order schema, serta memiliki nilai fitness tinggi untuk membentuk kromosom-kromosom dengan potensi nilai fitness yang lebih tinggi. Proses ini dilakukan berulang-ulang samapai kriteria
penghentian tercapai dan nilai optimal ditentukan. Proses tersebut menggambarkan The Building Block Hypothesis, yaitu hipotesis yang
menyatakan bahwa algoritma genetika mencari solusi optimal dengan cara membangun kromosom yang lebih baik dan lebih baik lagi berdasarkan sebagian solusi yang berasal dari proses
sebelumnya Goldberg, 1989. Sedangkan Holland 1975 dalam Bagchi 1999 berasumsi bahwa algoritma genetika bekerja berdasarkan penemuan, penegasan, dan pengkombinasian balok-balok
bangunan yang baik. Menurut Bagchi 1999, balok bangunan building block yang dimaksud merupakan kombinasi dari nilai bit yang memberikan nilai fitness yang tinggi kepada kromosom
yang mengandungnya. Dengan mengekspoitasi kesamaan kode pada schemata yang berhubungan dengan meningkatnya nilai fitness menggunakan operator seleksi, crossover, dan mutasi, maka
algoritma genetika dapat melakukan pencarian nilai optimal secara lebih efektif.
5. Perbandingan Algoritma Genetika dengan Teknik Pencarian dan Optimasi
Konvensional.
Goldberg 1989 menyebutkan empat perbedaan algoritma genetika dengan teknik pncarian dan optimasi konvensional, yaitu:
Algoritma genetika bekerja pada sekumpulan calon solusi yang telah dikodekan, bukan pada solusi itu sendiri.
Algoritma genetika melakukan pencarian nilai optimal pada sekumpulan calon solusi secara pararel bersifat parallel search atau population-based search
Algoritma genetika secara langsung memanfaatkan fungsi tujuan atau fungsi fitness, bukan fungsi turunan.
Algoritma genetika bekerja dengan menggunakan aturan probabilistik, bukan aturan deterministik.
6. Profil Algoritma Genetika Sebagai Metode Optimasi
Berikut ini adalah penjelasan mengenai profil algoritma genetika sebagai metode optimasi menurut Dhar dan Stein 1997:
a. Tingkat akurasi
Tingkat akurasi algoritma genetika bervariasi mulai dari rendah sampai tinggi. Hal ini dikarenakan algoritma genetika menggunakan teknik heuristik dalam mencari solusi optimal,
sehingga algoritma genetika tidak dapat menjamin ditemukannya solusi yang benar-benar optimal. Pada umumnya, solusi optimal yang dihasilkan algoritma genetika seringkali merupakan
solusi yang terdekat dengan solusi optimal, bukan solusi yang benar-benar optmal meskipun tidak menutup kemungkinan untuk ditemukannya solusi yang benar-benar optimal sehingga meski tidak
sempurna, solusi tersebut dinilai cukup baik untuk mengatasi masalah-masalah dengan ruang lingkup yang luas.
b. Waktu
Tidak seperti kebanyakan teknik matematika lainnya, waktu pencarian solusi yang dilakukan dengan algoritma genetika umunya dapat diprediksi secara akurat. Hal ini dikarenakan
algoritma genetik selalu mengikuti tahap-tahap yang sama secara berulang dalam mencari solusi,
sehingga waktu yang dibutuhkan untuk mencari solusi hanya bergantung dari jumlah kromosom dalam populasi dan jumlah generasi yang dijalankan.
Pada algoritma genetika, evaluasi nilai fungsi fitness menghabiskan waktu lebih lama deibandingkan dengan operasi-operasi lainnya dalam algoritma genetika seperti: crossover,
mutation, dan selection. Semakin besar jumlah populasi atau semakin panjang kromosom yang harus dikodekan dan dievaluasi, maka waktu yang dibutuhkan untuk mengeksekusi algoritma
genetika akan didominasi oleh banyaknya jumlah pengkodean dan evaluasi nilai fitness, bukan oleh operasi-operasi algoritma genetika lainnya. Oleh sebab itu, ketika waktu yang dibutuhkan
untuk mengevaluasi nilai fitness dari sebuah kromosm diketahui, maka waktu pencarian solusi dapat diprediksi berdasarkan waktu untuk mengevaluasi nilai fitness dikalikan dengan jumlah
kromosom dalam sebuah generasi dikalikan dengan jumlah generasi.
c. Fleksibilitas
