43 Cara lain yang bisa diterapkan adalah dengan melakukan pengujian konvergensi
populasi yang diterapkan secara periodik sepanjang generasi. Jika nilai keragaman populasi dibawah nilai threshold maka mutasi akan dilakukan terhadap sebagaian
chromosome. Gambar 3.6 menunjukkan perhitungan kemiripan dari dua kromosom dengan reprentasi biner atau bilangan bulat integer. Setiap gen kromosom
dibandingkan dan rasio kemiripan simmilarity ratio dinyatakan dalam persentase.
PROCEDURE Simmilarity Input: chromosome1, chromosome2
Output: simmilarity_ratio length
← LengthOf chromosomes1 sim
← 0 FOR i=1 TO length DO
IF chromosome1[i]= chromosome2[i] THEN sim
← sim + 1 END IF
NEXT i simmilarity_ratio
← simlength 100 RETURN simmilarity_ratio
END PROCEDURE
Gambar 3.6. Pseudo-code perhitungan rasio kemiripan dua kromosom
Gambar 3.7 menunjukkan perhitungan nilai keragaman diversity dari populasi pop. Setiap kromosom dalam populasi dibandingkan dan dihitung rasio kemiripannya. Nilai
keragaman didapatkan dengan mengurangi 1 dengan rata-rata rasio kemiripan.
PROCEDURE PopulationSimmilarity Input: pop, pop_size
Ouput: diversity total
← 0 n
← 0 FOR i=1 TO popSize-1 DO
FOR j=i+1 TO popSize DO total
← total + Simmilarity pop[i], pop[j] n
← n + 1 NEXT j
NEXT i diversity
← 1-totaln END PROCEDURE
Gambar 3.7. Pseudo-code perhitungan nilai keragaman populasi
Beberapa metode yang lebih kompleks untuk penanganan konvergensi dini akan dibahas dalam bab berikutnya.
44
3.8. Rangkuman
Pada bab ini telah dibahas struktur GAs menggunakan pengkodean chromosome bilangan pecahan real-coded chromosome. Metode reproduksi yang dibahas adalah
extended intermediate crossover dan random mutation. Dibahas juga metode one-cut- point crossover yang digunakan pada pengkodean chromosome biner bisa dengan
mudah diterapkan pada pengkodean real. Metode seleksi yang dibahas adalah binary tournament selection. Metode seleksi lain
yang sering digunakan dalam penelitian, elitism selection dan replacement selection, juga dibahas beserta contoh penerapannya. Untuk semua metode seleksi yang dibahas
diberikan juga pseudo-code-nya. Bab ini ditutup dengan diskusi penentuan parameter GAs yang tepat, mekanisme
sampling yang digunakan pada proses seleksi, penyesuaian adjustment probabilitas seleksi, dan penggunaan random injection untuk menangani konvergensi dini.
3.9. Latihan
Untuk memperjelas pemahaman anda, kerjakanlah latihan berikut sebisa mungkin tanpa melihat materi pada buku
1. Sebutkan kelemahan algoritma genetika dengan pengkodean biner jika digunakan pada optimasi fungsi
2. Misalkan yang terpilih sebagai induk adalah P
1
=2,3, 5,2 dan P
2
=4,8, 3,1. Jika a=[0,1, 0,2] tentukan dua offspring C
1
dan C
2
yang terbentuk dari extended intermediate crossover
3. Misalkan yang terpilih sebagai induk adalah P=2,3, 5,2 dan nilai x
2
berada pada range [1,0, 10,0]. Jika r=0,01 dan gen yang terpilih nomer 2, tentukan offspring C
yang terbentuk dari random mutation 4. Misalkan terdapat himpunan individu dalam populasi dengan popSize=5 sebagai
berikut:
45
individu fitness
P
1
9 P
2
10 P
3
2 P
4
9 P
5
6
Terdapat juga himpunan offspring sebagai berikut:
individu fitness
C
1
4 C
2
8 C
3
7
Tentukan himpunan individu yang lolos ke generasi selanjutnya jika digunakan elitism selection
5. Misalkan terdapat himpunan individu dalam populasi dengan popSize=5 sebagai berikut:
individu fitness
P
1
9 P
2
10 P
3
2 P
4
9 P
5
6
Terdapat juga himpunan offspring sebagai berikut:
individu parent
fitness C
1
P
1
dan P
3
4 C
2
P
3
dan P
5
8 C
3
P
4
5
Tentukan himpunan individu yang lolos ke generasi selanjutnya jika digunakan replacement selection
6. Sebutkan keuntungan dan kerugian jika nilai parameter ukuran populasi popSize, probabilitas crossover pc dan probabilitas mutasi pm ditentukan semakin besar?
7. Pada proses seleksi terdapat mekanisme sampling untuk memilih individu yang dipertahankan hidup. Sebutkan tiga kategori metode dasar untuk melakukan
sampling 8. Apa tujuan dari penyesuaian adjustment probabilitas seleksi?
46