Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika
5
BAB 2
LANDASAN TEORI
2.1 Penjadwalan Iklan
Penjadwalan adalah proses penyusunan menentukan jadwal yang tepat terhadap suatu
pekerjaan untuk mencapai suatu tujuan tertentu terhadap sumber daya yang tersedia
sesuai dengan constraint yang harus dipenuhi (Soraya, 2007). Penjadwalan iklan
adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan pada selasela waktu acara dengan memperhatikan sejumlah aturan yang berhubungan dengan
kapasitas dan lokasi dari ruang yang tersedia, waktu bebas yang diperlukan dan
sejumlah aturan lain yang berkaitan dengan toleransi untuk pemasang iklan.
Periklanan merupakan alat komunikasi untuk menyampaikan pesan mengenai
barang-barang, jasa atau ide-ide yang ditujukan kepada khalayak ramai yang
merupakan calon pembeli dari produk atau jasa tersebut. Periklanan dapat
mempengaruhi konsumen sehingga timbul rasa untuk melakukan pembelian. Jadi
periklanan mempunyai peranan penting dalam meningkatkan volume penjualan.
Banyak pengertian mengenai periklanan yang dikemukakan oleh para ahli dan
kebanyakan orang percaya bahwa periklanan bekerja dengan mengirimkan suatu
pesan lewat suatu media cetak maupun elektronika akan diperoleh jumlah konsumen
yang cukup besar dalam waktu yang tidak begitu lama. Namun dalam masyarakat
yang komunikatif, pesan yang disampaikan oleh media promosi terbentur oleh
kesadaran, pengertian dan tindakan konsumen untuk melakukan pembelian. Sehingga
perusahaan melaksanakan kegiatan periklanan karena mempunyai peranan yang cukup
besar bagi kegiatan penjualan.
Periklanan adalah suatu usaha untuk mempengaruhi konsumen dalam bentuk
tulisan, gambar, suara atau kombinasi dari semua yang diarahkan pada masyarakat
secara luas. Menurut (Kotler 2006) bahwa periklanan adalah setiap bentuk penyajian
dan promosi bukan pribadi yang dibayar mengenai gagasan, barang atau jasa oleh
sponsor yang teridentifikasi. Pentingnya media radio siaran sebagai media iklan akan
lebih terasa jika menyimak situasinya secara global, peran radio sebagai media iklan
memang masih terbatas secara umum, dengan tersedianya sinyal yang kuat, radio
dapat mencapai pendengar yang banyak pada jarak yang jauh atau bahkan dalam suatu
Universitas Sumatera Utara
6
wilayah yang luas. Radio merupakan sarana handal untuk menjangkau orang yang
mungkin tidak mempunyai akses media yang lain, radio dapat menjangkau orangorang yang buta huruf yang tidak dapat membaca surat kabar, dan radio merupakan
media yang dapat menjangkau hingga kepelosok daerah. Radio berfungsi sebagai
sarana informasi, komunikasi, pengetahuan dan pendidikan serta hiburan yang
mempunyai peran cukup penting dalam menyampaikan berita tentang perkembangan
nasional maupun internasional.
Terkait dengan pangsa pasar dan basis konsumen, merek dengan pangsa pasar
yang tinggi pada umumnya membutuhkan anggaran biaya periklanan yang lebih
rendah guna mempertahankan posisinya. Itulah kenapa banyak perusahaan atau
instansi beriklan melalui media radio, karena radio adalah media auditif yang lebih
mudah untuk mengingat apa yang didengar pada setiap kesempatan.
Radio Suara Medan 94.7 hadir sebagai salah satu media di kota Medan yang
memanjakan stakeholder dalam pemenuhan kebutuhan beriklan dan berpromosi,
secara umum gambaran singkat tentang Radio Medan dapat dijelaskan dalam uraian
singkat berupa karakteristik radio, yaitu: Efficient Value.
Radio adalah media beriklan yang ekonomis dari sisi pembiayaan dan efektif.
Flexibility Value. Radio adalah media yang bersifat mobile, karena bisa didengar
dalam setiap kesempatan, kapanpun dan di manapun. Real Time Value. Radio adalah
media yang paling unggul dalam kecepatan penyampaian informasi, baik dalam
penyampaian hiburan dan komersial. Customize Value. Radio adalah media yang
mudah untuk mengemas suatu penyampaian pesan dalam bentuk siaran yang variatif
dan kreatif sesuai keinginan dan kebutuhan pemasang iklan. Ada beberapa produk
iklan yang disajikan oleh Radio Medan dalam memanjakan pemasang iklan, yaitu
dalam bentuk:
a. Loose Spot, adalah produk iklan yang dibuat dengan merekam suara orang
yang membaca pesan tertentu yang ingin disampaikan dan diperindah lagi
dengan musik atau sound effect lainnya, di mana pesan yang disampaikan
antara lain adalah jadwal kegiatan, jenis produk yang ditawarkan, info harga
hingga bagaimana dan di mana produk tersebut bisa dibeli atau didapatkan
oleh konsumen.
b. Kemudian Insert ARP (Kuis) / Sayembara, adalah rangkaian acara yang
melibatkan konsumen dan calon konsumen untuk berpartisipasi dalam
Universitas Sumatera Utara
7
permainan atau games yang terkait erat dengan produk yang dipromosikan,
dengan jaminan mendapatkan hadiah-hadiah tertentu, dengan keterlibatan ini
pemasang iklan jenis ini berharap agar brand-nya diposisikan disekitar nilainilai dan kebutuhan sosial.
c. Lalu Time Signal, merupakan jenis iklan tanda waktu pada waktu atau jam
tertentu yang dianggap strategis.
Ada pula sponsor program / Talk Show, dalam penerapannya di radio, praktisi
radio menamakan program ini sebagai blocking time program, artinya adalah
pembelian jam siaran dengan durasi tertentu, untuk diisi dengan program khusus yang
dimiliki untuk tujuan kegiatan pemasaran. Jenis produk berupa Live Reportase, jenis
produk ini adalah perpaduan antara siaran On-Air maupun Off-Air, di mana pemasang
iklan menginginkan produknya lebih dikenal dimasyarakat dalam bentuk event
tertentu yang disiarkan secara langsung melalui radio.
Dan yang terakhir adalah Adlibs Radio Program (ARP), merupakan iklan
radio berupa teks tertulis (script) dibacakan dan diimprovisasi oleh penyiar radio
dalam pola penyampaiannya. Pemasang iklan dimanjakan dengan pilihan waktu
tayang iklan yang relatif menguntungkan dengan asumsi bahwa dalam jam tertentu
merupakan capaian pendengar dalam jumlah banyak, dan berikut
2.2 Algoritma Genetika
Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam
bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960an dan kemudian dikembangkan bersama murid dan rekan kerjanya di Universitas
Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan
Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat
memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena
adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke
dalam sistem komputer (Fariza, 2006).
Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode
yang digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah
optimasi yaitu permasalahan-permasalahan yang tak linier (Mitsuo & Runwei, 2000).
Algoritma genetika berbeda dengan teknik konvergensi konvensional yang
lebih bersifat deterministik (Gen & Cheng., 1997). Algoritma Genetik memakai
Universitas Sumatera Utara
8
mekanisme seleksi alam dan ilmu genetik sehingga istilah-istilah pada Algoritma
Genetik akan bersesuaian dengan istilah-istilah pada seleksi alam dan ilmu genetik.
Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai
kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai
populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang
disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol
ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosomkromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan
generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat
keberhasilan
nilai
solusinya
terhadap
masalah
yang
ingin
diselesaikan
(fungsi_objektif) menggunakan ukuran yang disebut dengan Fitness.
Secara umum tahapan proses dari algoritma genetika diperlihatkan pada
Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari
solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan
kedua-duanya atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan
melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring
(generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan
akan lebih baik dalam memperkirakan solusi optimum, proses iterasi kemudian
berlanjut sesuai dengan jumlah generasi yang telah ditetapkan.
Gambar 2.1. Ilustrasi tahapan proses dari algoritma genetika (Gen & Cheng, 1997)
Universitas Sumatera Utara
9
2.3
Struktur Umum Algoritma Genetika
Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan
langkah-langkah sebagai berikut:
1. Mulai
Proses algoritma genetika dimulai dengan membangun populasi random sebanyak n
kromosom (sesuai dengan masalahnya).
2. Populasi Awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi
yang diinginkan.
3. Evaluasi Fitness
Pada setiap generasi kromosom-kromosom akan dievaluasi berdasarkan tingkat
keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan
menggunakan evaluasi Fitness. Proses evaluasi Fitness adalah melakukan evaluasi
setiap Fitness f(x) dari setiap kromosom x pada populasi.
4. Pembentukan Generasi Baru
Proses ini dilakukan secara berulang sehingga didapatkan jumlah kromosom yang
cukup untuk membentuk generasi baru (offspring) di mana generasi baru merupakan
representasi dari solusi baru.
5. Seleksi
Untuk memilih kromosom yang akan tetap dipertahankan untuk generasi selanjutnya
maka dilakukan proses seleksi. Proses seleksi dilakukan dengan memilih 2 kromosom
parent dari populasi berdasarkan Fitnessnya (semakin besar Fitnessnya, maka
semakin besar kemungkinannya untuk terpilih).
6. Crossover
Proses selanjutnya melakukan perkawinan silang sesuai dengan besarnya kemungkinan
perkawinan silang, orang tua (parent) yang terpilih disilangkan untuk membentuk anak
(offspring). Jika tidak ada crossover, maka anak merupakan salinan dari orang tuanya.
Jumlah kromosom dalam populasi yang mengalami perkawinan silang (crossover)
ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang (crossover
probability, Pc).
Universitas Sumatera Utara
10
7. Mutasi
Proses mutasi dilakukan sesuai dengan besarnya kemungkinan mutasi yang telah
ditentukan, anak dimutasi pada setiap lokus (posisi pada kromosom). Jumlah gen
dalam populasi yang mengalami mutasi ditentukan oleh parameter yang disebut
dengan probabilitas mutasi (mutationr probabilit, Pm). Setelah beberapa generasi
akan dihasilkan, kromosom-kromosom yang nilai gennya konvergen ke suatu nilai
tertentu merupakan solusi optimum yang dihasilkan oleh algoritma genetika terhadap
permasalahan yang ingin diselesaikan.
8. Memenuhi syarat regenerasi
Apabila generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun,
apabila generasi baru tidak memenuhi syarat regenerasi, maka proses akan kembali ke
evaluasi Fitness.
Parameter yang digunakan dalam algoritma genetika adalah:
1. Fungsi Fitness untuk menentukan tingkat kesesuaian individu tersebut.
2. Populasi jumlah individu pada setiap generasi.
3. Probabilitas terjadinya crossover pada setiap generasi.
4. Probabitas terjadinya mutasi pada setiap generasi.
5. Jumlah generasi yang akan dibentuk.
Golberg (1989) mengemukakan bahwa algoritma genetika mempunyai karakteristikkarakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian
atau optimasi yang lain, yaitu:
1. Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan
berdasarkan parameter yang telah ditetapkan bukan parameter itu sendiri.
2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetika informasi fungsi objektif (Fitness), sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu
fungsi.
4. Algoritma genetika menggunakan aturan-aturan transisi peluang, bukan aturanaturan deterministik.
Pada algoritma genetika ini terdapat beberapa definisi penting yang harus dipahami
sebelumnya, yaitu:
Universitas Sumatera Utara
11
a. Gen
Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti
tertentu dalam satu kesatuan gen yang dinamakan kromosom.
b. Kromosom / Individu
Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan
menyatakan solusi yang mungkin dari suatu permasalahan.
c. Populasi
Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu
satuan siklus evolusi.
d. Fitness
Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan.
e. Seleksi
Seleksi merupakan proses untuk mendapatkan calon induk yang baik.
f. Crossover
Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk
tertentu.
g. Mutasi
Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.
h. Generasi
Generasi merupakan urutan iterasi di mana beberapa kromosom bergabung.
i. Offspring
Offspring merupakan kromosom baru yang dihasilkan.
Gambar 2.2 Individu dalam Algoritma Genetika
Universitas Sumatera Utara
12
2.4 Teknik Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi
suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika
menggunakan algoritma genetika (Desiani, 2005). Agar dapat diproses melalui
algoritma genetika, maka harus dikodekan terlebih dahulu ke dalam bentuk
kromosom. Kromosom akan berisi informasi sejumlah gen yang mengkodekan
informasi.
Ada beberapa jenis pengkodean yang dapat digunakan dalam algoritma
genetika yaitu pengkodean biner (binary encoding), pengkodean nilai (value
encoding), pengkodean permutasi (permutation enocding), pengkodean pohon (tree
encoding).
2.4.1
Pengkodean Biner
Pengkodean ini merupakan pengkodean yang sering digunakan dan paling sederhana.
Pada pengkodean biner setiap kromosom direpresentasikan dalam barisan bit 0 atau 1,
seperti dapat dilihat pada tabel 2.1 berikut ini:
Tabel 2.1 Contoh Pengkodean Biner
Kromosom A
10101011010
Kromosom B
11000010111
Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun
dengan jumlah nilai-nilai yang mungkin terjadi dalam suatu gen sedikit (0 atau 1).
Pengkodean ini sering tidak sesuai untuk beberapa masalah terkadang harus dilakukan
pengkoreksian setelah operasi crossover dan mutasi.
2.4.2
Pengkodean Nilai
Didalam pengkodean nilai setiap kromosom adalah string dari suatu nilai di mana nilai
yang dikodekan langsung merupakan representasi dari masalah seperti bilangan bulat,
desimal ataupun karakter. Contoh pengkodean ini dapat dilihat pada tabel 2.2 pada
halaman 13.
Universitas Sumatera Utara
13
Tabel 2.2 Contoh Pengkodean Nilai
2.4.3
Kromosom A
1.345, 4.534, 7.654, 8.789
Kromosom B
ABC, ADC, CBC, BCA
Kromosom C
1, 3, 4, 7, 5
Kromosom D
Forward, backward, right, left
Pengkodean Pohon
Pengkodean pohon digunakan untuk menyusun program atau ekspresi didalam
algoritma genetika. Dalam pengkodean pohon ini, setiap kromosom dinyatakan
sebagai sebuah pohon dari setiap objek, seperti fungsi atau perintah dalam bahasa
pemograman. Pengkodean pohon sangat baik dalam pembangunan sebuah program.
