Majalah Ilmiah Unikom, Vol.6, hlm.

69-86PROSES
ANALISIS WORD MATCHING PROBLEM

Bidang Teknik

ANALISIS PROSES WORD MATCHING PROBLEM

MENGGUNAKAN ALGORITMA GENETIKA
WAHYU NURJAYA

Jurusan Manajemen Informatika

Universitas Komputer Indonesia

Richard Dawkins adalah salah satu ilmuwan yang menerapkan teori evolusi untuk
word matching problem dengan ekspresi huruf “tobeornottobe”. Gagasan dasar dari
Richard Dawkins mengenai word matching problem, dikembangkan menggunakan
algoritma genetika oleh seorang ilmuwan yaitu Freeman. Dalam proses word
matching problem, tidak mudah untuk mendapatkan fungsi kecocokan fitness yang
dapat menghasilkan respons sistem yang optimal. Cara yang dipakai untuk
menemukan nilai kecocokan fitness salah satunya adalah menggunakan nilai hasil
selisih string integer antara ekspresi yang diharapkan oleh user dengan ekspresi
yang dihasilkan secara acak. Pengujian dilakukan dengan software APWMP yang
dibangun menggunakan bahasa pemrograman pascal 7.0 dan dilakukan dalam 300
generasi atau lebih, di mana setiap generasi terdiri dari 10 kromosom atau maksimal
100 kromosom. Hasil yang didapatkan menunjukan bahwa dengan bantuan
algoritma genetika, permasalahan kombinasi yang sangat rumit dan memakan waktu
yang cukup lama untuk mendapatkan kecocokan fitness dapat dengan mudah
diselesaikan. Nilai fitness yang diharapkan dalam software APWMP, yaitu
menghasilkan nilai fitness di mana semakin tinggi nilai fitness maka akan semakin
cepat mencapai nilai konvergen dengan bantuan seleksi roullette wheel dan
perubahan-perubahan parameter mutasi.

Word matching problem, algoritma genetika.

PENDAHULUAN Blind Watchmaker, berisi perbedaan ilustrasi

Metode algoritma genetika diinspirasikan dan
berdasarkan pada proses evolusi yang terjadi
pada makhluk hidup. Proses evolusi ini
bertujuan untuk menghasilkan keturunan yang
lebih baik. Sering kali masyarakat berusaha
untuk menyangkal adanya kenyataan dasar
pada teori evolusi yang terkadang
menghasilkan penyelesaian sangat rumit.
Usaha masyarakat ini biasanya dituangkan
dalam berbagai bentuk misalnya intisari dan
pembuktian-pembuktian empiris. Sebagai
contoh Richard Dawkins dalam bukunya The
Alamat korespondensi pada Wahyu Nurjaya, Jurusan Teknik Arsitektur Universitas Komputer Indonesia, Jalan Dipati
Ukur 114, Bandung 40132.
philosophical antara teori seleksi alam dan
teori randomness.
Richard Dawkins mencoba untuk
menuangkan teori evolusi pada populasi kera
sebagai bahan eksperimennya. Sepuluh ekor
kera diambil dari populasinya sebagai sample,
masing-masing kera diberikan sehelai kertas
dan sebuah mesin tik kemudian mereka
dibiarkan untuk menulis huruf-huruf sebanyak
13 tipe huruf lower-case pada kertas tersebut
menggunakan mesin tik secara acak. Dari
sepuluh ekor kera akan terbentuk sepuluh

69
 WAHYU NURJAYA
tulisan yang berbeda, jika dari sepuluh tulisan
ini tidak ada yang sama dengan ekspresi yang
diharapkan oleh Richard Dawkins
(“tobeornottobe”), maka akan dilakukan lagi
eksperimen sampai waktu yang tak terbatas.
Kemungkinan untuk mendapatkan ekspresi
“tobeornottobe” sangat kecil, kendala ini
dapat disimulasikan menggunakan prosedur
matematika dengan metode algoritma
genetika.
Dari permasalahan di atas penulis akan
menganalisis proses word matching problem
menggunakan algoritma genetika dengan
menganut kepada metode eksperimen Richard
Dawkins dengan catatan huruf (word) yang
akan dieksperimeni ditentukan oleh user.
Metode algoritma genetika ini bekerja dengan
suatu cost function sebagai fungsi yang
menguji kualitas solusi yang dalam hal ini
dilambangkan sebagai suatu individu dalam
satu generasi. Seleksi merupakan pemilihan
solusi yang tepat di antara solusi yang ada,
dilakukan dengan cara penyusunan huruf
(word), tetapi pada dasarnya adalah memilih
individu yang lebih baik (membentuk
“susunan huruf (word)” yang diinginkan oleh
user). Untuk menentukan itu digunakan fungsi
obyektif, yang ditentukan untuk suatu
masalah.
LANDASAN TORI
Algoritma Genetika
Algoritma genetika adalah suatu algoritma
pencarian data dan optimasi yang bersifat
stokastik atau bekerja berdasarkan random,
berbasis pada proses mekanika alamiah di
mana sifat-sifat suatu spesies sangat
bergantung pada gen-gen dan susunannya.
Algoritma genetika sangat tepat digunakan
untuk penyelesaian masalah optimasi yang
kompleks dan sukar diselesaikan dengan
menggunakan metode yang konvensional.
Sebagai contoh yaitu pencarian nilai tertentu
dari suatu fungsi atau sistem dan optimasi
(pencarian nilai optimal) dari suatu fungsi
atau sistem, seperti halnya pada word matcing
70
problem penulis harus menentukan fungsi
tujuan sebagai solusi dari pencarian yang
akan dilakukan oleh algoritma genetika.
Ada beberapa definisi umum dalam
algoritma genetika yang perlu diketahui dan
berkaitan dengan masalah yang akan dibahas
oleh penulis mengenai analisis proses word
matching problem menggunakan algoritma
genetika, yaitu:
• Satu individu adalah satu kesatuan
kromosom.
• Satu kromosom adalah kumpulan dari
gen-gen.
• Gen menyatakan satuan nilai yang yang
menyatakan suatu nilai variabel bebas.
• Nilai fitness suatu individu adalah nilai
tujuan dari permasalahan yang diangkat.
Bentuk gen yang bisa diambil dalam
algoritma genetika adalah:
• Gen Biner, ini baik untuk sistem dengan
satu variabel bebas.
• Gen Float, ini baik untuk sistem dengan
variabel bebas yang lebih dari satu.
• Gen Character/Data, ini baik untuk
sistem dengan variabel bebas yang
dinyatakan sebagai satu satuan
informasi.
Struktur umum dari suatu algoritma genetika
dapat didefinisikan dengan langkah-langkah
sebagai berikut:
1. Membangkitkan populasi awal, populasi
awal ini dibangkitkan secara random
sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri dari sejumlah
kromosom yang mempresentasikan solusi
yang diinginkan.
2. Membentuk generasi baru, dalam
membentuk generasi baru digunakan tiga
operator yaitu reproduksi/seleksi,
crossover dan mutasi.
3. Evaluasi solusi, proses ini akan
mengevaluasi setiap populasi dengan
menghitung nilai fitness setiap kromosom
dan mengevaluasinya sampai terpenuhi
kriteria berhenti. Apabila kriteria berhenti
 ANALISIS PROSES WORD MATCHING PROBLEM

