Evolutionary Programming EP Rangkuman

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.