Algoritme Genetik untuk Optimasi Pembentukan Fungsi Regresi Linier dalam Menentukan Kebutuhan Volume Air Penyiraman Tanah

  Vol. 1, No. 9, Juni 2017, hlm. 748-753 http://j-ptiik.ub.ac.id

  

Algoritme Genetik untuk Optimasi Pembentukan Fungsi Regresi Linier

dalam Menentukan Kebutuhan Volume Air Penyiraman Tanah

1 2 3 Hendra Pratama Budianto , Budi Darma Setiawan , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: 125150200111113@mail.ub.ac.id, s.budidarma@ub.ac.id, adikara.putra@ub.ac.id

  

Abstrak

  Laboratorium Benih Balai Pengkajian Teknologi Pertanian Jawa Timur merupakan salah satu unit kerja milik pemerintah provinsi yang ditunjuk sebagai pelaksana teknis untuk melakukan pengkajian daya tumbuh benih. Saat ini di tempat tersebut sedang dikembangkan alat siram otomatis berdasarkan sensor kelembapan tanah, namun alat itu belum bisa memprediksi kebutuhan volume air guna menjaga kelembapan media penumbuhan benih. Dengan bantuan sensor kelembapan pada alat dan pengetahuan pakar, data berupa kumpulan amatan kelembapan tanah terhadap kebutuhan volume air telah didapatkan. Penelitian ini dilakukan untuk menerapkan metode regresi linier agar alat tersebut dapat melakukan prediksi berdasarkan pola data dalam bentuk persamaan. Ketepatan hasil prediksi dengan metode ini diukur dengan koefisien determinasi. Koefisien determinasi dapat menurun akibat adanya amatan pencilan yang timbul karena ketidakakuratan hasil observasi. Dari permasalahan tersebut penelitian ini menggunakan algoritme genetik dengan kriteria informasi sebagai pembanding untuk mendeteksi amatan pencilan guna dihilangkan. Setelah menghilangkan 6 amatan pencilan yang terdeteksi oleh algoritme genetik pada penelitian ini, terdapat peningkatan koefisien determinasi dari 0.9673 menjadi 0.9935.

  : regresi linier, amatan pencilan, algoritme genetik, kriteria informasi Kata kunci

  

Abstract

Seed Laboratory BPTP East Java is one of provincial government work units that have assignment as

the technical implementer to conduct a study in seed growth. Currently at this place is being developed

automatic watering device based on soil humidity sensor, but the device cannot predict the volume of

water needed in order to keep the moist of seed growth media. With the help of humidity sensor on

device and expert’s knowledge, the observations dataset of soil moisture to the needs of waters volume

has been obtained. This study was conducted to apply linear regression method so that the device can

perform predictions based on dataset patterns as an equation. The accuracy of prediction results with

this method is measured by the coefficient of determination. The coefficient of determination can be

decreasing due to the arising of observation outliers because Inaccuracy of observation results. The

solution from this study is using genetic algorithm with information criteria as comparison for detecting

observation outliers to eliminated. After eliminating 6 observations outliers were detected by genetic

algorithms in this study, shows increase in the coefficient of determination from 0.9673 to 0.9935.

  : linear regression, observation outliers, genetic algorithm, information criteria Keywords

  ditunjuk sebagai pelaksana teknis untuk 1.

   PENDAHULUAN melakukan pengkajian daya tumbuh benih (Balai

  Pengkajian Teknologi Pertanian Jawa Timur, Balai Pengkajian Teknologi Pertanian Jawa

  2010). Untuk tumbuh secara optimal benih Timur yang selanjutnya disingkat BPTP Jatim membutuhkan volume penyiraman air yang merupakan unit kerja milik pemerintah provinsi sesuai guna menjaga kelembapan tanah tempat yang memiliki visi antara lain menyediakan media tumbuh tetap ideal (FAO Land & Water teknologi yang dapat menunjang komoditas

  Division, 2003). Saat ini di Laboratorium Benih pertanian. Salah satu fasilitas yang dimiliki BPTP Jatim sedang dikembangkan alat yang

  BPTP Jatim adalah Laboratorium Benih, yang dapat melakukan penyiraman secara otomatis

  Fakultas Ilmu Komputer Universitas Brawijaya

748 berdasarkan sensor kelembapan tanah untuk menentukan volume penyiraman air yang dibutuhkan guna mencapai kelembapan tanah ideal, namun belum ada penghubung antara masukan dan keluaran.

