Analisis Nilai Mutasi Dinamis Pada Algoritma Genetika
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Algoritma Genetika pada dasarnya ilmu pencarian solusi yang diilhami oleh proses
genetika. Karena itu istilah yang digunakan dalam algoritma ini banyak diadaptasi dari
ilmu tersebut. Pada algoritma ini, teknik pencarian dilakukan pada mekanisme seleksi
alamiah. Dengan kata lain, algoritma genetika merupakan suatu teknik pencarian acak
yang mempertahankan sejumlah solusi untuk masalah yang akan ditangani. Dimana
poin iteratif baru dalam ruang pencarian yang dihasilkan untuk evaluasi dan opsional
dimasukkan ke dalam populasi (Smith, 2002).
Permasalahan umum pada algoritma genetika adalah lokal optimum yang terjadi
karena hilangnya perbedaan populasi (population diversity) awal dengan selanjutunya
(Zhu & Liu, 2004). Jika perbedaan populasi terlalu kecil maka memungkinkan
terjadinya lokal optimum, dan jika terlalu besar maka mengakibatkan lamanya waktu
yang dibutuhkan untuk menghasilkan solusi terbaik. Permasalahan ini dapat
diselesaikan dengan menambahkan proses elitisme dimana proses ini akan
menyelamatkan populasi terbaik pada tiap generasi. Populasi tersebut akan disimpan
dan dibandingkan kepada populasi terbaik pada generasi berikutnya. Jika populasi
yang dibandingkan lebih baik dari populasi sebelumnya, maka nilai pada populasi
elitisme akan digantikan dengan populasi baru. Jika sebaliknya, maka populasi
elitisme akan dipertahankan untuk ke generasi berikutnya lagi. Proses ini akan
berulang hingga akhir dari generasi.
Algoritma genetika yang dikembangkan untuk permasalahan knapsack problem
dengan menjaga sekumpulan kromosom-kromosom terbaik sehingga perlahan-lahan
solusi terbaik dapat dicapai (Haibo et al, 2011). Penentuan jumlah mutasi yang tepat
akan memberikan dampak pada cepat tidaknya suatu solusi ditemukan. Mutasi
dinamis adalah metode yang dapat diterapkan pada penelitian ini. Pada mutasi ini,
tingkat mutasi bergantung pada hasil fitness dari suatu generasi. Semakin banyak
Universitas Sumatera Utara
2
fitness yang mendekati kepada nilai solusi, maka semakin sedikit jumlah gen pada tiap
populasi yang akan salaing bermutasi dan begitu juga sebaliknya.
Permasalahan Knapsack adalah suatu permasalahan optimasi kombinatorial.
Sebagai contoh, diberikan satu set item dengan berat dan nilai, kemudian dilakukan
pemilihan dari item-item tersebut untuk dimasukkan ke dalam tas dengan kapasitas
terbatas. Jadi, item-item yang dimasukkan beratnya harus lebih kecil atau sama dengn
kapasitas dari ransel tersebut, tetapi total nilai sebesar mungkin (Singh, 2011).
Knapsack problem dapat menentukan bobot yang diinginkan pada suatu ruang
pencarian. Knapsack sendiri memiliki setidaknya dua parameter sebagai penentu
apakah fitness dari suatu populasi mendekati dengan solusi yang ditentukan
sebelumnya. Parameter yang dipakai pada penelitian ini adalah jumlah node dan bobot
jarak. Jumlah node merupakan jumlah titik koordinat yang akan dilalui sementara
bobot jarak adalah jumlah akumulasi jarak antar node hingga kembali ke node asal.
Pada algoritma ini diharapkan solusi yang dicapai dapat menghasilkan fitness = 1 atau
setidaknya mendekati ke angka tersebut.
Pada kasus Travelling Salesmen Problem, dimana algoritma genetika harus
mencari solusi dari semua node yang dilalui dan mencari nilai paling optimal atau
jalur terpendek yang dilalui pada lintasan tersebut. Algoritma genetika dapat mencari
solusi yang optimal pada setiap generasi yang dilaksanakan tetapi hasil tersebut bukan
merupakan jawaban yang paling benar untuk mencari jarak diinginkan.
Berdasarkan penelitan tersebut, maka penulis tertarik untuk melakukan penelitian
bagaimana menerapkan teknik mutasi dinamis pada algoritma genetika dan
melakukan analisis kinerjanya.
1.2 Rumusan Masalah
Masalah lokal optimum pada algoritma genetika umumnya terjadi karena proses
genetika itu sendiri dan nilai mutasi yang ditetapkan diawal. Sehingga selalu menjadi
salah satu sebab turunnya kinerja dari algoritma genetika.
1.3 Batasan Masalah
Berdasarkan perumusan masalah di atas, maka pembatasan yang dilakukan dalam
penelitian ini adalah :
Universitas Sumatera Utara
3
1. Hanya membahas nilai mutasi pada genetic algorithm.
2. Node pada Knapsack tidak melebihi jumlah node keseluruhan.
3. Menggunakan swap mutation
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk memperbaiki cara kerja algoritma gentika dengan
menggunakan knapsack problem, agar menghasilkan solusi optimal dari pada jika
menggunakan nilai mutasi klasik.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah :
1. Dapat mengetahui seberapa besar peningkatan kinerja mutasi dinamis pada
algoritma genetika
2. Hasil penelitian ini dapat menjadi rujukan para pembaca untuk mendalami teknik
mutasi dinamis.