belum terpenuhi maka akan dibentuk lagi Gagasan dasar algoritma genetika
generasi baru dengan mengulangi langkah
2. beberapa kriteria berhenti yang sering Gagasan yang mendasari algoritma genetika
digunakan antara lain: adalah meniru cara penggunaan evolusi
• Berhenti pada generasi tertentu. alam. Algoritma genetika dalam
• Berhenti setelah dalam beberapa pengerjaannya menggunakan prinsip
generasi berturut-turut didapatkan nilai Survival Of The Fittest (kemampuan
fitness tertinggi tidak berubah. kelangsungan hidup) dengan pemecahan
• Berhenti bila dalam N generasi berikut yang berbeda dalam sebuah populasi.
tidak didapatkan nilai fitness yang Meniru pemecahan terbaik dari bentuk baru
lebih tinggi. yaitu diharapkan dapat ditemukan
pemecahan yang terbaik dalam populasi,
Perlu diingat sebelum algoritma genetika sementara itu pemecahan yang kurang baik
dilakukan, ada dua hal penting yang harus dihilangkan. Survival dalam algoritma
dilakukan yaitu pendefinisian kromosom dan genetika merupakan suatu pewarisan genetik
fungsi fitness atau fungsi obyektif. Dua hal ini yang dijadikan sebagai model metode
juga memegang peranan penting dalam pencarian pada suatu fenomena alam.
algoritma genetika untuk menyelesaikan suatu
masalah. Dalam Gambar 1 digambarkan Istilah dalam algoritma genetika
proses algoritma genetika secara umum.
Dalam ilmu genetika, kromosom terdiri dari
susunan gen-gen. Tiap gen mengandung
nilai atau sifat tertentu yang disebut dengan
Inisialisasi allele, sedangkan posisi gen dalam
Populasi Awal kromosom disebut locus. Satu atau beberapa
kromosom bergabung membentuk paket
genetik yang disebut genotife, interaksi
Evaluasi fitness setiap genotife dengan lingkungannya disebut
individu dalam popu- Kemungkinan fenotif.
lasi Mutasi Dalam algoritma genetika, kromosom
bersesuaian dengan string yang dibentuk dari
Crossover: beberapa karakter. Setiap karakter
LOOP tulis offspring mempunyai posisi (locus) dan mengandung
Generasi dari kombinasi nilai tertentu (allele). Satu atau beberapa
genetik
Tabel 1
Susunan gen ilmu genetika
Tidak Seleksi: se-
Diharap- leksi parent Ilmu Genetika Algoritma Genetika
dari fitness
Kromosom String
Ya Gen Karakter

Selesai Allele Nilai Karakter

Loccus Posisi dalam Individu
Genotif Struktur
Gambar 1
Proses Algoritma Genetika Fenotif Parameter

71
 WAHYU NURJAYA

karakter akan bergabung membentuk struktur Travelling Salesman (TSP).

(genotif). Bila struktur tersebut dikodekan, Masalah: Ada beberapa kota dan
akan diperoleh satu titik yang merupakan diberikan jarak di antaranya kemudian
salah satu alternatif solusi (fenotif). trevelling salesman mengunjungi semua
kota tersebut, tapi dia tidak melakukan
Pengodean kromosom perjalanan yang sangat banyak itu . cukup
dengan menemukan urutan dari kota-kota
Ada beberapa macam pengodean dalam tersebut untuk memperkecil jarak
algoritma genetika, yaitu sebagai berikut: perjalanan.
1. Binary encoding, pengodean yang paling Encoding: Kromosom dinyatakan sebagai
sering digunakan untuk bekerja dalam urutan kota-kota, di mana salesman akan
algoritma genetika, dengan setiap mengunjunginya.
kromosom terdiri dari bit 0 dan 1. 3. Value encoding, dalam pengodean ini
setiap kromosom adalah string dari suatu
Tabel 2 nilai. Nilai dapat berupa apapun yang
Contoh binary encoding berhubungan dengan masalah, seperti
Krom A 1 0 1 1 0 0 1 0 1 0 bilangan bulat, desimal atau karakter.

Krom B 1 1 1 1 1 1 0 0 1 0
Tabel 4
Contoh value encoding
Contoh dari masalah: Masalah knapsack Krom A 1.232 5.324 0.455 2.329
(ransel).
Krom B ABFDGJHJHKJKJLKLFSR
Masalah: Ada benda atau sesuatu yang
diberikan nilai dan panjang. Knapsack Krom C (right), (left), (back), (forward)
memberikan kapasitas untuk menyeleksi
benda dan memaksimumkan nilai dari Contoh dari masalah: Pencarian berat
benda pada masalah knapsack, tapi tidak untuk Neural Network.
untuk memperluas kapasitas masalah Masalah: Ada beberapa Neural Network
knapsack. dengan memberikan arsitektur. Mencari
Encoding: Setiap masalah dinyatakan berat untuk input dari deretan Neuron
sebagai bit, jika benda itu sesuai dengan (syaraf) Network untuk mendapatkan
knapsack. output yang diinginkan.
2. Permutation encoding, dalam pengodean Encoding: Nilai real dalam kromosom
jenis ini setiap kromosom adalah suatu mewakili berat yang sama dengan input.
angka yang mempresentasikan suatu 4. Encoding tree, biasanya digunakan untuk
urutan. Pengodean ini hanya berguna menyusun program atau ekspresi dari
untuk masalah ordering, bahkan beberapa genetik programming (pemrograman
korelasi terhadap kromosom harus genetik). Dalam pengodean pohon ini,
dilakukan untuk menjaga konsistensi setiap kromosom dinyatakan sebagai
representasi kromosom setelah proses sebuah pohon dan beberapa objek, seperti
crossover atau mutasi. fungsi atau perintah dalam bahasa
pemrograman. Bahasa pemrograman LISP
Tabel 3 adalah sering digunakan untuk ini, karena
Contoh permutation encoding program dalam bahasa pemrograman LISP
Krom A 8 5 6 7 2 1 3 4 9 diwakili dalam bentuk ini dan dapat
dengan mudah di parse sebagai pohon,
Krom B 1 5 3 2 6 4 7 9 8 juga crossover dan mutasi dapat dilakukan
dengan mudah secara relatif.
Contoh dari masalah: Masalah

72
 ANALISIS PROSES WORD MATCHING PROBLEM

Kromosom A pengkodean bukan alphabet biner

tergantung pada aplikasi dimana algoritma
genetika diterapkan. Pengkodean
+
parameter pada alphabet biner dibatasi
hanya 1 dan 0.

Operator genetika
* /
Algoritma genetika mempunyai 3 operator
yang sederhana, yaitu:
a. Reproduksi, merupakan proses untuk
melakukan proses dimana string dengan
nilai bobot besar sebagai solusi yang baik
5 y berkorespondensi dengan sejumlah besar
salinannya pada populasi baru. Dengan
sekumpulan string yang dipilih, kemudian
Kromosom B menungguaksi yang dilakukan dua
operator lainnya yang ditentukan dengan
Do Until percepatan Bernauli.
b. Crossover, merupakan proses untuk
melakukan penukaran informasi,
tumpukan string (kromosom) dengan
keputusan probabilistik. Crossover ini
Wall memberikan sebuah mekanisme pada
Step
kumpulan string untuk bercampur dan
mencocokan kualitas yang diinginkan
(Do Until Step Wall) melelui proses random, sedangkan hasil
kumpulan stringnya disebut offspring
Gambar 2
Kromosom dengan pengkodean pohon Tabel 5
Contoh dari masalah: Pencarian fungsi Contoh value encoding
dari nilai yang diberikan.
Krom A 10111 00100110110
Masalah: Beberapa nilai input dan output
diberikan. Tuganya untuk menemukan Krom B 11011 11000011110
fungsi dimana akan memberikan output
yang terbaik (penutup yang diinginkan) Offspring A 11011 11000011110
untuk semua input. Offspring B 11011 00100110110
Encoding: Kromosom adalah fungsi yang
diwakilkan dalam sebuah pohon.
5. Pengkodean banyak parameter, ruang c. Mutasi, meningkatkan kemampuan
masalah dilakukan untuk membuat algoritma genetika untuk mendapatkan
himpunan parameter solusi menjadi solusi yang mendekati secara optimum.
deretan bit string yang terbatas. Mutasi secara tiba-tiba mengubah sebuah
Pengkodean parameter (Goldberd. nilai suatu posisi bit string tertentu. Hal ini
1989:82) dilakukan pada suatu alphabet, dapat menjamin dari kehilangan secara
dimana alphabet menyatakan jumlah permanen setiap bit sederhana. Suatu
kemungkinan tiap gen. Holland telah generasi mungkin diciptakan tanpa suatu
menunjukan bahwa alphabet biner telah karakter tertentu pada suatu posisi bit pada
optimal dalam berbagai masalah string. Seperti yang dilakukan pada

