29
F. Algoritma Genetika
1. Pengertian Algoritma Genetika
Algoritma genetika pertama kali diperkenalkan oleh John Holland dalam bukunya yang berjudul “Adaption in natural and artificial systems”, dan oleh De
Jong dalam bukunya “Adaption of the behavior of a class of genetic adaptive systems
”, yang keduanya diterbitkan pada tahun 1975. Yang merupakan dasar dari
algoritma genetika Davis, 1991.
Kemunculan Algoritma Genetika diinspirasikan dari teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan dalam
Algoritma Genetika. Sesuai dengan namanya, proses-proses yang terjadi dalam Algoritma Genetika sama dengan apa yang terjadi pada evolusi biologi yaitu
seleksi, crossover, dan mutasi.
Algoritma Genetika merupakan teknik pencarian yang didasarkan atas mekanisme seleksi dan genetik natural. Algoritma genetika berbeda dengan teknik
pencarian konvensional, dimana pada algoritma genetika inisialisasi populasi awal dilakukan secara acak. Tiap individu dalam populasi yang merepresentasikan
suatu solusi permasalahan disebut kromosom. Kromosom ini akan berevolusi melalui iterasi berkelanjutan yang disebut generasi. Pada setiap generasi,
kromosom dievaluasi berdasarkan nilai fungsi fitness Gen dan Cheng, 2000. Nilai fitness adalah nilai yang menunjukkan nilai ketangguhan kromosom dalam
beradaptasi terhadap masalah. Untuk menghasilkan generasi berikutnya offspring didapatkan dari perkawinan silang crossover atau memodifikasi
kromosom menggunakan operator mutasi mutation dengan harapan akan
30
menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai
generasi baru atau keturunan offspring berikutnya.
Suatu generasi baru dibentuk melalui proses seleksi beberapa induk parents dan anak offspring, sesuai dengan nilai fitness, dan melalui eliminasi
kromosom lainnya agar ukuran populasi tetap konstan. Kromosom yang sesuai memiliki kemungkinan tertinggi untuk dipilih. Setelah beberapa generasi maka
algoritma genetika akan konvergen dengan kromosom terbaik, yang merupakan
solusi optimal Goldberg, 1989. 2.
Aplikasi Algoritma Genetika
Algoritma genetika sudah banyak digunakan pada masalah praktis yang berfokus pada pencarian parameter-parameter atau solusi yang optimal. Hal ini
membuat banyak orang mengira bahwa algoritma genetika hanya dapat digunakan untuk menyelesaikan masalah optimasi saja. Namun, pada kenyataanya algoritma
genetika juga memiliki kemampuan untuk menyelesaikan masalah-masalah selain optimasi. Algoritma genetika banyak diaplikasikan untuk berbagai macam
permasalahan, yaitu Suyanto, 2005: 3-4 : a.
Optimasi Beberapa penggunaan algoritma genetika untuk optimasi antara lain untuk
optimasi numerik dan optimasi kombinatorial seperti Traveling Salesman Problem TSP, Perancangan Integrated Circuit atau IC, Job Scheduling, dan
optimasi video dan suara. b.
Pemrograman Otomatis
31
Algoritma genetika untuk pemrograman otomatis antara lain untuk melakukan proses evolusi terhadap program komputer dalam merancang
struktur komputasional, seperti cellular automata dan sorting networks c.
Machine Learning Algoritma genetika juga telah berhasil diaplikasikan untuk memprediksi
struktur protein. Algoritma genetika juga berhasil diaplikasikan dalam perancangan neural networks jaringan syaraf tiruan untuk melakukan proses
evolusi terhadap aturan-aturan pada learning classifier system atau symbolic production system dan dapat digunakan untuk mengontrol robot.
d. Model Ekonomi
Dalam bidang ekonomi, algoritma genetika digunakan untuk memodelkan proses-proses inovasi dan pembangunan bidding strategies.
e. Model Sistem Imunisasi
Penggunaan algoritma genetika dalam bidang ini untuk memodelkan berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama
kehidupan individu dan menemukan keluarga dengan gen ganda multi gen families sepanjang waktu evolusi.
f. Model ekologis
Algoritma genetika juga dapat digunakan untuk memodelkan fenomena ekologis seperti host-parasite co-evolution, simbiosis dan aliran sumber di
dalam ekologi.
32
3. Keuntungan Menggunakan Algoritma Genetika
Kategori