18
1. Mekanisme optimasi algoritma genetik bekerja berdasarkan kromosom,
dimana setiap kromosom menyimpan informasi parameter-parameter tersebut.
2. Proses pencarian solusi optimal pada mekanisme algoritma genetik tidak
dilakukan pada satu titik pencarian, tetapi pada sekumpulan titik pencarian.
3. Algoritma genetik tidak membutuhkan prosedurprosedur matematis
dalam mencari solusi optimal tetapi algoritma genetik menggunakan informasi langsung dari hasil transfer tiap-tiap parameternya ke suatu
fungsi yang dapat mewakili tujuan dari proses optimasi yang sedang dilakukan.
4. Mekanisme genetik digunakan dalam pemrosesan kode parameter suatu
permasalahan, melalui proses seleksi, rekombinasi dan mutasi untuk memperoleh solusi optimal.
5. Proses pencarian solusi optimal menggunakan metode algoritma genetik
menggunakan titik acuan sembarang, untuk menghindari solusi optimal lokal.
6. pencarian terbimbing diberikan melalui penilaian terhadap kualitas kode
atau kromosom yang dimiliki oleh setiap individu dalam suatu generasi.
2.4.2 Aplikasi Algoritma Genetika
Algoritma genetika telah digunakan untuk memecahkan masalah dibidang teknik, bisnis, dan hiburan, termasuk:
1. Optimasi: algoritma genetika banyak digunakan dalam berbagai tugas
optimasi, termasuk optimasi numerik dan masalah-masalah optimasi kombinatorial
seperti TPS traveling salesman problem, job shop scheduling, dan desain sirkuit.
2. Pemrograman otomatis: algoritma genetika telah digunakan untuk
berevolusi terhadap program komputer untuk melakukan tugas-tugas yang spesifik dan merancang struktur komputasi lain.
3. Machine Learning:
algoritma genetika banyak digunakan untuk aplikasi mesin-learning, termasuk klasifikasi dan prediksi struktur protein.
Algoritma genetika juga telah digunakan untuk merancang jaringan syaraf tiruan dan untuk mengendalikan robot.
Universitas Sumatera Utara
19
4. Model Ekonomi: algoritma genetikatelah digunakan untuk memodelkan
proses inovasi, pengembangan strategi penawaran, dan munculnya pasar ekonomi.
5. Model sistem imunisasi: algoritma genetika telah digunakan untuk
memodelkan beberapa aspeksistem kekebalan tubuh alami, termasuk mutasi somatik selama masa hidup individu dan menemukan keluarga
dengan gen ganda selama evolusi. 6.
Model ekologi: algoritma genetikatelah digunakan untuk memodelkan fenomena ekologi seperti hosp-parasite co-evolution, dan arus sumber
daya dalam ekologi. 7.
Interaksi antara evolusi dan pembelajaran: algoritma genetika telah banyak digunakan untuk mempelajari bagaimana individu belajar dan
memengaruhi proses evolusi suatu spesies satu sama lain.
2.4.3 Struktur Umum Algoritma Genetika
Pada algortima genetika ini, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang mungkin dikenal dengan istilah populasi.
Individu yang terdapat dalam suatu populasi disebut dengan istilah kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk
simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi
yang disebut istilah generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi denganmenggunakan alat ukur yg di sebut
dengan fungsi fitness.
Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan
istilah anak off-spring terbentuk dari gabungan 2 kromosom generasi sekarang bertindak sebagai induk parent dengan menggunakan
operator penyilangan crossover. Selain operator penyilangan, suatu kromosom dapat juga dimodifikasi dengan menggunakan operator
mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk parent dan nilai fitness dari
kromosom anak off-spring, serta menolak kromosom-kromosom yang
Universitas Sumatera Utara
lainnya sehi populasi kons
genetika ini a
2.5 K