Terlihat pada Tabel 4.4 bahwa semakin besar nilai probabilitas crossover maka semakin banyak pula solusi optimal yang tercapai dalam 10 kali percobaan. Sehingga
dapat dikatakan parameter Pc dapat mempengaruhi kinerja algoritma genetika, hal ini dikarenakan semakin besar nilai probabilitas crossover maka semakin besar pula
peluang melahirkan anak atau offspring dari kromosom orang tua yang unggul, sehingga pada akhir generasi akan terlahir offspring dengan nilai fitness yang terbaik.
Selanjutnya akan diuji pengaruh perubahan nilai probabilitas mutasi Pm terhadap kinerja algoritma genetic.
4.3.2. Percobaan dengan Mengubah Nilai Parameter Probabilitas Mutasi Pm
Percobaan ketiga dilakukan dengan menggunakan batas generasi = 50, probabilitas crossover Pc = 0.75, ukuran populasi nind = 100, dan probabilitas mutasi Pm yang
berubah-ubah. Nilai probabilitas mutasi Pm yang digunakan adalah 0.01, 0.25, dan 0.5.
Tabel 4. 5. Hasil Percobaan dengan Mengubah Nilai Paramater Probabilitas Mutasi Pm
No File Jalur
Banyak Node Banyak Solusi Optimal Tiap
Probabilitas Mutasi 0.01
0.25 0.5
1 CCNFP10g2c
10 3
5 7
2 CCNFP12g1a
12 2
3 5
3 CCNFP15g1b
15 1
3 3
4 CCNFP19g1b
19 2
3 5
CCNFP25g1a 25
1 3
6 CCNFP30g3a
30 1
2 7
CCNFP40g3a 50
2 8
CCNFP50g2c 100
1 9
CCNFP50g2a 200
1
Universitas Sumatera Utara
Gambar 4.4. Grafik Hasil Percobaan dengan Mengubah Nilai Paramater Probabilitas Mutasi Pm
Terlihat pada Tabel 4.5 bahwa semakin besar nilai probabilitas mutasi maka cenderung semakin banyak solusi optimal yang tercapai dalam 10 kali percobaan
untuk kedua masalah pengujian. Sehingga dapat dikatakan parameter Pm dapat mempengaruhi kinerja algoritma genetik bahwa proses mutasi dapat mencegah
terjadinya optimum lokal. Karena itu meskipun pada kehidupan nyata mutasi memiliki dampak yang negatif, namun pada algoritma genetika ini mutasi harus tetap ada.
4.4.Hasil dan Analisa Uji Coba perbandingan Metode Seleksi elitis dengan Roulete Wheel.
Uji yang dilakukan adalah dengan pengujian metode seleksi elitis dengan metode roulette wheel terhadap pembentukkan nilai fitness. Data yang digunakan pada
pengujian ini adalah data pada file yang terdapat Or-library. Jumlah populasi yang dipakai dengan minimal setiap filenya adalah 10 populasi dengan jumlah maksimal
populasi 500 populasi, dan jumlah generasi yang dipakai sebanyak 1000 generasi pada setiap filenya. Uji coba ini dilakukan sebanyak 10 kali untuk setiap metode seleksi
dengan populasi sebanyak 10 sampai 500. Dari uji coba tersebut akan diperoleh metode seleksi mana yang tepat digunakan agar menghasilkan nilai fitness yang
1 2
3 4
5 6
7 8
So lu
si O
p ti
m a
l Mu
ta si
File Jalur
Grafik Hasil Percobaan dengan Mengubah Nilai Paramater Probabilitas Mutasi Pm
0.01 0.25
0.5
Universitas Sumatera Utara
optimal. Hasil dari percobaan dengan metode seleksi roulete wheel dan metode seleksi ellitis bisa dilihat pada Gambar.
