d. Local selection e. Truncation selection
f. Tournament selection Langkah-langkah roulette wheel selection adalah sebagai berikut:
a. Hitung nilai fitness masing-masing kromosom dan hitung total nilai fitness keseluruhan.
b. Hitung fitness relatif p
k
tiap kromosom dengan membagikan nilai fitness kromosom tersebut dengan total nilai fitness keseluruhan.
c. Hitung fitness kumulatif q
k
dengan menjumlahkan nilai fitness dari satu kromosom dengan kromosom sebelumnya. Dengan demikian nilai q
k
kromosom terakhir sama dengan 1. d. Bangkitkan bilangan random sebanyak ukuran populasi yang telah
ditentukan sebelumnya. e. Seleksi dengan membandingkan bilangan random dengan nilai fitness
kumulatif q
k
. Jika q
k
≤r dan q
k+1
r, maka pilih kromosom ke k+1 sebagai kandidat induk.
5. Persilangan Crossover Persilangan dilakukan untuk memperoleh keturunan individu-individu yang
terbaik dengan mengawinkan pasangan individu terpilih. Langkah-langkah persilangan adalah sebagai berikut:
a. Bangkitkan bilangan random antara [0 1] sebanyak ukuran populasi popsize yang ditentukan.
b. Bandingkan bilangan random dengan nilai peluang crossover pc. Kromosom yang memiliki bilangan random yang lebih kecil dari nilai pc
akan mengalami persilangan. c. Pasangkan kromosom yang terpilih dengan kromosom terpilih berikutnya.
Sepasangan kromosom ini akan menjadi kromosom induk parent. d. Untuk menentukan posisi titik silang cut point, bangkitkan bilangan
random antara angka 1 sampai L panjang kromosom. e. Silangkan kedua kromosom yang telah dipasangkan pada titik yang telah
ditentukan. Hasil kromosom yang baru akan menjadi anak offspring. f. Hitung nilai fitness keturunan yang baru.
6. Mutasi Tujuan dilakukan mutasi sama dengan persilangan yaitu untuk mendapat
individu yang mempunyai nilai fitness terbaik dengan cara mengganti satu atau beberapa gen dari individu terpilih. Langkah-langkah mutasi yaitu :
a. Hitung jumlah gen yang ada pada populasi, yaitu: popsize x L
b. Bangkitkan bilangan random antara [0 1] sebanyak jumlah gen. c. Untuk memilih gen mana yang akan terkena mutasi, bandingkan bilangan
random dengan nilai peluang mutasi p
m
. d. Gen yang memiliki bilangan random yang nilainya lebih kecil dari nilai pm
akan dimutasi.
3.6.2. 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. 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 :
13
Pada penelitian mengenai Penerapan Algoritma Genetika Pada Persoalan Pedagang Keliling TSP oleh Aulia Fitrah, Achmad Zaky, Fitrasani, kriteria
berhenti algoritma genetik yaitu bila setelah dalam beberapa generasi berturut- turut diperoleh nilai fitness yang terendah tidah berubah. Pada 1 generasi telah
terlihat bahwa terdapat nilai fitness terkecil yang tidak berubah. Apabila perhitungan dilanjutkan hingga ke generasi ke-N maka diyakinkan bahwa nilai
fitness yang terendah tetap tidak akan berubah. Walaupun perhitungan cukup 1. Berhenti pada generasi tertentu.
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.
13
Budi Sukmawan. Sekilas Tentang Algoritma Genetika dan Aplikasinya pada Optimasi Jaringan Pipa Air Bersih.
dijabarkan hingga generasi ke-1 saja apabila solusi yang mendekati optimal telah didapatkan, maka solusi dianggap layak.
14
Dalam penelitian ada beberapa parameter performansi yang digunakan untuk menentukan metode yang lebih baik. Beberapa metode yang digunakan
adalah:
3.6.3. Parameter Performansi
15
14
Aulia Fitrah, Achmad Zaky, Fitrasani. Penerapan Algoritma Genetika Pada Persoalan Pedagang Keliling TSP. Program Studi Informatika, Sekolah Teknik Elektro dan Informatika,
Institut Teknologi Bandung.
15
Rosnani Ginting, Penjadwalan Mesin Graha Ilmu: Yogyakarta, 2009, hlm. 56-58
1. Efficiency Index EI adalah perbandingan antara algoritma genetika dengan metode yang digunakan oleh perusahaan. Efficiency Index dirumuskan sebagai
berikut.
�� =
�
max ������ ������ ℎ���
�
max ��������� ��������
Bila EI = 1 maka kedua metode memiliki performansi yang sama, bila EI 1 maka algoritma genetika meiliki performansi yang kurang baik dibandingkan
dengan metode perusahaan, demikian juga sebaliknya. 2. Relative Error RE digunakan untuk mengetahui seberapa jauh perbedaan
makespan yang dihasilkan antara metode perusahaan dengan metode algoritma genetika. Relative Error dirumuskan sebagai berikut.
�� = �
max ��
− �
max ������ ℎ���
�
max ��
× 100
Bila hasil perhitungan didapat nilai negatif, maka penggunaan kedua metode akan memiliki perbedaan nilai makespan yang cukup besar.