  Berdasarkan permasalahan di atas, peneliti ingin menerapkan suatu persamaan pada pengembangan alat siram otomatis yang sedang dikembangkan, sehingga alat tersebut dapat memprediksi kebutuhan volume air berdasarkan kelembapan tanah. Persamaan tersebut diperoleh dari metode yang dapat mengenali pola hubungan kebutuhan volume air berdasarkan kelembapan tanah awal hingga mencapai ideal. Dengan bantuan sensor kelembapan pada alat yang sedang dikembangkan dan pengetahuan pakar terhadap kelembapan tanah ideal, data berupa kumpulan amatan kebutuhan volume air berdasarkan kelembapan tanah dapat dicari. Data yang digunakan pada penelitian ini merupakan kumpulan amatan yang cenderung membentuk pola garis lurus dengan asumsi semakin kecil kelembapan tanah awal maka semakin besar volume air yang dibutuhkan atau sebaliknya. Metode yang cocok digunakan untuk permasalahan ini adalah regresi linier karena mampu merumuskan hubungan yang lurus antara satu amatan dengan amatan lainnya pada data menjadi sebuah persamaan regresi (Levin & Rubin, 1998). Dalam regresi linier, bisa jadi persamaan yang terbentuk kurang kuat untuk melakukan prediksi, hal ini dikarenakan dalam data yang digunakan terdapat beberapa amatan pencilan. Amatan pencilan (outlier) merupakan amatan yang memiliki nilai variabel terlalu jauh dari amatan lainnya. Amatan pencilan bisa timbul karena adanya ketidakakuratan hasil observasi, sehingga amatan pencilan perlu dideteksi guna dihilangkan sebelum membentuk persamaan regresi (Johnson & Wichern, 1996). Pada tahun 1992 Mills dan Prasad mengusulkan metode pendeteksian amatan pencilan dengan rumus kriteria informasi. Amatan pencilan ditentukan dengan menghitung nilai kriteria informasi terbaik berdasarkan kombinasi amatan yang dimasukkan dalam rumus, namun untuk menemukan kombinasi terbaik secara cepat dibutuhkan metode optimasi. Algoritme genetik dapat digunakan sebagai metode optimasi untuk menyelesaikan permasalahan ini karena dapat mencari nilai kriteria informasi terbaik tanpa mencoba semua kombinasi (Alma, Kurt, & Ugur, 2008).

  Berdasarkan pemaparan di atas, maka peneliti ingin meneliti algoritme genetik untuk optimasi pembentukan fungsi regresi linier agar dapat menghasilkan persamaan regresi yang kuat guna melakukan prediksi. Dengan menggabungkan persamaan tersebut dan alat siram otomatis yang sedang dikembangkan, diharapkan dapat membantu Laboratorium Benih BPTP Jatim dalam menjaga kelembapan media penumbuhan benih.

  Sebelum penelitian ini sudah ada beberapa penelitian yang membahas terkait amatan pencilan (outlier) pada regresi linier. Berikut beberapa penelitian tersebut yang akan digunakan sebagai pustaka untuk penelitian ini.

  Penelitian pertama terkait kekuatan persamaan regresi yang diukur dengan koefisien determinasi. Koefisien determinasi memiliki interval 0 sampai 1. Nilai koefisien determinasi mendekati 0 menunjukan semakin banyak amatan pencilan pada data (Johnson & Wichern, 1996). Penelitian kedua membahas cara menghilangkan amatan pencilan dengan sisaan baku (standardized error). Amatan yang berpotensi sebagai pencilan memiliki nilai sisaan baku diluar 1.96 hingga -1.96 (Draper & Smith, 1998). Penelitian ketiga menyatakan bahwa menghilangkan amatan pencilan dengan sisaan baku membutuhkan proses berulang. Setelah amatan yang dinilai pencilan dihilangkan, persamaan akan berubah. Perubahan persamaan regresi dapat menyebabkan amatan yang sebelumnya bukan pencilan menjadi pencilan baru (Hadi & Simonoff, 1993).

