ALGORITMA GENETIKA I. PENDAHULUAN Algoritma genetika adalah agoritma pencarian heuristik yang didasarkan atas mekanisme evaluasi biologis.

Keberagamaan pada evaluasi biologis adalah variasi dari kromosom antar indivdu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4 kondisi yang sangat mempengaruhi proses evalusi, yaitu : a. kemampuan organisme untuk melakuan reproduksi b. keberafaan populasi organisme yang bisa melakukan reproduksi c. keberagamaan organisme dalam suatu populasi d. perbedaan kemampuan untuk survive Individu yang lebih kuat (fit) akan memiliki tingkat survival adan tingkat reproduksi yang lebih tinggi jika dibandingkan dengan individu yang kurang fit. Pada kurun waktu tertentu (sering dikenal dengan istilah generasi), populasi secara keseluruhan akan lebih banyak memuat organisme yang fit. Algoritma genetik pertama kali dikembangkan oleh John Holland dari Universitas Michigan (1975). John Holan mengatakan banyak setiap masalah yang berbentuk adaptasi (apami maupun buatan) dapat diformulasikan dalam terminologi genetika. Algoritma genetika adalah simulasi dari proses evaluasi Darwin dan operasi genetika atas kromosom. II. STRUKTUR UMUM ALGORITMA GENETIKA Pada algoritma ini, teknik pencarian dilakuan sekaligus atas sejumlah solusi yang mungkin yang dikenal dengan istilah populasi. Indivu yang terdapat dalam satu populasi disebut dengan istilah kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evaluasi kromosom-kromosom melalui interasi yang disebut dengan istilah generasi. Pada setiap genrasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu

kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan isitilah anak (offspring) terbentuk dari gabungan 2 kromosom generasi sekarang yang bertindakn sebagain induk (parent) dengan menggunakan operator penyilangan (crossover). Selain operator penyilangan, suatu kromosom dapat juga diomodifikasi dengan menggunakan operator mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk (parent) dan nilai fitness dari kromosom anak (offspring), serta menolak kromosom-kromosom yang lainnya sehingga ukuran populasi (jumlah kromosom dalam suatu populasi) konstan. Setelah melalui beberapa generasi, maka algoritma ini akan konvegen ke kromosom terbaik. III. KOMPONEN KOMPONEN UTAMA ALGORITMA GENETIKA

Ada 6 komponen dalam algoritma genetika, yaitu : Teknik penyandian Teknik penyandian disini meliputi penyandian gen dari kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variabel. Gen dapat direpresentasikan dalam bentuk, string bit, pohon , array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya yang dapat dimplementasikan untuk operator genetika. Gambar algorotma genetika GAMBAR Demikian juga, kromosom dapat direpresentasikan dengan menggunakan : String bit Elemen permutasi Elemen program Struktur lainnya : 10011,01101,11101,dst : E2, E10, E5, dst : pemrograman genetika Bilangan real : 65.65, -67.98, 562.88, dst Daftar aturan : R1, R2, R3, dst

Prosedur Inisialisasi

Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian harus dilakukan terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi kromoson dilakukan secara acak, namun demikian harus tetap memperhatikan domain solusi dan kendala permasalahan yang ada. Fungsi Evaluasi Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu: evaluasi fungsi objektif (fungsi tujuan) dan konversi fungsi objektif ke dalam fungsi fitness. Secara umum, fungsi fitness diturunkan dari fungsi objective dengan nilai yang tidak negatif. Apabila ternya fungsi objectif nilai negatif, maka perlu ditambahkan suatu konstanta C agar nilai fitness yang terbentuk menjadi tidak negatif Seleksi Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Ada beberapa metode seleksi dari induk, antara lain: a. Rank-Based fitness assigment b. Roulette wheel selection c. Stochastic universal sampling d. Local selection e. Truncantion selection f. Tournament selection Operator Genetika Ada 2 operator genetika, yaitu: a. operator untuk melakukan rekombinasi, yang terdiri dari: o Rekombinasi bernilai real o Rekombinasi diskret Rekombinasi intermediate (menengah) Rekombinasi garis Rekombinasi garis yang diperluas Rekombinasi bernilai biner (crossover)

