4. Algoritma genetika menggunakan aturan-aturan transisi peluang, bukan aturan
deterministik
2.3 Dasar Algoritma
Kerangka dasar dari algoritma genetika sering disebut Simple Genetic oleh John Holland dinyatakan sebagai berikut:
1. [Sart], generasi populasi pertama secara random sebanyak n individu.
2. [Fitness], evaluasi nilai fitness fx dari individu x didalam populasi.
3. [New Population], bentuk populasi baru dengan melakukan pengulangan langkah-
langkah dibawah ini sehingga didapat populasi baru. a.
[Selection], pilih 2 individu sebagai orang tua dari sebuah populasi sesuai dengan fitness mereka semakin baik fitness, maka semakin besar peluang
mereka terpilih. b.
[Crossevor], lakukan perkawilan silang antara kedua orang tua sesuai dengan probabilitas crossover untuk membentuk keturunan yang baru.Jika tidak terjadi
persilangan maka keturunan yang dihasilkan akan sama persis dengan orang tuanya.
c. [Mutation], mutasai setiap keturunan yang baru sesuai dengan probabilitas
mutasi di setiap gen. d.
[Accepting], tempatkan keturunan yang baru sebagai populasi baru. 4.
[Replace], gunakan populasi yang baru dibentuk untuk menjalankan algoritma. 5.
[Test]. jika kondisi akhir dipenuhi maka berhenti dan tampilkan solusi dari populasi.
2.4 Teknik Encoding
Teknik encoding atau pengkodean adalah bagaimana mengkodekan gen dari kromosom. Satu gen biasanya merepresentasikan satu variabel. Gen dapat diwakili dalam
bentuk bilangan real, bit, daftar aturan, elemen permutasi, elemen program, atau representasi lainya yang dapat diimplementasikan untuk operator genetika. Teknik
pengkodean ini tergantung pada pemecahan masalah yang dihadapi. Misalnya, pengkodean secara langsung bilangan real atau integer. Oleh karena itu, kromosom dapat
direpresentasikan sebagai : 1.
String bit : 11001, 10111 dst
2. Array bilangan real : 7.9, 9.7, -70 dst
3. Elemen permutasi : E5, E8, E11 dst
4. Daftar aturan : R1, R2, R3 dst
5. Elemen program : pemrograman genetika
2.5 Fitness Value
Fitness value atau nilai fitness merupakan ukuran baik tidak sebuah individu kromosom dan baik tidak sebuah solusi yang didapatkan. Dalam penempatan sebuah
nilai fitness harus dilihat dari fungsi tujuan, jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik, walaupun pada awalnya semua nilai fitness kemungkinan
sangat kecil karena algoritma ini menghasilkan secara random, sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang lebih tinggi ini akan
memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Untuk melakukan seleksi alam, setiap individu dievaluasi menggunakan nilai fitness value, yang
ditentukan dengan sebuah fungis evaluasi. Fitness value dapat didefinisi:
Fitness = A – FX atau Fitness =
� � +
Keterangan: A = Konstanta yang telah ditentukan
X = Individu kromosom E = Bilangan kecil yang dibentuk untuk menghindari nilai nol
Suatu kromosom yang memiliki nilai fitness yang tinggi akan banyak memproduksi banyak anak, tetapi pada generasi tertentu kromosom anak-anaknya akan
mengalami dominasi populasi. Karena proses seleksi tergantung pada fitness value, maka penting dalam algoritma genetika untuk membuat fungsi evaluasi dengan teliti, sehingga
untuk setiap generasi pada proses evoluasi fungsi fitness yang menyimulasikan seleksi alam, akan menekan populasi terarah fitness yang meningkat.
2.6 Siklus Algoritma Genetika
Kategori