  Penelitian keempat mengusulkan metode pendeteksian pencilan dengan kriteria informasi. Amatan pencilan ditentukan dengan menghitung nilai kriteria informasi terbaik berdasarkan kombinasi amatan yang dimasukkan dalam rumus (Tolvi, 2004). Penelitian terakhir menggunakan algoritme genetik dengan kriteria informasi sebagai fitness untuk mencari kombinasi amatan mana saja yang dinilai sebagai pencilan dan bukan dengan cepat (Alma, Kurt, & Ugur, 2008). Berdasarkan beberapa penelitian yang digunakan sebagai pustaka, dasar teori dari penelitian ini akan dikelompokan menjadi 2 bagian yaitu regresi linier dan algoritme genetik.

  2. REGRESI LINIER

  Regresi linier adalah metode statistik yang cocok digunakan untuk menghitung pola hubungan linier antara variabel terikat dengan satu atau lebih variabel bebas dalam bentuk

  ( > 1) merupakan titik berat deteksi pencilan, semakin kecil nilai ini maka kriteria informasi akan memberikan nilai baik untuk menghasilkan persamaan regresi yang semakin kuat (Tolvi, 2004). Penelitian ini

  2 =

  yang baik dinilai dari seberapa kecil nilai kriteria informasi ( ) yang dihasilkan berdasarkan susunan gen individunya (Alma,

  Kurt, & Ugur, 2008). Rumus kriteria informasi untuk menghitung nilai fitness ditunjukkan pada Persamaan (4).

  = log ̂

  2

  log

  (4) ̂

  ∑ ( 2) − =1

  Nilai fitness menyatakan seberapa baik atau layak suatu individu untuk bertahan dalam populasi (Mahmudy, 2013). Dalam penelitian ini

  − (5)

  Dimana =nilai kriteria informasi,

  ̂

  2

  =penduga ragam model regresi dari semua amatan yang dianggap bukan pencilan, =nilai penalti,

  =jumlah variabel bebas =jumlah amatan yang dianggap pencilan,

  =jumlah amatan dan =selisih variabel terikat data dengan variabel terikat prediksi amatan ke- . Nilai penalti

  fitness

  4.2. Nilai Fitness

  persamaan yang disebut sebagai persamaan regresi. Prediksi dalam regresi linier dilakukan dengan memasukan variabel bebas yang ingin dicari variabel terikatnya ke dalam persamaan regresi. Variabel bebas adalah variabel pengaruh, sedangkan variabel terikat merupakan variabel yang dipengaruhi (Levin & Rubin, 1998). Namun yang perlu diingat, saat melakukan prediksi menggunakan persamaan regresi variabel bebas yang dimasukkan harus berada pada rentang data yang digunakan (R Development Core Team, 2008). Sebelum melakukan prediksi menggunakan regresi linier, terlebih dahulu harus dicari persamaan regresinya. Rumus untuk menghitung persamaan regresi dengan 1 variabel bebas ditunjukkan pada Persamaan (1) (Kenney & Keeping, 1962).

  3. OPTIMASI REGRESI LINIER

  ̂ = + (1) =

  (∑ )(∑ 2)−(∑ )(∑ ) (∑ 2)−(∑ )2 (2) =

  (∑ )−(∑ )(∑ ) (∑ 2)−(∑ )2 (3)

  Dimana ̂=variabel terikat hasil prediksi yang didapatkan dengan memasukan variabel bebas (

  ) pada persamaan regresi, =variabel bebas, =variabel terikat, =konstanta,

  =koefisien regresi (kemiringan) dan =jumlah amatan.

  Sebelum membentuk persamaan regresi sebaiknya amatan pencilan dihilangkan terlebih dahulu untuk memperkuat persamaan regresi yang dihasilkan (Johnson & Wichern, 1996). Sebelum menghilangkan amatan pencilan perlu dideteksi terlebih dahulu amatan mana yang berpotensi sebagai pencilan. Pada penelitian ini amatan pencilan dideteksi menggunakan algoritme genetik dengan kriteria informasi sebagai pembanding.

  6. Representasi susunan gen yang dihasilkan berupa susunan bilangan biner yang bernilai 1 jika amatan digunakan dan 0 jika amatan tidak digunakan atau dianggap pencilan.