 o b. Mutasi

Crossover satu titik Crossover banyak titik Crossover seragam Crossover dengan permutasi

o Mutasi bernilai real o Mutasi bernilai biner Penentuan Parameter Yang disebut dengan parameter disini adalah parameter kontrol algoritma genetika, yaitu: ukuran populasi (popsize), peluang crossover(Pc), dan peluang mutasi (Pc). Nilai parameter ini ditentukan juga berdasarnya permasalahan yang akan dipercahkan. Ada beberapa rekomendasi yang bisa digunakan, antara lain: Untuk Permasalahan yang memiliki kawasan solusi cukup bersar, De (popsize;Pc;Pm) = (50;0.6;0,001) Bila rata rata fitness setiap generasi digunakan sebagai indikator , maka (popsize;Pc;Pm) = (30;0,95;0,01). Bila fitness dari individu terbaik dipantau pada setiap generasi, maka (popsize;Pc;Pm) = (80;0,45;0,01 Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan SELEKSI Seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana offspring terbentuk dari individu-individu terpilih tersebut. Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness. Masingusulannya adalah: Jong merekomendasikan untuk nilai parameter kontrol:

Grefenstette merekomendasikan:

masing individu dalam suatu wadah seleksi akan menerima probilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Nilai fitness inilah yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya Ada beberapa definsi yang bisa digunakan untuk melakukan perbandingan terhadap beberapa metode yang akan digunakan, antara lain: individu dalam ternormalisasi). Rank-based Fitness Pada rank-based fitness, populasi diurutkan menurut nilai objektifnya. Nilai fitness dari tiap-tiap individu hanya tergantung pada posisi individu tersebut tersebut dalam urutan, dan tidak dipengaruhi oleh nilai objektifnya. Misalkan N adalah jumlah individu dalam suatu populasi. Pos adalah posisi individu dalam populasi tersebut(posisi terendah suatu individu adalah Pos=1, dan posisi tertingginya adalah pos=N). sedang SP adalah selective pressure. Nilai fitness dari suatu individu dapat dihitung sebagai Linear ranking Loss of diversity: proporsi dari individu-individu dalam suatu populasi Selection intensity: nilai fitness rata-rata yang diharapkan dalam suatu selection variance: variansi yang diharapkan dari distribusi fitness populasi setelah dilakukan seleksi (menggunakan distribusi gauss yang tidak terseleksi selama fase seleksi populasi setelah dilakukan seleksi(menggunakan distribusi gauss ternormalisasi). Selective pressure: probilitas dari individu terbaik yang akan diselelksi Bias: perbedaan absolut antara fitness ternormalisasi dari suatu individu Spread: range nilai kemungkinan untuk sejumlah offspring dari suatu dibandingkan dengan rata-rata probabilitas dari semua individu yang diseleksi dan probabilitas reproduksi yang diharapakan

Fitness(pos)= 2 SP + 2 (SP-1)(pos-1)(N-1) Nilai SpE[1,2] Non-linear ranking Fitness(pos)=Nind * X^(Pos-1)sum(X^(i-1));i=1..N.. Sedangkan X dihitung Sebagai akar polinomial: (SP-1)*X^(N-1)+SP*X^(N-2)++SP*X+SP=0 Nilai SpE Seleksi Roda Roulette(Roulette Wheel Selection) Metode seleksi roda roulette ini merupakan motode yang paling sederhana, dan sering juga dikenal dengan nama stochastic sampling with replacement. Pada metode ini, individuindividu dipetakkan dalam suatu segmen garis secara berurutan sedemikian hingga tiap-tiap segmen individu memiliki ukuran yang sama dengan ukuran fitness-nya. Sebuah bilangan random dibangkitkan dan individu yang memiliki segmen dalam kawasan bilangan random tersebut akan terseleksi. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan. Pada Tabel 9.1 Menunjukkan probabilitas seleksi dari 11 individu. Individu pertama memiliki fitness terbesar, dengan demikian dia juga memiliki interval terbesar. Sedangkan individu ke-10 memiliki fitness terkecil kedua. Individu ke-11 memiliki fitness terkecil (=0), interval terkecil sehingga tidak memiliki kesempatan untuk melakukan reproduksi. Setelah dilakukan seleksi, maka individu-individu yang terpilih adalah: 1 2 3 5 6 9