73
 WAHYU NURJAYA
crossover, mutasi juga melakukan
pembagian pada bagian kromosom. Ini
dilakukan untuk mencegah penurunan
semua solusi dalam populasi menjadi
optimum lokal dari pemecahan masalah.
Mutasi mengubah secara random offspring
baru. Untuk pengkodean dapat merubah
sebagian kecil secara random memilih bit
dari 1 ke 0 atau dari 0 ke 1.
Tabel 5
Contoh sederhana proses dalam mutasi
Original Offspring 1 1101110000111100
Original Offspring 2 1101100100110110
Mutated Offspring 1
1100111000011110
Mutated Offspring 2 1101101100110110
Strategi seleksi
Algoritma genetika menyediakan fasilitas
seleksi, di mana kromosom diseleksi dari
populasi pada crossover parent. Dengan
menyesuaikan teori evolusi Darwin yang satu
terbaik harus dipertahankan dan membuat
offspring baru. Ada beberapa metode
bagaimana menyeleksi kromosom yang
terbaik yaitu diantaranya dengan roullette
wheel (Goldberg. 1989), seleksi tournament
(Michlewicz. 1992), seleksi rank
(Michlewicz. 1992), seleksi seteady state
(http://cs.felk.cvut.cz/~xobitko/ga/), seleksi
elitism (Goldberg. 1989) dan sebagainya.
Dalam analisis proses word matching problem
menggunakan algoritma genetika penulis
menggunakan seleksi roullette wheel
(Goldberg. 1989).
Seleksi roullette wheel dilakukan dengan cara
parent diseleksi untuk mempertahankan nilai
fitness-nya. Kromosom yang terbaik adalah
mempunyai kesempatan untuk diseleksi.
Bayangkan sebuah permainan roda (roullette
wheel), di mana semua kromosom
ditempatkan dalam populasi, setiap tempat
besar sesuai dengan fungsi fitness, untuk lebih
jelasnya lihat pada gambar dibawah ini:
74
Grafik nilai fitness
10%
20% 40%
30%
Kromosom 1 Kromosom 2
Kromosom 3 Kromosom 4
Gambar 3
Proses seleksi roullette wheel
Dengan melihat gambar tersebut kromosom
dengan nilai fitness paling tinggi waktu
penyelesaiannya akan lebih lama
dibandingkan dengan kromosom lainnya.
Parameter
Parameter digunakan dalam algoritma
genetika untuk memberikan suatu probabilitas
yang berupa persentase. Parameter yang
terdapat pada algoritma genetika ini (http://
cs.felk.cvut.cz/~xobitko/ga/), yaitu
probabilitas crossover, probabilitas mutasi
dan ukuran populasi.
Probabilitas crossover merupakan persentase
dari seringnya melakukan crossover. Jika
tidak ada crossover, offspring (turunan) pasti
meniru dari parent (induk). Jika ada
crossover, offspring dibuat dari bagian
kromosom parent. Jika kemungkinan
crossover 100%, maka semua offspring dibuat
oleh crossover. Jika 0%, generasi baru secara
lengkap dibuat dengan meniru kromosom dari
populasi lama.
Crossover dibuat dengan harapan kromosom
baru akan memiliki bagian yang baik dari
kromosom lama dan barangkali kromosom
baru akan lebih baik. Bagaimanapun itu baik
untuk mewariskan beberapa bagian dari
populasi untuk mempertahankan generasi
selanjutnya.
Probabilitas mutasi merupakan bagian dari
kromosom yang dimutasikan. Jika tidak ada
mutasi, offspring langsung mengambil dari
 ANALISIS PROSES WORD MATCHING PROBLEM
crossover (atau meniru) dengan tidak
mengubah lagi. Jika dilakukan mutasi,
bagian kromosom diubah. Jika kemungkinan
mutasi adalah 100%, seluruh kromosom
diubah dan jika kemungkinan mutasi adalah
0%, tidak ada yang diubah. Mutasi dibuat
untuk mencegah penurunan algoritma
genetika ke dalam nilai ekstrem lokal, tapi
ini tidak sering terjadi karena algoritma
genetika akan mengubah fakta dengan
random search.
Populasi size (panjang populasi) merupakan
kumpulan kromosom dalam populasi (dalam
satu generasi). Jika ada beberapa kromosom,
algoritma genetika memiliki beberapa
kemungkinan untuk melakukan croosover
dan hanya bagian kecil dari jarak pencarian
yang diperiksa. Di sisi lain, bila ada banyak
kromosom, algoritma genetika akan lambat
turun. Dengan memperlihatkan penelitian
menurut beberapa batas (di mana sebagian
besar tergantung pada pengodean dan
masalah). Itu tidak akan bermanfaat untuk
meningkatkan panjang populasi, karena itu
tidak akan menemukan kecepatan masalah.
Perbedaan algoritma genetika dengan
algoritma pencarian lainnya
Perbedaan algoritma genetika dengan
algoritma pencarian lainnya, antara lain
(Goldberg. 1989:7):
1. Algoritma genetika mempertimbangkan
banyak solusi dalam ruang pencarian
secara simultan, pencarian dengan
mempertimbangkan banyak solusi akan
mempersempit kesempatan konvergen
(yang memusat) pada satu solusi tunggal
mempertimbangkan pada beberapa aturan
keputusan.
2. Algoritma genetika secara langsung
bekerja dengan string (penulis
menggunakan ASCII lower case) yang
mempresentasikan kumpulan parameter.
3. Algoritma genetika menggunakan
keputusan probabilistik (non
deterministik) untuk menentukan
75
pencariannya, bukan keputusan
deterministik.
Teori pendukung
Flowchart
Flowchart merupakan salah satu alat untuk
menggambarkan suatu algoritma agar dapat
dengan mudah diimplementasikan pada
suatu aplikasi.
Tujuan utama penggunaan flowchart adalah
untuk menggambarkan suatu tahapan
penyelesaian masalah secara sederhana.
Pengurutan straight insertion
Pengurutan straight insertion (penyisipan
langsung) merupakan metode pengurutan
dengan cara menyisipkan elemen array pada
posisi yang tepat.
Aplikasi yang digunakan
Aplikasi yang digunakan dalam
pengimplementasian adalah bahasa pascal
7 . 0 , b a h a s a i n i s e l a i n mu d a h
pengaplikasiannya dan termasuk kedalam
bahasa tingkat tinggi yang terstruktur.
WORD MATCHING PROBLEM
Dasar Word Matching Problem
Word matching problem mencoba untuk
meningkatkan kecocokan kata yang dibentuk
oleh huruf (ekspresi) yang diinginkan user,
contoh seperti yang diberikan oleh Richard
Dawkins yaitu ekspresi “tobeornottobe“ dari
daftar huruf (letter) yang digenerasikan
secara acak (random) dengan menggunakan
algoritma genetika. Ada dua kemungkinan
untuk tiap posisi dalam daftar (jumlah posisi
pada kata di atas adalah 13), kemungkinan
yang kita punya pada kata yang cocok
dengan cara pengacakan secara alami yaitu
(1/26)13 = 4,03038 x 10-19 yaitu sekitar 2
 WAHYU NURJAYA
kemungkinan akan keluar dari semilyar
(1.000.000.000) kemungkinan.
Sebelum melangkah lebih lanjut perlu
diingat bahwa proses word matching
problem ini dikembangkan oleh Freeman
yang gagasan dasarnya diuji oleh Richard
Dawkins dengan eksperimen pencocokan
huruf menggunakan teori evolusi, seperti
pada bab sebelumnya bahwa Richard
Dawkins mengambil eksperimen untuk
menyusun huruf membentuk ekspresi
“tobeornottobe“ yaitu menggunakan kera.
Dari kumpulan populasi kera diambil 10
ekor kemudian masing-masing diberikan
kertas dan sebuah mesin tik, mereka
dibiarkan untuk menulis huruf-huruf lower