  4. ALGORITME GENETIK

  Dengan menggunakan model matematis kombinasi terbaik dapat diperoleh dalam waktu dan proses yang relatif panjang. Algoritme genetik merupakan salah satu metode yang dapat digunakan untuk mencari kombinasi mendekati terbaik dengan waktu relatif cepat. Algoritme genetik bekerja dengan cara membandingkan kombinasi terbaik dari beberapa kombinasi yang ada. Konsep algoritme genetik diangkat dari teori evolusi dimana kombinasi-kombinasi ini direpresentasikan menjadi kumpulan individu dalam populasi. Di dalam teori evolusi, pada tiap generasi individu yang baik akan bertahan menyesuaikan jumlah populasi yang mampu ditampung kemudian menghasilkan keturunan. Dengan konsep ini setiap bertambahnya generasi, populasi akan berisi kumpulan individu yang semakin baik (Mahmudy, 2013). menggunakan nilai penalti 1.5 untuk menyamakan hasil deteksi dengan menggunakan sisaan baku (standardized error).

  4.1. Inisialisasi

  Inisialisasi merupakan langkah awal sebelum menjalankan algoritme genetik. Inisialisasi dilakukan untuk membentuk kumpulan individu dengan susunan gen yang merepresentasikan amatan (Mahmudy, 2013).

  Amatan ke 1 2 3 4 5 6 Gen 1 0 1 0 0 1

  Gambar 1. Representasi susunan gen

  Gambar 1 merupakan representasi susunan gen dalam satu individu dengan jumlah amatan

  • (1 + )
  • log

  Reproduksi dilakukan untuk mendapatkan keturunan berupa individu baru. Di dalam algoritme genetik ada 2 proses untuk menghasilkan keturunan yaitu persilangan dan mutasi.

  ) adalah nilai yang menunjukkan seberapa kuat persamaan regresi yang didapat dari pola data untuk melakukan prediksi. Nilai ini memiliki rentang 0 sampai 1, dimana nilai 2 mendekati 1 menunjukkan bahwa persamaan regresi semakin untuk melakukan prediksi, begitu juga sebaliknya. Rumus koefisien determinasi untuk mengukur kekuatan persamaan regresi ditunjukkan pada Persamaan (6) (Johnson & Wichern, 1996).

  Algoritme genetik sudah dijalankan sejumlah generasi? Inisialisasi sesuai jumlah individu Menghitung koefisien determinasi sebelum optimasi Menjalankan proses persilangan dan mutasi sesuai rasio reproduksi Menambahkan individu baru hasil reproduksi ke Menghitung nilai kriteria informasi masing-masing dalam populasi individu dalam populasi Menghapus individu dengan nilai kriteria informasi terbesar sebanyak jumlah individu baru Nilai koefisien determinasi sebelum dan sesudah optimasi Menghitung koefisien determinasi individu dengan nilai kriteria informasi terkecil N Y Selesai Gambar 4. Alur kerja sistem

  terbaik yang diperoleh dengan menjalankan algoritme genetik sesuai parameter. Parameter tersebut antara lain jumlah individu, jumlah generasi serta rasio reproduksi. Mulai Data dan parameter algoritme genetik

  fitness

  Secara umum sistem ini dibuat untuk membandingkan nilai koefisien determinasi sebelum dan sesudah optimasi. Hasil optimasi untuk dibandingkan adalah individu dengan

  6. PERANCANGAN

  =variabel terikat prediksi menggunakan variabel bebas pada amatan ke- .

  =koefisien determinasi, ∑ =jumlah kuadrat regresi, ∑ =jumlah kuadrat total, =variabel terikat pada amatan ke- , ̅=rata-rata variabel terikat dan ̂

  2

  Dimana

  ∑( ̂ − ̅)2 ∑( − ̅)2 (6)

  ∑ ∑ =

  2 =

  2

  4.3.1 Persilangan

  Koefisien determinasi (

  5. PENGUJIAN REGRESI LINIER

4.3. Reproduksi

  Seleksi dilakukan untuk memilih individu yang akan bertahan pada generasi berikutnya (Mahmudy, 2013). Pada penelitian ini seleksi dilakukan untuk menghilangkan individu dengan fitness terburuk sejumlah keturunan.

  Gambar 3 menjelaskan proses mutasi pada gen yang dipilih secara acak. Mutasi hanya membalik 0 menjadi 1 dan sebaliknya karena representasi susunan gen menggunakan bilangan biner (Mahmudy, 2013).

  Gambar 3. Ilustrasi proses mutasi

  Induk 0 1 1 1 0 0 Keturunan 0 1 1 1 1 0

  Mutasi merupakan proses mengubah nilai salah satu gen pada induk yang dipilih secara acak. Tujuan dari mutasi adalah mencari susunan gen baru yang mungkin tidak dapat ditemukan hanya dengan melakukan proses persilangan.