Stocastic Universal Sampling Stocastic universal sampling memiliki nilai bias nol dan penyebaran yang minimum. Pada metode ini, individu-individu dipetakan dalam suatu segmen garis secara berurutan 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 di pada garis tersebut. Andaikan N adalah jumlah

individu yang akan diseleksi, maka jarak antara pointer adalah 1/N, dan posisi pointer pertama diberikan secara acak pada range (1,1/N) Apabila ada 6 individu yang akan diseleksi, maka jarak antara ponter adalah 1/6 = 0.167 (Gambar 9.3) sehingga, misalkan bilangan random yang dibangkitkan pada (0,0.167) adalah 0,1, maka hasil yang diperoleh setelah seleksi adalah : Seleksi Lokasl (Local Selection) Pada seleksi lokal, setiap individu yang berada di dalam konstrain tertentu disebut dengan nama lingkungan lokal. Interaksi antar individu hanyak dilakukan di dalam wilayah tersebut. Lingkungan tersebut ditetapkan sebagai struktur dimana populasi tersebut terdistribusi. Lingkungan tersebut juga dapat dipandang sebagai kelompok pasanganpasangan yang potensial. Gambar 9.4 menunjukkan seleksi lokal, dalam lingkungan linear (full & half ring) Algoritma Genetika GAMBAR Langkah pertama adalah menyeleksi saparo pertama dari populasi yang berpasangan secara random (atau menggunakan salah satu metode yang sudah dijelaskan sebelumnya, seperti : stochastic universal sampling). Kemudian lingkungan baru tersebut diberikan pada setiap individu yang terseleksi. Pada lingkungan yang baru tersebut. Kita bisa menyeleksi pasangan-pasangan yang cocok (pasangan yang terbaik, pasangan yang memiliki fitness proporsional, atau pasangan yang seragam). Struktur lingkungan pada seleksi lokal ini dapat berbentuk : Liner : full ring dan half ring (gambar 9.4) Dimensi -2: Full cross dan half cross (gambar 9.5) Full star dan half star (gambar 9.6)

Dimensi -3 dan struktur yang lebih kompleks yang merupakan

kombinasi dari kedua struktur di atas Jarakan antara individu dengan struktur tersebut akan sangat menentukan ukuran lingkungan (jumlah tentagga dari suatu individu). Hal ini dapat dilihat pada tabel 9.2. jarak antara satu individu dengan individu yang lain tentu saja akan terbatas oleh ukuran lingkungan suatu individu. Individu yang terdapat dalam lingkungan dengan ukuran yang lebih kecil. Tentu saja akan lebih terisolasi jika di bandingkan dengan individu yang terletak pada lingkungan yang ukuran yang lebih besar. Tabel 9.2 jumlah tetangga (ukuran lingkungan) untuk seleksi lokal. Struktur Full ring Half ring Full cross Half cross Full star Half star 9.4.5 Jarak 1 2 1 4 2 8 3 2 4 2 8(12) 4 (5) 24 8

Seleksi dengan Pemotongan (Truncation Selection)