Bahasa pemrograman LISP biasanya sering menggunakan pengkodean pohon, karena
program didalamnya dapat direpresentasikan ke dalam bentuk ini, dan dapat dengan
mudah di parse menjadi sebuah pohon, sehingga crossover dan mutasi dapat
dilakukan dengan lebih mudah. Contoh pengkodean pohon dapat dilihat pada gambar
dibawah ini: (*(-(ab))(+(*(CD))(/(EF))))
Gambar 2.3 Pengkodean Pohon
2.4.4
Pengkodean Permutasi
Pengkodean permutasi adalah pengkodean yang digunakan dalam masalah pengurutan
data (ordering problem), seperti masalah wiraniaga (travelling salessman problem),
atau masalah pengurutan tugas (task ordering problem). Pada pengkodean ini setiap
kromosom merupakan barisan angka yang merepresentasikan angka dalam urutan.
Pengkodean ini berguna untuk masalah ordering, bahkan beberapa korelasi terhadap
Universitas Sumatera Utara
14
kromosom harus dilakukan untuk menjaga konsistensi representasi kromosom setelah
proses crossover dan mutasi. Sebagai contoh, dapat dilihat pada tabel 2.3 berikut ini:
Tabel 2.3 Contoh Pengkodean Permutasi
Kromosom A
2 6 7 5 1 3 4 9 8 10
Kromosom B
10 5 4 9 7 1 3 2 6 8
2.5 Membangkitkan Populasi Awal dan Kromosom
Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu atau
kromosom secara acak atau melalui prosedur tertentu. Ukuran untuk populasi
tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang
akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan
pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka
tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju
konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan
banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan
waktu ke arah konvergensi akan lebih lama (Goldberg, 1989).
2.6 Evaluasi Fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran
performansinya. Didalam evolusi alam, individu yang bernilai Fitness tinggi yang
akan bertahan hidup. Sedangkan individu yang bernilai Fitness rendah akan mati.
2.7 Seleksi
Dalam proses reproduksi setiap individu populasi pada suatu generasi diseleksi
berdasarkan nilai Fitness-nya untuk bereproduksi guna menghasilkan keturunan.
Probabilitas terpilihnya suatu individu untuk bereproduksi adalah sebesar nilai Fitness
individu tersebut dibagi dengan jumlah nilai Fitness seluruh individu dalam pupulasi
(Davis, 1991). Proses seleksi memiliki beberapa jenis metode, berikut ini adalah
beberapa metode seleksi yang sering digunakan yaitu:
Universitas Sumatera Utara
15
2.7.1
Seleksi Roda Roulette (Roulete Wheel Selection)
Metode seleksi roda roulette merupakan metode seleksi yang paling sederhana.
Metode ini juga sering dikenal dengan nama stochastic sampling with replacement.
Pada metode ini cara kerja seleksi berdasarkan nilai Fitness dari tiap individu, jadi
individu yang memiliki nilai Fitness terbaik mempunyai kesempatan lebih besar untuk
terpilih sebagai orang tua.
Langkah-langkah seleksi roulette wheel:
1. Dihitung nilai Fitness masing-masing individu (fi di mana i adalah individu ke
1 s/d ke-n )
2. Dihitung total Fitness semua individu ,
3. Dihitung Fitness relatif masing-masing individu
4. Dari Fitness relatif tersebut, dihitung Fitness kumulatifnya.
5. Dibangkitkan nilai random
6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih
dalam proses seleksi
2.7.2
Seleksi Ranking (Rank-based Fitness)
Seleksi ranking merupakan metode seleksi alternatif yang bertujuan untuk
menghindari terjadinya hasil konvergen yang terlalu cepat dari proses seleksi
orangtua. Pada metode seleksi ini, individu-indiviu pada tiap populasi diurutkan
berdasarkan nilai Fitnessnya sehingga nilai yang diharapkan dari tiap individu
bergantung kepada urutannya bukan hanya kepada nilai Fitnessnya.
2.7.3
Seleksi Turnamen (Turnament Selection)
Seleksi turnamen merupakan variasi dari seleksi roda roulette dan seleksi ranking.
Pada metode seleksi ini, kromosom dipilih secara acak, kemudian diranking untuk
diambil nilai Fitness terbaiknya.
2.8 Crossover
Crossover (pindah silang) adalah proses pemilihan posisi string secara acak dan
menukar karakter- karakter stringnya (Goldberg, 1989). Fungsi crossover adalah
Universitas Sumatera Utara
16
menghasilkan kromosom anak dari kombinasi materi-materi gen dua kromosom
induk. Probabilitas crossover (Pc) ditentukan untuk mengendalikan frekuensi
crossover.
2.8.1
One Point Crossover
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian dan
selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari string yang
lain yang telah dipisahkan dengan cara yang sama. Proses yang demikian dinamakan
operator crossover satu titik.
Contoh:
Induk 1: 11001 | 010
Induk 2: 00100 | 111
Diperoleh:
Anak 1: 11001 | 111
Anak 2: 00100 | 010
2.8.2
Two Point Crossover
Proses crossover ini dilakukan dengan memilih dua titik crossover. Kromosom
keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik
crossover pertama disalin dari orangtua pertama, bagian dari titik crossover pertama
dan kedua disalin dari orangtua kedua, kemudian selebihnya disalin dari orangtua
pertama lagi.
Contoh:
Induk 1: 110 | 010 | 10
Induk 2: 001 | 001 | 11
Diperoleh:
Anak 1: 110 | 001 | 10
Anak 2: 001 | 010 | 11
2.8.3
Uniform Crossover
Crossover seragam manghasilkan kromosom keturunan dengan menyalin bit-bit
secara acak dari kedua orangtuanya.
Universitas Sumatera Utara
17
Contoh:
11001011 + 11011101 = 11011111
2.8.4
Partially Mapped Crossover (PMX)
PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari
pindah silang dua-poin. Hal yang penting dari PMX adalah pindah silang dua poin
ditambah dengan beberapa prosedur tambahan.
Contoh:
Pilih posisi untuk menentukan substring secara acak
Induk 1: 1 2 3 | 4 5 6 | 7 8
Induk 2: 3 7 5 | 1 6 8 | 2 4
Diperoleh:
Anak 1 : 4 2 3 | 1 6 8 | 7 5
Anak 2 : 3 7 8 | 4 5 6 | 2 1
2.9
Mutasi
Operator mutasi dioperasikan sebagai cara untuk mengembalikan materi genetic yang
hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi
terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi mencegah
kehilangan total materi genetika setelah reproduksi dan pindah silang. Mutasi ini
berperan utuk menggantikan gen yang hilang dari populasi akibat seleksi yang
memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
2.9.1
Mutasi Pengkodean Biner
Mutasi pengkodean biner merupakan operasi yang sangat sederhana. Proses mutasi
pengkodean biner dilakukan dengan cara menginversi nilai bit pada kromosom yang
terpilih secara acak (atau menggunakan skema tertentu) dengan diubah nilainya
menjadi nilai lawannya (0 ke 1, atau 1 ke 0). Sebagai contoh, dapat dilihat pada tabel
2.4:
Universitas Sumatera Utara
18
Tabel 2.4 Contoh Mutasi Pengkodean Biner
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
1000 1111 1011 0110
Kromosom sesudah mutasi
10011 1011 0110
2.9.2
Mutasi Pengkodean Nilai
Mutasi pengkodean nilai adalah proses yang terjadi pada saat pengkodean nilai. Proses
mutasi dalam pengkodean nilai dapat dilakukan dengan cara memilih sembarang
posisi gen pada kromosom, dan nilai yang ada kemudian ditambahkan atau
dikurangkan dengan suatu nilai kecil tertentu yang diambil secara acak. Sebagai
contoh, dapat dilihat pada tabel berikut ini, yaitu nilai riil ditambahkan dan
dikurangkan dengan nilai 0 dan 1.