Universitas Sumatera Utara
PENDAHULUAN
1.1 Latar Belakang
Algoritma Genetika pada dasarnya ilmu pencarian solusi yang diilhami oleh proses
genetika. Karena itu istilah yang digunakan dalam algoritma ini banyak diadaptasi dari
ilmu tersebut. Pada algoritma ini, teknik pencarian dilakukan pada mekanisme seleksi
alamiah. Dengan kata lain, algoritma genetika merupakan suatu teknik pencarian acak
yang mempertahankan sejumlah solusi untuk masalah yang akan ditangani. Dimana
poin iteratif baru dalam ruang pencarian yang dihasilkan untuk evaluasi dan opsional
dimasukkan ke dalam populasi (Smith, 2002).
Permasalahan umum pada algoritma genetika adalah lokal optimum yang terjadi
karena hilangnya perbedaan populasi (population diversity) awal dengan selanjutunya
(Zhu & Liu, 2004). Jika perbedaan populasi terlalu kecil maka memungkinkan
terjadinya lokal optimum, dan jika terlalu besar maka mengakibatkan lamanya waktu
yang dibutuhkan untuk menghasilkan solusi terbaik. Permasalahan ini dapat
diselesaikan dengan menambahkan proses elitisme dimana proses ini akan
menyelamatkan populasi terbaik pada tiap generasi. Populasi tersebut akan disimpan
dan dibandingkan kepada populasi terbaik pada generasi berikutnya. Jika populasi
yang dibandingkan lebih baik dari populasi sebelumnya, maka nilai pada populasi
elitisme akan digantikan dengan populasi baru. Jika sebaliknya, maka populasi
elitisme akan dipertahankan untuk ke generasi berikutnya lagi. Proses ini akan
berulang hingga akhir dari generasi.
Algoritma genetika yang dikembangkan untuk permasalahan knapsack problem
dengan menjaga sekumpulan kromosom-kromosom terbaik sehingga perlahan-lahan
solusi terbaik dapat dicapai (Haibo et al, 2011). Penentuan jumlah mutasi yang tepat
akan memberikan dampak pada cepat tidaknya suatu solusi ditemukan. Mutasi
dinamis adalah metode yang dapat diterapkan pada penelitian ini. Pada mutasi ini,
tingkat mutasi bergantung pada hasil fitness dari suatu generasi. Semakin banyak
Universitas Sumatera Utara
2
fitness yang mendekati kepada nilai solusi, maka semakin sedikit jumlah gen pada tiap
populasi yang akan salaing bermutasi dan begitu juga sebaliknya.
Permasalahan Knapsack adalah suatu permasalahan optimasi kombinatorial.
Sebagai contoh, diberikan satu set item dengan berat dan nilai, kemudian dilakukan
pemilihan dari item-item tersebut untuk dimasukkan ke dalam tas dengan kapasitas
terbatas. Jadi, item-item yang dimasukkan beratnya harus lebih kecil atau sama dengn
kapasitas dari ransel tersebut, tetapi total nilai sebesar mungkin (Singh, 2011).
Knapsack problem dapat menentukan bobot yang diinginkan pada suatu ruang
pencarian. Knapsack sendiri memiliki setidaknya dua parameter sebagai penentu
apakah fitness dari suatu populasi mendekati dengan solusi yang ditentukan
sebelumnya. Parameter yang dipakai pada penelitian ini adalah jumlah node dan bobot
jarak. Jumlah node merupakan jumlah titik koordinat yang akan dilalui sementara
bobot jarak adalah jumlah akumulasi jarak antar node hingga kembali ke node asal.
Pada algoritma ini diharapkan solusi yang dicapai dapat menghasilkan fitness = 1 atau
setidaknya mendekati ke angka tersebut.
Pada kasus Travelling Salesmen Problem, dimana algoritma genetika harus
mencari solusi dari semua node yang dilalui dan mencari nilai paling optimal atau
jalur terpendek yang dilalui pada lintasan tersebut. Algoritma genetika dapat mencari
solusi yang optimal pada setiap generasi yang dilaksanakan tetapi hasil tersebut bukan
merupakan jawaban yang paling benar untuk mencari jarak diinginkan.
Berdasarkan penelitan tersebut, maka penulis tertarik untuk melakukan penelitian
bagaimana menerapkan teknik mutasi dinamis pada algoritma genetika dan
melakukan analisis kinerjanya.
1.2 Rumusan Masalah
Masalah lokal optimum pada algoritma genetika umumnya terjadi karena proses
genetika itu sendiri dan nilai mutasi yang ditetapkan diawal. Sehingga selalu menjadi
salah satu sebab turunnya kinerja dari algoritma genetika.
1.3 Batasan Masalah
Berdasarkan perumusan masalah di atas, maka pembatasan yang dilakukan dalam
penelitian ini adalah :
Universitas Sumatera Utara
3
1. Hanya membahas nilai mutasi pada genetic algorithm.
2. Node pada Knapsack tidak melebihi jumlah node keseluruhan.
3. Menggunakan swap mutation
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk memperbaiki cara kerja algoritma gentika dengan
menggunakan knapsack problem, agar menghasilkan solusi optimal dari pada jika
menggunakan nilai mutasi klasik.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah :
1. Dapat mengetahui seberapa besar peningkatan kinerja mutasi dinamis pada
algoritma genetika
2. Hasil penelitian ini dapat menjadi rujukan para pembaca untuk mendalami teknik
mutasi dinamis.
Universitas Sumatera Utara