Shinta.oktaviana@tik.pnj.ac.id Tujuan Pembelajaran Memahami konsep algoritma genetik sebagai salah sau komputasi evolusioner dan mengetahui komponen- komponen utama algoritma genetik Mempunyai kemampuan untuk menjelaskan konsep algoritma genetik dan menerapkan algoritma genetik untuk menyelesaikan masalah-masalah kecerdasan buatan Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Pendahuluan [1/2] Diambil dari prinsip genetika seleksi alam (teori darwin) Ditemukan apda tahun 1975 oleh John Holland, Universitas Michigan, Amerika Serikat Teknik pencarian heuristik yang didasarkan pada gagasan evolusi seleksi alam dan genetik. Hanya individu-individu yang kuat yang akan bertahan. Pendahuluan [2/2] Proses perkembangbiakan mengikuti pola : Individu dalam populasi bersaing untuk sumber daya alam dan pasangannya Mereka yang paling sukses berkompetisi akan menghasilkan keturunan yang lebih baik daripada individu-individu yang berkinerja buruk Gen dari invidu yang baik akan menyebar ke seluruh populasi sehingga dua orangtua yang baik kadang-kadang mengasilkan keturunan yang lebih baik lagi Setiap ada pergantian generasi maka generasi terbaru lebih cocok dengan lingkungan mereka. Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Ciri-ciri Masalah yang memerlukan GA Ruang pencarian sangat besar dan kompleks Tidak ada pengetahuan yang memadai untuk menyederhanakan ruang pencarian yang sangat besar tersebut Tidak ada analisis matematis yang bisa menangani ketika metode konvensional gagal menyelesaikan masalah Solusi yang dihasilkan tidak harus optimal Mempunyai kemungkinan jumlah solusi yang tak hingga Membutuhkan solusi yang real time Contoh Aplikasi GA Optimasi : TSP, disain sirkuit, Job Shop Schedulling Pemrograman Otomatis: sorting networking Machine Learning : JST pada pengendali robot Model Ekonomi : pemodelan pasar ekonomi Model Sistem Imunisasi : Aspek kekebalan tubuh Model Ekologi : model sumber daya alam dan ekologi Istilah-istilah GA Gen (Genotype) : Variabel dasar yang membentuk suatu kromosom Allele : niai dari suatu gen Kromosom : Gabungan dari gen-gen yang membentuk arti tertentu, yaitu : kromosom biner, kromosom float, kromosom string, dan kromosom kombinatorial Individu : kumpulan dari gen atau salah satu kemungkinan solusi Populasi : kumpulan individu Generasi Nilai Fitnes : suatu nilai individu, berupa nilai minimum atau maksimum Sirkulasi GA [1/2] Sirkulasi GA [2/2] Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Teknik Pengkodean 3 Jenis Encoding : Menggunakan bilangan real, interval [0,1] Menggunakan diskrit desimal, bilangan bulat interval [0,9] Menggunakan bilangan biner, 0 atau 1 3 Jenis Decoding : Real Diskrit Desimal Biner Contoh Pengkodean Solusi Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Nilai Fitness Menyatakan nilai dari suatu fungsi tujuan. Jika dicari nilai maksimal, maka nilai fitnes adalah nilai dari fungsi itu sendiri Jika dicari nilai minimal, maka nilai fitnes adalah invers dari nilai fungsi tersebut. Contoh Soal Solusi 1 Solusi 2 Solusi 3 Elitisme Elitisme adalah proses meng-copy suatu individu yang mempunyai nilai fitnes tertinggi agar individu yang baik tidak mengalami kerusakan selama terjadi proses pindah silang Peng-copy-an dilakukan dengan cara membuat individu baru yang sama dengan individu dengan nilai fitness terpilih. Dengan aturan, jika populasi ganjil dibuat menjadi satu individu baru, jika populasi genap dibuat menjadi dua individu baru Optimum Lokal Linier Fitness Rangking Contoh Soal LFR Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Seleksi Seleksi Seleksi Seleksi Contoh penggunaan Roulette-Wheel pada seleksi dua orang tua pada soal sebelumnya. Pendahuluan Algoritma Genetika Membangkitkan Populasi Nilai fitness Seleksi Membuat populasi baru Pindah Silang / cross over
Pindah silang (pertukaran
titik) antara dua individu untuk menghasilkan individu baru dengan cara membangkitkan suatu nilai probabilitas secara random. Contoh soal Individu hasil hasil elitisme : 111, 111 Individu hasil seleksi :
Nilai probabilitas : 0.8
nilai random yang dibangkitkan : 0.4 Hasil anak : Mutasi Dilakukan dengan cara mengganti semua gen yang terdapat pada individu, jika nilai random yang dibangkitkan lebih kecil dari nilai probabilitas yang ditentukan. Untuk individu dengan tipe biner, mutasi dilakukan dengan cara mengganti bit 0 menjadi 1 dan sebaliknya. Contoh soal : Probabilitas yang ditentukan 1/7 Tugas Kelompok Carilah 1 paper di jurnal internasional yang menggunakan algoritma genetika. Jelaskan Masalah yang digunakan Jelaskan bagian algoritma genetikanya (tentukan istilah2 GA yang digunakan dalam paper tersebut) Jelas kan data yang digunakan