Pada metode-metode seleksi yang telah dijelaskan terdahulu, seleksi dilakukan secara alami. Pada seleksi dengan pemotongan ini lebih berkesan sebagai seleksi buatan. Seleksi ini biasanya digunakan oleh populasi yang jumlahnya sangat besar. Pada metode ini, individu diurutkan berdasarkan nilai fitnessnya. Hanya individu-individu yang terbaik saja yang akan diseleksi sebagai induk. Parameter yang digunakan dalam metode ini adalah suatu nilai ambang trunc yang mengindikasikan ukuran yang populasi yang akan diseleksi sebagai induk yang berkisar antara 50%-10%. Individu-individu yang ada di bawah nilai ambang ini tidak akan menghasilkan keturunan.

9.4.6

Seleksi dengan Turnamen (ournament Selection)

Pada metode seleksi dengan turnamen ini, akan ditetapkan suatu nilai tour untuk individuindividu ang dipilih secara random dari suatu populasi. Individu-individu yang terbaik

dalam kelompok ini akan diseleksi sebagai induk. Para meter yang digunakan pada metode ini adalah ukuran toru yang bernilai antara 2 sampai N (jumlah individu dalam suatu populasi) 9.5 9.5.1 REKOMBINASI Rekombinasi Diskret Rekomenbinasi diskret akan menukar nilai variabel antar kromosom induk. Misalkan ada 2 individu dengan 3 variabel, yaitu : induk 1 ; induk 2 ; 12 123 25 4 5 34

Untuk tiap-tiapvariabel induk yang menyumbangkan variabelna ke anak dipilih secara random dengan probalitas yang sama Sampel 1 : Sampel 2 : Anak 1 : Anak 2 : 2 1 123 12 2 2 4 4 1 1 5 5

Setelah rekombinasi, krmosom-kromosom baru yang terbentuk :

Gambar 9.7 menunjukkan posisi yang mungkin dari anak setelah rekomendasi diskret. Anak yang mungkin induk Variabel-1 Gambar 9.7 Rekombinasi diskret Rekombinasi ini dapat digunakan untuk sembarang variabel (biner, real, atau simbol) 9.5.2 Rekombinasi Menengah

Rekombinasi menengah merupakan metode rekombinasi yang hanya dapat digunakan untuk variabel real ( dan variabel yang bukan biner). Nilai variabel anak dipilih di sekitar dan antara nilai-nilai bariabel induk. Anak dihasilkan menurut aturan sebagai berikut : Anak induk 1 + alpha (induk 2 induk 1) Dengan alpha adalah faktor skala yang dipilih secara random pada interval (-d, 1 + d), biasanya d = 0.25 . tiap-tiap variabel pada anak merupakan hasil kombinasi variabelvariabe menurut aturan diatas dengan nilai alpha dipilih ulang untuk tiap variabel induk 1 area induk area anak yang mungkin 0.25 0 1 1.25 induk 2

Gambar 9.8 Are induk & anak pada rekombinasi menengah Gambar 9.8 menunjukkan area induk dan anak yang mungkin misalkan ada 2 individu dengan 3 variabel, yaitu: Induk 1 : Induk 2 : Sampel 1 : Sampel 2 : Anak 1 : Anak 2 : menengah Rekombinasi ini dapat digunakan untuk sembarang variabel (biner, real, atau simbol). 9.5.3 Rekombinasi Garis 12 123 0,5 0,1 67,5 23,1 25 4 1,1 0,8 1,9 8,2 5 34 -0,1 0,5 2,1 19,5

Misalkan Nilai alpha yang terpilih adalah:

