dibangkitkan adalah 0,6 maka kromosom K2 terpilih sebagai orang tua. Tetapi jika bilangan random yang dibangkitkan adalah 0,9 maka
kromosom K4 yang terpilih Suyanto 2005. 2.
Metode Pairing dari atas ke bawah Dimulai dari atas pada dua kromosom yang berurutan sampai
dengan jumlah peluang rate seleksi yang telah ditentukan. Orang tua dipilih dari baris ganjil dan genap dan saling dikawinkan Haupt 2004.
3. Steady State
Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan dengan mempertahankan individu yang terbaik. Pada setiap
generasi, akan dipilih beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk, sedangkan kromosom-kromosom yang memiliki
nilai f.itness terburuk akan digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan terdapat beberapa populasi
yang bertahan. 4.
Binary Tournament Dalam metode seleksi binary tournament dua individu dipilih secara
acak dari n populasi dan kemudian membandingkan nilai fitness. Individu yang mempunyai nilai fitness terbesar akan terpilih menjadi
parent.
3. Operator Pada Algoritma Genetika
Algoritma genetika merupakan proses pencarian yang heuristik dan acak sehingga penekanan pemilihan operator yang digunakan sangat
menentukan keberhasilan algoritma genetik dalam menemukan solusi optimum suatu masalah yang diberikan. Hal yang harus diperhatikan adalah
menghindari terjadinya konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya, dalam arti bahwa solusi yang diperoleh
adalah hasil optimum lokal. 1.
Pindah Silang Crossover Salah satu komponen paling penting dalam algoritma genetika
adalah crossover atau pindah silang. Sebuah kromosom yang mengarah
pada solusi yang bagus bisa diperoleh dari proses memindah-silangkan dua buah kromosom.
Pindah silang bisa juga berakibat buruk jika ukuran populasinya sangat kecil. Dalam suatu populasi yang sangat kecil, suatu kromosom
dengan gen-gen yang mengarah ke solusi akan sangat cepat menyebar ke kromosom-kromosom lainnya. Untuk mengatasi masalah ini digunakan
suatu aturan bahwa pindah silang crossover hanya bisa dilakukan dengan suatu probabilitas crossover tertentu p
c
. Artinya pindah silang bisa dilakukan hanya jika suatu bilangan random [0,1 yang dibangkitkan
kurang dari p
c
yang ditentukan. Pada umumnya, p
c
1. Pindah silang satu titik one-point crossover
diset mendekati 1, misalnya 0.8.
Pindah silang dapat dilakukan dalam beberapa cara berbeda, yaitu :
Suatu titik potong dipilih secara random, kemudian bagian pertama dari orang tua 1 digabungkan dengan bagian kedua dari
orang tua 2 lihat Gambar 8.
Gambar 8 Pindah silang satu titik 2.
Pindah silang lebih dari satu titik n-point crossover Untuk kromosom yang sangat panjang, misalkan 1000 gen,
mungkin saja diperlukan beberapa titik potong, dimana n titik potong dipilih secara random dan bagian-bagian kromosom dipilih dengan
probabilitas 0.5 dari salah satu orang tuanya.
Gambar 9 Pindah silang lebih dari satu titik
3. Simulated Binary Crossover SBX
Pada proses crossover menggunakan SBX, dua individu parent diseleksi secara acak, kemuadian setiap elemen pada kromosom
akan diganti menggunakan persamaan berikut sehingga menghasilkan kromosom anak child.
, Jika u ≤ 0.5 …………………………... 2.6
, Jika u 0.5…………………………... 2.7 …………………... 2.8
………………….. 2.9 Parent 1
Parent 2 Child 1
Child 2 p
1,1
p
2,1
c
1,1
c
2,1
p
1,2
p
2,2
c
1,2
c
2,2
⋮ dan
⋮
⋮ dan
⋮ p
1,k
p
2,k
c
1,k
c
2,k
Gambar 10 Proses Simulated Binary Crossover SBX Keterangan :
u = Bilangan acak random pada interval 0-1
Mu = Distribusi index untuk crossover
= parent orang tua ke-1 dengan k elemen = parent orang tua ke-2 dengan k elemen
= child anak yang ke-1 hasil crossover = child anak yang ke-2 hasil crossover
2. Mutasi Mutation
Proses mutasi yang dilakukan menggunakan metode polynomial mutation dengan melakukan penggantian setiap elemen di dalam kromosom
menggunakan persamaan berikut. , Jika r
k
, Jika r 0.5 ………………………….. 2.10
k
…………………………………………………. 2.12
≥ 0.5…..………………….. 2.11
Keterangan : r
k
= child anak ke-k yang terjadi mutasi = Bilangan acak random pada interval 0-1
Mum = Distribusi index untuk mutasi
3. Elitisme
Konsep elitisme elitism dalam algoritma genetika berarti usaha mempertahankan individu-individu terbaik yang telah diperoleh disuatu
generasi ke dalam generasi selanjutnya. Sehingga individu-individu terbaik ini akan tetap muncul di populasi berikutnya. Langkah ini dilakukan dalam
berbagai cara. Misalnya, melalui penyalinan individu terbaik, atau dapat juga melalui kombinasi antara solusi-solusi turunan atau anak dengan
induk. Terbukti bahwa penggunaan operator elitism ini telah terbukti memiliki pengaruh yang sangat penting saat menggunakan algoritma
genetika untuk menyelesaikan persoalan optimasi dengan tujuan tunggal Santosa 2011.
2.6 Multi Objective Optimization
