2. Array bilangan real : 7.9, 9.7, -70 dst
3. Elemen permutasi : E5, E8, E11 dst
4. Daftar aturan : R1, R2, R3 dst
5. Elemen program : pemrograman genetika
2.5 Fitness Value
Fitness value atau nilai fitness merupakan ukuran baik tidak sebuah individu kromosom dan baik tidak sebuah solusi yang didapatkan. Dalam penempatan sebuah
nilai fitness harus dilihat dari fungsi tujuan, jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik, walaupun pada awalnya semua nilai fitness kemungkinan
sangat kecil karena algoritma ini menghasilkan secara random, sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang lebih tinggi ini akan
memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Untuk melakukan seleksi alam, setiap individu dievaluasi menggunakan nilai fitness value, yang
ditentukan dengan sebuah fungis evaluasi. Fitness value dapat didefinisi:
Fitness = A – FX atau Fitness =
� � +
Keterangan: A = Konstanta yang telah ditentukan
X = Individu kromosom E = Bilangan kecil yang dibentuk untuk menghindari nilai nol
Suatu kromosom yang memiliki nilai fitness yang tinggi akan banyak memproduksi banyak anak, tetapi pada generasi tertentu kromosom anak-anaknya akan
mengalami dominasi populasi. Karena proses seleksi tergantung pada fitness value, maka penting dalam algoritma genetika untuk membuat fungsi evaluasi dengan teliti, sehingga
untuk setiap generasi pada proses evoluasi fungsi fitness yang menyimulasikan seleksi alam, akan menekan populasi terarah fitness yang meningkat.
2.6 Siklus Algoritma Genetika
Sirklus dari algoritmagenetika pertama kali dikenalkan oleh David Goldberg dimana gambar tersebut dapat dilihat pada gambar 4.1
Gambar 2.1 Sirklus Algoritma Genetika oleh David Goldberg
Sirklis ini kemudian diperbaiki oleh beberaoa ilmuwan yang mengembangkan algoritma genetika, yaitu Zbignew Michalewicz dengan menambahkan operator elitism
dan membalik proses seleksisetelah proses reproduksi
Gambar 2.2 Sirklus Algoritma Genetika yang diperbarui oleh Michalewicz
2.7 Metode Seleksi
Ada berbagai teknik yang suatu algoritma genetika dapat digunakan untuk memilih individu-individu yang akan disalin ke generasi berikutnya:
1. Seleksi elitis Populasi sebagian besar anggota setiap generasi dijamin akan dipilih. Pembentukan
populasi baru yang paling baik hilang. Oleh karena itu metode ini sebagai tahap awal memasukkan kromosom dengan nilai fitness yang paling baik atau beberapa kromosom
dengan nilai fitness yang tinggi atau cukup baik dari generasi lama kedalam generasi baru. 2. Seleksi Roulette-wheel
Suatu bentuk-proporsional seleksi fitness di mana kemungkinan individu sedang dipilih adalah sebanding dengan jumlah yang fitness yang lebih besar atau lebih kecil dari nilai
fitness. Konseptual, hal ini dapat direpresentasikan sebagai permainan rolet. Masing- masing individu mendapat sepotong roda, tetapi yanglebih mendapatkan potongan lebih
besar atau yang kurang dari roda kemudian berputar, dan individu mana yang memiliki bagian yang terbesar maka menjadi solusi.
a. Scaling seleksi Popula
si
Populasi awal
Evaluasi Fitnes
Evaluasi Fitnes
Seleksi Individu
Seleksi Individu
Reproduksi Cross-Over
Dan Mutasi
Reproduks i
Cross- Over
Populasi Baru
Populasi Baru
elitis m
Sebagai fitness rata-rata populasi meningkat, kekuatan tekanan selektif juga meningkat dan fungsi fitness menjadi lebih diskriminatif. Metode ini dapat membantu dalam
membuat pilihan terbaik nanti pada saat populasi memiliki fitness relatif tinggi dan perbedaan kecil hanya dalam fitness membedakan satu dari yang lain.
b. Turnamen pilihan Sub kelompok individu dipilih dari populasi yang lebih besar, dan anggota dari setiap sub-
kelompok bersaing satu sama lain. Hanya individu dari setiap subkelompok dipilih untuk mereproduksi.
c. Seleksi rank Setiap individu dalam populasi diberi peringkat numerik berdasarkan fitness, dan
pemilihan didasarkan pada peringkat ini bukan perbedaan absolut dalam fitness. Keuntungan dari metode ini adalah bahwa hal itu dapat mencegah individu yang sangat
baik dari mendapatkan dominasi awal pada individu yang kurang baik, yang akan mengurangi keragaman genetika populasi dan mungkin menghambat upaya untuk
menemukan solusi yang dapat diterima. d. Steady-state selection
Pemikiran utama dari metode seleksi ini adalah sebagian kromosom dari generasi lama tetap bertahan atau berada di generasi selanjutnya. Algoritmagenetika menerapakan
pemikiran tersebut dengan cara, didalam setiap generasi sejumlah kromosom yang mempunyai nilai fitness tinggi untuk diprosses untuk menghasilkan keturunan yang baru
sedangkan kromosom dengan nilai fitness rendah dibuang
2.8. Crossover Perkawinan Silang
