DAFTAR ISI
Hal. HALAMAN JUDUL
i PERSETUJUAN
ii PERNYATAAN ORISINALITAS
iii PERSETUJUAN PUBLIKASI
iv PANITIA PENGUJI
v RIWAYAT HIDUP
vi KATA PENGANTAR
vii ABSTRAK
ix ABSTRACT
x DAFTAR ISI
xi DAFTAR GAMBAR
xiii DAFTAR TABEL
xiv BAB I PENDAHULUAN
1 1.1 Latar Belakang
1 1.2 Perumusan Masalah
3 1.3 Batasan Masalah
4 1.4 Tujuan Penelitian
4 1.5 Manfaat Penelitian
4
BAB II TINJAUAN PUSTAKA 5
2.1 Algoritma Genetika 5
2.2 Struktur Umum Algoritma Genetika 7
2.3 Teknik Encoding 10
2.4 Operator Genetik 10
2.4.1 Proses Seleksi 11
2.4.2 Pindah Silang Crossover 12
2.4.3 Mutasi 16
2.5 Parameter Genetik 17
2.6 Traveling Salesman Problem TSP 18
2.7. Penelitian-Penelitian Terkait 19
Universitas Sumatera Utara
2.7.1 Penelitian Terdahulu 19
2.7.2 Perbedaan Penelitian 20
2.7.3 Kontribusi yang Diberikan 21
BAB III METODOLOGI PENELITIAN 22
3.1 Pendahuluan 22
3.2 Data yang Digunakan 22
3.3 Algoritma Genetika terhadap Traveling Salesman Problem 23
3.3.1 Dasar Algoritma Genetika 23
3.3.2 Mendefinisikan Individu 29
3.3.3 Pembangkitan Populasi Awal 29
3.3.4 Seleksi 30
3.3.5 Crossover 31
3.3.6 Mutasi 35
BAB IV HASIL DAN PEMBAHASAN 37
4.1 Pendahuluan 37
4.2 Hasil Pengujian untuk 100 Generasi 37
4.2.1 Pengujian dengan Probabilitas Crossover PC=0.25 37
4.2.2 Pengujian dengan Probabilitas Crossover PC=0.5 42
4.3 Hasil Pengujian untuk 300 Generasi 47
4.3.1 Pengujian dengan Probabilitas Crossover PC=0.25 47
4.3.2 Pengujian dengan Probabilitas Crossover PC=0.5 51
4.4 Hasil Pengujian untuk 500 Generasi 56
4.4.1 Pengujian dengan Probabilitas Crossover PC=0.25 56
4.4.2 Pengujian dengan Probabilitas Crossover PC=0.5 60
4.5 Pembahasan 65
BAB V KESIMPULAN DAN SARAN 68
5.1 Kesimpulan 68
5.2 Saran 69
DAFTAR PUSTAKA 70
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman Gambar 2.1.
Siklus Algoritma Genetika 6
Gambar 2.2. Gambar Diagram Alir Algoritma
7 Gambar 2.3.
Metode Roulette Wheel Selection 12
Gambar 2.4. Metode Stochastic Universal Sampling
12 Gambar 3.1.
Metode Penelitian 23
Gambar 3.2. Dasar Algoritma Genetika
24 Gambar 3.3.
Flowchart Whole Arithmetic Crossover 25
Gambar 3.4. Flowchart Simple Arithmetic Crossover
27 Gambar 3.5.
Flowchart Single Arithmetic Crossover 28
Gambar 3.6. Jarak Tiap Kota yang Akan Dikunjungi
29 Gambar 4.1.
Hasil Pengujian dengan PC Sebesar 0.25 untuk 100 Generasi 42
Gambar 4.2. Hasil Pengujian dengan PC Sebesar 0.5 untuk 100 Generasi
46 Gambar 4.3.
Hasil Pengujian dengan PC Sebesar 0.25 untuk 300 Generasi 51
Gambar 4.4. Hasil Pengujian dengan PC Sebesar 0.5 untuk 300 Generasi
55 Gambar 4.5.
Hasil Pengujian dengan PC Sebesar 0.25 untuk 500 Generasi 60
Gambar 4.6. Hasil Pengujian dengan PC Sebesar 0.5 untuk 500 Generasi
64 Gambar 4.7.
Hasil Pengujian dengan Menggunakan Metode Whole Arithmetic Crossover dengan Menggunakan PC=0.5
untuk Pengujian dengan 500 Generasi 66
Gambar 4.8. Hasil Pengujian dengan Menggunakan Metode Simple
Arithmetic Crossover dengan Menggunakan PC=0.5 untuk Pengujian dengan 500 Generasi
66 Gambar 4.9.
Hasil Pengujian dengan Menggunakan Metode Single Arithmetic Crossover dengan Menggunakan PC=0.5
untuk Pengujian dengan 500 Generasi 67
Universitas Sumatera Utara
DAFTAR TABEL
Halaman Tabel 2.1.