  4.3.2 Mutasi

  Gambar 2 menjelaskan proses persilangan pada satu titik potong yang dipilih secara acak. Proses persilangan dengan cara ini disebut dengan one cut point (Mahmudy, 2013).

  Gambar 2. Ilustrasi proses persilangan

  Keturunan 1 0 1 1 0 0 1 Keturunan 2 1 1 1 1 0 0

  Induk 1 0 1 1 1 0 0 Induk 2 1 1 1 0 0 1

  Persilangan merupakan proses untuk menukar sebagian gen dari 2 induk yang dipilih secara acak. Dalam proses ini dibutuhkan rasio persilangan untuk menentukan jumlah keturunan hasil persilangan.

4.4. Seleksi

  Gambar 4 merupakan alur kerja sistem dalam mendapatkan koefisien determinasi sebelum dan sesudah optimasi. Perolehan Nilai koefisien determinasi sesudah optimasi bergantung dari parameter algoritme genetik yang dimasukan.

7. PENGUJIAN DAN PEMBAHASAN

  7.1. Pengujian Jumlah Individu

  dengan 10 kali percobaan. Hasil pengujian tersebut menunjukkan bahwa fitness terbaik dihasilkan dari 30 generasi karena tidak ada perubahan fitness dengan jumlah generasi lebih besar.

  dari hasil pengujian rasio reproduksi dengan 10 kali percobaan. Hasil pengujian tersebut menunjukkan bahwa fitness terbaik dihasilkan dari rasio persilangan 0.4 hingga 0.7 yang menyertakan 0.3 hingga 0.6 untuk mutasi.

  fitness

  Gambar di atas merupakan grafik rata-rata

  Gambar 7. Hasil pengujian rasio reproduksi

  Pengujian rasio reproduksi bertujuan mencari kombinasi rasio persilangan dan mutasi yang dapat menghasilkan fitness terbaik. Pengujian rasio reproduksi pada penelitian ini dilakukan mulai rasio persilangan 0-1 serta rasio mutasi 1- 0 dengan kelipatan masing-masing 0.1 yang diulang sebanyak 10 kali. Parameter lain yang digunakan pada pengujian ini yaitu jumlah individu dan jumlah generasi terbaik pada pengujian sebelumnya.

  7.3. Pengujian Rasio Reproduksi

  fitness dari hasil pengujian jumlah generasi

  Pengujian jumlah individu bertujuan mencari jumlah individu terkecil yang dapat menghasilkan fitness terbaik. Pengujian jumlah individu pada penelitian ini dilakukan mulai 10 hingga 100 dengan kelipatan 10 yang masing- masing diulang 10 kali. Parameter lain yang digunakan pada pengujian ini yaitu jumlah generasi 10 serta rasio persilangan 0.5 dan rasio mutasi 0.5.

  Pengujian dilakukan untuk mencari parameter algoritme genetik paling efisien yang dapat menghasilkan fitness terbaik. Pengujian dilakukan dengan cara menjalankan sistem yang sudah dibuat berdasarkan perancangan. Fitness terbaik dari hasil pengujian yang tercatat akan digunakan sebagai hasil optimasi untuk dibandingkan nilai koefisien determinasinya dengan sebelum optimasi pada bagian pembahasan.

  Gambar 6. Hasil pengujian jumlah generasi

  Pengujian jumlah generasi bertujuan mencari jumlah generasi terkecil yang dapat menghasilkan fitness terbaik. Pengujian jumlah generasi pada penelitian ini dilakukan mulai 10 hingga 100 dengan kelipatan 10 yang masing- masing diulang 10 kali. Parameter lain yang digunakan pada pengujian ini yaitu jumlah individu terbaik pada pengujian sebelumnya serta rasio persilangan 0.5 dan rasio mutasi 0.5.

  7.2. Pengujian Jumlah Generasi

  Gambar 5 merupakan grafik rata-rata fitness dari hasil pengujian jumlah individu dengan 10 kali percobaan. Grafik tersebut menunjukkan bahwa fitness terbaik dihasilkan dari populasi dengan jumlah individu 70.

  Hasil pengujian jumlah individu

  Gambar 5.

  Gambar di atas merupakan grafik rata-rata

7.4. Pembahasan

  • –47. Balai Pengkajian Teknologi Pertanian Jawa Timur. (2010, 5 10). Laboratorium

  Journal of the American Statistical Association

  Computing 8 , 527 –533.

