Berninger, 2014. Untuk lebih jalasnya dapat dilihat ilustrasi metode mutasi ini dalam gambar 2.12.
Gambar 2.5
Proses Exchange Crossover
h. Elitisme
Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu terpilih. Atau bahkan dapat
rusak nilai fitnessnya menurun karena proses pindah-silang dan proses mutasi. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama
proses evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur ini sering dikenal sebagai elitisme Suyanto, 2005.
2.2.3 Pencarian Lokal
Pencarian lokal merupakan metode optimasi klasik yang menghasilkan solusi optimal lokal dengan mengeksplorasi lingkungan dari solusi awal yang
diberikan. Penggunaan teknik pencarian lokal telah terbukti berguna dalam memecahkan masalah kombinatorial. Untuk teknik pencarian lokal, Hill Climbing
yang disarankan oleh Michalewicz 1994 digunakan dalam penelitian ini. Hill Climbing HC merupakan algoritma pencarian untuk solusi yang lebih baik di
lingkungan. Gerakan pencarian HC dicari berdasarkan nilai heuristik terbaik. Jika
menemukan solusi yang lebih baik, perubahan solusi saat ini dengan solusi baru. Jika solusi baru tidak lebih baik dari solusi saat ini maka algoritma berhenti dan
menyimpan solusi optimal lokal saat ini. Metode ini dapat menjamin sifat yang diinginkan dari teknik pencarian lokal untuk hibridisasi dengan GA
Yun, 2006. Prosedur HC adalah sebagai berikut:
Procedure:
Perulangan metode hill climbing
Begin
Pilih individu terbaik dari populasi sekarang menggunakan nilai fitness
Hasilkan individu secara acak sebanyak ukuran populasi dari lingkungan Pilih individu
dengan nilai fitness terbaik dari individu yang baru dihasilkan
If fitness
fitness then
Else If fitness
≥ fitness then end
End
2.2.4 Skema Pencarian Lokal Adaptif
Konsep dasar dari penerapan skema pencarian lokal adaptif ke dalam GA adalah mempertimbangkan apakah GA konvergen ke solusi optimal global atau
optimal lokal. Ketika GA konvergen ke solusi optimal global, solusi yang dihasilkan terus meningkat. Namun, ketika GA konvergen ke solusi optimal lokal,
kinerja GA terus memburuk Yun, et al., 2009. Dalam situasi ini GA terjebak dalam kondisi optimum lokal, dimana sulit bagi GA menghindari konvergensi
dini untuk solusi optimal lokal. Istilah konvergensi dini berarti bahwa populasi untuk masalah optimasi berkumpul terlalu dini, sehingga menjadi optimal terlalu
awal. Dalam hal ini, keturunan yang dihasilkan dari orang tua menggunakan bantuan operator genetik tidak lebih unggul dibandingkan orang tua mereka.
Kelemahan tersebut dapat ditingkatkan dengan teknik pencarian lokal yang dapat mencari di sekitar area konvergensi di perulangan GA dan memasukkan individu
baru dengan nilai fitness yang lebih tinggi kedalam perulangan GA Yun, 2006; Yun et al, 2009.
Berdasarkan konsep tersebut di atas, skema pencarian lokal adaptif diusulkan dalam penelitian ini. Skema pencarian lokal adaptif yang diusulkan
adalah dengan menggunakan similarity coefficient method SCM. Untuk
informasi tentang SCM yang digunakan dalam skema pencarian lokal adaptif, penulis merujuk pada penelitian yang dilakukan oleh Rafsanjani, et al., 2015.
SCM menggunakan kesamaan koefisien untuk mengukur kesamaan dua individu. Dalam penelitian ini metode kesamaan koefisien yang digunakan adalah cosine
similarity, sebagai metode cosinus tepat untuk mengukur kesamaan yang ada antar individu berbasis prioritas dalam populasi GA untuk traveling salesman problem
karena urutan traveling tidak berubah dengan skala individu. Cosine similarity merupakan ukuran kesamaan antara dua vektor dari hasil
kali yang mengukur cosinus dari sudut yang dihasilkan. Untuk menghitung Cosine similarity
antara dua individu dan
dari populasi, di hitung menggunakan persamaan 2.4.
dimana,
= vektor dot produk dari l dan m, dihitung dengan
= panjang dari vector l, dihitung dengan
= panjang dari vector m, dihitung dengan
Untuk menghitung rata-rata cosine similarity untuk semua individu dari populasi GA, dihitung menggunakan persamaan 5 Rafsanjani, et al., 2015.
dimana, P
= Populasi dari GA |P|
= Ukuran opulasi Penggunaan teknik pencarian lokal ke GA diatur oleh kondisi berikut ini:
2.2.5 Algoritma Genetika Hibrida