case, apabila ekspresi yang diharapkan oleh
Richard Dawkins belum terpenuhi maka
dilakukan eksperimen lagi sampai waktu
yang tak terbatas. Dari gagasan dasar inilah
Freeman mengembangkan proses word
matching problem menggunakan algoritma
genetika dengan ruang penelusuran yang
terlihat pada gambar 4.
Perbaikan
(Masalah Khusus)
Tidak
Kondisi Akhir
Ya
Selesai
Gambar 4
Ruang penelusuran algoritma genetika
76
Pengodean
Pengkodean yang digunakan dalam analisis
p r o s e s w o r d ma t c h in g p r o b l e m
menggunakan algoritma genetika adalah
pengkodean nilai (value encoding). Dalam
pengkodean nilai ini setiap kromosom
adalah string dari suatu nilai. Nilai dapat
berupa apapun yang berhubungan dengan
masalah, seperti bilangan bulat, desimal, dan
karakter.
Penulis menggunakan daftar ASCII integer
untuk mengkodekan string dari huruf. Huruf
kecil dalam ASCII diwakili dengan bilangan
pada range [97,122] dalam bilangan desimal.
Sebagai contoh string dari huruf
“tobeornottobe“ dikonversikan kedalam
kromosom yang diwakili dengan ASCII
integer sebagai berikut:
“tobeornottobe“
Konversikan
[116 111 98 101 111 114 110 111 116 111 98 101]
Mulai
x[i] ! random(122)
Tidak
if x[i] > 96 than
Ya
Pengkodean ke bentuk
char
Chr(x[i])
Selesai
Gambar 5
Flowchart pengkodean
 ANALISIS PROSES WORD MATCHING PROBLEM
Mengodekan solusi dari masalah ke dalam
kromosom adalah kunci issue untuk
algoritma genetika. Pada kerja Holland,
pengodean dilaksanakan menggunakan
string kode biner. Untuk kebanyakan
aplikasi algoritma genetika, terutama untuk
masalah dari dunia rekayasa industri,
algoritma genetika sulit diaplikasikan secara
langsung karena string biner bukanlah
pengodean secara alami. Selama 10 tahun
terakhir, berbagai macam teknik pengodean
nonstring telah dibuat untuk masalah
tertentu, contoh pengodean bilangan real
untuk membatasi masalah optimasi dan
pengodean integer untuk masalah kombinasi.
Inisialisasi Populasi Awal
Inisialisasi populasi awal adalah
membangkitkan populasi awal yang akan
menjadi induk bagi keturunan generasi
selanjutnya. Pembangkitan populasi awal ini
dilakukan secara random dengan ruang
lingkup yang dibatasi pada bilangan ASCII
lower case.
Langkah pertama generasikan 10 inisialisasi
populasi secara random, misalkan sebagai
berikut:
P1.[105 102 111 102 100 106 119 108 100 116 121 107 116]
P2.[120 111 105 107 117 97 98 99 99 102 110 107 112]
P3.[102 113 115 120 105 110 109 103 112 108 98 113 121]
P4.[107 119 99 106 107 102 110 117 109 105 117 102 109]
P5.[107 105 98 121 98 116 119 97 112 121 109 121 104]
P6.[112 109 112 118 120 98 116 121 97 117 106 107 113]
P7.[106 104 119 100 99 97 106 97 104 111 98 107 105]
P8.[99 117 109 107 118 99 100 104 109 109 99 110 106]
P9.[111 121 112 118 111 113 119 118 100 121 105 100 105]
P10.[118 98 144 115 104 118 121 109 100 102 107 100 105]
Langkah selanjutnya setelah mendapatkan
string integer, dilakukan decoding dari string
integer menjadi karakter yaitu dengan cara
pemanggilan fungsi char yang telah tersedia
dalam bahasa pemrograman pascal. Bentuk
umum sebagai berikut:
s:=chr(bilangan integer);
Dari 10 populasi diatas kemudian decode
menjadi 10 populasi char:
P1.[i f o f d j w l d t y k t]
P2.[x o i k u a b c c f n k p]
P3.[f q s x i n m g p l b q y]
77
P4.[k w c j k f n u m i u f m]
P5.[k i b y b t w a p y m y h]
P6.[p m p v x b t y a u j k q]
P7.[j h w d c a j a h o b k i]
P8.[c u m k v c d h m m c n j]
P9.[o y p v o q w v d y i d i]
P10.[v b r s h v y m d f k d i]
Setelah di decode ke dalam bentuk karakter,
kemudian dilakukan penghitungan evaluasi.
Fitness dihitung sebagai bilangan dari huruf
yang cocok.
“Only mutation is used which results in a
change to given letter with a given
probability“ (Freeman:143).
“Hanya mutasi yang digunakan yang
menghasilkan suatu perubahan huruf menuju
huruf yang ditentukan dengan kemungkinan
(probability) yang ditentukan“.
Sebelum dilakukan perhitungan evaluasi
terlebih dahulu harus diketahui fungsi
kecocokan fitness (fungsi objektif / tujuan).
Ini akan dijelaskan pada sub bab berikutnya.
Solusi Menemukan Fungsi Kecocokan
Fitness
Fungsi kecocokan fitness (fungsi objektif /
tujuan) adalah fungsi yang digunakan untuk
menentukan hasil analisis proses word
matching problem menggunakan algoritma
genetika. Tanpa adanya fungsi kecocokan
fitness pencarian solusi nilai fitness terbaik
tidak akan didapatkan.
Untuk setiap masalah dalam algoritma
genetika memiliki fungsi fitness yang
berbeda-beda. Di sini ada dua cara untuk
menemukan fungsi kecocokan fitness yaitu
menggunakan selisih string integer dan
menggunakan perbandingan karakter lower
case.
Menggunakan selisih string integer
Setelah dilakukan penelitian terhadap data
yang ada maka penulis menemukan
bagaimana caranya mendapatkan sebuah
 WAHYU NURJAYA
fungsi kecocokan fitness, yaitu dengan
menghitung selisih string integer antara
ekspresi dari user dan ekspresi hasil random.
Perhatikan gambar 6 berikut ini:
Ekspresi user h a r i ma u
Konversi
104 97 114 105 109 97 117
Pengurangan
Hasil random 115 120 105 110 109 103 112
Hasil
11 23 9 5 0 6
Fitness ke-j 0 0 0 0 1 0
Jumlahkan
Fitness (Vk)
Gambar 6
Proses pencarian fitness menggunakan
selisih string integer
Keterangan Gambar 6:
1. Ekspresi user adalah nilai berupa karakter
sebanyak panjang kromosom yang
diharapkan oleh user ketika algoritma
genetika dijalankan. Selain itu ekspresi
user ini berfungsi sebagai objek yang
akan menentukan hasil nilai fitness.
Karena ekspresi user ini berupa karakter
sedangkan hasil random adalah string
integer, maka ekspresi user harus
dikonversikan ke string integer. Setelah
dikonversikan maka masuk ke tahap
berikutnya.
2. Populasi hasil random, karena populasi
random ini berupa string integer, maka
tidak perlu dikonversikan lagi.
3. Setelah menghasilkan 2 buah bentuk
ekspresi yang sama baik dari user
maupun dari hasil random yaitu string
integer, maka selanjutnya data tersebut
harus dibagaimanakan sehingga akan
terpenuhi suatu fungsi kecocokan fitness.
Salah satunya adalah dengan proses
pengurangan di mana proses ini
menghasilkan suatu nilai tertentu.
4. Setelah didapatkan suatu nilai hasil
pengurangan kemudian cek apakah nilai
tersebut sama dengan 0 atau tidak sama
dengan 0.
5. jika nilai sama dengan 0 artinya nilai
fitness ke-j sama dengan 1 dan jika nilai
tidak sama dengan 0 artinya nilai fitness
ke-j sama dengan 0, dengan j adalah
indek kromosom.
6. Fitness (Vk) adalah hasil penjumlahan
dari seluruh fitness ke-j, dengan k adalah
indek populasi.
5
Dari semua asumsi tersebut, penulis menarik
0 sebuah kesimpulan bahwa dengan pencarian
