BAB 2
LANDASAN TEORI
2.1 Penjadwalan Kampanye
Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian aktivitas kerja Jiupe, 2008. Penjadwalan juga merupakan proses
penyusunan daftar pekerjaan yang akan dilakukan untuk mencapai atau mewujudkan suatu tujuan tertentu yang juga memuat tabel waktu pelaksanaan.
Penjadwalan kampanye adalah kegiatan yang dilaksanakan oleh organisasi politik atau Kandidat yang bersaing memperebutkan kedudukan di kantor bupatiwalikota untuk
mendapat dukungan massa pemilih di suatu pemungutan suara. Penjadwalan yang digunakan pada penelitian ini merupakan jadwal kampanye pilkada. Tujuan penjadwalan
kampanye pilkada agar tidak terjadi bentrokan antara jadwal yang satu dengan yang lain. Permasalahan yang dihadapi penjadwalan terletak pada lebih banyak kandidat yang harus
dijadwalkan daripada lokasi yang tersedia. kapasitas lokasi kampanye yang harus sesuai dengan masa kampanye dan kesediaan juru kampanye dan kandidat. Permasalahan
penjadwalan kampanye dapat diselesaikan dengan berbagai metode pencarian, salah satu metode pencarian dengan menggunakan algoritma genetika. Dalam proses penyelesaian
masalah penjadwalan kampanye terdapat kendala-kendala yang harus dipenuhi atau tidak boleh dilanggar.
2.2 Pengertian Algoritma Genetika
Kecerdasan buatan atau Artificial Intelligence merupakan bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam perancangan otomatisasi tingkah laku
cerdas dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakukan atau tindak-tanduk yang sepenuhnya
bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah dan lain sebagainya Kristanto, 2004.
Alagoritma genetika merupakan algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologi. Keragaman pada evolusi biologi dalah variasi dari
kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reprodusi dan tingkat kemampuan organisme untuk tetap hidup kusumadewi, 2005
Ide awal algoritma genetika berasal dari teori Charles Darwin tentang evolusi yang berbasis pada konsep
“survival of the fittest” yang menyatakan bahwa evolusi jenis-jenis spesies makhluk hidup dan ekosistemnya terjadi karena seleksi alam. Semakin tinggi
kemampuan individu untuk beradaptasi, maka semakin tinggi kemungkinan individu tersebut dapat bertahan dan memiliki keturunan. Keturunan dari individu-individu tersebut
akan mewarisi sifat-sifat induknya, dimana sifat-sifat tersebut dapat mengalami perubahan yang disebabkan oleh pencampuran sifat kedua induk maupun proses mutasi.
Algoritma Genetika ditemukan pertama kali pada tahun 1960. Algoritma Genetika merupakan salah satu algoritma pemodelan evolusi evolutionary modelling yang
dikembangkan oleh John Holland pada dekade 1960 dan 1970-an dengan tujuan memodelkan perkembangan kemampuan adaptasi sebuah sistem. Algoritma genetika
diimplementasikan sebagai simulasi yang berawal dari sebuah populasi yang dihasilkan secara random dan terdiri dari kromosom-kromosom, seperti halnya anggota tubuh
makhluk hidup dan merepresentasikan solusi dari masalah. Populasi tersebut akan menghasilkan keturunan populasi yang baru dan diharapkan lebih baik dari populasi
sebelumnya. Semakin baik kondisi suatu populasi, semakin besar kemungkinan populasi itu untuk dikembangkan menjadi populasi selanjutnya.
Kondisi ini diulangi sampai mendapatkan kondisi yang diharapkan, dengan kata lain solusi terbaik sudah diperoleh.
Untaian solusi merupakan analogi sebuah kromosom, dimana setiap kromosom memiliki sebuah nilai fungsi obyektif yang bersesuaian dengan parameter masalah yang
disebut nilai fitnes fitness value.Apabila sebuah kromosom dikatakan unggul berarti memiliki nilai fitness yang tinggi untuk masalah maksimasi atau nilai fitnessyang rendah
untuk masalah minimasi. Nilai fitness menunjukkan kromosom mana yang memiliki potensi terbaik untuk diturunkan pada generasi berikutnya. Satu tahapan iterasi pada
algoritma genetika disebut generasi, dan selama langkah inistruktur dalam populasi saat itu akan dievaluasi untuk menentukan populasi pada generasi berikutnya.
