Seleksi Komponen-komponen Utama Algoritma Genetika

terpilih untuk menjadi induk. Bilangan tersebut akan menentukan populasi ke-berapa yang akan menjadi induk. Setelah induk terpilih, bangkitkan posisi rekombinasi atau pos secara acak dari selang [1, panjang kromosom-1]. Tukar kromosom dari induk1 ke induk2 pada pos yang telah ditentukan. Hasil yang didapat dinamakan anak. 5.2 Mutasi Setelah mengalami proses rekombinasi, pada anak dapat dilakukan mutasi. Variabel anak dimutasi dengan menambahkan nilai random yang sangat kecil, dengan probabilitas rendah. Peluang mutasi p m didefinisikan sebagai presentasi dari jumlah total gen pada populasi yang mengalami mutasi. Kromosom hasil mutasi harus diperiksa, apakah masih berada dalam domain solusi, dan bila perlu bisa dilakukan perbaikan. Mutasi berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. Mutasi terdiri dari mutasi bernilai real dan mutasi bernilai biner. Mutasi yang akan digunakan pada skripsi ini adalah mutasi biner. Langkah-langkah dari mutasi biner adalah ; i. Hitung jumlah gen pada populasi panjang kromosom dikalikan dengan ukuran populasi. ii. Tentukan probabilitas mutasi. Pada skripsi ini probabilitas yang digunakan adalah 0.01, sehingga diharapkan 1 dari jumlah gen mengalami mutasi. iii. Secara acak tentukan posisi mutasi, nomor kromosom, nomor bit, dan bilangan dari selang [0, 1]. iv. Ganti nilai gen 0 ke 1, atau 1 ke 0 dari kromosom yang akan dimutasi tersebut. Hasil dari mutasi disebut anak. Hasil dari mutasi dan rekombinasi dimasukkan ke dalam populasi baru yang kemudian akan dihitung nilai fitness-nya. Nilai fitness yang terbaik akan masuk ke dalam populasi sebelumnya Agar populasi tetap konstan, maka kromosom yang mempunyai nilai fitness yang terburuk akan digantikan dengan kromosom anak yang mempunyai nilai fitness terbaik.

6. Penentuan Parameter

Yang dimaksud dengan parameter disini adalah parameter kontrol Algoritma Genetika, yaitu ukuran populasi popsize, peluang rekombinasi P c , dan peluang mutasi P m . Nilai parameter ditentukan dengan berdasarkan permasalahan yang akan diselesaikan. Ada beberapa rekomendasi yang bisa digunakan, antara lain: i. Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: uk_populasi; p c ; p m = 50; 0.6; 0.001. ii. Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Grefenstette merekomendasikan: uk_populasi; p c ; p m = 30; 0.95; 0.01. iii. Bila fitness dari individu terbaik dipantau pada setiap generasi, maka diusulkan: uk_populasi; p c ; p m = 80; 0.45; 0.01. iv. Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan. 66

BAB IV OPTIMASI FUNGSI TANPA KENDALA DENGAN

ALGORITMA GENETIKA Pada bab ini akan diberikan contoh-contoh dari permasalahan optimasi pe- mrograman tak linear fungsi dua variabel tanpa kendala. Permasalahan-perma- salahan tersebut akan diselesaikan dengan teknik konvensional menggunakan kalkulus, serta dengan Algoritma Genetika. Contoh 4.1 Permasalahan optimasi tanpa kendala diberikan sebagai berikut: Maksimumkan 2 2 2 1 2 1 2 1 2 , x x x x x x f + + = 10 1 . 1 ≤ ≤ x 9 5 . 4 2 ≤ ≤ x Temukan nilai optimum dengan menggunakan Algoritma Genetika dan de- ngan teknik konvensional. a Dengan Teknik Konvensional Kalkulus. 2 2 2 1 2 1 2 1 2 , x x x x x x f + + = , dengan 10 1 . 1 ≤ ≤ x , 9 5 . 4 2 ≤ ≤ x