Parameter Genetik Penelitian Terdahulu

Parameter-parameter genetika berperan dalam pengendalian operator-operator genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma genetika. Davis, 1991; Sundhararajan, 1994; Sastry, 2004. Parameter genetika yang sering digunakan meliputi ukuran populasi N, probabilitas pindah silang Pc, dan probabilitas mutasi Pm. Pemilihan ukuran populasi yang digunakan tergantung pada masalah yang akan diselesaikan. Untuk masalah yang lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur yang menghasilkan optimum lokal. Pada tiap generasi, sebanyak Pc N individu dalam populasi mengalami pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi. Probabilitas mutasi adalah probabilitas di mana setiap posisi bit pada tia string dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak PmNL.

2.12 Parameter Genetik

Pengoperasian algoritma genetika dibutuhkan 3 parameter Juniawati, 2003 yaitu: 1. Probabilitas Persilangan Crossover Probability Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas crossover 100 maka semua keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik. 2. Probabilitas Mutasi Mutation Probability Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah crossover tidak berubah. Jika terjadi mutasi, bagian kromosom akan berubah. Jika Universitas Sumatera Utara probabilitas 100, semua kromosom dimutasi. Jika probabilitasnya 0, tidak ada yang mengalami mutasi. 3. Ukuran Populasi Menunjukkan jumlah kromosom yang terdapat dalam populasi. Jika hanya sedikit kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan lambat dalam menemukan solusi. Ada beberapa rekomendasi parameter yang bisa digunakan, yaitu: a. Untuk permasalahan yang memilki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: popsize; pc; pm = 50;0,6;0,001. b. Bila rata-rata Fitness setiap generasi digunakan sebagai indikator, maka Grenfenstette merekomendasikan: popsize;pc;pm = 30;0,95;0,01 c. Bila Fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah: popsize;pc;pm = 80;0,45;0.01. Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.