selisih antara ekspresi user dengan ekspresi
hasil random bisa menghasilkan fungsi
kecocokan fitness yang dapat dituliskan
dalam rumus matematika sebagai berikut:
1. Harga mutlak
Eval(Vk) = ƒ(xj,yj) =| xj – yj |,
k=1,2,...,popsize, j=1,2,...,lkrom
2. Harga biasa
Eval(Vk) = ƒ(xj,yj) =( xj – yj ),
k=1,2,...,popsize, j=1,2,...,lkrom
Keterangan:
Vk=nilai eval / fitness dari populasi k
xj=variabel yang mewakili ekspresi user
untuk setiap gen ke-j
yj=variabel yang mewakili ekspresi hasil
random untuk setiap gen ke-j
Menggunakan perbandingan karakter lower
case
Pada perinsipnya sama dengan pencarian
fungsi kecocokan fitness menggunakan
selisih string integer. Namun pada
penerapannya berbeda jika menggunakan
selisih string integer dapat diterapkan dalam
rumus matematika, maka untuk
perbandingan karakter lower case hanya bisa
diterapkan menggunakan statemen-statemen
tertentu yang disediakan oleh suatu aplikasi.
Misalkan penulis mengambil aplikasi bahasa
78
 ANALISIS PROSES WORD MATCHING PROBLEM
pascal, dalam pascal banyak disediakan
statemen-statemen yang mendukung proses
word matching problem. Contoh statemen if,
perhatikan gambar berikut ini:
Hasil Random 115 120 105 110 109 103 112
Konversi
s x i nmg p
If krom[j] = huruf[j] Then
Bandingkan
Ekspresi user h a r i ma u
Hasil
f f f f t f f
Fitness ke-j 0 0 0 0 1 0 0
Jumlahkan
1 Fitness (Vk)
Gambar 7
Proses pencarian fitness menggunakan
perbandingan karakter
Keterangan gambar 7:
1. Ekspresi user adalah nilai berupa karakter
sebanyak panjang kromosom yang
diharapkan oleh user ketika algoritma
genetika dijalankan. Selain itu ekspresi
user ini berfungsi sebagai objek yang
akan menentukan hasil nilai fitness.
Karena proses pencarian nilai fitness
menggunakan perbandingan karakter,
maka ekspresi user tidak perlu di decode
ke bentuk string integer.
2. Populasi hasil random, karena populasi
random ini berupa string integer, maka
untuk proses pencarian nilai fitness
menggunakan perbandingan karakterhasil
random berupa string integer harus
dikonversikan ke dalam bentuk karakter.
3. Setelah menghasilkan 2 buah bentuk
ekspresi yang sama baik dari user
maupun dari hasil random yaitu karakter,
maka selanjutnya data tersebut
79
dibandingkan (if krom[j] = huruf[j]
Then).
4. Setelah didapatkan hasil perbandingan
kemudian cek apakah hasilnya benar
(true) atau salah (false).
5. jika hasil perbandingan sama dengan
benar (true) artinya nilai fitness ke-j sama
dengan 1 dan jika hasil perbandingan
sama dengan salah (false) artinya nilai
fitness ke-j sama dengan 0, dengan j
adalah indek kromosom.
6. Fitness (Vk) adalah hasil penjumlahan
dari seluruh fitness ke-j, dengan k adalah
indek populasi.
Solusi Mendapatkan Nilai Fitness Yang
Diharapkan Oleh User
Untuk mendapatkan solusi yang terbaik yang
diharapkan oleh user, penulis membatasi
ruang lingkup kerja program algoritma
genetika yaitu sebagai berikut:
1. Maksimal populasi yang boleh diambil
adalah 100 populasi.
2. Maksimal panjang kromosom yang boleh
digunakan adalah 20.
3. Maksimal generasi tidak dibatas, karena
disesuaikan dengan kondisi dimana akan
terdapat nilai konvergen atau nilai fitness
tertinggi pada setiap generasinya.
4. Evaluasi menggunakan fungsi kecocokan
fitness berdasarkan selisih string integer
dari ekspresi user dan hasil random.
5. Seleksi menggunakan metode roullette
wheel.
6. Mutasi dilakukan berdasarkan nilai
probability mutasinya (pm), huruf yang
digunakan untuk penukaran gen yang
hendak dimutasi dibatasi hanya
menggunakan huruf ekspresi user
sepanjang lkrom (panjang kromosom).
Ini dikarenakan semakin besar range
suatu daerah solusi untuk memutasi suatu
gen, maka kemungkinan untuk cocok
akan memakan waktu cukup lama.
 WAHYU NURJAYA
Pengembangan Eksperimen Richard
Dawkins
Seperti yang telah dijelaskan pada sub bab
sebelumnya Richard Dawkins memiliki
gagasan mengenai word matching problem,
yang kemudian dikembangkan oleh Freeman
ke dalam algoritma genetika. Dari
permasalahan ini penulis tertarik untuk ikut
mengembangkan hasil eksperimen Richard
Dawkins dengan cara semua ekspresi yang
diharapkan user dapat dimasukan dengan
nilai lkrom (panjang kromosom) yang
diharapkan user.
Selain itu penulis juga tertarik untuk
mempelajari perkembangan algoritma
genetika yang semakin pesat dan memiliki
ketangguhan dalam menyelesaikan
permasalahan kombinasi yang sangat rumit.
Perhitungan Nilai Fitness
Perhitungan nilai fitness yang digunakan
penulis dalam menyelesaikan analisis proses
word matching problem adalah
menggunakan selisih string integer.
Tahapan dalam perhitungan nilai fitness
adalah sebagai berikut:
1. Bangkitkan string integer masing-masing
populasi (pk).
Pk, k = 1,2,...,popsize
2. Hitung nilai fitness dengan cara
menentukan kecocokan nilai ekspresi
user dengan nilai hasil random (gambar
3.3), rumus matematika yang digunakan
adalah fungsi fitness dengan hasil selisih
harga mutlak.
Eval(vk)=¦(xj,yj)=|xj – yj|,
k=1,2,...,popsize, j=1,2,...,lkrom
Jika ¦(xj,yj)=0 maka Eval(vk)=1, jika ¦
(xj,yj)<>0 maka Eval(vk)=0
Operator Genetika
Operator Reproduksi (Seleksi)
80
Proses seleksi ini bertujuan untuk memilih
parent yang hendak di mutasi dan
digenerasikan ke generasi berikutnya.metode
yang digunakan adalah metode roullette
wheel.
• Hitung nilai fitness eval(vk):
Eval(vk)=¦(xj,yj)=|xj – yj|,
k=1,2,...,popsize, j=1,2,...,lkrom
Jika ¦(xj,yj)=0 maka Eval(vk)=1, jika ¦
(xj,yj)<>0 maka Eval(vk)=0
• Hitung nilai total fitness dari populasi
keseluruhan:
F = k=1Sk=popsize Eval(vk),
k=1,2,...,popsize
• Hitung kemungkinan seleksi (selection
probability) pk setiap kromosom vk:
Pk=Eval(vk) / F, k=1,2,...,popsize
• Hitung kemungkinan kumulatif
(cumulative probability):
qk=j=1Sk pj, k=1,2,...,popsize
• Proses seleksi dimulai dengan memutar
roullette wheel sebanyak popsize, setiap
putaran sebuah kromosom akan terseleksi
sebagai kromosom pada populasi yang
baru dengan tahapan sebagai berikut:
Bangkitkan nilai random r diantara
selang [0,1].
Jika r < q1, maka pilih kromosom
pertama v1, kalau tidak pilih kromosom
ke-k vk(2 < k < popsize) dengan kata lain
qk-1 < r < qk.
Mutasi
Metode mutasi yang digunakan hampir sama
dengan metode mutasi pada string biner
yaitu metode uniform mutation, bedanya
dalam string integer nilai yang hendak
dimutasikan akan diganti dengan nilai
random dari ruang lingkup yang telah
ditentukan.
1Tahapan prosedure mutasinya sebagai
berikut:
1. Bangkitkan bilangan random r dalam
range [0,1] sebanyak jumlah total gen
dalam populasi (panjang kromosom x
popsize).
 ANALISIS PROSES WORD MATCHING PROBLEM