Tabel 2.5 Contoh Mutasi Pengkodean Nilai
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
1,45 2,67 1,87 2,56
Kromosom sesudah mutasi
1,55 2,67 1,77 2,56
2.9.3
Mutasi Pengkodean Permutasi
Proses mutasi pengkodean permutasi tidak sama halnya dengan proses mutasi yang
dilakukan pada pengkodean biner dengan mengubah langsung bit-bit pada kromosom.
Salah satu cara yang dapat dilakukan adalah dengan memilih dua posisi (locus) dari
kromosom dan kemudian nilainya saling dipertukarkan. Orangtua yang berada
dibawah titik crossover dipertukarkan untuk menghasilkan anak baru. Contoh Mutasi
pada pengkodean permutasi, dapat dilihat pada tabel di berikut ini:
Tabel 2.6 Contoh Mutasi Pengkodean Permutasi
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
123456789
Kromosom sesudah mutasi
127465839
Beberapa operator mutasi telah diciptakan untuk representasi permutasi, seperti
metode inversion, insertion, displacement, dan reciprocal exchange mutation.
Universitas Sumatera Utara
19
a. Inversion Mutation
Inversion mutation dilakukan dengan cara memilih substring secara acak kemudian
substring yang terpilih dibalik dan penempatan substring pada posisi yang sama.
Penyisipan tersebut posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada
gambar 2.4 berikut ini:
Gambar 2.4 Contoh Inversion Mutation
b. Insertion Mutation
Insertion Mutation dilakukan dengan cara memilih salah satu gen secara acak
kemudian gen yang terpilih disisipkan ke posisi yang lain. Penyisipan tersebut pada
posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.5 berikut
ini:
Gambar 2.5 Contoh Exchange Mutation
2.9.4
Mutasi Pengkodean Pohon
Mutasi pada pengkodean pohon dilakukan dengan cara mengubah operator ( +, -, *, / )
atau nilai yang terkandung dalam suatu verteks pohon yang dipilih. Atau dapat juga
dilakukan pemulihan dua verteks dari pohon dan saling mempertukarkan operator atau
nilainya. Contoh mutasi dalam pengkodean pohon dapat dilihat pada tabel 2.7:
Universitas Sumatera Utara
20
Tabel 2.7 Contoh Mutasi Pengkodean Pohon
2.10
Meknisme Algoritma Genetika
Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan
secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut
sebagai kromosom, sedangkan kumpulan kromosom tersebut disebut sebagai populasi.
Sebuah kromosom dibentuk dari komponen penyusun disebut dengan gen dan nilainya
dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari
permasalahan yang ingin diselesaikan.
Secara umum blok diagram dari mekanisme kerja algoritma genetika adalah
seperti pada Gambar 2.6.
Bangkitkan
populasi awal
Evaluasi
fungsi tujuan
Ya
Kriteria
optimasi
tercapai
Individuindividu
terbaik
Tidak
Mulai
Selesai
Seleksi
Bangkitkan
Populasi
awal
Kawin silang
Mutasi
2.11
Gambar 2.6 Meknisme Algoritma Genetika
Parameter – Parameter dalam Algoritma Genetika
Universitas Sumatera Utara
21
Parameter-parameter genetika berperan dalam pengendalian operator-operator
genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma
genetika. (Davis, 1991; Sundhararajan, 1994; Sastry, 2004). Parameter genetika yang
sering digunakan meliputi ukuran populasi (N), probabilitas pindah silang (Pc), dan
probabilitas mutasi (Pm). Pemilihan ukuran populasi yang digunakan tergantung pada
masalah yang akan diselesaikan. Untuk masalah yang lebih kompleks biasanya
diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur
(yang menghasilkan optimum lokal).
Pada tiap generasi, sebanyak Pc * N individu dalam populasi mengalami
pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur
individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan
terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat
dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat
mengakibatkan stagnasi karena rendahnya angka eksplorasi.
Probabilitas mutasi adalah probabilitas di mana setiap posisi bit pada tia string
dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam
satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak
Pm*N*L.
2.12
Parameter Genetik
Pengoperasian algoritma genetika dibutuhkan 3 parameter (Juniawati, 2003) yaitu:
1.
Probabilitas Persilangan (Crossover Probability)
Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak
terjadi crossover maka keturunannya akan sama persis dengan kromosom
orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi
yang lama. Jika probabilitas crossover 100% maka semua keturunannya
dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom
yang baru akan lebih baik.
2.
Probabilitas Mutasi (Mutation Probability)
Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah
kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah
crossover tidak berubah. Jika terjadi mutasi, bagian kromosom akan berubah. Jika
Universitas Sumatera Utara
22
probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada
yang mengalami mutasi.
3.
Ukuran Populasi
Menunjukkan jumlah kromosom yang terdapat dalam populasi. Jika hanya sedikit
kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit
variasi kemungkinan untuk melakukan crossover. Sebaliknya jika terlalu banyak
maka algoritma genetika akan berjalan lambat dalam menemukan solusi.
Ada beberapa rekomendasi parameter yang bisa digunakan, yaitu:
a. Untuk permasalahan yang memilki kawasan solusi cukup besar, De Jong
merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) =
(50;0,6;0,001).
b. Bila rata-rata Fitness setiap generasi digunakan sebagai indikator, maka
Grenfenstette merekomendasikan: (popsize;pc;pm) = (30;0,95;0,01)
c. Bila Fitness dari individu terbaik dipantau pada setiap generasi, maka
usulannya adalah: (popsize;pc;pm) = (80;0,45;0.01).
Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis
permasalahan.
2.13
Penelitian Terdahulu
Penelitian Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 yang berjudul Penerapan
algoritma genetika pada persoalan pedagang keliling (TSP). Pada penelitian ini
dilakukan penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan
oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika
ini menghasilkan solusi yang lebih optimal pada setiap generasinya.
Penelitian Marwana, 2012 yang berjudul Optimasi Penjadwalan Mata Kuliah
Menggunakan Algoritma Genetika Berbasis Permintaan Mahasiswa. Pada penelitian
ini dilakukan penyusunan jadwal mata kuliah menggunakan algoritma genetika.
Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata
kuliah (teori/praktek) yang diambil, kode dan nama mata kuliah yang diambil serta
hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika
sehingga diperoleh optimasi penjadwalan yaitu kondisi di mana terjadi kombinasi
terbaik antara mata kuliah dan waktu luang mahasiswa, serta ketersediaan ruangan
yang terbatas untuk seluruh mata kuliah yang ada. Program aplikasi dapat mencari
Universitas Sumatera Utara
23
solusi penjadwalan pada waktu yang dapat digunakan baik oleh mahasiswa dan
ruangan yang terlibat dalam suatu mata kuliah.
