruang masalah sangat besar, kompleks, dan sulit dipahami,
2. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk merepresentasikan
masalah ke dalam ruang pencarian yang lebih sempit,
3. Tidak tersedianya analisis matematika yang memadai,
4. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan masalah yang
dihadapi,
5. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup “bagus” atau bisa
diterima,
6. Terdapat batasan waktu, misalnya dalam real time system atau sistem waktu nyata.

Kelompok 2

- Adelbertus Baran Tobiona

- Dian Cahyani Abdullah
- Rosalia Rerek Sogen
- Veronika Paty

Referensi :

https://ekarisky.com/content/uploads/Algoritma-Genetika.pdf