Perbandingan Algoritma Genetika dengan Teknik Optimasi

7. Perbandingan Algoritma Genetika dengan Teknik Optimasi

Konvensional Perbedaan algoritma genetika dengan teknik optimasi konvensional Goldberg, 1989 adalah sebagai berikut : a. Algoritma genetika bekerja pada sekumpulan solusi itu sendiri yang telah dikodekan, bukan pada solusi itu sendiri Algoritma genetika memiliki ruang pencarian search space yang dapat didiskritkan diputus-putus meskipun fungsi objektifnya berupa fungsi kontinyu karena bekerja dengan pengkodean variabel solusi. Fungsi diskrit fungsi terputus-putus memiliki keuntungan yaitu tidak membutuhkan usaha tambahan seperti pencarian gradien pada fungsi kontinyu, sehingga algoritma genetika dapat diterapkan untuk optimasi di berbagai jenis fungsi dan bidang aplikasi. b. Algoritma genetika melakukan pencarian pada suatu populasi banyak titik calon solusi, bukan hanya pada satu titik Teknik pencarian pada teknik optimasi konvensional dilakukan hanya pada satu titik tunggal. Titik ini kemudian diperbaiki perlahan- lahan dengan arah menaik fungsi maksimasi atau menurun fungsi minimasi melalui sejumlah iterasi hingga ditemukan solusi optimum. Teknik pencarian seperti ini dapat terjebak ke dalam solusi optimum lokal. c. Algoritma genetika secara langsung memanfaatkan informasi fungsi objektif, bukan turunan atau informasi tambahan lainnya Penyelesaian masalah optimasi umumnya menggunakan algoritma yang berupa langkah-langkah perhitungan yang secara asimtotik menuju solusi optimum. Teknik optimasi konvensional membangun deretan yang dimaksud berdasarkan gradien turunan fungsi objektif atau fungsi kendala untuk memperbaiki solusi tunggal. Algoritma genetika tidak membutuhkan informasi dan asumsi-asumsi demikian. Algoritma genetika hanya membutuhkan informasi nilai fungsi objektif dan memperbaiki sekumpulan solusi fisibel legal dengan operator-operator genetika, yang pada akhirnya diharapkan dapat menghasilkan solusi optimum. d. Algoritma genetika bekerja menggunakan aturan probabilistik, bukan aturan deterministik Operator algoritma genetika tidak bekerja secara deterministik. Operator seleksi, penyilangan, maupun mutasi bekerja menggunakan aturan probabilistik atau pemilihan secara acak.

E. PENELITIAN TERDAHULU

Riswan 1993 melakukan penelitian tentang rancangan program komputer untuk penjadwalan job shop dengan metode Priority Dispatching. Penelitian ini memiliki tujuan yaitu membentuk rancangan program komputer yang dapat digunakan untuk menjadwalkan kerja mesin-mesin dan tugas-tugas di divisi job shop PT DC dalam waktu singkat. Pada hasil penjadwalan komputer, penjadwalan kerja mesin-mesin dan alokasi tugas-tugas lebih teratur dan terencana sehingga waktu penyelesaian setiap paket pesanan lebih baik dibandingkan dengan cara manual. Gunawan 2003 melakukan penelitian tentang penjadwalan flow shop menggunakan algoritma genetika. Penelitian tersebut bertujuan untuk mengaplikasikan algoritma genetika dalam bidang penjadwalan produksi yaitu untuk masalah flow-shop deterministik tanpa kendala unconstrained- deterministic flow shop berskala besar. Implementasi algoritma genetika dalam program komputer menggunakan bahasa pemrograman Borland Pascal 7.0. Hasil penelitian menunjukkan bahwa algoritma genetika sangat efisien dalam memecahkan masalah flow shop deterministik tanpa kendala berskala besar. Aryawan 2003 melakukan penelitian tentang penerapan algoritma Tabu Search dalam permasalahan penjadwalan job shop. Dalam penelitian ini, Tabu Search diterapkan pada sebuah permasalahan penjadwalan job shop dengan tujuan untuk meminimalkan waktu proses total atau makespan C max . Hasil penjadwalan dibandingkan dengan hasil penjadwalan lain yang menggunakan empat macam metode Basic Dispatching Rules. Hasil