Penelitian Samuel dan kawan-kawan, 2005 yang berjudul Penerapan algoritma
genetika untuk Traveling Salesman Problem dengan menggunakan metode order
crossover dan Insertion Mutation. Pada penelitian ini membahas bagaimana algoritma
genetik menyelesaikan TSP dengan menggunakan order crossover sebagai teknik
rekombinasi dan insertion mutation sebagai teknik mutasi yang digunakan pada
algoritma genetik menunjukkan bahwa algoritma genetika dapat digunakan untuk
menyelesaikan masalah optimasi yang kompleks seperti mencari rute paling optimum,
menggunakan beberapa metode seleksi yaitu roulette wheel, elitism dan gabungan
antara metode roulette wheel dan elitism. Ada dua jenis crossover yang digunakan
yaitu one cut point crossover dan two cut point crossover; (Tamilarsi & Kumar 2010)
menemukan sebuah metode baru dalam penyelesaian masalah penjadwalan job shop
menggunakan hybrid Genetic Algorithm (GA) dengan Simulated Annealing (SA);
(Nasution, 2012) analisis penyelesaian TSP menggunakan partially mapped crossover
dengan menentukan nilai probabilitas crossover 20%, 40%, 60%, 80% dan 99%.
(Kusum Deep & Hadush Mebrahtu, 2012) membuat variasi pada partially mapped
crossover dengan menentukan letak kromosom dalam posisi acak. (Alfonsas &,
Bronislovas, 2005). membandingkan 10 operator crossover pada Quadratic
Assignment Problem di mana hasil yang diperoleh menunjukkan bahwa crossover
MPX mampu mendapakan solusi yang lebih baik dibandingkan operator lain yang
telah diuji. (Kusum Deep & Hadush Mebrahtu, 2011) menggabungkan 2 operator
mutasi untuk meningkatkan kerja algoritma genetika untuk meminimumkan cost pada
travelling salesman problem (TSP).
Penelitian Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya
E.R, 2010 yang berjudul Analisis Dan Implementasi Penjadwalan Dengan
Menggunakan Pengembangan Model Crossover Dalam Algoritma Genetika. Pada
penelitian ini terdapat 2 metode yang dikembangkan, pertama dengan memotong gen
hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan
dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak
merusak gen. Hasil analisis terhadap hasil uji coba menunjukan bahwa pengembangan
metode crossover dapat diimplementasikan pada kasus penjadwalan dan terlihat
bahwa metode yang memotong gen hanya pada gen yang bentrok lebih cepat
Universitas Sumatera Utara
24
mencapai nilai terbaik atau mendekati 1 daripada metode yang hanya merandom gen
saja. Dari nilai akhir juga terlihat bahwa metode yang memotong gen pada gen yang
bentrok memiliki nilai akhir lebih baik. Selain itu kedua metode ini mampu
meminimalisir kerusakan pada kromosom hasil dari crossover.
Penelitian Bangun et al, 2012 yang berjudul Penerapan Konsep Algoritma
Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012
di Jurusan Matematika FMIPA UNSRI. Pada penelitian ini, konsep algoritma genetika
diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil
kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh
penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan. Jadwal yang
telah dihasilkan merupakan jadwal yang diperoleh dari kromosom 5 generasi ke-19.
Penelitian Ridha Apriani, 2012 yang berjudul Algoritma genetika untuk
menyelesaikan permasalahan penjadwalan perkuliahan dan praktikum. Pada penelitian
ini
pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih
cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses
penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda.
Penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah
penjadwalan mata kuliah di Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Gadjah Mada dengan menggunakan algoritma genetika. Pada penelitian
ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen,
metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm
umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih
baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar
300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu
dibandingkan dengan jumlah populasi yang lebih sedikit.
Pada penelitian Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011
yang berjudul Application of genetic algorithm Optimized neural network Connection
weights for medical Diagnosis of pima Indians diabetes. Pada penelitian ini dilakukan
hibridisasi algoritma genetika dengan jaringan syaraf tiruan (JST). Jaringan saraf
adalah salah satu dari banyak data mining alat analisis yang dapat digunakan untuk
membuat prediksi data medis. Pemilihan model untuk jaringan saraf memerlukan
berbagai faktor seperti pemilihan optimal jumlah node tersembunyi, pemilihan
Universitas Sumatera Utara
25
variabel input yang relevan dan pemilihan koneksi optimal bobot. Makalah ini
menyajikan penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan
Backpropagation (BP) di mana GA digunakan untuk menginisialisasi dan
mengoptimalkan bobot koneksi pada BP. Fitur signifikan diidentifikasi dengan
menggunakan dua metode Pohon Keputusan. Metode GA CFS digunakan sebagai
masukan untuk model hibrida untuk diagnosa diabetes mellitus. Hasilnya
membuktikan bahwa, GA dioptimalkan dengan algoritma BP dapat mengungguli
pendekatan BP tanpa GAi. Selain hybrid GA-BPN dengan input yang relevan
menyebabkan lebih improvisasi akurasi kategorisasi dibandingkan dengan hasil yang
dihasilkan oleh GA-BPN sendiri dengan beberapa masukan yang berlebihan.
Pada penelitian Indira K & Kanmani, 2012 yang berjudul Performance
Analysis of Genetic Algorithm for Mining Association Rules. Pada penelitian ini aturan
asosiasi (AR) mining adalah tugas data mining yang mencoba untuk menemukan
pola-pola yang menarik atau hubungan antar data dalam database besar. Algoritma
genetika (GA) berdasarkan prinsip evolusi telah menemukan dasar yang kuat dalam
AR datamining. Makalah ini menganalisis kinerja GA di mining AR secara efektif
berdasarkan variasi dan modifikasi dalam parameter GA. Algoritma genetik telah
terbukti menghasilkan hasil yang lebih akurat bila dibandingkan dengan metode
formal lain yang tersedia. Kebugaran fungsi, tingkat Crossover, dan tingkat mutasi
parameter terbukti menjadi parameter utama yang terlibat dalam pelaksanaan
algoritma genetika. Variasi dan modifikasi diperkenalkan di parameter utama GA
yang ditemukan memiliki dampak yang lebih besar meningkatkan akurasi dari sistem
cukup. kecepatan dari sistem ini ditemukan untuk meningkatkan seleksi dan
mengapdate fungsi yang diubah.
Universitas Sumatera Utara
26
Tabel 2.8 Penelitian Terdahulu
No.
Nama dan Tahun
Metode
Keterangan
1
Aulia Fitrah, Achmad
Zaky, Fitrasani, 2012
Algoritma
Genetika
Penyelesaian TSP
menggunakan algoritma
genetika. Solusi yang
dihasilkan oleh algoritma ini
belum merupakan solusi paling
optimal namun algoritma
genetika ini menghasilkan
solusi yang lebih optimal pada
setiap generasinya
2
Marwana, 2012
Algoritma
Genetika
Proses penelitian menggunakan
data input berupa mahasiswa
dengan jumlah mata kuliah
(teori/praktek) yang diambil,
kode dan nama mata kuliah
yang diambil serta hari dan sesi
jadwal yang bisa, kemudian
diolah menggunakan algoritma
genetika
3
Samuel dan kawankawan, 2005
Algoritma
Genetika
penyelesaian masalah
penjadwalan job shop
menggunakan hybrid Genetic
Algorithm (GA) dengan
Simulated Annealing (SA)
4
Made Darma Yunantara, I
Gede Santi Astawa, Ngr.
Agus Sanjaya E.R, 2010
Algoritma
Genetika
Menggunakan 2 metode yang
dikembangkan, pertama
dengan memotong gen hanya
pada gen yang mengalami
bentrok, dan yang kedua
merandom gen yang akan
dipotong. Gen dipotong secara
utuh tidak memotong ditengah
gen, sehingga tidak merusak
gen
5
Bangun et al, 2012
Algoritma
Genetika
Konsep algoritma genetika
diaplikasikan pada proses
penjadwalan kegiatan
perkuliahan semester ganjil
kurikulum 2012 di Jurusan
Matematika FMIPA UNSRI.
