feasible, yaitu objek-objek diantara solusi yang sesuai, dinamakan ruang pencarian search space. Tiap titik dalam ruang pencarian merepresentasikan
satu solusi yang layak. Tiap solusi yang layak ditandai dengan nilai fitness-nya bagi masalah.
Ciri-ciri permasalahan yang dapat dikerjakan dengan menggunakan algoritma genetika adalah [1]:
• Mempunyai fungsi tujuan optimalisasi non linear dengan banyak kendala
yang juga non linear. •
Mempunyai kemungkinan solusi yang jumlahnya tak berhingga. •
Membutuhkan solusi “real-time” dalam arti solusi bisa didapatkan dengan cepat sehingga dapat diimplementasikan untuk permasalahan yang
mempunyai perubahan yang cepat seperti optimasi pada pembebanan kanal pada komunikasi seluller.
• Mempunyai multi-objective dan multi-criteria, sehingga diperlukan solusi
yang dapat secara bijak diterima oleh semua pihak.
2.4.1 Struktur Umum Algoritma Genetika
Goldberg [9] mengemukakan bahwa algoritma genetika mempunyai karakteristik- karakteristik yang perlu diketahui sehingga dapat terbedakan dari prosedur
pencarian atau optimasi yang lain, yaitu : 1.
Algoritma genetika bekerja dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan dan bukan
parameter itu sendiri. 2.
Algoritma genetika melakukan pencarian pada sebuah populasi dari sejumlah individu-individu yang merupakan solusi permasalahan bukan
hanya dari sebuah individu.
Universitas Sumatera Utara
3. Algoritma genetika merupakan informasi fungsi objektiffitness, sebagai
cara untuk mengevaluasi individu yang mempunyai solusi terbaik bukan turunan dari suatu fungsi.
Algoritma genetika secara umum dapat diilustrasikan dalam diagram alir gambar 2.1 berikut :
Gambar 2.1. Diagram Alir Algoritma Genetika
Kusumadewi dan Purnomo [17] menyatakan variabel dan parameter yang digunakan pada algoritma genetika adalah :
1. Fungsi fitness fungsi tujuan yang dimiliki oleh masing-masing individu
untuk menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin dicapai.
2. Populasi jumlah individu dilibatkan pada setiap generasi.
Universitas Sumatera Utara
3. Probabilitas terjadinya persilangan crossover pada suatu generasi.
4. Probabilitas terjadinya mutasi pada setiap individu
5. Jumlah generasi yang akan dibentuk menentukan lama penerapan
algoritma genetika.
Secara umum, Thiang et al. [31] mengemukakan bahwa struktur dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai
berikut : 1.
Membangkitkan populasi awal Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi
awal. Populasi ini sendiri terdiri atas sejumlah kromosom untuk merepresentasikan solusi yang diinginkan.
2. Membentuk generasi baru
Untuk membentuk generasi baru, digunakan operator reproduksiseleksi, crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga
didapatkan sejumlah kromosom yang cukup untuk membentuk generasi baru di mana generasi baru ini merupakan representasi dari solusi baru.
Generasi baru in dikenal dengan istilah anak offspring. 3.
Evaluasi solusi Pada tiap generasi, kromosom akan melalui proses evaluasi dengan
menggunakan alat ukur yang dinamakan fitness. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut.
Proses ini mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya dampai terpenuhi kriteria berhenti.
Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulang langkah 2. Beberapa kriteria berhenti yang sering
digunakan antara lain: berhenti pada generasi tertentu, berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi
Universitas Sumatera Utara
tidak berubah, berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.
2.4.2 Pengkodean Algoritma Genetika
