2.1.5 Parameter Genetik
Yang disebut dengan parameter disini adalah parameter kontrol Algoritma Genetika, yaitu : ukuran populasi popsize, probabilitas crossover peluang crossover -
c
ρ dan probabilitas mutasi peluang mutasi -
m
ρ . Nilai parameter ini ditentukan juga berdasarkan permasalahan yang akan dipecahkan. Tidak ada aturan pasti tentang berapa
nilai setiap parameter ini. Koza, 2001. Ukuran populasi kecil berarti hanya tersedia sedikit pilihan untuk crossover dan sebagian kecil dari domain solusi saja yang
dieksplorasi untuk setiap generasinya. Sedangkan bila terlalu besar, kinerja Algoritma Genetika menurun. Penelitian menunjukkan ukuran populasi besar tidak mempercepat
proses pencarian solusi. Disarankan ukuran populasi berkisar antara 20-30, probabilitas crossover umumnya berkisar antara 0,6 sampai dengan 0,9 dan probabilitas mutasi kecil
berkisar 0.5-1 atau sekitar 1 dibagi dengan jumlah gen. Jumlah generasi besar berarti semakin banyak iterasi yang dilakukan, dan semakin besar domain solusi yang
akan dieksplorasi Nico saputro dan Yento, 2004. Menurut Kusumadewi dan Purnomo 2005, ada beberapa rekomendasi yang bisa
digunakan untuk menentukan nilai parameter tersebut, antara lain : a.
Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter control :
popsize;
c
ρ ;
m
ρ = 50; 0,6; 0,001 b.
Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Grefenstette merekomendasikan :
popsize;
c
ρ ;
m
ρ = 30; 0,95; 0,01 c.
Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah :
popsize;
c
ρ ;
m
ρ = 80; 0,45; 0,01
2.1.6 Mekanisme Kerja Algoritma Genetika
Algoritma Genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam Algoritma Genetika disebut
Universitas Sumatera Utara
sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun disebut
sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.
Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi, kromosom-kromosom tersebut dievaluasi tingkat
keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan ukuran yang disebut dengan nilai fitness. Untuk memilih kromosom yang
tetap dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi. Proses seleksi kromosom menggunakan konsep teori evolusi Darwin yaitu
kromosom yang mempunyai nilai fitness tinggi akan memiliki peluang lebih besar untuk terrpilih lagi pada generasi selanjutnya.
Kromosom-kromosom baru yang disebut dengan kromosom anak offspring, dibentuk dengan cara melakukan perkawinan antar kromosom-kromosom dalam satu
generasi yang disebut sebagai proses perkawinan silang crossover. Mekanisme perubahan susunan unsur penyusun makhluk hidup akibat adanya faktor alam yang
disebut dengan mutasi direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam kromosom dengan suatu nilai acak. Jumlah gen dalam populasi yang
mengalami mutasi ditentukan oleh parameter yang dinamakan mutation rate. Setelah beberapa generasi akan dihasilkan kromosom-kromosom yang nilai gen-gennya
konvergen ke suatu nilai tertentu yang merupakan solusi terbaik yang dihasilkan oleh Algoritma Genetika terhadap permasalahan yang ingin diselesaikan.
Universitas Sumatera Utara
Secara umum, blok diagram dari mekanisme kerja Algoritma Genetika ini adalah seperti yang terlihat pada gambar dibawah ini :
Gambar 2.2 Mekanisme Kerja Algoritma Genetika
2.2 Travelling Salesman Problem
Kategori