Proses crossover yang berjalan dengan beberapa variasi operator crossover berperan penting dalam membentuk kromosom anak offspring yang juga berperan penting
untuk menambah keanekaragaman string di dalam suatu populasi. Kromosom selanjutnya akan masuk ke dalam tahap mutasi yang berfungsi untuk memastikan
bahwa keanekaragaman diversity dari kromosom dalam suatu populasi tetap terjaga, untuk menghindari terjadinya konvergensi prematur yang berujung pada terjadinya
solusi yang local optima.
2.2. Struktur Umum Algoritma Genetika
Algoritma genetik memberikan suatu pilihan bagi penentuan nilai parameter dengan meniru cara reproduksi genetik, membentuk kromosom baru serta seleksi alam seperti
yang terjadi pada makhluk hidup. Algoritma genetik secara umum dapat diilustrasikan dalam diagram pada Gambar 2.2.
Gambar 2.2 Gambar Diagram Alir Algoritma Goldberg, 1989
Universitas Sumatera Utara
Goldberg 1989 mengemukakan bahwa algoritma genetik mempunyai 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 ditetapkan dan bukan parameter itu sendiri. 2. Algoritma genetika mencari solusi dari sejumlah individu-individu yang
merupakan solusi permasalahan, bukan hanya dari satu individu. 3. Algoritma genetika berpatokan pada objektif fitness, sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.
4. Algoritma genetik menggunakan aturan-aturan transisi peluang, bukan aturan- aturan deterministik.
Variabel dan parameter yang digunakan pada algoritma genetik adalah: Kuhn et al., 2013
1. Inisialisasi populasi yang digunakan. Pada bagian ini ditentukan jumlah individu kromosom dan gen yang dilibatkan pada setiap generasi.
2. Evaluasi nilai fitness dari setiap individu. 3. Seleksi kromosom yang akan dijadikan kromosom parent untuk dilibatkan di
dalam proses crossover berdasarkan nilai fitness. 4. Penentuan nilai PC Probability Crossover yang menentukan peluang
terjadinya crossover pada setiap individu. 5. Mutation rate yang menentukan sejumlah gen yang dillibatkan dalam proses
mutasi.
Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai berikut: Negnevitsky, 2005
1. Membangkitkan populasi awal Populasi awal dibangkitkan secara acak sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
Universitas Sumatera Utara
2. Menghitung Fitness dari Tiap Generasi. Pada tiap generasi, kromosom akan melalui proses evaluasi dengan
menggunakan alat ukur yang dinamakan fitness. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut. Fungsi fitness
tersebut dapat dilihat pada Persamaan 2.1.
������� =
................................................... 2.1
Dari persamaan 2.1, nilai fitness ditentukan oleh nilai fungsi objektif. Fungsi objektif tersebut menunjukkan hasil penjumlahan jarak pada tiap kromosom.
Semakin tinggi nilai fitness akan semakin besar kemungkinan kromosom tersebut terpilih ke generasi berikutnya. Jadi nilai fungsi objektif berbanding
terbalik dengan nilai fitness, semakin kecil nilai fungsi objektif semakin besar nilai fitness-nya.
3. Evaluasi Solusi Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness
setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dilanjutkan dengan proses
perkawinan. Beberapa kriteria berhenti sering digunakan antara lain: berhenti pada generasi tertentu, berhenti setelah beberapa generasi berturut-turut
didapatkan nilai fitness tertinggi tidak berubah, berhenti pada n generasi yang tidak didapatkan nilai fitness yang lebih tinggi.
4. Proses Crossover Menentukan nilai PC Probability Crossover dan kemudian menentukan
pasangan kromosom yang akan terlibat di dalam proses crossover berdasarkan nilai PC yang dibangkitkan tersebut dengan menggunakan salah satu metode
crossover. 5. Proses Mutasi
Menentukan nilai mutation rate, dan kemudian berdasarkan nilai bilangan random yang dibangkitkan akan dapat ditentukan gen-gen yang terlibat di
dalam proses mutasi tersebut.
Universitas Sumatera Utara
6. Menjadikan Kromosom Anak hasil dari Proses Crossover dan Mutasi sebagai Populasi Baru.
2.3. Teknik Encoding
