Gambar 2.4 Tukar Silang Sebarang Titik
2.3.2 Mutasi
Mutasi berarti melakukan perubahan terhadap satu gen atau lebih, dalam kromosom secara acak dengan probabilitas perubahan sesuai dengan mutation
rate -nya. Hal ini dimaksudkan untuk mendapatkan individu yang variatif.
Menurut Zbigniew Michalewicz 1996:41, mutasi dilakukan bit demi bit dalam susunan individu tersebut.
2.4 Fungsi Evaluasi
Fungsi evaluasi memainkan peranan penting dalam populasi untuk menentukan fitness-nya. Fungsi ini dapat berbeda-beda sesuai dengan
permasalahan yang akan dipecahkan. Biasanya, dalam masalah program linier, secara deterministik fungsi evaluasi dapat dinyatakan dengan maximumkan z atau
minimumkan z. Fungsi fitness lain yang dapat digunakan untuk fungsi evaluasi optimasi adalah dengan menggunakan metode Mean Square Error MSE.
Menurut Glenn J. Battaglia 1996:31, MSE merupakan sebuah metode pengukuran statistik yang cukup tua. Definisi MSE adalah rata-rata kuadrat dari
deviasi antara obyek yang diukur dengan target pengukurannya. Definisi tersebut dinyatakan sebagai berikut:
2 1
i
T x
m 1
MSE
m i
dimana: x
i
= nilai x ke i pada obyek yang diukur dalam ruang lingkup m T = target pengukuran
Nilai MSE dinyatakan dengan 0 apabila tidak terdapat deviasi antara obyek yang diukur dengan target pengukurannya atau dengan kata lain terdapat
kesamaan identik antara obyek yang diukur dengan target pengukurannya. Dalam kasus pengukuran fungsi evaluasi, nilai terkecil pada iterasi penghitungan MSE
dari obyek yang dievaluasi menyatakan bahwa hasil proses sudah mencapai taraf optimum.
Karena MSE membandingkan 2 distribusi antara obyek yang diukur dengan target pengukurannya, maka perlu juga diketahui apakah ditribusi pada
obyek yang diukur tersebut lebih baik dari pada targetnya. Dalam MSE, pengukuran tersebut dinyatakan dengan Koefisien Variasi yang dinyatakan
dengan 100
x X
S CV
dimana
CV = Coefficient Variation
S = deviasi standar distribusi
X = rata-rata distribusi.
Karena rumus deviasi standar adalah
m T
x S
m i
i
1 2
dimana
2 1
i
T x
m 1
m i
adalah rumus MSE, maka dengan demikian dapat pula dinyatakan bahwa 100
X MSE
CV .
20
BAB III METODE PENELITIAN
Algortima pencarian dengan menggunakan model reproduksi sexual dinamakan Genetic Algorithm GA. Proses reproduksi dilakukan dengan jalan
merekombinasi 2 dua individu menjadi sebuah individu lain atau offspring. Proses GA dalam mencari suatu nilai optimum adalah sebagai berikut:
1. Penentuan model representasi genetika dari problem yang dihadapi yang berupa model dari sistem buatan, representasi individu, pembatas, fungsi
evaluasi. 2. Pembangkitan generasi awal dengan memproses database.
3. Penentuan nilai fitness nilai ketepatan dari setiap individu berdasarkan struktur gennya. Nilai fitness ini dijadikan sebagai ukuran apakah individu
tersebut sudah optimal atau belum. 4. Pemilihan individu dengan nilai fitness terbaik untuk dijadikan induk dalam
menghasilkan individu-individu baru. 5. Proses reproduksi yang terdiri dari Crossover, Mutation, dan Replacement.
Dari proses reproduksi ini dihasilkan individu baru. Dengan melakukan proses di atas secara berulang-berulang, diharapkan
induk yang baik akan menghasilkan suatu generasi dengan individu-individu yang lebih baik. Untuk menerapkan hal-hal di atas maka diperlukan suatu Data Flow
Diagram DFD dan Entity Relational Diagram E–R Diagram, sebagai
pendekatan terhadap pokok permasalahan.
Kategori