Tabel 4.6.Nilai rata-rata fitness uji Coba
Metode Hasil Rata-Rata
Roulette Wheel 0.563708
Elitis 0.002200025
Tabel 4.7. Hasil Percobaan Nilai fitness metode rouletee wheel dan elitis
Jumlah Percobaan Roulette Wheel
Elitis
1 0.0907
0.002183 2
0.1968 0.002212
3 0.2860
0.002193 4
0.4106 0.002128
5 0.5352
0.002294 6
0.6413 0.002222
7 0.7180
0.002193 8
0.8241 0.002283
9 0.9302
0.002137 10
1.0044 0.002155
Gambar 4.5. Grafik Nilai Fitness metode roulette Wheel dan Elitis Gambar 4.5 menunjukan hasil dari 10 kali percobaan dengan metode roulette
wheel hasilnya selalu berada dibawah percobaan dengan menggunakan metode elitis Pada Tabel 4.6. dapat dilihat rata-rata nilai fitness metode seleksi elitis adalah 0.0022
0,0005 0,001
0,0015 0,002
0,0025
1 2
3 4
5 6
7 8
9 10
Ni la
i F itn
es s
Percobaan
Grafik Nilai Fitness Metode Roulette Wheel dan Elitis
Roulette Wheel Elitis
Universitas Sumatera Utara
lebih besar dari pada metode seleksi roulette wheel dengan nilai rata-rata fitness sebesar 0.001845. Hal ini membuktikan bahwa seleksi dengan menggunakan metode
elitis lebih sesuai untuk masalah rute terpendek dengan adanya lintasan terlarang karena pada elitis semua individu yang bagus langsung dipilih menjadi indukan yang
akan di proses pada generasi selanjutnya, sedangkan dengan metode roulette wheel individu yang belum bagus masih punya kesempatan untuk menjadi induk untuk
generasi selanjutnya. Percobaan dengan populasi sebanyak 40 populasi. Metode seleksi yang
digunakan adalah metode seleksi elitis. Uji coba kedua akan diperoleh berapa banyak generasi yang optimal untuk menyelesaikan masalah rute terpendek dengan adanya
lintasan terlarang. Hasil dari percobaan bisa dilihat grafik Gambar 4.6. Tabel 4.8. Hasil Percobaan Banyak Generasi
Banyak Generasi
Jumlah Generasi
500 0.0021788
1000 0.0021862
1500 0.0021886
2000 0.0022043
2500 0.0022062
3000 0.0022006
Gambar 4.6. Grafik Percobaan Banyak Generasi
0,002165 0,00217
0,002175 0,00218
0,002185 0,00219
0,002195 0,0022
0,002205 0,00221
500 1000
1500 2000
2500 3000
Ni la
i F itn
es s
Jumlah Generasi
Grafik Percobaan Banyak Generasi
Universitas Sumatera Utara
Grafik Gambar 4.6 bisa dilihat bahwa jumlah generasi berpengaruh terhadap hasil dari proses algoritma genetika. Nilai terendah terdapat pada generasi 500 yaitu
jumlah generasi terendah pada percobaan ini, dikarenakan algoritma genetika belum memproses secara optimal karena kurangnya jumlah generasi. Namun terlalu banyak
jumlah generasi juga belum tentu membuat algoritma genetika menjadi lebih optimal. Selain waktu proses yang menjadi lebih lama hasil nilai fitness yang dihasilkan juga
belum tentu jauh lebih baik dari generasi yang lebih rendah seperti pada rata-rata generasi 2000 sampai generasi 3000 tidak terjadi peningkatan rata-rata nilai fitness
yang signifikan. Jadi generasi yang optimal hasil dari percobaan kedua ini adalah 2000 generasi.
4.5. Hasil dan Analisa Uji Coba Percobaan Kombinasi Probablitias Crossover dan Mutasi.
Uji coba selanjutnya adalah pengujian pengaruh probabilitas crossover dan probabilitas mutasi terhadap perubahan nilai fitness. Data yang digunakan pada
pengujian pertama adalah data dari OR-Library dengan data waktu ketersediaan pelanggan masih sama. Pada data tersebut akan diujikan nilai probabilitas crossover
dan probabilitas mutasi dengan nilai 0 sampai 1. Jumlah populasi yang dipakai adalah dengan minimal setiap filenya adalah 10 populasi dengan jumlah maksimal populasi
500 populas dan jumlah generasi yang dipakai adalah 1500 generasi dan untuk metode seleksinya menggunakan hasil dari percobaan pertama yaitu elitis. Uji coba ini
dilakukan sebanyak 10 kali pada setiap kombinasi probabilitas crossover dan probabilitas mutasi. Untuk hasil dari percobaan bisa dilihat pada grafik Gambar 4.7.
Tabel 4.9. Hasil Kombinasi Probablitias Crossover dan Mutasi
PC : PM Nilai Fitness
1:0 0.001787195
0.9 : 0.1 0.002151055
0.8 : 0.2 0.002158103
0.7 : 0.3 0.002160198
0.6 : 0.4 0.002187975
0.5 : 0.5 0.002192787
0.4 : 0.6 0.002232073
0.3 : 0.7 0.002172837
0.2 : 0.8 0.002173956
0.1 : 0.9 0.002171617
0 : 1 0.002210025
Universitas Sumatera Utara