Setelah rekombinasi, kromosom-kromosom baru yang terbentuk

Gambar 9.9 menunjukkan posisi yang mungkin dari anak setelah remondasi

Pada dasarnya rekombinasi garis ini sama dengan rekombinasi menengah, hanya saja nilai alpha untuk semua variabel sama. Misalkan ada 2 kromosom dengan 3 variabel, yaitu : induk 1 : induk 2 : 12 123 25 4 5 34

untuk tiap-tiap variabel induk yang menyumbangkan variabel induk yang menyumbangkan variabelnya ke anak dipilih secara random dengan probabilitas yang sama. Sampel 1 : 0,5 Sampel 2 : 0,1 Setelah rembinasi, kromosom-kromosom baru yang terbentuk Anak 1 : Anak 2 : garis. 9.5.4 Penyilangan satu titik (single-point crossover) Pada Penyilangan 1 titik, posisi penyilangan K (k=1,2.,N-1) dengan N=Panjang kromosom diseleksi secara random. Variabel-variabel ditukan antar kromosom pada titik tersebut untuk mengasilkan anak (gambar 9.11) Misalkan ada 2 Kromosom dengan panjang 12 Induk 1 : 0 1 1 1 0 | 0 1 0 1 1 1 0 Induk 2 : 1 1 0 1 0 | 0 0 0 1 1 0 1 Posisi penyilangan yang terpilih: misalkan 5 67,5 23,1 14,5 22,9 19,5 7,9

Gambar 9.10 menunjukkan posisi yang mungkin dari anak setelah rekomendasi

Setelah penyilangan, diperoleh kromosom-kromosom baru : Anak 1 : 0 1 1 1 0 | 0 0 0 1 1 0 1 Anak 2 : 1 1 0 1 0 | 0 1 0 1 1 1 0

9.5.5

Penyilangan Banyak titik (Multi-point crossover) Pada penyilangan banyak titik, m posisi penyilangan Ki (k=1,2,...,N-1,1=1,2,...,m) dengan n=panjang kromosom deseleksi secara random dan tidak diperbolehkan ada posisi yang sama, serta diurutkan naik. Variabel-variabel ditukarkan antar kromosom pada titik tersebut untuk menghasilkan anak (gambar 9.12) Misalkan ada 2 kromosom dengan panjang 12: Induk 1 : 0 1 1 1 0 0 1 0 1 1 1 0 Induk 2 : 1 1 0 1 0 0 0 0 1 1 0 1 Posisi penyilangan yang terpilih: Misalkan (m=3): 2 6 10 Setelah penyilangan, diperoleh kromosom-kromosom baru: Anak 1 : 0 1 | 0 1 0 0 | 1 0 1 1 | 0 1 Anak 2 : 1 1 | 1 1 0 0 | 0 0 1 1 | 1 0

9.5.6

Penyilangan seragam (Uniform Crossover) Pada penyilangan seragam, setiap lokasi memiliki potensi sebagai tempat penyilangan. Sebuah mask penyilangan dibuat sepanjang panjang krosom secara random yang menunjukkan bit-bit dalam mask yang mana induk akan mensupply anak dengan bit-bit yang ada. Induk mana yang akan menyumbangkan bit ke anak dipilih secara random dengan probabilitas yang sama. Tiap-tiap variabel induk yang akan. Disini, anak_1 akan dihasilkan dari induk_1 jika bit mask bernilai 1, atau sebaliknya, anak_1 akan dihasilkan dari induk_2 jika bit mask bernilai 0. sedangkan anak_2 dihasilkan dari kebalikan mask. Misalkan ada 2 krosom dengan panjang 12: Induk 1 : 0 1 1 1 0 0 1 0 1 1 1 0 Induk 2 : 1 1 0 1 0 0 0 0 1 1 0 1 Mask bit: Sampel 1 : 1 0 0 1 1 1 0 0 1 1 0 1 Sampel 2 : 0 1 1 0 0 0 1 1 0 0 1 0 Setelah penyilngan, diperoleh kromosom-kromosom baru:

