38 Pt+1
asal Pt fitness
P
1
P
1
10 P
2
P
2
8 P
3
C
3
5 P
4
P
4
7 P
5
C
2
8
3.4. Diskusi: Nilai Parameter Algoritma Genetika
Menentukan nilai parameter yang tepat untuk algoritma genetika bukanlah pekerjaan mudah. Jika nilai parameter ukuran populasi popSize, crossover rate cr dan mutation
rate mr semakin besar maka akan meningkatkan kemampuan eksplorasi algoritma genetika untuk mencari solusi terbaik. Tetapi hal ini akan sangat membebani waktu
komputasi proses berlangsung lama karena bisa jadi algoritma genetika akan mengeksplorasi area yang tidak mempunyai nilai optimum.
Tidak ada metode pasti untuk menentukan nilai parameter GAs. Kombinasi nilai yang tepat untuk parameter tersebut sangat dipengaruhi oleh permasalahan yang akan
diselesaikan. Dalam penelitian optimasi menggunakan algoritma genetika, serangkaian pengujian pendahuluan diperlukan untuk mendapatkan kombinasi nilai parameter yang
sesuai Mahmudy, Marian Luong 2014. Ukuran populasi popSize antara 30 sampai 50, pc antara 0,3 sampai 0,8, dan pm antara 0,1 sampai 0,3 biasanya sudah memadai
untuk pengujian awal.
3.5. Diskusi: Mekanisme Sampling Proses Seleksi
Pada proses seleksi terdapat mekanisme sampling untuk memilih individu yang dipertahankan hidup. Ada tiga kategori metode dasar untuk melakukan sampling, yaitu
Gen Cheng 1997: -
Stochastic sampling -
Deterministic sampling -
Mixed sampling
39
Stochastic sampling memilih menggunakan angka random dan berdasarkan nilai
probabilitas. Roulette wheel selection merupakan contoh kategori ini, semakin besar nilai fitness sebuah individu maka semakin besar juga peluangnya untuk terpilih.
Deterministic sampling bekerja dengan aturan tetap, misalkan mengurutkan kumpulan
individu parent+offspring berdasarkan nilai fitness-nya kemudian mengambil sejumlah individu dengan nilai fitness terbaik sesuai dengan popSize. Elitism selection termasuk
dalam kategori ini.
Mixed sampling merupakan strategi campuran dari stochastic sampling dan
deterministic sampling. Tournament selection merupakan contoh kategori ini dengan memilih secara random 2 atau lebih individu kemudian mengambil satu yang terbaik.
Deterministic sampling menjamin individu terbaik akan selalu dipertahankan hidup. Roulette wheel selection dan tournament selection yang kita gunakan sebelumnya tidak
menjamin individu terbaik akan selalu terpilih. Dalam implementasi program disediakan variabel tersendiri untuk menyimpan nilai individu terbaik ini.
Dalam bab-bab selanjutnya akan dikenalkan berbagai macam metode sampling yang sesuai untuk permasalahan yang kita hadapi.
3.6. Diskusi: Probabilitas Seleksi
Pada proses seleksi roulette wheel di subbab sebelumnya dihitung nilai probabilitas prob dan probabilitas kumulatif probCum berdasarkan nilai fitness. Karena yang
dihadapi adalah masalah maksimasi maka nilai fitness dihitung secara langsung fitness= fx. Rumusan ini bisa digunakan jika tidak ada nilai fx yang negatif. Jika ada nilai fx
yang negatif maka rumus menghitung fitness bisa diubah sebagai berikut: 3.1
f
min
x dan f
max
x merupakan nilai terkecil dan terbesar dari fungsi obyektif pada generasi tersebut. Contoh:
40 fx
fitness prob
probCum P
1
-1 0,000
0,000 0,000
P
2
0,200 0,100
0,100 P
3
3 0,800
0,400 0,500
P
4
4 1,000
0,500 1,000
Total 2,000
f
min
x=-1 dan f
max
x=4 Perhatikan tabel di atas. Individu terbaik akan selalu mempunyai fitness=1 dan individu
terburuk selalu mempunyai fitness=0. Sebagai akibatnya individu dengan nilai fungsi obyektif terkecil tidak akan pernah terpilih karena nilai probabilitasnya 0. Beberapa
penelitian menunjukkan bahwa bisa jadi individu dengan nilai fitness lebih kecil justru menempati area yang lebih dekat dengan titik optimum. Hal ini biasanya terjadi pada
optimasi fungsi yang mempunyai banyak titik optimum lokal. Berdasarkan kondisi ini maka rumus 3.1 bisa dimodifikasi sebagai berikut Gen Cheng 1997:
3.2 0 c 1
Perhatikan variasi nilai fitness untuk berbagai nilai c berikut: fx
fitness c=0
c=0.1 c=0.3
c=0.5 c=0.7
P
1
-1 0,000
0,020 0,057
0,091 0,123
P
2
0,200 0,216
0,245 0,273
0,298 P
3
3 0,800
0,804 0,811
0,818 0,825
P
4
4 1,000
1,000 1,000
1,000 1,000
Semakin besar nilai c akan meningkatkan peluang individu terburuk untuk terpilih. Untuk masalah minimasi maka bisa digunakan rumus:
3.3 Rumus 3.3 menjamin individu dengan nilai fungsi obyektif lebih kecil akan mempunyai
nilai fitness yang lebih besar.
Kategori