34 Gambar 2.5.1 Alur proses algoritma genetika
Komponen-komponen penting dalam algoritma genetika adalah sebagai berikut Suyanto, 2005 :
1. Pengkodean
Pada algoritma genetika, pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi untuk masalah Goldberg
1989. Menurut Suyanto 2006:7 terdapat beberapa skema pengkodean yang sering digunakan yaitu pengkodean bilangan riil real number encoding,
pengkodean diskritdiscrete decimal encoding, dan pengkodean biner binary encoding.
Pada penelitian ini digunakan pengkodean bilangan riil. Elitism
35 Pengkodean bilangan riil, yaitu suatu pengkodean dengan nilai setiap gen
berisi nilai masing-masing variabel keputusan dari persoalan yang akan diselesaikan. Pengkodean bilangan rill memberikan penghematan memori dan
memiliki waktu komputasi yang lebih cepat dibanding pengkodean biner Wati, 2011: 180.
2. Pembangkitan Populasi Awal Spanning
Pembangkitkan populasi awal adalah suatu proses untuk mendapatkan sejumlah individu baik itu secara acak atau melalui metode tertentu. Ukuran
dari populai tergantung pada masalah yang akan diselesaikan dan penggunaan operator genetika Kusumadewi, 2003:281. Dalam algoritma genetika, ada
beberapa cara membangkitkan populasi awal yaitu: random generator dan pendekatan tertentu. Pada skripsi ini digunakan pendekatan tertentu untuk
membangkitkan populasi awal. Pembangkitan populasi awal dengan pendekatan tertentu dilakukan
dengan memasukkan nilai tertentu ke dalam gen pada populasi awal yang dibentuk. Nilai tertentu yang digunakan bisa berasal dari bobot dari
pembelajaran NN.
3. Evaluasi Nilai Fitness
Tujuan dari algoritma genetika adalah mencari individu dengan nilai fitness
yang tinggi. Evaluasi nilai fitness berfungsi untuk mengukur kualitas dari sebuah solusi dan memungkinkan tiap solusi untuk dibandingkan
36 Michalewicz, 1996: 72. Pada kasus optimasi dengan meminimumkan nilai
dari fungsi , nilai fitness dapat diperoleh dengan
2.5.1 Dari persamaan di atas,
merupakan fungsi MAPE. Semakin kecil nilai maka nilai fitness akan semakin tinggi. Individu dengan nilai fitness
tertinggi akan bertahan sampai akhir dalam proses algoritma genetika. Agar nilai fitness dapat terdefinisi maka nilai
sehingga perlu ditambahkan dengan
yaitu suatu bilangan yang sangat kecil. Suyanto, 2005: 10
3.5.2
4. Elitism
