menunjukkan kualitas kromosom dalam populasi tersebut. Proses ini dapat direpresentasikan dalam algoritma sederhana Algoritma
Genetika sebagai berikut :
Gambar 2.2. Diagram Alir Genetic Algorithms Sederhana
Kusumadewi, 2003
2.5.3. Komponen Utama Algoritma Genetika
Menurut Kusumadewi, 2003 Terdapat 6 komponen utama dalam algoritma genetika, yaitu :
a. Teknik Penyandian
Teknik penyandian disini meliputi penyandian gen dari kromosom. Gen merupakan bagian dari kromosom. Satu gen
biasanya akan mewakili satu variabel. Gen dapat direpresentasikan dalam bentuk : string bit,
pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya yang dapat
diimplementasikan untuk operator genetika.
String Biner 0 1 0 1 0 0 1 0 1 1 1
gen-1 gen-2 gen-3
b. Prosedur Inisialisasi
Ukuran populasi tergantung pada masalah yang akan dipecahkan
dan jenis
operator genetika
yang akan
diimplementasikan. Setelah ukuran populasi di tentukan, kemudian harus dilakukan inisialisasi terhadap kromosom
yang terdapat pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak, namun
demikian harus tetap memperhatikan domain solusi dan kendala permasalahan yang ada.
c. Fungsi Evaluasi
Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu evaluasi fungsi objektif fungsi
tujuan dan konversi fungsi objektif ke dalam fungsi fitness. Secara umum, fungsi fitness diturunkan dari fungsi objektif
dengan nilai yang tidak negatif.
d. Seleksi
Seleksi ini bertujuan untuk memberikan kesempatan yang lebih besar bagi anggota populasi yang paling fit.
e. Operator genetika
Operator standar yang biasa digunakan dalam algoritma genetika adalah selection, crossover dan mutation. Berikut ini
akan dijelaskan masing-masing operator menurut Desiani arhami, 2006 yaitu :
1. Selection
Tujuan penggunaan algoritma genetika adalah untuk memilih solusi yang tersedia. Melalui proses evolusi,
algoritma ini mengkombinasikan sejumlah solusi dari suatu generasi menjadi solusi lain digenerasi berikutnya. Solusi
yang terpilih diharapkan memiliki karakteristik yang baik sehingga setelah dilakukan manipulasi, solusi generasi
selanjutnya dapat memiliki karakter yang lebih baik.
2. Crossover
Crossover Penyilangan merupakan operator utama
dalam Algoritma Genetika. Salah satu cara sederhana dalam crossover
adalah dengan memilih secara acak satu titik potong pada parents dan melakukan penyilangan dimana
segmen yang terletak sebelum titik penyilangan akan dikopikan ke kromosom offspring kedua. Metode ini dapat
bekerja dengan baik pada kromosom string biner Ariani, 2003.