Hasil proses diperoleh
penjadwalan yang memenuhi
kondisi dan syarat yang telah
ditentukan
Universitas Sumatera Utara
27
Tabel 2.9 Penelitian Terdahulu (Lanjutan)
No.
Nama dan Tahun
6 Ridha Apriani, 2012
Metode
Keterangan
Algoritma
Genetika
Algoritma Genetika digunakan
untuk pencarian solusi
penjadwalan perkuliahan dan
praktikum dengan waktu yang
lebih cepat
7
Justina Adamanti, 2002
Algoritma
Genetika
Pada penelitian ini diperoleh
hasil uji parameter, metode
seleksi terbaik adalah seleksi
turnamen, metode perkawinan
silang terbaik adalah
perkawinan silang banyak titik,
tanpa elitsm umumnya lebih
cepat menyelesaikan
penjadwalan dan jumlah
populasi yang lebih baik dalam
menyelesaikan permasalahan
penjadwalan mata kuliah.
8
Karegowda, A. G.,
Manjunath, A.S. &
Jayaram, M.A., 2011
Algoritma
Genetika
penerapan model hibrida yang
mengintegrasikan Algoritma
Genetika dan Backpropagation
(BP) di mana GA digunakan
untuk menginisialisasi dan
mengoptimalkan bobot koneksi
pada BP
9
Indira K & Kanmani,
2012
Algoritma
Genetika
Algoritma Genetika digunakan
dalam data mining untuk
menemukan pola-pola yang
menarik atau hubungan antar
data dalam database besar
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.1 Penjadwalan Iklan
Penjadwalan adalah proses penyusunan menentukan jadwal yang tepat terhadap suatu
pekerjaan untuk mencapai suatu tujuan tertentu terhadap sumber daya yang tersedia
sesuai dengan constraint yang harus dipenuhi (Soraya, 2007). Penjadwalan iklan
adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan pada selasela waktu acara dengan memperhatikan sejumlah aturan yang berhubungan dengan
kapasitas dan lokasi dari ruang yang tersedia, waktu bebas yang diperlukan dan
sejumlah aturan lain yang berkaitan dengan toleransi untuk pemasang iklan.
Periklanan merupakan alat komunikasi untuk menyampaikan pesan mengenai
barang-barang, jasa atau ide-ide yang ditujukan kepada khalayak ramai yang
merupakan calon pembeli dari produk atau jasa tersebut. Periklanan dapat
mempengaruhi konsumen sehingga timbul rasa untuk melakukan pembelian. Jadi
periklanan mempunyai peranan penting dalam meningkatkan volume penjualan.
Banyak pengertian mengenai periklanan yang dikemukakan oleh para ahli dan
kebanyakan orang percaya bahwa periklanan bekerja dengan mengirimkan suatu
pesan lewat suatu media cetak maupun elektronika akan diperoleh jumlah konsumen
yang cukup besar dalam waktu yang tidak begitu lama. Namun dalam masyarakat
yang komunikatif, pesan yang disampaikan oleh media promosi terbentur oleh
kesadaran, pengertian dan tindakan konsumen untuk melakukan pembelian. Sehingga
perusahaan melaksanakan kegiatan periklanan karena mempunyai peranan yang cukup
besar bagi kegiatan penjualan.
Periklanan adalah suatu usaha untuk mempengaruhi konsumen dalam bentuk
tulisan, gambar, suara atau kombinasi dari semua yang diarahkan pada masyarakat
secara luas. Menurut (Kotler 2006) bahwa periklanan adalah setiap bentuk penyajian
dan promosi bukan pribadi yang dibayar mengenai gagasan, barang atau jasa oleh
sponsor yang teridentifikasi. Pentingnya media radio siaran sebagai media iklan akan
lebih terasa jika menyimak situasinya secara global, peran radio sebagai media iklan
memang masih terbatas secara umum, dengan tersedianya sinyal yang kuat, radio
dapat mencapai pendengar yang banyak pada jarak yang jauh atau bahkan dalam suatu
Universitas Sumatera Utara
6
wilayah yang luas. Radio merupakan sarana handal untuk menjangkau orang yang
mungkin tidak mempunyai akses media yang lain, radio dapat menjangkau orangorang yang buta huruf yang tidak dapat membaca surat kabar, dan radio merupakan
media yang dapat menjangkau hingga kepelosok daerah. Radio berfungsi sebagai
sarana informasi, komunikasi, pengetahuan dan pendidikan serta hiburan yang
mempunyai peran cukup penting dalam menyampaikan berita tentang perkembangan
nasional maupun internasional.
Terkait dengan pangsa pasar dan basis konsumen, merek dengan pangsa pasar
yang tinggi pada umumnya membutuhkan anggaran biaya periklanan yang lebih
rendah guna mempertahankan posisinya. Itulah kenapa banyak perusahaan atau
instansi beriklan melalui media radio, karena radio adalah media auditif yang lebih
mudah untuk mengingat apa yang didengar pada setiap kesempatan.
Radio Suara Medan 94.7 hadir sebagai salah satu media di kota Medan yang
memanjakan stakeholder dalam pemenuhan kebutuhan beriklan dan berpromosi,
secara umum gambaran singkat tentang Radio Medan dapat dijelaskan dalam uraian
singkat berupa karakteristik radio, yaitu: Efficient Value.
Radio adalah media beriklan yang ekonomis dari sisi pembiayaan dan efektif.
Flexibility Value. Radio adalah media yang bersifat mobile, karena bisa didengar
dalam setiap kesempatan, kapanpun dan di manapun. Real Time Value. Radio adalah
media yang paling unggul dalam kecepatan penyampaian informasi, baik dalam
penyampaian hiburan dan komersial. Customize Value. Radio adalah media yang
mudah untuk mengemas suatu penyampaian pesan dalam bentuk siaran yang variatif
dan kreatif sesuai keinginan dan kebutuhan pemasang iklan. Ada beberapa produk
iklan yang disajikan oleh Radio Medan dalam memanjakan pemasang iklan, yaitu
dalam bentuk:
a. Loose Spot, adalah produk iklan yang dibuat dengan merekam suara orang
yang membaca pesan tertentu yang ingin disampaikan dan diperindah lagi
dengan musik atau sound effect lainnya, di mana pesan yang disampaikan
antara lain adalah jadwal kegiatan, jenis produk yang ditawarkan, info harga
hingga bagaimana dan di mana produk tersebut bisa dibeli atau didapatkan
oleh konsumen.
b. Kemudian Insert ARP (Kuis) / Sayembara, adalah rangkaian acara yang
melibatkan konsumen dan calon konsumen untuk berpartisipasi dalam
Universitas Sumatera Utara
7
permainan atau games yang terkait erat dengan produk yang dipromosikan,
dengan jaminan mendapatkan hadiah-hadiah tertentu, dengan keterlibatan ini
pemasang iklan jenis ini berharap agar brand-nya diposisikan disekitar nilainilai dan kebutuhan sosial.
c. Lalu Time Signal, merupakan jenis iklan tanda waktu pada waktu atau jam
tertentu yang dianggap strategis.
Ada pula sponsor program / Talk Show, dalam penerapannya di radio, praktisi
radio menamakan program ini sebagai blocking time program, artinya adalah
pembelian jam siaran dengan durasi tertentu, untuk diisi dengan program khusus yang
dimiliki untuk tujuan kegiatan pemasaran. Jenis produk berupa Live Reportase, jenis
produk ini adalah perpaduan antara siaran On-Air maupun Off-Air, di mana pemasang
iklan menginginkan produknya lebih dikenal dimasyarakat dalam bentuk event
tertentu yang disiarkan secara langsung melalui radio.