Anak 1 : 0 1 0 1 0 0 0 0 1 1 0 0 Anak 2 : 1 1 1 1 0 0 1 0 1 1 1 1 9.5.7 Penyilangan dengan bermutasi (permutation Crossover) Pada penyilangan dengan permutasi ini, kromosom-kromosom anak diperoleh dengan cara memilih sub-barisan suatu tour dari satu induk tetap menjaga urutan dan posisi sejumlah kota yang mungkin terhadap induk yang lainnya. Misal: induk 1 : (1 2 induk 2: (4 anak 2 : (x 5 x anak 1 : (x x 3 3 x x | | | | 4 1 1 4 5 8 8 5 6 7 7 6 7 6 6 7 | 8 9) | 9 2) | x x) | x x)

dari sini kita memperoleh pemetaan: 14,85,66,6-7 Kemudian kita copy sisa gen di induk-1 ke anak-1 dengan mengguna-kan pemetaan yang sudah ada. Anak 1: (1-4 2 Anak 2: (4 Anak 2 : (4-1 5-8 Anak 2 : (1 8 2 3 | 3 | 3 3 4 4 | | 5 5 1 1 6 6 8 8 7 | 7 | 7 7 9 9 6 6 2) 2) |8-5 9) |5 9)

Lakukan hal yang sama untuk anak ke 2

9.6

MUTASI

Setelah mengalami proses rekombinasi, pada offspring dapat dilakukan mutasi. Variabel osspring dimutasi. Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk evaluasi. Jika peluang mutas terlalu kecil, banyak gen yang mungkin berguna tidak pernah dievaluasi. Tetapi bila peluang mutasi ini terlalu besar, maka akan terlalu banyak gangguan acak, sehingga anak akan kehilangan kemiripan dari induknya, dan juga algoritma akan kehilangan kemampuan untuk belajar dari histori pencarian. Ada beberapa pendapat mengenai laju mutasi ini. Ada yang berpendapat bahwa, laju mutasi sebesar 1/n akan memberikan hasil yang cukup baik. Ada juga yang beranggapan bahwa

laju mutasi tidak tergantung pada ukuran populasinya. Kromosom hasil mutasi harus diperiksa, apakah berada pada domain solusi, dan bila perlu bisa dilakukan perbaikan. Mutasi ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkirkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi 9.6.1 Mutasi Bilangan Real Pada mtasi bilangan real. Ukuran langkah mutasi biasanya sangat sulit ditentukan. Ukuran yang kecil biasanya sering mengalami kesuksesan, namun adakalanya ukuran yang lebih besar akan berjalan lebih cepat. Operator mutasi untuk bilangan real ini dapat ditetapkan sebagai : dengan m=20 9.6.2 Mutasi Biner Variabel yang dimutasi = variabel + range *delta; (+ atau Range = 0.5 * domain variabel : (interval pencarian) Delta= (ai*2-i); ai = 1 dengan probanilitas 1/m, selain itu ai = 0, memiliki probalitas yang sama)

Cara sederhana untuk mendapatkan mutasi biner adalah dengan mengganti satu atau beberapa nilai gen dari kromosom. Langkah-langkah mutasi ini adalah : dimutasi tersebut. 9.7 ALGORITMA GENETIKA SEDERHANA Hitung jumlah gen pada populasi (panjang kromosom dikalikan Pilih secara acak gen yang akan dimutai Tentukan kromosom dari gen yang terpilih untuk dimutasi Ganti nilai gen (0 ke 1, atau 1 ke 0) dari kromosom yang akan dengan ukuran populasi)

Misalnya

P ( generasi) adalah populasi dari satu generasi, maka secara sederhana

algoritma genetika terdiri dari langkah-langkah. 1. Generasi = 0 (generasi awal) 2. Inisialisasi populasi awal, p (generasi), secara acak 3. evaluasi nilai fitness pada setiap individu dalam P (generasi) 4. Kerjakan langkah-langkah berikut hingga generasi mencapai maksimum generasi : a. b. c. d. e. f. generasi = generasi + 1 (tambah generasi) Seleksi populasi tersebut untuk mendapatkan kandidat induk , P (generasi) Lakukan crossover pada P(generasi) Lakukan mutasi pada p(generasi) Lakukan evaluasi fitness setiap individu pada P(generasi) Bentuk populasi baru P (generasi) = {P(generasi-1) yang survive, P

