9
a. Inversion Mutation
Inversion mutation memilih dua posisi dalam sebuah
kromosom dengan cara acak dan kemudian menginversikan substring di antara dua posisi tersebut.
b. Insertion Mutation
Insertion Mutation memilih sebuah gen dengan cara acak
dan memasukkan ke dalam kromosom dengan cara acak pula.
c. Dsisplacement Mutation
Displacement Mutation memilih sebuah subsekelompok
gen dengan cara acak kemudian memasukkan ke dalam kromosom dengan cara acak.
d. Reciprocal Exchange Mutation REM
Reciprocal Exchange Mutation memilih dua posisi secara
acak, kemudian menukar dua gen dalam posisi tersebut.
3. Value Encoding
Menentukan sebuah nilai kecil yang akan ditambahkan atau dikurangkan pada salah satu gen dalam kromosom.
Contoh : 1.29 5.68
2.86 4.11 5.55 = 1.29 5.68
2.73 4.22
5.55
4. Tree Encoding
Node yang terpilih akan diubah.
d. Schema
Teori dari algoritma genetik menjelaskan cara kerjanya menggunakan ide dari suatu schema, suatu substring di mana beberapa posisi tidak
disebutkan. Dapat ditunjukkan bahwa, bila fitness rata-rata dari schema berada di bawah mean maka jumlah instansiasi dari schema di dalam
populasi akan bertambah seiring bertambaahnya waktu. Jelas sekali bahwa efek ini tidak akan signifikan bila bit-bit yang bersebelahan sama sekali
tidak berhubungan satu sama sekali, karena akan ada beberapa blok
Universitas Sumatera Utara
10
kontigu yang memberikan keuntungan yang konsisten. Algoritma genetik paling efektif dipakai bila schema-schema berkorespondensi menjadi
komponen berati dari sebuah solusi. Sebagai contoh, bila string adalah representasi dari sebuah antena, maka schema merepresentasikan
komponen-komponen dari antena, seperti reflector dan deflector. Sebuah komponen yang baik cenderung akan berkerja baik pada rancangan yang
berbeda. Ini menunjukkan bahwa penggunaan algoritma genetik yang benar memerlukan rekayasa yang baik pada representasinya.
2.2.2 Contoh-contoh Pengaplikasian Algoritma Genetik
Algoritma genetika sudah banyak diaplikasikan untuk penyelesaian masalah dan pemodelan dalam bidang teknologi, bisnis, dan entertainment Ihsania, 2010, seperti :
a. Optimasi
Algoritma genetika untuk optimasi numerik dan optimasi kombinatorial seperti Traveling Salesman Problem TSP, perancangan Integrated circuit
atau IC, optimasi video dan suara.
b. Pemrograman Otomatis
Algoritma genetika telah digunakan untuk melakukan proses evolusi terhadap program komputer untuk merancang struktur komputasiona,
seperti cellular automata dan sorting network.
c. Machine Learning
Algoritma genetika telah berhasil diaplikasikan untuk memprediksi struktur protein, dan berhasil diaplikasikan dalam perancangan neural
networks jaringan syaraf tiruan untuk melakukan proses evolusi terhadap
aturan-aturan pada learning classifier system atau symbolic production system
, juga digunakan untuk mengontrol robot.
d. Model Ekonomi
Algoritma genetika telah digunakan untuk memodelkan proses-proses inovasi dan pembangunan bidding strategies.
Universitas Sumatera Utara
11
e. Model Sistem Imunisasi
Algoritma genetika telah berhasil digunakan untuk memodelkan berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mutation selama
kehidupan individu dan menemukan keluarga dengan gen ganda multi- gene families
sepanjang waktu evolusi.
f. Model Ekologis
Algoritma genetika berhasil digunakan untuk memodelkan fenomena ekologis seperti host-parasite co-evolutions, simbiosis, dan aliran sumber
daya dalam ekologi.
2.2.3 Masalah-masalah yang Bisa Diselesaikan dengan Algoritma Genetik
Algoritma genetika sangat berguna dan efisien untuk masalah-masalah dengan karakteristik sebagai berikut Ihsania, 2010 :
a. Ruang masalah sangat besar, kompleks, dan sulit dipahami.
b. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk
merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit. c.
Tidak tersedianya analisis matematika yang memadai. d.
Ketika metode-metode konvensional sudah tidak mampu meyelesaikan masalah yang dihadapi.
e. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus atau
bisa diterima. f.
Terdapat batasan waktu, misalnya real time system atau sistem waktu nyata.
2.3 Algoritma Simulated Annealing
Algoritma Simulated Annealing adalah sebagai berikut : 1. Evaluasi keadaan awal. Jika keadaan awal merupakan tujuan, maka pencarian
berhasil dan KELUAR. Jika tidak demikian, lanjutkan dengan menetapkan keadaan awal sebagai kondisi sekarang.