Dan yang terakhir adalah Adlibs Radio Program (ARP), merupakan iklan
radio berupa teks tertulis (script) dibacakan dan diimprovisasi oleh penyiar radio
dalam pola penyampaiannya. Pemasang iklan dimanjakan dengan pilihan waktu
tayang iklan yang relatif menguntungkan dengan asumsi bahwa dalam jam tertentu
merupakan capaian pendengar dalam jumlah banyak, dan berikut
2.2 Algoritma Genetika
Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam
bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960an dan kemudian dikembangkan bersama murid dan rekan kerjanya di Universitas
Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan
Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat
memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena
adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke
dalam sistem komputer (Fariza, 2006).
Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode
yang digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah
optimasi yaitu permasalahan-permasalahan yang tak linier (Mitsuo & Runwei, 2000).
Algoritma genetika berbeda dengan teknik konvergensi konvensional yang
lebih bersifat deterministik (Gen & Cheng., 1997). Algoritma Genetik memakai
Universitas Sumatera Utara
8
mekanisme seleksi alam dan ilmu genetik sehingga istilah-istilah pada Algoritma
Genetik akan bersesuaian dengan istilah-istilah pada seleksi alam dan ilmu genetik.
Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai
kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai
populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang
disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol
ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosomkromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan
generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat
keberhasilan
nilai
solusinya
terhadap
masalah
yang
ingin
diselesaikan
(fungsi_objektif) menggunakan ukuran yang disebut dengan Fitness.
Secara umum tahapan proses dari algoritma genetika diperlihatkan pada
Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari
solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan
kedua-duanya atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan
melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring
(generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan
akan lebih baik dalam memperkirakan solusi optimum, proses iterasi kemudian
berlanjut sesuai dengan jumlah generasi yang telah ditetapkan.
Gambar 2.1. Ilustrasi tahapan proses dari algoritma genetika (Gen & Cheng, 1997)
Universitas Sumatera Utara
9
2.3
Struktur Umum Algoritma Genetika
Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan
langkah-langkah sebagai berikut:
1. Mulai
Proses algoritma genetika dimulai dengan membangun populasi random sebanyak n
kromosom (sesuai dengan masalahnya).
2. Populasi Awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi
yang diinginkan.
3. Evaluasi Fitness
Pada setiap generasi kromosom-kromosom akan dievaluasi berdasarkan tingkat
keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan
menggunakan evaluasi Fitness. Proses evaluasi Fitness adalah melakukan evaluasi
setiap Fitness f(x) dari setiap kromosom x pada populasi.
4. Pembentukan Generasi Baru
Proses ini dilakukan secara berulang sehingga didapatkan jumlah kromosom yang
cukup untuk membentuk generasi baru (offspring) di mana generasi baru merupakan
representasi dari solusi baru.
5. Seleksi
Untuk memilih kromosom yang akan tetap dipertahankan untuk generasi selanjutnya
maka dilakukan proses seleksi. Proses seleksi dilakukan dengan memilih 2 kromosom
parent dari populasi berdasarkan Fitnessnya (semakin besar Fitnessnya, maka
semakin besar kemungkinannya untuk terpilih).
6. Crossover
Proses selanjutnya melakukan perkawinan silang sesuai dengan besarnya kemungkinan
perkawinan silang, orang tua (parent) yang terpilih disilangkan untuk membentuk anak
(offspring). Jika tidak ada crossover, maka anak merupakan salinan dari orang tuanya.
Jumlah kromosom dalam populasi yang mengalami perkawinan silang (crossover)
ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang (crossover
probability, Pc).
Universitas Sumatera Utara
10
7. Mutasi
Proses mutasi dilakukan sesuai dengan besarnya kemungkinan mutasi yang telah
ditentukan, anak dimutasi pada setiap lokus (posisi pada kromosom). Jumlah gen
dalam populasi yang mengalami mutasi ditentukan oleh parameter yang disebut
dengan probabilitas mutasi (mutationr probabilit, Pm). Setelah beberapa generasi
akan dihasilkan, kromosom-kromosom yang nilai gennya konvergen ke suatu nilai
tertentu merupakan solusi optimum yang dihasilkan oleh algoritma genetika terhadap
permasalahan yang ingin diselesaikan.
8. Memenuhi syarat regenerasi
Apabila generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun,
apabila generasi baru tidak memenuhi syarat regenerasi, maka proses akan kembali ke
evaluasi Fitness.
Parameter yang digunakan dalam algoritma genetika adalah:
1. Fungsi Fitness untuk menentukan tingkat kesesuaian individu tersebut.
2. Populasi jumlah individu pada setiap generasi.
3. Probabilitas terjadinya crossover pada setiap generasi.
4. Probabitas terjadinya mutasi pada setiap generasi.
5. Jumlah generasi yang akan dibentuk.
Golberg (1989) mengemukakan bahwa algoritma genetika mempunyai karakteristikkarakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian
atau optimasi yang lain, yaitu:
1. Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan
berdasarkan parameter yang telah ditetapkan bukan parameter itu sendiri.
2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetika informasi fungsi objektif (Fitness), sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu
fungsi.
4. Algoritma genetika menggunakan aturan-aturan transisi peluang, bukan aturanaturan deterministik.
Pada algoritma genetika ini terdapat beberapa definisi penting yang harus dipahami
sebelumnya, yaitu:
Universitas Sumatera Utara
11
a. Gen
Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti
tertentu dalam satu kesatuan gen yang dinamakan kromosom.
b. Kromosom / Individu
Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan
menyatakan solusi yang mungkin dari suatu permasalahan.
c. Populasi
Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu
satuan siklus evolusi.
d. Fitness
Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan.
e. Seleksi
Seleksi merupakan proses untuk mendapatkan calon induk yang baik.
f. Crossover
Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk
tertentu.
g. Mutasi
Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.
h. Generasi
Generasi merupakan urutan iterasi di mana beberapa kromosom bergabung.
i. Offspring
Offspring merupakan kromosom baru yang dihasilkan.
Gambar 2.2 Individu dalam Algoritma Genetika
Universitas Sumatera Utara
12
2.4 Teknik Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi
suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika
menggunakan algoritma genetika (Desiani, 2005). Agar dapat diproses melalui
algoritma genetika, maka harus dikodekan terlebih dahulu ke dalam bentuk
kromosom. Kromosom akan berisi informasi sejumlah gen yang mengkodekan
informasi.
Ada beberapa jenis pengkodean yang dapat digunakan dalam algoritma
genetika yaitu pengkodean biner (binary encoding), pengkodean nilai (value
encoding), pengkodean permutasi (permutation enocding), pengkodean pohon (tree
encoding).
2.4.1
Pengkodean Biner
Pengkodean ini merupakan pengkodean yang sering digunakan dan paling sederhana.
Pada pengkodean biner setiap kromosom direpresentasikan dalam barisan bit 0 atau 1,
seperti dapat dilihat pada tabel 2.1 berikut ini:
Tabel 2.1 Contoh Pengkodean Biner
Kromosom A
10101011010
Kromosom B
11000010111
Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun
dengan jumlah nilai-nilai yang mungkin terjadi dalam suatu gen sedikit (0 atau 1).
