Dasar Algoritma Genetika TEORI ALGORITMA GENETIKA

Penerapan Algoritma Genetika Dalam Optimasi Anastasia Widya Wati B 163 yang baru terbentuk kembali. Proses ini akan diulang sampai jumlahnya sesuai dengan input jumlah generasi dari user atau memberikan output yang dianggap telah memenuhi kriteria permasalahan. Dalam pembentukan generasi awal ini, satu nomor kromosom mewakili satu sifat, yang akan diacak oleh komputer untuk menyusun suatu gen, proses ini disebut reproduksi. Gen adalah susunan kromosom dalam bentuk nomor yang terkumpul menjadi suatu string dalam bentuk kode. Jumlah gen yang disusun tergantung pada input dari user. b. Mencari fitness cost Pada tahap ini, setiap individu yang terbentuk dicari fitness costnya sebagai pembanding antara individu satu dengan individu lainnya. Metode fitness cost yang diambil dengan menjumlahkan semua nilai pembanding yang dihasilkan dari susunan populasi. Perubahan solusi dapat diperoleh melalui 2 proses yaitu proses mutasi dan proses persilangan. c. Pengurutan sorting Individu yang ada di populasi diurutkan berdasarkan fitness cost-nya. Tujuannya adalah untuk mencari individu terbaik dari populasi yang ada, yang disebut sebagai solusi terbaik sementara. d. Proses Regenerasi Terdiri dari 2 metode yaitu • Metode Elitism Metode dimana individu-individu yang akan mengalami regenerasi, yaitu mutasi dan crossover, didasarkan pada nilai fitness yang rendah, sedangkan individu yang memiliki nilai fitness tinggi akan dipertahankan untuk dibandingkan dengan individu hasil proses regenerasi. • Metode Non-Elitism Metode yang melibatkan semua individu, baik individugen terbaik maupun gen yang kurang baik. Ada beberapa proses: a. Mutasi Mutasi adalah perubahan yang terjadi pada suatu individu, terlepas dari pengaruh individu yang lain, yang dilakukan dengan cara mengubah kode string secara probabilitas. Diharapkan kode string terakhir yang diperoleh merupakan solusi terbaik untuk permasalahan yang dihadapi. b. Crossover Kawin silang Proses penggabungan string dari dua kode yang berbeda yang berarti mengambil bagian solusi yang terbaik dari dua solusi yang berlainan, dengan harapan akan dihasilkan suatu solusi yang terbaik. Crossover dilakukan dengan beberapa langkah sederhana sebagai berikut: • Pertama, dipilih lokasi string secara random • Kedua, dipilih panjang string yang akan dikawinkan secara random • Ketiga, menukartempatkan gen yang dipilih dengan bagian string dari gen terbaik. • Keempat, memposisikan bagian kromosom yang tidak tertukar. e. Tahap pengulangan Setelah proses regenerasi selesai, maka dilakukan pengulangan sampai sejumlah generasi yang dikehendaki. Gen dari generasi sebelumnya digantikan posisinya dengan generasi yang baru. Individu yang diperoleh dari proses mutasi dan crossover dianggap sebagai populasi awal lagi. Algoritma Genetika akan mengulang tahap b sampai e secara terus menerus sampai pada sejumlah generasi yang telah ditentukan. Pada akhir proses pengulangan ini, diharapkan diperoleh individu terbaik dengan FC=0.

3. APLIKASI ALGORITMA GENETIK

Algoritma Genetika dalam mengoptimasikan model dan simulasi suatu sistem sudah banyak diterapkan pada bidang manufaktur, di sini dibahas beberapa contoh mengenai hal tersebut. 1. Optimasi Penjadwalan Produksi Contoh aplikasi yang akan dibahas untuk masalah ini diambil berdasarkan jurnal mengenai perencanaan produksi menggunakan simulasi dan algoritma dalam optimasi penjadwalan multi-kriteria.