2.13 Penelitian Terdahulu

Penelitian Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 yang berjudul Penerapan algoritma genetika pada persoalan pedagang keliling TSP. Pada penelitian ini dilakukan penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika ini menghasilkan solusi yang lebih optimal pada setiap generasinya. Penelitian Marwana, 2012 yang berjudul Optimasi Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika Berbasis Permintaan Mahasiswa. Pada penelitian ini dilakukan penyusunan jadwal mata kuliah menggunakan algoritma genetika. Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata kuliah teoripraktek yang diambil, kode dan nama mata kuliah yang diambil serta hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika sehingga diperoleh optimasi penjadwalan yaitu kondisi di mana terjadi kombinasi terbaik antara mata kuliah dan waktu luang mahasiswa, serta ketersediaan ruangan yang terbatas untuk seluruh mata kuliah yang ada. Program aplikasi dapat mencari Universitas Sumatera Utara solusi penjadwalan pada waktu yang dapat digunakan baik oleh mahasiswa dan ruangan yang terlibat dalam suatu mata kuliah. Penelitian Samuel dan kawan-kawan, 2005 yang berjudul Penerapan algoritma genetika untuk Traveling Salesman Problem dengan menggunakan metode order crossover dan Insertion Mutation. Pada penelitian ini membahas bagaimana algoritma genetik menyelesaikan TSP dengan menggunakan order crossover sebagai teknik rekombinasi dan insertion mutation sebagai teknik mutasi yang digunakan pada algoritma genetik menunjukkan bahwa algoritma genetika dapat digunakan untuk menyelesaikan masalah optimasi yang kompleks seperti mencari rute paling optimum, menggunakan beberapa metode seleksi yaitu roulette wheel, elitism dan gabungan antara metode roulette wheel dan elitism. Ada dua jenis crossover yang digunakan yaitu one cut point crossover dan two cut point crossover; Tamilarsi Kumar 2010 menemukan sebuah metode baru dalam penyelesaian masalah penjadwalan job shop menggunakan hybrid Genetic Algorithm GA dengan Simulated Annealing SA; Nasution, 2012 analisis penyelesaian TSP menggunakan partially mapped crossover dengan menentukan nilai probabilitas crossover 20, 40, 60, 80 dan 99. Kusum Deep Hadush Mebrahtu, 2012 membuat variasi pada partially mapped crossover dengan menentukan letak kromosom dalam posisi acak. Alfonsas , Bronislovas, 2005. membandingkan 10 operator crossover pada Quadratic Assignment Problem di mana hasil yang diperoleh menunjukkan bahwa crossover MPX mampu mendapakan solusi yang lebih baik dibandingkan operator lain yang telah diuji. Kusum Deep Hadush Mebrahtu, 2011 menggabungkan 2 operator mutasi untuk meningkatkan kerja algoritma genetika untuk meminimumkan cost pada travelling salesman problem TSP. Penelitian Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010 yang berjudul Analisis Dan Implementasi Penjadwalan Dengan Menggunakan Pengembangan Model Crossover Dalam Algoritma Genetika. Pada penelitian ini terdapat 2 metode yang dikembangkan, pertama dengan memotong gen hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak merusak gen. Hasil analisis terhadap hasil uji coba menunjukan bahwa pengembangan metode crossover dapat diimplementasikan pada kasus penjadwalan dan terlihat bahwa metode yang memotong gen hanya pada gen yang bentrok lebih cepat Universitas Sumatera Utara mencapai nilai terbaik atau mendekati 1 daripada metode yang hanya merandom gen saja. Dari nilai akhir juga terlihat bahwa metode yang memotong gen pada gen yang bentrok memiliki nilai akhir lebih baik. Selain itu kedua metode ini mampu meminimalisir kerusakan pada kromosom hasil dari crossover. Penelitian Bangun et al, 2012 yang berjudul Penerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Pada penelitian ini, konsep algoritma genetika diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan. Jadwal yang telah dihasilkan merupakan jadwal yang diperoleh dari kromosom 5 generasi ke-19. Penelitian Ridha Apriani, 2012 yang berjudul Algoritma genetika untuk menyelesaikan permasalahan penjadwalan perkuliahan dan praktikum. Pada penelitian ini pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda. Penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah penjadwalan mata kuliah di Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Gadjah Mada dengan menggunakan algoritma genetika. Pada penelitian ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar 300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu dibandingkan dengan jumlah populasi yang lebih sedikit. Pada penelitian Karegowda, A. G., Manjunath, A.S. Jayaram, M.A., 2011 yang berjudul Application of genetic algorithm Optimized neural network Connection weights for medical Diagnosis of pima Indians diabetes. Pada penelitian ini dilakukan hibridisasi algoritma genetika dengan jaringan syaraf tiruan JST. Jaringan saraf adalah salah satu dari banyak data mining alat analisis yang dapat digunakan untuk membuat prediksi data medis. Pemilihan model untuk jaringan saraf memerlukan berbagai faktor seperti pemilihan optimal jumlah node tersembunyi, pemilihan Universitas Sumatera Utara variabel input yang relevan dan pemilihan koneksi optimal bobot. Makalah ini menyajikan penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan Backpropagation BP di mana GA digunakan untuk menginisialisasi dan mengoptimalkan bobot koneksi pada BP. Fitur signifikan diidentifikasi dengan menggunakan dua metode Pohon Keputusan. Metode GA CFS digunakan sebagai masukan untuk model hibrida untuk diagnosa diabetes mellitus. Hasilnya membuktikan bahwa, GA dioptimalkan dengan algoritma BP dapat mengungguli pendekatan BP tanpa GAi. Selain hybrid GA-BPN dengan input yang relevan menyebabkan lebih improvisasi akurasi kategorisasi dibandingkan dengan hasil yang dihasilkan oleh GA-BPN sendiri dengan beberapa masukan yang berlebihan. Pada penelitian Indira K Kanmani, 2012 yang berjudul Performance Analysis of Genetic Algorithm for Mining Association Rules. Pada penelitian ini aturan asosiasi AR mining adalah tugas data mining yang mencoba untuk menemukan pola-pola yang menarik atau hubungan antar data dalam database besar. Algoritma genetika GA berdasarkan prinsip evolusi telah menemukan dasar yang kuat dalam AR datamining. Makalah ini menganalisis kinerja GA di mining AR secara efektif berdasarkan variasi dan modifikasi dalam parameter GA. Algoritma genetik telah terbukti menghasilkan hasil yang lebih akurat bila dibandingkan dengan metode formal lain yang tersedia. Kebugaran fungsi, tingkat Crossover, dan tingkat mutasi parameter terbukti menjadi parameter utama yang terlibat dalam pelaksanaan algoritma genetika. Variasi dan modifikasi diperkenalkan di parameter utama GA yang ditemukan memiliki dampak yang lebih besar meningkatkan akurasi dari sistem cukup. kecepatan dari sistem ini ditemukan untuk meningkatkan seleksi dan mengapdate fungsi yang diubah. Universitas Sumatera Utara Tabel 2.8 Penelitian Terdahulu No. Nama dan Tahun Metode Keterangan 1 Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 Algoritma Genetika Penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika ini menghasilkan solusi yang lebih optimal pada setiap generasinya 2 Marwana, 2012 Algoritma Genetika Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata kuliah teoripraktek yang diambil, kode dan nama mata kuliah yang diambil serta hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika 3 Samuel dan kawan- kawan, 2005 Algoritma Genetika penyelesaian masalah penjadwalan job shop menggunakan hybrid Genetic Algorithm GA dengan Simulated Annealing SA 4 Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010 Algoritma Genetika Menggunakan 2 metode yang dikembangkan, pertama dengan memotong gen hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak merusak gen 5 Bangun et al, 2012 Algoritma Genetika Konsep algoritma genetika diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan Universitas Sumatera Utara Tabel 2.9 Penelitian Terdahulu Lanjutan No. Nama dan Tahun Metode Keterangan 6 Ridha Apriani, 2012 Algoritma Genetika Algoritma Genetika digunakan untuk pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat 7 Justina Adamanti, 2002 Algoritma Genetika Pada penelitian ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih baik dalam menyelesaikan permasalahan penjadwalan mata kuliah. 8 Karegowda, A. G., Manjunath, A.S. Jayaram, M.A., 2011 Algoritma Genetika penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan Backpropagation BP di mana GA digunakan untuk menginisialisasi dan mengoptimalkan bobot koneksi pada BP 9 Indira K Kanmani, 2012 Algoritma Genetika Algoritma Genetika digunakan dalam data mining untuk menemukan pola-pola yang menarik atau hubungan antar data dalam database besar Universitas Sumatera Utara

BAB 1 PENDAHULUAN

1.1 Latar Belakang Masalah