disimpan di dalam database, dapat diperoleh dengan cara menemukan lokasi data, bagaimana memanggil data dengan perintah-perintah query, dan lain sebagainya. Sedangkan untuk data yang
berasal dari keahlian manusia, dapat diperoleh dengan cara menghubungi pakar yang ahli dan berkonsultasi dengan mereka.
Setelah memperoleh data, tahap selanjutnay adalah memoles data tersebut, yakni dengan menyisihkan data-data yang rusak, tidak konsisten, tidak rapih, dan lain sebagainya. Setelah data
bersih, tahap selanjutnya adalah mengintegrasikan data tersebut dengan data dari sumber-sumber lainnya untuk membangun gambaran yang lengkap dari model bisnis.
Sebuah solusi yang efektif dapat diperoleh dengan cara mengkombinasikan dua faktor, yakni kebutuhan akan intelligence density dari problem yang dihadapi, dengan kendala logistik
terkait untuk digunakan dalam pengembangan solusi. Sedangkan faktor terakhir adalah kecocokan metode pencarian solusi yang digunakan dengan kedua faktor tersebut Dhar dan Stein 1997.
C. Algoritma Genetika
Algoritma genetik merupakan suatu teknik pencarian optimasi stokastik melibatkan probabilitas yang cara kerjanya meniru proses evolusi dan perubahan genetik pada struktur
kromosom makhluk hidup Goldberg, 1989. Konsep dasar algoritma genetik pertama kali dicetuskan pada tahun 1975 oleh John Holland, seorang profesor di Universitas Michigan dalam
sebuah bukunya yang berjudul Adaptation in Neural and Artificial System untuk melihat apakah sebuah program komputer dapat berevolusi seperti dalam logika Darwin Dhar dan Stein, 1997.
Holland memperkenalkan sebuah pendekatan baru untuk memecahkan masalah yang rumit, masalah yang tidak dapat dipecahkan dengan teknik-teknik konvensional. Pendekatan baru
yang diperkenalkannya itu terdiri dari beberapa tahapan pemecahan masalah Algoritma yang kemudian diimplementasikan dalam program komputer. Pendekatan ini telah memberi petunjuk
untuk penemuan penting diantara sistem pengetahuan alami dan buatan. Algoritma genetika termasuk kedalam sistem penunjang keputusan cerdas dikarenakan
teknik pencarian optimasi ini berdasarkan seleksi alam, prinsip genetika dan evolusi. Algoritma genetika dapat memanipulasi digit biner 0,1 yang disebut kromosom yang mewakili sejumlah
titik. Algoritma genetika dapat mencari kromosom yang baik tanpa harus tahu bentuk fungsi permasalahan yang dihadapi Yu dan Gen, 2010
1. Aplikasi Algoritma Genetika
Pada dasarnya algoritma genetika dapat digunakan untuk menyelesaikan masalah- masalah optimasi baik yang sederhana maupun kompleks. Namun, algoritma genetika dapat
menjadi sebuah tool yang powerfull apabila digunakan untuk menyelesaikan masalah-masalah optimasi yang tidak dapat dipecahkan atau sulit dipecahkan dengan teknik pencarian dan optimasi
yang sudah banyak dikenal saat ini seperti kalkulus, enumeratif, dan pencarian acak. Algoritma genetika sangat cocok digunakan untuk mencari solusi optimal dari masalah
yang bersifat NP-complete Non-deterministic Poynomial, yang berarti bahwa waktu yang dibutuhkan untuk menyelesaikan masalah tersebut akan semakin meningkat dengan sangat-sangat
cepat secara eksponensial sering dengan bertambahnya jumlah elemen dalam masalah tersebut Dhar dan Stein, 1997.
Dalam hal ini, algoritma genetik tampil sebagai sebuah metode optimasi yang powerfull, cepat, dan efisien, karena algoritma genetik dapat mencari solusi dari ruang pencarian search
space yang luas tanpa harus memeriksa ruang pencarian secara keseluruhan. Hal ini dimungkinkan karena dalam pelaksanaannya algoritma genetik mencoba banyak calon solusi
secara bersamaan, mengevaluasi tiap calon solusi secara bersamaan, mengevaluasi tiap calon solusi, kemudian memurnikan calon-calon solusi yang lebih baik dengan cara mempertukarkan
informasi diantara calon solusi yang berbeda crossover, dan bereksperimen dengan menciptakan calon solusi baru yang belum pernah ada sebelumnya mutation. Dengan bereksperimen terhadap
sejumlah calon solusi, algoritma genetika dengan cepat dapat menentukan ruang pencarian yang menjanjikan solusi yang optimal dari keseluruhan ruang pencarian dan mengeksplorasinya secara
lebih mendetail Dhar dan Stein, 1997. Karena kemampuan inilah, algoritma genetik juga dapat diterapkan untuk menyelesaikan persamaan-persamaan linear maupun non linear yang bersifat
kontinyu maupun diskontinyu. Saat ini algoritma genetika telah berhasil diimplementasikan ke dalam berbagai bidang
keteknikan engineering, investasi, robotik, manajemen industri seperti desain sistem produksi, tata letak fasilitas, penjadwalan produksi, dan otomatisasi industri, serta improvisasi musik jazz.
Di bidang agroindustri, algoritma genetika juga diaplikasikan untuk desain sistem penyimpanan dan pengawetan hasil laut, desain sistem bioreaktor, prediksi permintaan produk agroindustri,
prediksi tingkat suku bunga, penjadwalan pemupukan serta penentuan kadar nutrisi pupuk tanaman.
2. Prinsip Kerja Algoritma Genetika