2. Jika rk < pm bangkitkan bilangan random Tabel 7

posisi dalam range [1,totalgen]. Hasil penelitian dengan mengubah-ubah
3. Dari bilangan random posisi tentukan nilai popsize(banyak populasi)
nomor kromosom dan nomor gen. Masukan Pm

Max Gen
No Uji

Pop Size

Lkrom

generasi ke-
Konvergen pd
4. Lakukan perubahan dengan nilai random Huruf
dari ruang lingkup yang telah ditentukan.

Tujuan mutasi adalah meningkatkan

1 5 13 tobeornottobe 300 0.01 127
kemampuan algoritma genetika untuk
mendapatkan solusi yang mendekati secara 2 8 13 tobeornottobe 300 0.01 159
optimum. 3 10 13 tobeornottobe 300 0.01 288

4 13 13 tobeornottobe 300 0.01 122

Tabel 6
Proses mutasi 5 16 13 tobeornottobe 300 0.01 95

6 20 13 tobeornottobe 300 0.01 226

Original Offspring 1 ah lgslo mik
7 22 13 tobeornottobe 300 0.01 127
Original Offspring 2 yrwlmkfgdn 8 25 13 tobeornottobe 300 0.01 136

Mutated Offspring 1 ah lgalo mik 9 28 13 tobeornottobe 300 0.01 92

Mutated Offspring 2 yrmlmkfgdn 10 30 13 tobeornottobe 300 0.01 91

11 32 13 tobeornottobe 300 0.01 139

Parameter 12 35 13 tobeornottobe 300 0.01 102

13 38 13 tobeornottobe 300 0.01 173

Parameter-parameter genetika yang
digunakan yaitu probability mutasi (pm) dan 14 40 13 tobeornottobe 300 0.01 98
parameter ukuran populasi (popsize). 15 43 13 tobeornottobe 300 0.01 198

Parameter probability mutasi (pm) yang Tabel 8

akan menentukan banyaknya gen dalam Hasil penelitian dengan mengubah-ubah
suatu populasi yang akan dimutasikan. nilai lkrom(panjang kromosom)
Misalkan pm = 0.01, diharapkan 1% dari
No Uji

Lkrom

Max Gen

Masukan Pm
Pop Size

generasi
gen pd
Konver-
keseluruhan gen pada suatu populasi akan Huruf
dikenai mutasi. Semakin besar nilai
parameter probability mutasi (pm), maka
1 10 5 semut 300 0.01 44
semakin besar pula kemungkinan gen 2 10 7 harimau 300 0.01 123
terkena mutasi dalam setiap generasinya. 3 10 8 belalang 300 0.01 126
Semakin banyak gen yang terkena mutasi 4 10 13 tobeornottobe 300 0.01 288
maka semakin cepat mencapai nilai 5 20 5 semut 300 0.01 70
konvergen atau nilai fitness tertinggi yang 6 20 7 harimau 300 0.01 58
diharapkan user. 7 20 8 belalang 300 0.01 54
8 20 13 tobeornottobe 300 0.01 226
ANALISIS HASIL PENELITIAN 9 30 5 semut 300 0.01 40
10 30 7 harimau 300 0.01 68
11 30 8 belalang 300 0.01 86
Kesimpulan dari Tabel 7
12 30 13 tobeornottobe 300 0.01 91
13 40 5 semut 300 0.01 24
Pada tabel 7 parameter yang diset tetap 14 40 7 harimau 300 0.01 54
adalah: 15 40 8 belalang 300 0.01 119
16 40 13 tobeornottobe 300 0.01 98

81
 WAHYU NURJAYA

Tabel 9 Tabel 10
Hasil penelitian dengan mengubah-ubah Hasil penelitian dengan mengubah-ubah
nilai lkrom (panjang kromosom) nilai maxgen (maksimal generasi)
No Uji

Lkrom Masukan

Max Gen
Pm Masukan Pm
Pop Size

generasi
gen pd
Konver-

No Uji

Lkrom

Max Gen
Huruf Huruf

Pop Size

generasi
gen pd
Konver-
1 10 5 semut 300 0.01 44 1 10 4 babi 300 0.01 127
2 10 5 bebek 300 0.01 44 2 10 4 babi 500 0.01 127
3 10 5 buaya 300 0.01 44 3 10 4 ikan 300 0.01 83
4 10 5 jeruk 300 0.01 44 4 10 4 ikan 500 0.01 83
5 10 5 nanas 300 0.01 44 5 10 5 semut 300 0.01 44
6 10 8 belelang 300 0.01 126 6 10 5 semut 500 0.01 44
7 10 8 kupukupu 300 0.01 126 7 10 5 bebek 300 0.01 44
8 10 8 kurakura 300 0.01 126 8 10 5 bebek 500 0.01 44
9 10 8 gulagula 300 0.01 126 9 10 7 harimau 300 0.01 123
10 10 8 biribiri 300 0.01 126 10 10 7 harimau 500 0.01 123
11 50 5 semut 300 0.01 35 11 10 7 srigala 300 0.01 61
12 50 5 bebek 300 0.01 32 12 10 7 srigala 500 0.01 61
13 50 5 buaya 300 0.01 60 13 10 13 tobeornottobe 300 0.01 288
14 50 5 jeruk 300 0.01 37 14 10 13 tobeornottobe 500 0.01 288
15 50 5 nanas 300 0.01 39 15 10 13 nurjayacahaya 300 0.01 178
16 50 8 belelang 300 0.01 56 16 10 13 nurjayacahaya 500 0.01 178
17 50 8 kupukupu 300 0.01 61 17 50 4 babi 300 0.01 42
18 50 8 kurakura 300 0.01 57 18 50 4 babi 500 0.01 42
19 50 8 gulagula 300 0.01 50 19 50 4 ikan 300 0.01 30
20 50 8 biribiri 300 0.01 91 20 50 4 ikan 500 0.01 30
21 50 5 semut 300 0.01 35
Panjang kromosom (lkrom) = 13 22 50 5 semut 500 0.01 35
Masukan huruf = 23 50 5 bebek 300 0.01 32
24 50 5 bebek 500 0.01 32
“tobeornottobe“ 25 50 7 harimau 300 0.01 47
Maksimal generasi = 300 26 50 7 harimau 500 0.01 47
Probability mutasi = 0.01 27 50 7 srigala 300 0.01 52
28 50 7 srigala 500 0.01 52
29 50 13 tobeornottobe 300 0.01 138
Penulis mencoba mengubah-ubah nilai 30 50 13 tobeornottobe 500 0.01 138
popsize untuk mengetahui pengaruh dari 31 50 13 nurjayacahaya 300 0.01 81
popsize dalam mencari nilai konvergen atau 32 50 13 nurjayacahaya 500 0.01 81

niali fitness tertinggi.