2. Inisialisasi BEST_SO_FAR untuk keadaan sekarang. 3. Inisialisasi T sesuai dengan annealing schedule.
Universitas Sumatera Utara
12
4. Kerjakan hingga solusi ditemukan atau sudah tidak ada operator baru lagi akan diaplikasikan ke kondisi sekarang.
a. Gunakan operator yang belum pernah digunakan tersebut untuk menghasilkan kondisi baru.
b. Evaluasi kondisi yang baru dengan menghitung: ΔE = nilai sekarang – nilai keadaan baru.
i. Jika kondisi baru merupakan tujuan, maka pencarian berhasil dan KELUAR. ii. Jika bukan tujuan, namun memiliki nilai yang lebih baik daripada kondisi
sekarang, maka tetapkan kondisi baru sebagai kondisi sekarang. Demikian
pula tetapkan BEST_SO_FAR untuk kondisi yang baru tadi. D-23
iii. Jika nilai kondisi baru tidak lebih baik dari kondisi sekarang, maka tetapkan kondisi baru sebagai kondisi sekarang dengan probabilitas:
p = e −ΔE T
Langkah ini biasanya dikerjakan dengan membangkitkan suatu bilangan random r pada range [0 1]. Jika r p’, maka perubahan kondisi baru menjadi
kondisi sekarang diperbolehkan. Namun jika tidak demikian, maka tidak akan dikerjakan apapun.
2.3.1 Konsep Dasar Simulated Annealing
Ide dasar simulated annealing terbentuk dari pemrosesan logam . Annealing memanaskan kemudian mendinginkan dalam pemrosesan logam ini adalah suatu
proses bagaimana membuat bentuk cair berangsur-angsur menjadi bentuk yang lebih padat seiring dengan penurunan temperatur. Simulated annealing biasanya digunakan
untuk penyelesaian masalah yang mana perubahan keadaan dari suatu kondisi ke kondisi yang lainnya membutuhkan ruang yang sangat luas, misalkan perubahan
gerakan dengan menggunakan permutasi pada masalah Travelling Salesman Problem. Pada simulated annealing, ada 3 parameter yang sangat menentukan, yaitu: tetangga,
gain, temperatur, pembangkitan bilangan random. Tetangga akan sangat berperan dalam membentuk perubahan pada solusi sekarang. Pembangkitan bilangan random
akan berimplikasi adanya probabilitas.
Universitas Sumatera Utara
13
2.4 Algoritma Particle Swarm Optimazation
Particle Swarm Optimization adalah salah satu metode optimasi yang terinspirasi dari perilaku gerakan kawanan hewan seperti ikan school of fish, hewan herbivor herd,
dan burung flock yang kemudian tiap objek hewan disederhanakan menjadi sebuah partikel. Suatu partikel dalam ruang memiliki posisi yang dikodekan sebagai vektor
koordinat. Vektor posisi ini dianggap sebagai keadaan yang sedang ditempati oleh suatu partikel di ruang pencarian. Setiap posisi dalam ruang pencarian merupakan
alternatif solusi yang dapat dievaluasi menggunakan fungsi objektif. Setiap partikel bergerak dengan kecepatan v.
Particle Swarm Optimization atau yang kita kenal dengan PSO menerapkan sifat masing-masing individu dalam satu kelompok besar. Kemudian menggabungkan
sifat-sifat tersebut untuk menyelesaikan permasalahan. Particle Swarm Optimization pertama kali dimunculkan pada tahun 1995, sejak saat itulah para peneliti banyak
menurunkan dan mengembangkan metode PSO. Ciri khas dari PSO adalah pengaturan kecepatan partikel secara heuristik dan
probabilistik. Jika suatu partikel memiliki kecepatan yang konstan maka jika jejak posisi suatu partikel divisualisasikan akan membentuk garis lurus. Dengan adanya
faktor eksternal yang membelokkan garis tersebut yang kemudian menggerakkan partikel dalam ruang pencarian maka diharapkan partikel dapat mengarah, mendekati,
dan pada akhirnya mencapai titik optimal. Faktor eksternal yang dimaksud antara lain posisi terbaik yang pernah dikunjungi suatu partikel, posisi terbaik seluruh partikel
diasumsikan setiap partikel mengetahui posisi terbaik setiap partikel lainnya, serta faktor kreativitas untuk melakukan eksplorasi.
Particle Swarm Optimization memiliki kesamaan sifat dengan teknik komputasi seperti Algoritma Genetika Genetic Algorithm. Sistem PSO diinisialisasi
oleh sebuah populasi solusi secara acak dan selanjutnya mencari titik optimum dengan cara meng-update tiap hasil pembangkitan. Metode optimasi yang didasarkan pada
swarm intelligence ini disebut algoritma behaviorally inspired sebagai alternatif dari algoritma genetika, yang sering disebut evolution-based procedures. Dalam konteks
optimasi multivariabel, kawanan diasumsikan mempunyai ukuran tertentu atau tetap
Universitas Sumatera Utara
14
dengan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi. Setiap partikel diasumsikan memiliki dua karakteristik: posisi dan
kecepatan. Setiap partikel bergerak dalam ruangspace tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber makanan atau nilai fungsi
objektif. Setiap partikel menyampaikan informasi atau posisi bagusnya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan
informasi yang diterima mengenai posisi yang bagus tersebut.
Universitas Sumatera Utara
BAB 3 ANALISIS DATA DAN PERANCANGAN
3.1 Analisis Data