(generasi)} 9.7.1 Metode Seleksi dengan Roda Roulette

Seperti telah djelaskan di depan bahwa seleksi induk dengan menggunakan roda roulette metode seleksi yang paling sering digunakan. Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi untuk melakukan reproduksi. Algoritma seleksi roda roulette : 1. Hitung total fitness (F) :
kandidat induk

Totfintness = Fk ; k = 1, 2, ....., popsize Pk = Fk / total fitness q1 = p1 qk = qk 1 + pk ; k = 2, 3, .., popsize Bangkitkan bilangan random r. Jika qk < r dan qk + 1 > r, maka pilih kromosom ke ( k + 1) sebagai

2. Hitung fitness realitif tiap individu ; 3. Hitung fitness komulatif ;

4. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara ;

9.7.2

Crossover

Crossover (penyilangan) dilakukan atas 2 kromosom untuk menghasilkan kromosom anak (offspring). Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom induknya. Metode crossover yang paling sering digunakan pada algoritma genetika sederhana dengan kromosom berbentuk string biner adalah crossover satu titik (one-point crossover). Seperti telah dijelaskan sebelumnya, pada metode ini, kita pilih sembarang bilangan secara acak untuk menentukan posisi persilangan. Kemudian kita tukarkan bagian kanan titik potong dari kedua induk kromosom tersebut untuk menghasilkan kromosom anak Misalnya V1 = 1 0 1 0 0 1 1 0 V2 = 0 1 0 1 0 1 0 0 Apabila posisi titik potong yang terpilih secara acak adalah 3, maka kromosom anak yang terbentuk adalah : V1 = 1 0 1 1 0 1 0 0 V2 = 0 1 0 0 0 1 1 0 Pada crossover ada satu parameter yang sangat penting, yaitu peluang crossover ( pc). Peluang crossover menunjukkan rasio dari anak yang dihasilkan dalam setiap generasi dengan ukuran populasi. Misalkan ukuran populasi (popsize=100), sedangkan peluang crossover (Pc=0,25), berarti bahwa diharapkan ada 25 kromosom dari 100 kromosom yang ada pada populasi tersebut akan mengalami crossover 9.7.3 Mutasi

Mutasi yang digunakan pada algoritma genetika sederhana dengan kromosom biner seperti telah dijelaskan sebelumnya, pada dasarnya akan mengubah secara acak nilai suatu bit pada posisi tertentu. Kemudian kita mengganti bit 1 dengan 0, atau mengganti bit 0 dengan 1. pada mutasi ini sangat dimungkinkan munculkan kromosom baru yang semula muncul dalam populasi awal

Misalkan: V1 = 1 0 1 0 0 1 1 0 Terkena mutasi pada gen ke-5, diperoleh: V2 = 1 0 1 0 1 1 1 0 Pada Mutasi ada satu parameter yang sangat penting yaitu peluang crossover (Pm). Peluang mutasi menunjukkan prosentasi jumlah total gen pada populasi yang akan mengalami mutasi. Untuk melakukan mutasi, terlebih dahulu kita harus menghitung jumlah total gen pada populasi tersebut. Kemudian bangkitkan bilangan random yang akan menentukan posisi mana yang akan dimutasi (gen keberapa pada kromosom keberapa). Misalkan ukuran populasi (popsize=100), setiap kromosom memiliki panjang 20 gen, maka total gen adalah 100x20=2000 gen. jika peluang mutasi (pm=0,01), berarti bahwa diharapkan ada (1/100)x2000 = 20 gen akan mengalami mutasi. Secara umum, diagram alir algoritma genetika sederhana seperti terlihat pada gambar 9.13