akan lama didapatkan walaupun N
Dari 15 kali (realnya 30 kali) percobaan populasi awal yang diambil cukup besar.
dapat ditarik kesimpulan bahwa besar atau 3. Apabila N populasi awal ternyata
kecil jumlah popsize tidak berpengaruh memiliki nilai fitness setidaknya 1% dari
dalam cepat atau lambatnya mendapatkan jumlah keseluruhan N populasi awal
nilai konvergen (hasilnya selalu bervariasi). maka nilai konvergen akan cepat
Masalah ini timbul karena dipengaruhi: didapatkan walaupun N populasi awal
1. Pembangkitan populasi awal secara kecil.
random. 4. Disini mutasi sangat berperan, jika N
2. Apabila dibangkitkan N populasi awal populasi awal memiliki 0% nilai fitness,
ternyata dari N populasi awal ini tidak karena hanya mutasilah yang akan
terdapat populasi yang memiliki nilai merubah dari 0% nilai fitness pada
fitness (tidak ada data hasil random yang generasi selanjutnya.
memiliki kecocokan huruf dengan
ekspresi user), maka nilai konvergen

82
 ANALISIS PROSES WORD MATCHING PROBLEM
Tabel 1 Hasil penelitian dengan mengubah-ubah nilai probability mutasi (pm)
No Uji Pop size Lkrom Masukan Huruf Max Pm Konvergen
Gen pada
Generasi
1 10 4 babi 300 0.01 127
2 10 4 babi 300 0.25 8
3 10 4 babi 300 0.50 5
4 10 4 babi 300 0.75 3
5 10 4 ikan 300 0.01 83
6 10 4 ikan 300 0.25 9
7 10 4 ikan 300 0.50 7
8 10 4 ikan 300 0.75 4
9 10 5 semut 300 0.01 44
10 10 5 semut 300 0.25 7
11 10 5 semut 300 0.50 5
12 10 5 semut 300 0.75 5
13 10 5 bebek 300 0.01 44
14 10 5 bebek 300 0.25 7
15 10 5 bebek 300 0.50 5
16 10 5 bebek 300 0.75 5
17 10 7 harimau 300 0.01 123
18 10 7 harimau 300 0.25 11
19 10 7 harimau 300 0.50 8
20 10 7 harimau 300 0.75 6
21 10 7 srigala 300 0.01 61
22 10 7 srigala 300 0.25 11
23 10 7 srigala 300 0.50 8
24 10 7 srigala 300 0.75 5
25 10 13 tobeornottobe 300 0.01 288
26 10 13 tobeornottobe 300 0.25 20
27 10 13 tobeornottobe 300 0.50 9
28 10 13 tobeornottobe 300 0.75 5
29 10 13 nurjayacahaya 300 0.01 178
30 10 13 nurjayacahaya 300 0.25 20
31 10 13 nurjayacahaya 300 0.50 12
32 10 13 nurjayacahaya 300 0.75 5
33 50 4 babi 300 0.01 42
34 50 4 babi 300 0.25 10
35 50 4 babi 300 0.50 7
36 50 4 babi 300 0.75 5
37 50 4 ikan 300 0.01 30
38 50 4 ikan 300 0.25 10
39 50 4 ikan 300 0.50 7
40 50 4 ikan 300 0.75 7
41 50 5 semut 300 0.01 35
42 50 5 semut 300 0.25 13
43 50 5 semut 300 0.50 11
44 50 5 semut 300 0.75 4
45 50 5 bebek 300 0.01 32
46 50 5 bebek 300 0.25 14
47 50 5 bebek 300 0.50 9
48 50 5 bebek 300 0.75 6
49 50 7 harimau 300 0.01 47
50 50 7 harimau 300 0.25 16
51 50 7 harimau 300 0.50 9
52 50 7 harimau 300 0.75 5
53 50 7 srigala 300 0.01 52
54 50 7 srigala 300 0.25 14
55 50 7 srigala 300 0.50 11
56 50 7 srigala 300 0.75 6
57 50 13 tobeornottobe 300 0.01 138
58 50 13 tobeornottobe 300 0.25 20
59 50 13 tobeornottobe 300 0.50 8
60 50 13 tobeornottobe 300 0.75 6
61 50 13 nurjayacahaya 300 0.01 81
62 50 13 nurjayacahaya 300 0.25 19
63 50 13 nurjayacahaya 300 0.50 8
64 50 13 nurjayacahaya 300 0.75 7

83
 WAHYU NURJAYA

Kesimpulan dari Tabel 8:

Pada Tabel 8 parameter yang diset tetap
adalah:
1. Banyaknya populasi awal diset 10, 20, 30,
dan 40. setiap jumlah populasi awal
dilakukan 4 kali percobaan untuk nilai
panjang kromosom berubah-ubah,
sehingga percobaan dilakukan sebanyak 16
kali.
2. Masukan huruf sesuai dengan panjang
kromosom dan setiap kali populasi awal
dinaikkan masukan huruf selalu diset tetap
mengikuti panjang kromosom.
3. Maksimal generasi = 300
4. Probability mutasi (pm) = 0.01
Penulis mencoba mengubah-ubah nilai lkrom
untuk mengetahui pengaruh dari lkrom dalam
mencari nilai konvergen.
Dari 16 kali (realnya 40 kali) percobaan
ternyata didapatkan:
1. Untuk popsize 10, 100% data
menyimpulkan bahwa semakin besar
panjang lkrom, maka semakin lambat
mendapatkan nilai konvergen.
2. Untuk popsize 20, 75% data
menyimpulkan bahwa semakin besar
panjang lkrom, maka semakin lambat
mendapatkan nilai konvergen. Dan 25%
data menyimpulkan tidak berpengaruh
semakin besar atau semakin kecil lkrom
untuk mendapatkan nilai konvergen
(dipengaruhi populasi awal atau masukan
huruf).
3. Untuk popsize 30, 100% data
menyimpulkan bahwa semakin besar
panjang lkrom, maka semakin lambat
mendapatkan nilai konvergen.
4. Untuk popsize 40, 75% data
menyimpulkan bahwa semakin besar
panjang lkrom, maka semakin lambat
mendapatkan nilai konvergen. Dan 25%
data menyimpulkan tidak berpengaruh
semakin besar atau semakin kecil lkrom
untuk mendapatkan nilai konvergen
(dipengaruhi populasi awal atau masukan
huruf).
Berdasarkan 4 asumsi (realnya 10 asumsi)
diatas maka ditarik kesimpulan bahwa
semakin besar lkrom, maka semakin lambat
mendapatkan nilai konvergen.
Masalah ini timbul karena kemungkinan
untuk menghasilkan kombinasi suatu ekspresi
sangat lama yaitu (1/26)lkrom . Contoh
ekspresi “tobeornottobe“ memiliki panjang
kromosom (lkrom) 13, apabila dilakukan
pengacakan secara alami maka kemungkinan
ada huruf cocok (1/26)13 =4,03038 x 10-19
yaitu sekitar 2 kemungkinan akan keluar dari
semilyar (1.000.000.000) kemungkinan.
Kesimpulan Tabel 9
Pada tabel 9 parameter yang diset tetap
adalah:
1. Banyaknya populasi awal diset 10 dan 50.
setiap jumlah populasi awal dilakukan 10
kali percobaan untuk nilai lkrom 5
dilakukan lima kali percobaan dan begitu
juga untuk lkrom 8 dilakukan lima kali
percobaan, sehingga percobaan dilakukan
sebanyak 20 kali.
2. Panjang kromosom = 5 dan 8
3. Maksimal generasi = 300
4. Probability mutasi (pm)= 0.01
Penulis mencoba mengubah-ubah nilai word
untuk mengetahui pengaruh dari word dalam
mencari nilai konvergen.
Dari 20 kali (realnya 40 kali) percobaan
ternyata didapatkan:
1. Untuk popsize 10 dengan lkrom 5 dengan
masukan
huruf:’semut’,’bebek’,’buaya’,’jeruk’,dan
’nanas’. Dari 100% data menyimpulkan
bahwa masukan huruftidak berpengaruh
dalam cepat atau lambat mendapatkan nilai
konvergen.
2. Untuk popsize 10 dengan lkrom 8 dengan
masukan
huruf:’belalang’,’kupukupu’,kurakura’,’gu
lagula’, dan ’biribiri’. Dari 100% data
menyimpulkan bahwa masukan huruftidak

