Aplikasi Algoritma Genetik dalam Penjadwalan

genetik. 10 Penjadwalan Penjadwalan dengan algoritma genetik dapat dianalogikan seperti pada Tabel 3.1. Tabel 3.1. Analogi Penjadwalan Kedalam Bentuk Algoritma Genetik Algoritma Genetik Urutan Pengerjaan Job Kromosom Work Center Allela Job Gen Algoritma genetik dapat diimplementasikan untuk mendapatkan solusi terbaik dari suatu penjadwalan baik job shop maupun flow shop yang bertipe make to order. Pemakaian algoritma genetik pada penjadwalan dapat dilakukan dengan menetapkan beberapa fungsi tujuan, hal ini tergantung pada prioritas yang diberikan pada setiap fungsi tujuan tersebut dan dibentuk suatu model persamaan matematis sebagai fungsi objektif lokal goal yang merupakan gabungan dari beberapa fungsi tujuan tersebut. Cara penelusuran solusi terbaik dilakukan berdasarkan urutan pengerjaan job-job sequence of job, setiap satu urutan job disebut sebagai satu individu yang memiliki formasi kromosom, yang diperoleh dari setiap populasi pada setiap generasi. Pembangkitan individu dalam suatu populasi dilakukan dengan cara acak terkoordinasi, maksudnya individu yang menjadi anggota populasi harus memenuhi kriteria, seperti makespan dari individu sama atau lebih kecil dariwaktu yang tersedia avalaible time for order dan memiliki fungsi objektif global sama atau lebih besar dari parentnya. Dari suatu populasi dipilih satu individu yang memiliki nilai fungsi objektif optimal. Individu yang terpilih pada suatu populasi 10 Mitsuo Gen dan Runwei Cheng, 2000, Genetic Algorithms and Engineering Optimization John Wiley and Son : USA, hlm.235-251 inilah menjadi parent untuk proses reproduksi pada suatu generasi. Parent akan tetap bertahan sebagai parent jika pada proses produksi tidak ditemukan individu yang lebih baik dari padanya dalam satu generasi. Jika individu memiliki nilai fungsi objektif global lebih kecil dari parentnya pada suatu populasi maka individu tersebut menggantikan posisi parent tersebut. Proses pergantian parent pada setiap generasi berlaku hingga program berjalan pada sejumlah generasi yang ditetapkan sebagai jumlah iterasi.

3.4.2. Kriteria Berhenti dalam Algoritma Genetik Keadaaan Steady State

Dalam setiap iterasi yang diakukan dalam proses penjadwalan dengan Algoritma Genetik, keadaan dimana generasi yang terdiri dari sejumlah individu menghasilkan nilai yang tidak lebih baik dari generasi sebelumnya atau tetap sama dengan generasi sebelumnya, maka keadaan tersebut dinamakan steady state. 11 1. Berhenti pada generasi tertentu Menurut Budi Sukmawan dalam Sekilas tentang Algoritma Genetika dan Aplikasinya pada Optimasi Jaringan Pipa Air Bersih, beberapa kriteria berhenti keadaan steady state yang sering digunakan antara lain : 2. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah steady state 3. Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi. Pada penelitian mengenai Penerapan Algoritma Genetika Pada Persoalan Pedagang Keliling TSP oleh Aulia Fitrah, Achmad Zaky, Fitrasani, Kriteria 11 Budi Sukmawan. Sekilas Tentang Algoritma Genetika dan Aplikasinya pada Optimasi Jaringan Pipa Air Bersih. berhenti algoritma genetik yaitu bila setelah dalam beberapa generasi berturut- turut diperoleh nilai fitness yang terendah tidakberubah. Pada 1 generasi telah terlihat bahwa terdapat nilai fitnessterkecil yang tidak berubah. Apabilaperhitungan dilanjutkan hingga ke generasi ke-N maka diyakinkan bahwa nilai fitness yang terendah tetap tidak akan berubah. Walaupun perhitungan cukup dijabarkan hingga generasi ke-1 saja apabila solusi yang mendekati optimal telah didapatkan, maka solusi dianggap layak.