Teknik Permutation Encoding 10
Tabel 2.2. One Point Crossover
13 Tabel 2.3.
Two Point Crossover 13
Tabel 2.4. Uniform Crossover
14 Tabel 2.5.
Single Arithmetic Crossover 15
Tabel 2.6. Simple Arithmetic Crossover
15 Tabel 2.7.
Whole Arithmetic Crossover 16
Tabel 2.8. Contoh Mutasi pada Pengkodean Biner
17 Tabel 2.9.
Contoh Mutasi pada Pengkodean Permutasi 17
Tabel 2.10. Perbedaan Penelitian
20 Tabel 3.1.
Pembentukan Populasi Awal 30
Tabel 4.1. Probabilitas Crossover PC=0.25 untuk Whole Arithmetic
Crossover untuk 100 Generasi 38
Tabel 4.2. Probabilitas Crossover PC=0.25 untuk Simple Arithmetic
Crossover untuk 100 Generasi 39
Tabel 4.3. Probabilitas Crossover PC=0.25 untuk Single Arithmetic
Crossover untuk 100 Generasi 40
Tabel 4.4. Hasil Pengujian PC=0.25 untuk 100 Generasi
41 Tabel 4.5.
Probabilitas Crossover PC=0.5 untuk Whole Arithmetic Crossover untuk 100 Generasi
43 Tabel 4.6.
Probabilitas Crossover PC=0.5 untuk Simple Arithmetic Crossover untuk 100 Generasi
44 Tabel 4.7.
Probabilitas Crossover PC=0.5 untuk Single Arithmetic Crossover untuk 100 Generasi
45 Tabel 4.8.
Hasil Pengujian PC=0.5 untuk 100 Generasi 46
Tabel 4.9. Probabilitas Crossover PC=0.25 untuk Whole Arithmetic
Crossover untuk 300 Generasi 47
Universitas Sumatera Utara
Tabel 4.10. Probabilitas Crossover PC=0.25 untuk Simple Arithmetic
Crossover untuk 300 Generasi 48
Tabel 4.11. Probabilitas Crossover PC=0.25 untuk Single Arithmetic
Crossover untuk 300 Generasi 49
Tabel 4.12. Hasil Pengujian PC=0.25 untuk 300 Generasi
50 Tabel 4.13.
Probabilitas Crossover PC=0.5 untuk Whole Arithmetic Crossover untuk 300 Generasi
52 Tabel 4.14.
Probabilitas Crossover PC=0.5 untuk Simple Arithmetic Crossover untuk 300 Generasi
53 Tabel 4.15.
Probabilitas Crossover PC=0.5 untuk Single Arithmetic Crossover untuk 300 Generasi
54 Tabel 4.16.
Hasil Pengujian PC=0.5 untuk 300 Generasi 55
Tabel 4.17. Probabilitas Crossover PC=0.25 untuk Whole Arithmetic
Crossover untuk 500 Generasi 56
Tabel 4.18. Probabilitas Crossover PC=0.25 untuk Simple Arithmetic
Crossover untuk 500 Generasi 57
Tabel 4.19. Probabilitas Crossover PC=0.25 untuk Single Arithmetic
Crossover untuk 500 Generasi 58
Tabel 4.20. Hasil Pengujian PC=0.25 untuk 300 Generasi
59 Tabel 4.21.
Probabilitas Crossover PC=0.5 untuk Whole Arithmetic Crossover untuk 500 Generasi
61 Tabel 4.22.
Probabilitas Crossover PC=0.5 untuk Simple Arithmetic Crossover untuk 500 Generasi
62 Tabel 4.23.
Probabilitas Crossover PC=0.5 untuk Single Arithmetic Crossover untuk 500 Generasi
63 Tabel 4.24.
Hasil Pengujian PC=0.5 untuk 500 Generasi 64
Universitas Sumatera Utara
ABSTRAK
Algoritma genetika sering digunakan pada masalah praktis yang berfokus pada pencarian parameter-parameter atau solusi yang optimal. Kelebihan algoritma
genetika adalah kemampuannya untuk mendapatkan global optima dalam pencarian solusi sehingga sering digunakan dalam optimasi. Salah satu mekanisme yang turut
berperan di dalam algoritma genetika adalah proses crossover sebagian dari kromosom induk pertama dengan sebagian kromosom induk kedua lalu menghasilkan
kromosom baru. Metode crossover yang akan dianalisis dalam penelitian ini adalah arithmetic crossover dengan studi permasalahan yang digunakan adalah permasalahan
Traveling Salesman Problem TSP. Kromosom offspring kromosom anak diperoleh dengan melakukan operasi aritmatika terhadap parent induk. Algoritma genetika
akan berhenti jika sejumlah generasi maksimum tercapai atau level fitness yang ditentukan telah terpenuhi. Tujuan dari penelitian ini adalah mendapatkan hasil
analisis performance dari metode arithmetic crossover dengan masalah utama adalah mendapatkan gambaran mengenai kaitan jumlah gen dalam suatu kromosom yang
mengalami crossover dengan performance dari algoritma genetika. Kata Kunci: algoritma genetika, arithmetic crossover, fitness
Universitas Sumatera Utara
PERFORMANCE ANALYSIS OF THE METHOD ARITHMETIC CROSSOVER IN GENETIC ALGORITHM
ABSTRACT
Genetic algorithms are often used in practical problems that focuses on search parameters or the optimal solution. Excess genetic algorithm is its ability to obtain
global optima in the search for a solution that is often used in the optimization. One of the mechanisms that play a role in the genetic algorithm is the crossover portion of the
first parent chromosome with most second parent chromosome and produce new chromosomes. Crossover method which will be analyzed in this study is the arithmetic
crossover used to study the problems is the problem of Traveling Salesman Problem TSP. Offspring chromosome child is obtained by performing arithmetic operations
of the parent. Genetic algorithm will stop when the maximum number of generations is reached or a specified level of fitness has been fulfilled. The purpose of this study is
to get the performance analysis of the arithmetic crossover method with the main problem is to get an idea of the link between the number of genes in a chromosome
that is experiencing a crossover with the performance of the genetic algorithm.
Keyword: arithmetic crossover, genetic algorithm, fitness
Universitas Sumatera Utara
BAB 1 PENDAHULUAN