7
Algoritma genetik bukanlah solusi terbaik untuk memecahkan segala masalah. Sebagai contoh, metode tradisional telah diatur untuk untuk mencari penyelesaian dari
fungsi analitis convex yang “berperilaku baik” yang variabelnya sedikit. Pada kasus- kasus ini, metode berbasis kalkulus lebih unggul dari algoritma genetik karena metode
ini dengan cepat menemukan solusi minimum ketika algoritma genetik masih menganalisa bobot dari populasi awal. Untuk problemproblem ini pengguna harus
mengakui fakta dari pengalaman ini dan memakai metode tradisional yang lebih cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar golongan ini.
Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara yang lebih cepat dari algoritma genetik Ivan, 2008.
Sifat algoritma genetika adalah mencari kemungkinan-kemungkinan dari kandidat solusi untuk mendapatkan yang optimal untuk penyelesaian masalah. Ruang
cakupan dari semua solusi yang layak feasible, yaitu objek-objek diantara solusi yang sesuai, dinamakan ruang pencarian search space. Tiap titik dalam ruang
pencarian mempresentasikan satu solusi yang layak. Tiap solusi yang layak dapat ditandai dengan nilai fitness-nya bagi masalah. Algoritma genetika bekerja dari
populasi yang merupakan himpunan solusi yang dihasilkan secara acak. Setiap anggota himpunan yang merepresentasikan satu solusi masalah. Suatu solusi masalah
berevolusi dalam iterasi yang dinamakan generasi, tiap solusi masalah dievaluasi berdasarkan fungsi evaluasi fitness function. Pada algoritma genetika, fitness
biasanya dapat berupa fungsi objektif dari masalah yang akan dioptimalisasi Saraswat Prayanthi, 2012.
2.2.1 Teknik-Teknik dalam Algortima Genetik
Ada 4 teknik yang dapat dilihat dalam Speech Recognition Ivan, 2008 yaitu : a.
Fitness Function Setiap individual dievaluasi dengan fitness function. Sebuah fitness
function mengembalikan nilai tertinggi untuk individual yang terbaik.
Individu akan diurutkan berdasarkan nilai atau disebut dengan selection.
Universitas Sumatera Utara
8
b. Crossover
Untuk setiap pasang induk, sebuah titik crossover akan dipilih secara random dari posisi dalam string. Pada gambar titik crossover terletak pada
indeks ketiga dalam pasangan pertama dan setelah indeks kelima pada pasangan kedua.
c. Mutasi
Pada mutasi, tiap lokasi menjadi sasaran mutasi acak, dengan probabilitas independen yang kecil. Sebuah digit dimutasikan pada anak pertama,
ketiga, dan keempat. Algoritma genetika mengkombinasikan suatu kecenderungan menaik dengan pengeksplorasian acak diantara thread
pencarian paralel. Keuntungan secara matematis dapat tunjukkan bahwa bila posisi dari kode genetik di permutasikan di awal dengan urutan acak,
crossover tidak memberikan keunggulan. Secara intuisi, keuntungannya
didapat dari kemampuan crossover untuk menggabungkan blok-blok huruf berukuran besar yang telah berevolusi secara independen untuk melakukan
fungsi yang bermanfaat sehingga dapat menaikkan tingkat granularity di mana pencarian dilakukan.
Metode dan tipe mutasi yang dilakukan juga tergantung pada encoding
dan permasalahan yang diangkat. Berdasarkan encodingnya terdapat beberapa macam, diantaranya adalah sebagai berikut Ihsania,
2010 : 1.
Binary Encoding Melakukan inversi pada bit yang terpilih, 0 menjadi 1 dan
sebaliknya, 1 menjadi 0. Contoh : 1
1 001001 = 1
001001 2.
Permutation Encoding Memilih dua nilai dari gen dan menukarnya.
Contoh : 1 2
3 4 5 8
9 7 = 1 8
3 4 5 6 2
9 7 Beberapa operator mutasi telah diciptakan untuk representasi
permutasi, seperti metode inversion, insertion, displacement, dan reciprocal exchange mutation
Ihsania, 2010.
Universitas Sumatera Utara
9
a. Inversion Mutation
Inversion mutation memilih dua posisi dalam sebuah
kromosom dengan cara acak dan kemudian menginversikan substring di antara dua posisi tersebut.
b. Insertion Mutation
Insertion Mutation memilih sebuah gen dengan cara acak
dan memasukkan ke dalam kromosom dengan cara acak pula.
c. Dsisplacement Mutation
Displacement Mutation memilih sebuah subsekelompok
gen dengan cara acak kemudian memasukkan ke dalam kromosom dengan cara acak.
d. Reciprocal Exchange Mutation REM
Reciprocal Exchange Mutation memilih dua posisi secara
acak, kemudian menukar dua gen dalam posisi tersebut.
3. Value Encoding
Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan pada salah satu gen dalam kromosom.
Contoh : 1.29 5.68
2.86 4.11 5.55 = 1.29 5.68
