94
7.4.2. Inisialisasi dan Evaluasi
Chromosome dari dua individu yang dibangkitkan secara acak diberikan sebagai berikut:
individu 1 P
1
individu 2 P
2
Gambar 7.6. Contoh dua individu random
Evaluasi individu dilakukan dengan memasukkan data historis pada tree yang dihasilkan. Jika ada kesesuaian nilai keputusan K maka diberi skor 1. Karena ada 6 data historis
maka fitness setiap individu berada pada range [0,6]. Perhatikan dua individu P
1
dan P
2
ini kebetulan sama-sama mempunyai fitness sebesar 3.
No Aset
A Kinerja
K Jaminan
J Keputusan
Kep individu P
1
individu P
2
Keputusan Skor Keputusan Skor
1 1.5
6 1
1 2
0.7 6
1 1
1 3
2 7
1 1
1 1
1 4
1.6 5
1 1
1 1
1 1
5 0.9
8 1
1 1
6 0.8
8 1
1
Fitness
3 3
7.4.3. Crossover, Mutasi, dan Seleksi
Operator reproduksi dan seleksi sama seperti yang digunakan pada sub-bab sebelumnya.
Operator reproduksi dan seleksi sama seperti yang digunakan pada sub-bab sebelumnya. Khusus untuk mutasi, karena pada link terdapat angka yang menunjukkan
batasan sebuah variabel maka harus ditambahkan mekanisme mutasi yang digunakan hanya untuk mengubah angka ini seperti ditunjukkan pada Gambar 7.7.
jaminan aset
aset
Diterima Ditolak
Diterima 1
1 1
0.9 0.9
Ditolak
kinerja aset
aset jaminan
Diterima Diterima
Ditolak Ditolak
Diterima 7
7 1.3
1.3 0.9
0.9 1
95
Gambar 7.7. Contoh mutasi mengubah angka
7.5. Rangkuman
Pada bab ini telah dibahas struktur GP dan EP beserta siklusnya. Pembahasan difokuskan pada bagaimana menggunakan GP dan EP untuk menghasilkan program
komputer dalam bentuk binary tree dan decision tree.
7.6. Latihan
Untuk memperjelas pemahaman anda mengenai materi pada bab ini, kerjakanlah latihan berikut
1. Jelaskan apakah output dari GP? 2. Apakah komponen utama pada representasi solusi dari GP?
3. Untuk kasus pada Sub-Bab 7.4, hitunglah fitness untuk chromosome P berikut:
jaminan
aset kinerja
Diterima Ditolak
Diterima 1
0.9 0.9
8 8
Ditolak
jaminan aset
aset
Diterima Ditolak
Diterima 1
1 1
0.9 0.9
Ditolak jaminan
aset aset
Diterima Ditolak
Diterima 1
1 1
0.8 0.8
Ditolak diganti
96 4. Selesaikan studi kasus pada Sub-Bab 7.2. Siklus Genetic Programming sampai 5
generasi dengan menggunakan GP 5. Selesaikan studi kasus pada Sub-Bab 7.4. Studi Kasus: Pohon Keputusan sampai 5
generasi dengan menggunakan GP 6. Dengan menggunakan EP, susun binary tree untuk data pada tabel berikut
x
1
x
2
y
3 4
18 4
2 24
6 3
51 6
4 48
7 1
87 8
2 104
9 3
123 10
4 144
10 6
128 11
9 143
97
Daftar Pustaka
1. Achnas, AH, Cholissodin, I Mahmudy, WF 2015, Optimasi fuzzy inference
system sugeno dengan algoritma hill climbing untuk penentuan harga jual rumah, Journal of Environmental Engineering Sustainable Technology, vol. 2, no. 1,
pp. 35-40.
2. Al-Hinai, N ElMekkawy, T 2011, An efficient hybridized genetic algorithm
architecture for the flexible job shop scheduling problem, Flexible Services and Manufacturing Journal, vol. 23, no. 1, pp. 64-85.
3. Allahverdi, A Al-Anzi, FS 2008, The two-stage assembly flowshop scheduling
problem with bicriteria of makespan and mean completion time, Int J. Adv. Manuf. Technol, vol. 37, pp. 166
–177. 4.
Azizah, EN, Cholissodin, I Mahmudy, WF 2015, Optimasi fungsi keanggotaan fuzzy tsukamoto menggunakan algoritma genetika untuk penentuan harga jual
rumah, Journal of Environmental Engineering Sustainable Technology, vol. 2, no. 2, pp. 83-86.
5. Bell, C Alexande, S 2007, A Tasteful Example of Evolutionary Programming,
Southwestern University. 6.
Beyer, H-G Schwefel, H-P 2002, Evolution strategies – A comprehensive
introduction, Natural Computing, vol. 1, no. 1, 20020301, pp. 3-52. 7.
Biswas, S Mahapatra, S 2008, Modified particle swarm optimization for solving machine-loading problems in flexible manufacturing systems, The
International Journal of Advanced Manufacturing Technology, vol. 39, no. 9, pp. 931-942.
8. Ciptayani, PI, Mahmudy, WF Widodo, AW 2009, Penerapan algoritma
genetika untuk kompresi citra fraktal, Jurnal Ilmu Komputer, vol. 2, no. 1, April, pp. 1-9.
9. Defersha, F Chen, M 2010, A parallel genetic algorithm for a flexible job-shop
scheduling problem with sequence dependent setups, The International Journal of Advanced Manufacturing Technology, vol. 49, no. 1, pp. 263-279.
10. Endarwati, DA, Mahmudy, WF Ratnawati, DE 2014, Pencarian rute optimum
dengan evolution strategies, DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 10.
11. Fogel, DB, Wasson, EC, Boughton, EM Porto, VW 1998, Evolving artificial
neural networks for screening features from mammograms, Artificial Intelligence in Medicine, vol. 14, no. 3, pp. 317-326.
12. Folino, G, Pizzuti, C Spezzano, G 2000, Genetic Programming and Simulated
Annealing: A Hybrid Method to Evolve Decision Trees, in Poli, Ret al eds, Genetic Programming, European Conference, Edinburgh, Scotland, UK, April
15-16, 2000, Proceedings, Springer, pp. 294-303.
13. Gen, M Cheng, R 1997, Genetic Algorithms and Engineering Design, John
Wiley Sons, Inc., New York. 14.
Gen, M Cheng, R 2000, Genetic Algorithms and Engineering Optimization, John Wiley Sons, Inc., New York.