84
 ANALISIS PROSES WORD MATCHING PROBLEM
berpengaruh dalam cepat atau lambat
mendapatkan nilai konvergen.
3. Untuk popsize 50 dengan lkrom 5 dengan
masukan
huruf:’semut’,’bebek’,’buaya’,’jeruk’,dan
’nanas’. Dari 100% data dihasilkan nilai
konvergen bervariasi jadi dapat
disimpulkan masukan huruf berpengaruh
dalam pencapaian niali konvergen.
4. Untuk popsize 50 dengan lkrom 8 dengan
masukan
huruf:’belalang’,’kupukupu’,kurakura’,’gu
lagula’, dan ’biribiri’. Dari 100% data
dihasilkan nilai konvergen bervariasi jadi
dapat disimpulkan masukan huruf
berpengaruh dalam pencapaian niali
konvergen.
Berdasarkan 4 asumsi (realnya 8 asumsi) di
atas maka ditarik kesimpulan bahwa masukan
huruf berpengaruh terhadap kecepatan
pencapaian nilai konvergen.
Kesimpulan dari Tabel 10
Pada Tabel 10 penulis mencoba mengubah-
ubah nilai maxgen (maksimal generasi) untuk
mengetahui pengaruh dari maxgen dalam
mencari nilai konvergen.
Dari 32 kali percobaan (realnya 48 kali) dapat
ditarik kesimpulan bahwa maxgen tidak
berpengaruh terhadap naik atau turunnya nilai
konvergen. Ini disebabkan jika nilai
konvergen telah didapatkan pada generasi ke
300 maka untuk generasi berikutnya pasti
telah konvergen.
Kesimpulan dari Tabel 11
Pada Tabel 11 penulis mencoba mengubah-
ubah nilai probability mutation (kemungkinan
mutasi (pm)) untuk mengetahui pengaruh dari
pm dalam mencari nilai konvergen.
Parameter pm diset sebagai berikut:
1. pm = 0.01, diharapkan 1% dalam tiap
generasi terkena mutasi.
2. pm = 0.25, diharapkan 25% dalam tiap
generasi terkena mutasi.
85
3. pm = 0.50, diharapkan 50% dalam tiap
generasi terkena mutasi.
4. pm = 0.75, diharapkan 75% dalam tiap
generasi terkena mutasi.
Dari 64 kali percobaan (realnya 96 kali) dapat
ditarik kesimpulan bahwa semakin besar nilai
probability mutation maka akan semakin
cepat untuk mendapatkan nilai konvergen,
sebaliknya jika nilai probability mutation
semakin kecil maka untuk mendapatkan nilai
konvergen akan semakin lama.
KESIMPULAN DAN SARAN
Kesimpulan
Dari analisis hasil penelitian dan data yang
ada penulis mengambil beberapa kesimpulan
yaitu:
1. Fungsi kecocokan fitness didapatkan
dengan cara menggunakan selisih string
integer antara ekspresi user dengan
ekspresi hasil random.
2. Eksperimen Richard Dawkins lebih mudah
untuk dipahami dan dipelajari dengan
menggunakan algoritma genetika.
3. Semakin besar nilai fitness yang
didapatkan dari proses algoritma genetika
maka semakin cepat untuk mencapai nilai
konvergen.
4. Besar atau kecil jumlah popsize tidak
berpengaruh dalam cepat atau lambatnya
mendapatkan nilai konvergen (kesimpulan
Tabel 7).
5. Semakin besar panjang kromosom (lkrom)
maka semakin lama nilai konvergen
didapatkan (kesimpulan Tabel 8)
6. Masukan word (huruf) berpengaruh dalam
mendapatkan nilai konvergen, jika
ekspresi word yang diharapkan oleh user
berbeda-beda maka nilai konvergen
didapatkan pada generasi yang berbeda
pula (kesimpulan Tabel 9).
7. Maxgen (maksimal generasi) tidak
berpengaruh terhadap nilai konvergen,
karena jika nilai konvergen didapatkan
pada generasi ke 300 maka untuk generasi
 WAHYU NURJAYA
selanjutnya nilai tetap konvergen
(kesimpulan Tabel 10)
8. Semakin besar nilai probability mutation
(kemungkinan mutasi (pm)) maka semakin
cepat nilai konvergen didapatkan,
sebaliknya semakin kecil nilai probability
mutation maka semakin lama nilai
konvergen didapatkan (kesimpulan Tabel
11).
Saran
Berdasarkan pengamatan dari hasil analisis
proses word matching problem menggunakan
algoritma genetika, penulis menyampaikan
beberapa saran sebagai berikut:
1. Penggunaan fungsi fitness (fungsi objektif/
tujuan) diharapkan menggunakan
perumusan secara matematika, sehingga
dapat memberikan penyelesaian yang lebih
akurat dan optimal.
2. Pemakaian mutasi secara khusus seperti
pada kasus word matching problem harus
memiliki ruang lingkup yang dibatasi,
sehingga pencapaian nilai konvergen tidak
memakan waktu yang cukup lama.
3. Program algoritma genetika yang telah
dibuat hendaknya dijalankan berulang-
ulang untuk mendapatkan perbandingan
dari solusi masalah setiap inisialisasi yang
dibangkitkan.
86
4. Algoritma genetika diharapkan dapat
dikembangkan lebih lanjut untuk
permasalahan lainnya.
DAFTAR PUSTAKA
Davis & Lawrence. (1991). Handbook of
genetic algorithm. New York: Van
Nostrand Reinhold.
Dawkins, R. The blind watchmaker. Addison
Westly.
Freeman, J.A. Simulating Neural Network
with Mathematica. Addison Westley.
Goldberg, D.E. (1989). Genetic algorithms in
search optimization and machine learning.
United State of America: Addison
Westley.
Insap, S. (1989). Pemrograman Pascal
Tingkat Lanjut. Yogyakarta: Andi.
Insap, S. (1997). Struktur Data Menggunakan
Turbo Pascal 6.0. Yogyakarta: Andi.
Jogiyanto. (2001). Teori dan aplikasi program
komputer bahasa Turbo Pascal (jilid 1,
versi 5.0). Yogyakarta: Andi.
Rinaldi, M. (1998). Algoritma dan
Pemrograman (Buku 2). Bandung:
Informatika.
Zbigniew, M. (1996). Genetic algorithms +
data structure = evolution programs. New
York: Springer Verleg.