  Statistical Computing. Tolvi, J. (2004). Genetic algorithms for outlier detection and variable selection in linear regression models. Soft

  and environment for statistical computing. Vienna: R Foundation for

  Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. R Development Core Team. (2008). A language

  New delhi: Prentice Hall. Mahmudy, W. F. (2013). Algoritma Evolusi.

  Princeton, NJ: Van Nostrand. Levin, R. I., & Rubin, D. S. (1998). Statistics for management.

  Jersey: Prentice Hall of India Private Limited. Kenney, J. F., & Keeping, E. S. (1962). Linear Regression and Correlation.

  Applied Multivariate Statistical. New

  , 88. Johnson, R. A., & Wichern, D. W. (1996).

  Procedures for the Identification of Multiple Outliers in Linear Models.

  Berdasarkan hasil pengujian parameter algoritme genetik, fitness terbaik yang tercatat yaitu -2.020. Nilai fitness -2.020 mendeteksi 6 dari 30 amatan sebagai pencilan (outlier), sehingga hasil optimasi menyatakan bahwa 6 amatan tersebut harus dihilangkan. Dengan menghilangkan 6 amatan tersebut, diperoleh peningkatan koefisien determinasi dari 0.9673 menjadi 0.9935 dengan 24 amatan pada data yang digunakan di penelitian ini.

  2017, from FAO Land & Water Management: http://www.fao.org/nr/water/cropinfo.ht ml Hadi, A. S., & Simonoff, J. S. (1993).

  Water Information . Retrieved 1 4,

  Gramedia Pustaka Utama. FAO Land & Water Division. (2003, 3 1). Crop

  Draper, N. R., & Smith, H. (1998). Analisis Regresi Terapan. Jakarta: PT.

  Pengkajian Teknologi Pertanian Jawa Timur: http://jatim.litbang.pertanian.go.id/ind/i ndex.php/layanan/laboratorium-benih

  Benih . Retrieved 4 1, 2017, from Balai

  Statistical Computation and Simulation , 29

  Genetic algorithms for outlier detection in multiple regression with different information criteria. Journal of

  DAFTAR PUSTAKA Alma, Ö. G., Kurt, S., & Ugur, A. (2008).

  Regresi linier sebagai metode prediksi dapat dioptimasi menggunakan algoritme genetik dengan kriteria informasi sebagai fitness guna mendeteksi amatan pencilan (outlier) untuk dihilangkan, dengan syarat parameter algoritme genetik yang digunakan sesuai untuk menghasilkan fitness terbaik. Hal ini dapat mengurangi ketidakakuratan hasil observasi data yang mengakibatkan hasil prediksi menggunakan pola data tersebut menjadi salah. Pernyataan tersebut disertai dengan hasil pengujian yang menunjukkan bahwa optimasi dengan algoritme genetik pada penelitian ini dapat meningkat nilai koefisien determinasi dari 0.9673 menjadi 0.9935.

  Berdasarkan hasil pengujian tersebut dapat disimpulkan bahwa algoritme genetik dengan kriteria informasi sebagai fitness dapat digunakan untuk mengoptimasi regresi linier dengan cara mendeteksi amatan pencilan, namun hasil deteksi menggunakan metode ini hanya sesuai jika diperoleh fitness terbaik. Hal ini dikarenakan representasi susunan gen menyatakan amatan dianggap pencilan atau tidak, sehingga perolehan fitness yang kurang baik dapat menyebabkan kesalahan deteksi. Dalam memperoleh fitness terbaik diperlukan parameter algoritme genetik yang sesuai. Parameter yang sesuai untuk digunakan yaitu jumlah individu dan jumlah generasi cenderung semakin besar, namun jika terlalu besar tidak akan ada kenaikan fitness bahkan bisa terjadi penurunan dengan proses semakin banyak. Pada penelitian ini fitness terbaik diperoleh dengan jumlah individu 70 dan jumlah generasi 30. Parameter lainnya yaitu rasio reproduksi, parameter ini dapat mengasilkan fitness terbaik jika cenderung seimbang. Pada penelitian ini rasio reproduksi dengan fitness terbaik diperoleh pada 0.4 hingga 0.7 untuk persilangan, yang menyertakan 0.3 hingga 0.6 untuk mutasi.