Algoritma genetika merupakan metode heuristik adaptif yang memiliki dasar pemikiran atau gagasan untuk proses seleksi alam dan genetika berdasarkan penelitian
Charles Darwin. Dengan kata lain pencarian solusi suatu masalah dengan algoritma genetika akan terus berevolusi S. Kusumadewi dan Hari Purnoma, 2005. Algoritma
genetika memberikan solusi dari masalah yang tidak memiliki suatu metode pencarian solusi yang tepat, ataupun bila ada, mungkin membutuhkan waktu yang lama dalam
mencari solusinya. Pencarian solusi dengan algoritma genetika ini diminati oleh karena
tidak membutuhkan waktu yang lama. Selain itu hasil dari algoritma genetika ini cukup memuaskan dan dapat diaplikasikan pada semua bidang. Algoritma genetika pertama kali
ditemukan pada awal tahun 1960 oleh John Hollands dari University of Michigan. Karya Hollands bersama salah satu murid yang bernama David Golberg
melakukan penelitian dan merupakan sebuah prestasi pertama adalah penerbitan sebuah buku dengan judul Adaptasi di Alam dan Buatan Sistem pada tahun 1975. Motivasi
Hollands, mendefinisikan Algoritma Genetik adalah model dan menerapkan sistem yang kuat dan adaptif menyimulasikan evolusi struktur genetik yang ditemukan dalam
organisme. Ide dasarnya adalah bagaimana suatu populasi berpotensi berisi solusi, atau solusi yang lebih baik, untuk masalah adaptif diberikan. Mengingat masalah tertentu untuk
memecahkan, penggunakan algoritma genetika merupakan seperangkat solusi potensial untuk masalah tersebut, dikodekan dengan cara tertentu, dan terdapat tujuan yang
dihasilkan disebut fungsi fitness yang memungkinkan setiap calon harus dievaluasi secara kuantitatif. Calon ini mungkin solusi sudah dikenal untuk melakukan proses genetik,
dengan tujuan algoritma genetika yang untuk meningkatkan individu, tetapi lebih sering individu dihasilkan secara acak
Secara alami semua organisme terdiri dari sel, di mana setiap sel terdiri dari sekumpulan kromosom membentuk sekumpulan gen, membuat satu kesatuan yang
tersusun dalam rangkaian linear. Setiap gen mempunyai letak tersendiri di dalam kromosom yang disebut dengan lokus. Gen tersusun dari DNA, yang membawa sifat-
sifat keturunan. Setiap gen menyandi protein tertentu suatu sifat. Bagian tertentu dari gen di dalam genom disebut genotip. Beberapa sifat individu yang menunjukkan perbedaan
gen dan berada pada bagian disebut alel Fitri, 2002. Perbandingan istilah alam dengan Algoritma Genetika dapat ditunjukan pada Tabel 2.1
Tabel 2.1 Perbandingan Istilah Alam Dengan Algoritma Genetika Alam
Algoritma Genetika Chromosome
Locus Gene
Allele Genotype
Phemotype String
Posisi String Karakter
Nilai Karakter Struktur
Kode Struktur
Dalam algoritma genetika solusi yang diterapkan pada sebuah populasi individu- individu yang masing-masing mewakili solusi yang mungkin disebut dengan kromosom,
yang ditunjukkan dengan sekumpulan simbol dalam bentuk string dengan panjang tertentu dan biasanya dari bilangan biner 0,1. Dalam algoritma genetika ada istilah populasi,
individu, kromosom, gen, allela, locus, fitness, perkawinan silang crosseover, mutasi mutation, seleksi, anak offspring. Pengertian populasi adalah sekumpulan kromosom
dalam satu generasi. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan
generasi Joneo Hendarto, 2002. Individu adalah sekumpulan gen dalam sistem algoritma genetika bisa dikatakan sama dengan kromosom. Generasi adalah individu yang dilakukan
untuk menentukan populasi berikutnya. Kromosom adalah individu yang terdapat dalam satu populasi. Kromosom merupakan solusi yang masih berbentuk simbol. Allela
merupakan nilai yang berada dalam gen, sedangkan locus adalah letak suatu gen berada dalam suatu kromosom. Anak Offspring adalah generasi berikutnya yang terbentuk dari
gabungan 2 kromosom. Generasi sekarang yang bertindak sebagai induk parent dengan menggunakan operator penyilangan crossover maupun operator mutasi.
Selama proses genetika, kromosom yang terbaik kecenderungan mempunyai keturunan yang baik pula. Dalam prakteknya penerapan algoritma genetika, kromosom
adalah populasi yang tersedia secara acak. Siklus operasional genetik akan berhasil apabila kromosom yang disebut induk digabungkan untuk menghasilkan anak yang merupakan
generasi baru dari proses evaluasi ini manipulasi terhadap gen diharapkan kromosom yang lebih baik akan menghasilkan jumlah offspring yang lebih banyak dan mungkin
berhasil bertahap pada generasi berikutnya. Algoritma genetika mempunyai karakteristik yang perlu diketahui sehingga dapat
dibedakan proses pencarian atau optimasi yang lainnya. Karakteristik-karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian atau optimasi yang lain,
yaitu: 1.
Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah diterapkan dengan bukan parameter itu sendiri.
2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu. 3.
Algoritma genetika informasi fungsi objektif fitness, sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu
fungsi.
4. Algoritma genetika menggunakan aturan-aturan transisi peluang, bukan aturan
deterministik
2.3 Dasar Algoritma