Seminar Nasional Teknologi Informasi dan Komunikasi 2016 SENTIKA 2016 ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
digunakan untuk menghitung korelasi rank Spearman ditunjukkan pada Persamaan 1:
1 6
1
2 2
¦
n n
di rs
1 Dimana:
rs = korelasi rank Spearman di = selisih peringkat data ke-i
n = jumlah data
Contoh perhitungan nilai dengan solusi yang didapat dari agoritma genetika ditunjukkan pada
Tabel 2. Pada Tabel 2 dijelaskan cara penghitungan nilai dengan pembobotan hasil
algoritma genetika yaitu dengan cara mengalikan hasil jawaban pilihan ganda yang diperoleh
peserta didik Si dengan bobot dari hasil generate algoritma genetika Bi. Cara yang
sama juga digunakan untuk menghitung nilai pada hasil ujian peserta didik yang lain. Bobot
yang dipakai untuk contoh adalah kromosom K1. Setelah nilai selesai dihitung, maka akan
dilakukan perhitungan fitness menggunakan korelasi Spearman yang ditunjukkan pada Tabel
3. Pada Tabel 3 dijelaskan proses penghitungan fitness dari kromosom K1 untuk hasil ujian 10
peserta didik. Pada contoh perhitungan ini dimisalkan ada 10 soal pilihan ganda dengan 9
jawaban benar dan 1 jawaban salah yang letaknya berada pada nomor yang berbeda.
Tabel 2. Contoh Perhitungan Nilai dengan Solusi Kromosom K1 Kromosom
Gen 1
2 3
4 5
6 7
8 9
10 K1
1 1
1 1
1 1
1 1
1 2
4 4
3 6
7 5
10 9
8
BiSi
4 4
3 6
7 5
10 9
8
BiSi 56
Tabel 3. Penghitungan Fitness pada Kromosom K1 Peserta
Didik
BiSi Peringkat GA
Peringkat Sebenarnya di
di
2
1 56
1 1
2 54
3.5 2
1.5 2.25
3 54
3.5 3
0.5 0.25
4 55
2 4
-2 4
5 52
6 5
1 1
6 51
7 6
1 1
7 53
5 7
-2 4
8 48
10 8
2 4
9 49
9 9
10 50
8 10
-2 4
di
2
20.5 Korelasi Spearman Fitness Kromosom K1
0.8757576
Hasil dari penghitungan fitness pada semua kromosom ditampilkan pada Tabel 4.
Tabel 4. Fitness Setiap Kromosom Individu
Fitness
K1 0.875757576
K2 0.184848485
K3 0.145454545
K4 0.542424242
Tabel 4. Fitness Setiap Kromosom Lanjutan
K5 0.351515152
K6 0.127272727
K7 0.403030303
K8 0.021212121
K9 0.112121212
K10 0.042424242
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 SENTIKA 2016 ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
2.4 Crossover
Crossover dilakukan untuk membentuk kromosom baru atau offspring dari proses
persilangan dua kromosom Mahmudy, 2014. Mekanisme crossover yang dipakai adalah
crossover banyak titik atau multi cut point crossover.
Langkah pertama yaitu tentukan crossover rate cr, dalam penelitian ini digunakan cr yang
digunakan yaitu 0.95. Nilai ini menyatakan jumlah offspring yang dihasilkan pada proses
crossover, sehingga jumlah offspring yang dihasilkan sebanyak cr x popSize Mahmudy,
2014. Setelah itu siapkan sepasang kromosom yang digunakan sebagai induk yang dipilih
secara random. Tentukan dua titik potong secara random, kemudian tukarkan susunan gen induk
sehingga didapatkan 2 offspring atau keturunan. Ilustrasi
crossover yang
dilakukan pada
kromosom K1 dan K9 ditunjukkan pada Tabel 5 berikut ini.
Tabel 5. Proses Crossover Induk
Gen 1
2 3
4 5
6 7
8 9
10
Kromosom 1 2
4 4
3 6
7 5
10 9
8 Kromosom 9
5 4
6 5
3 2
10 7
6 3
Offspring Gen
1 2
3 4
5 6
7 8
9 10
Offspring 1 2
4 4
5 3
2 10
10 9
8 Offspring 2
5 4
6 3
6 7
5 7
6 3
2.5 Mutasi
Pada penelitian ini mekanisme mutasi yang digunakan adalah mutasi biner. Langkah pertama
yang dilakukan yaitu menentukan mutation rate mr, nilai mr yang digunakan dalam penelitian
ini adalah 0.05 dan total kromosom yang akan bermutasi dapat diketahui dengan menghitung
mr dikalikan dengan jumlah populasi, sehingga dalam penelitian ini ada 1 kromosom. Setelah
kromosom terpilih, langkah selanjutnya pilih 1 gen yang akan dimutasi secara acak, lalu
konversi nilainya ke biner, ubah nilai binernya dan konversikan lagi ke desimal, sehingga nilai
gen hasil mutasi akan berubah. Berikut ini adalah ilustrasi mutasi pada kromosom 1:
Gambar 3. Ilustrasi Proses Mutasi Biner 2.6 Seleksi Elits dan Pembentukan Populasi
Baru
Seleksi elits merupakan strategi deterministk yang menjamin sejumlah popSize kromosom
terbaik dari kumpulan parent dan offspring dipilih untuk lulus ke generasi berikutnya
Jafarian, 2010. Cara kerja metode seleksi elitism adalah semua kromosom baik induk
maupun offspring diurutkan dari yang terbaik berdasarkan
nilai fitness
masing-masing kromosom. Kromosom yang terbaik akan di-
copy ke dalam populasi baru yang akan menjadi generasi berikutnya. Kromosom baru hasil
rekayasa genetika yang sudah diseleksi dengan proses elits disajikan pada Tabel 6 berikut ini:
Tabel 6. Populasi Baru Hasil Elits Kromosom
Fitness
K1 0.875757576
Offspring 1 0.663636364
K7 0.403030303
K2 0.184848485
Offspring 2 0.172727273
K3 0.145454545
Offspring 3 0.142424242
K6 0.127272727
K9 0.112121212
K8 0.021212121
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 SENTIKA 2016 ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
2.7 Terminasi Laju Generasi
