Algoritma Genetik

Shinta Oktaviana Mkom

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