Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
37
Stochastic sampling memilih menggunakan angka random dan berdasarkan nilai
probabilitas. Roulette wheel selection merupakan contoh kategori ini, semakin besar nilai fitness sebuah individu maka semakin besar juga peluangnya untuk terpilih.
Deterministic sampling bekerja dengan aturan tetap, misalkan mengurutkan kumpulan
individu parent+offspring berdasarkan nilai fitness-nya kemudian mengambil sejumlah individu dengan nilai fitness terbaik sesuai dengan popSize. Elitism selection termasuk
dalam kategori ini.
Mixed sampling merupakan strategi campuran dari stochastic sampling dan
deterministic sampling. Tournament selection merupakan contoh kategori ini dengan memilih secara random 2 atau lebih individu kemudian mengambil satu yang terbaik.
Deterministic sampling menjamin individu terbaik akan selalu dipertahankan hidup. Roulette wheel selection dan tournament selection yang kita gunakan sebelumnya tidak
menjamin individu terbaik akan selalu terpilih. Dalam implementasi program disediakan variabel tersendiri untuk menyimpan nilai individu terbaik ini.
Dalam bab-bab selanjutnya akan dikenalkan berbagai macam metode sampling yang sesuai untuk permasalahan yang kita hadapi.
3.6. Diskusi: Probabilitas Seleksi
Pada proses seleksi roulette wheel di subbab sebelumnya dihitung nilai probabilitas prob dan probabilitas kumulatif probCum berdasarkan nilai fitness. Karena yang
dihadapi adalah masalah maksimasi maka nilai fitness dihitung secara langsung fitness= fx. Rumusan ini bisa digunakan jika tidak ada nilai fx yang negatif. Jika ada nilai fx
yang negatif maka rumus menghitung fitness bisa diubah sebagai berikut: 3.1
f
min
x dan f
max
x merupakan nilai terkecil dan terbesar dari fungsi obyektif pada generasi tersebut. Contoh:
38 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.