Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria
berhenti. Beberapa kriteria berhenti yang sering digunakan antara lain:
1. Berhenti pada generasi tertentu.
2. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai
fitness tertinggi tidak berubah. 3.
Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.
2.3.4 Parameter Genetik
Yang disebut dengan parameter disini adalah parameter kontrol Algoritma Genetika, yaitu: ukuran populasi popsize, probabilitas crossover peluang crossover-
c
ρ dan probabilitas mutasi peluang mutasi-
m
ρ . Nilai parameter ini ditentukan juga
berdasarkan permasalahan yang akan dipecahkan. Tidak ada aturan pasti tentang berapa nilai setiap parameter ini. Koza, 2001. Ukuran populasi kecil berarti hanya tersedia
sedikit pilihan untuk crossover dan sebagian kecil dari domain solusi saja yang dieksplorasi untuk setiap generasinya. Sedangkan bila terlalu besar, kinerja Algoritma
Genetika menurun. Penelitian menunjukkan ukuran populasi besar tidak mempercepat proses pencarian solusi. Disarankan ukuran populasi berkisar antara 20-30, probabilitas
crossover umumnya berkisar antara 0,6 sampai dengan 0,9 dan probabilitas mutasi kecil berkisar 0.5-1 atau sekitar 1 dibagi dengan jumlah gen. Jumlah generasi besar
berarti semakin banyak iterasi yang dilakukan, dan semakin besar domain solusi yang akan dieksplorasi Nico saputro dan Yento, 2004.
Menurut Kusumadewi dan Purnomo 2005, ada beberapa rekomendasi yang bisa digunakan untuk menentukan nilai parameter tersebut, antara lain :
1. Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong
merekomendasikan untuk nilai parameter control : popsize;
c
ρ ;
m
ρ = 50; 0,6; 0,001
2. Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka
Grefenstette merekomendasikan : popsize;
c
ρ ;
m
ρ = 30; 0,95; 0,01
3. Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya
adalah : popsize;
c
ρ ;
m
ρ = 80; 0,45; 0,01
2.3.5 Mekanisme Kerja Algoritma Genetika
Algoritma Genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam Algoritma Genetika
disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun
disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.
Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi, kromosom-kromosom tersebut dievaluasi
tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan ukuran yang disebut dengan nilai fitness. Untuk memilih kromosom yang
tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses seleksi kromosom menggunakan konsep teori evolusi Darwin yaitu
kromosom yang mempunyai nilai fitness tinggi akan memiliki peluang lebih besar untuk terpilih lagi pada generasi selanjutnya.
Kromosom-kromosom baru yang disebut dengan kromosom anak offspring, dibentuk dengan cara melakukan perkawinan antar kromosom-kromosom dalam satu
generasi yang disebut sebagai proses perkawinan silang crossover. Mekanisme perubahan susunan unsur penyusun makhluk hidup akibat adanya faktor alam yang
disebut dengan mutasi direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam kromosom dengan suatu nilai acak. Jumlah gen dalam populasi yang
mengalami mutasi ditentukan oleh parameter yang dinamakan mutation rate. Setelah
Ya
Tidak Bangkitkan
Populasi Baru
beberapa generasi akan dihasilkan kromosom-kromosom yang nilai gen-gennya konvergen ke suatu nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh
Algoritma Genetika terhadap permasalahan yang ingin diselesaikan.
Secara umum, blok diagram dari mekanisme kerja Algoritma Genetika ini
adalah seperti yang terlihat pada gambar Gambar 2.3.
Gambar 2.2 Mekanisme Kerja Algoritma Genetika
Bangkitkan Populasi Awal
Mulai
Evaluasi Fungsi Tujuan
Individu-individu Terbaik
Apakah Kriteria
Optimasi tercapai
Selesai
Seleksi
Pindah Silang
Mutasi
BAB 3
ANALISIS DAN PERANCANGAN
Gambaran umum permasalahan Vehicle Routing Problem with Delivery and Pick-Up adalah sebagai berikut. Andaikan ada satu jenis komuniti ditempatkan di sebuah
depotgudang i=0 dengan K kendaraan vehicle yang berpangkalkan di depot yang mempunyai kapasitas sama yaitu W. Andaikan ada N pelanggan customer dinyatakan
dengan i=1,2,3, …, N dengan masing-masing permintaan sebesar d
i
, 1 ≤ i ≤ N, jarak antara dua lokasi i dan j diketahui sebesar Cij, 1 ≤ i≠j ≤ N, jarak tempuh maksimum
yang diijinkan adalah T. Masalah utama dalam VRP ini adalah bagaimana menentukan rute untuk K kendaraan tersebut sedemikian sehingga setiap pelanggan terlayani oleh
tepat satu kendaraan, permintaan terpenuhi, muatan sepanjang rute tidak melampui kapasitas W, panjang rute dari depot keliling kembali ke depot lagi tidak melampui T
dan akhirnya jumlah total panjang rute seluruh K kendaraan minimum Sarwadi, 1995.
Gambar 3.1 Model VRP-DP
3.1 Analisis Kebutuhan
