Diskusi: Nilai Parameter Algoritma Genetika Diskusi: Mekanisme Sampling Proses Seleksi

40 fx fitness prob probCum P 1 -1 0,000 0,000 0,000 P 2 0,200 0,100 0,100 P 3 3 0,800 0,400 0,500 P 4 4 1,000 0,500 1,000 Total 2,000 f min x=-1 dan f max x=4 Perhatikan tabel di atas. Individu terbaik akan selalu mempunyai fitness=1 dan individu terburuk selalu mempunyai fitness=0. Sebagai akibatnya individu dengan nilai fungsi obyektif terkecil tidak akan pernah terpilih karena nilai probabilitasnya 0. Beberapa penelitian menunjukkan bahwa bisa jadi individu dengan nilai fitness lebih kecil justru menempati area yang lebih dekat dengan titik optimum. Hal ini biasanya terjadi pada optimasi fungsi yang mempunyai banyak titik optimum lokal. Berdasarkan kondisi ini maka rumus 3.1 bisa dimodifikasi sebagai berikut Gen Cheng 1997: 3.2 0 c 1 Perhatikan variasi nilai fitness untuk berbagai nilai c berikut: fx fitness c=0 c=0.1 c=0.3 c=0.5 c=0.7 P 1 -1 0,000 0,020 0,057 0,091 0,123 P 2 0,200 0,216 0,245 0,273 0,298 P 3 3 0,800 0,804 0,811 0,818 0,825 P 4 4 1,000 1,000 1,000 1,000 1,000 Semakin besar nilai c akan meningkatkan peluang individu terburuk untuk terpilih. Untuk masalah minimasi maka bisa digunakan rumus: 3.3 Rumus 3.3 menjamin individu dengan nilai fungsi obyektif lebih kecil akan mempunyai nilai fitness yang lebih besar. 41

3.7. Diskusi: Penanganan Konvergensi Dini

Perhatikan masalah konvergensi dini yang terjadi pada Sub-Bab 3.1.4. Hampir semua individu bernilai sama sebelum tercapainya titik optimum yang diinginkan. Ada banyak metode untuk mengatasi masalah ini. Satu metode sederhana yang bisa diterapkan adalah dengan melakukan random injection yaitu proses seleksi hanya memilih popSize- n individu n =1 ..3. n individu terakhir dibangkitkan secara random seperti pada saat inisialisasi Mahmudy, Marian Luong 2013d, 2013e. n=0,1×popSize biasanya sudah cukup memadai. Untuk popSize=10, dengan memasukkan 1 individu random ini maka keragaman populasi akan tetap terjaga karena individu ini juga terlibat dalam proses reproduksi. Untuk menghemat waktu komputasi, pemasukan individu random ini tidak harus pada setiap generasi tapi bisa dilakukan setiap g interval generasi. Penentuan nilai g yang sesuai dilakukan melalui beberapa percobaan pendahuluan. Dengan mengacu struktur GAs murni pada sub-bab sebelumnya maka teknik penanganan konvergensi dini dengan random injection bisa disusun sebagai berikut: procedure AlgoritmaGenetika begin t = 0 inisialisasi Pt while bukan kondisi berhenti do reproduksi Ct dari Pt evaluasi Pt dan Ct seleksi Pt+1 dari Pt dan Ct if t mod g = 0 replace n individu end t = t + 1 end while end