Pengkodean ini sering tidak sesuai untuk beberapa masalah terkadang harus dilakukan
pengkoreksian setelah operasi crossover dan mutasi.
2.4.2
Pengkodean Nilai
Didalam pengkodean nilai setiap kromosom adalah string dari suatu nilai di mana nilai
yang dikodekan langsung merupakan representasi dari masalah seperti bilangan bulat,
desimal ataupun karakter. Contoh pengkodean ini dapat dilihat pada tabel 2.2 pada
halaman 13.
Universitas Sumatera Utara
13
Tabel 2.2 Contoh Pengkodean Nilai
2.4.3
Kromosom A
1.345, 4.534, 7.654, 8.789
Kromosom B
ABC, ADC, CBC, BCA
Kromosom C
1, 3, 4, 7, 5
Kromosom D
Forward, backward, right, left
Pengkodean Pohon
Pengkodean pohon digunakan untuk menyusun program atau ekspresi didalam
algoritma genetika. Dalam pengkodean pohon ini, setiap kromosom dinyatakan
sebagai sebuah pohon dari setiap objek, seperti fungsi atau perintah dalam bahasa
pemograman. Pengkodean pohon sangat baik dalam pembangunan sebuah program.
Bahasa pemrograman LISP biasanya sering menggunakan pengkodean pohon, karena
program didalamnya dapat direpresentasikan ke dalam bentuk ini, dan dapat dengan
mudah di parse menjadi sebuah pohon, sehingga crossover dan mutasi dapat
dilakukan dengan lebih mudah. Contoh pengkodean pohon dapat dilihat pada gambar
dibawah ini: (*(-(ab))(+(*(CD))(/(EF))))
Gambar 2.3 Pengkodean Pohon
2.4.4
Pengkodean Permutasi
Pengkodean permutasi adalah pengkodean yang digunakan dalam masalah pengurutan
data (ordering problem), seperti masalah wiraniaga (travelling salessman problem),
atau masalah pengurutan tugas (task ordering problem). Pada pengkodean ini setiap
kromosom merupakan barisan angka yang merepresentasikan angka dalam urutan.
Pengkodean ini berguna untuk masalah ordering, bahkan beberapa korelasi terhadap
Universitas Sumatera Utara
14
kromosom harus dilakukan untuk menjaga konsistensi representasi kromosom setelah
proses crossover dan mutasi. Sebagai contoh, dapat dilihat pada tabel 2.3 berikut ini:
Tabel 2.3 Contoh Pengkodean Permutasi
Kromosom A
2 6 7 5 1 3 4 9 8 10
Kromosom B
10 5 4 9 7 1 3 2 6 8
2.5 Membangkitkan Populasi Awal dan Kromosom
Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu atau
kromosom secara acak atau melalui prosedur tertentu. Ukuran untuk populasi
tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang
akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan
pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka
tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju
konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan
banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan
waktu ke arah konvergensi akan lebih lama (Goldberg, 1989).
2.6 Evaluasi Fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran
performansinya. Didalam evolusi alam, individu yang bernilai Fitness tinggi yang
akan bertahan hidup. Sedangkan individu yang bernilai Fitness rendah akan mati.
2.7 Seleksi
Dalam proses reproduksi setiap individu populasi pada suatu generasi diseleksi
berdasarkan nilai Fitness-nya untuk bereproduksi guna menghasilkan keturunan.
Probabilitas terpilihnya suatu individu untuk bereproduksi adalah sebesar nilai Fitness
individu tersebut dibagi dengan jumlah nilai Fitness seluruh individu dalam pupulasi
(Davis, 1991). Proses seleksi memiliki beberapa jenis metode, berikut ini adalah
beberapa metode seleksi yang sering digunakan yaitu:
Universitas Sumatera Utara
15
2.7.1
Seleksi Roda Roulette (Roulete Wheel Selection)
Metode seleksi roda roulette merupakan metode seleksi yang paling sederhana.
Metode ini juga sering dikenal dengan nama stochastic sampling with replacement.
Pada metode ini cara kerja seleksi berdasarkan nilai Fitness dari tiap individu, jadi
individu yang memiliki nilai Fitness terbaik mempunyai kesempatan lebih besar untuk
terpilih sebagai orang tua.
Langkah-langkah seleksi roulette wheel:
1. Dihitung nilai Fitness masing-masing individu (fi di mana i adalah individu ke
1 s/d ke-n )
2. Dihitung total Fitness semua individu ,
3. Dihitung Fitness relatif masing-masing individu
4. Dari Fitness relatif tersebut, dihitung Fitness kumulatifnya.
5. Dibangkitkan nilai random
6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih
dalam proses seleksi
2.7.2
Seleksi Ranking (Rank-based Fitness)
Seleksi ranking merupakan metode seleksi alternatif yang bertujuan untuk
menghindari terjadinya hasil konvergen yang terlalu cepat dari proses seleksi
orangtua. Pada metode seleksi ini, individu-indiviu pada tiap populasi diurutkan
berdasarkan nilai Fitnessnya sehingga nilai yang diharapkan dari tiap individu
bergantung kepada urutannya bukan hanya kepada nilai Fitnessnya.
2.7.3
Seleksi Turnamen (Turnament Selection)
Seleksi turnamen merupakan variasi dari seleksi roda roulette dan seleksi ranking.
Pada metode seleksi ini, kromosom dipilih secara acak, kemudian diranking untuk
diambil nilai Fitness terbaiknya.
2.8 Crossover
Crossover (pindah silang) adalah proses pemilihan posisi string secara acak dan
menukar karakter- karakter stringnya (Goldberg, 1989). Fungsi crossover adalah
Universitas Sumatera Utara
16
menghasilkan kromosom anak dari kombinasi materi-materi gen dua kromosom
induk. Probabilitas crossover (Pc) ditentukan untuk mengendalikan frekuensi
crossover.
2.8.1
One Point Crossover
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian dan
selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari string yang
lain yang telah dipisahkan dengan cara yang sama. Proses yang demikian dinamakan
operator crossover satu titik.
Contoh:
Induk 1: 11001 | 010
Induk 2: 00100 | 111
Diperoleh:
Anak 1: 11001 | 111
Anak 2: 00100 | 010
2.8.2
Two Point Crossover
Proses crossover ini dilakukan dengan memilih dua titik crossover. Kromosom
keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik
crossover pertama disalin dari orangtua pertama, bagian dari titik crossover pertama
dan kedua disalin dari orangtua kedua, kemudian selebihnya disalin dari orangtua
pertama lagi.
Contoh:
Induk 1: 110 | 010 | 10
Induk 2: 001 | 001 | 11
Diperoleh:
Anak 1: 110 | 001 | 10
Anak 2: 001 | 010 | 11
2.8.3
Uniform Crossover
Crossover seragam manghasilkan kromosom keturunan dengan menyalin bit-bit
secara acak dari kedua orangtuanya.
Universitas Sumatera Utara
17
Contoh:
11001011 + 11011101 = 11011111
2.8.4
Partially Mapped Crossover (PMX)
PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari
pindah silang dua-poin. Hal yang penting dari PMX adalah pindah silang dua poin
ditambah dengan beberapa prosedur tambahan.
Contoh:
Pilih posisi untuk menentukan substring secara acak
Induk 1: 1 2 3 | 4 5 6 | 7 8
Induk 2: 3 7 5 | 1 6 8 | 2 4
Diperoleh:
Anak 1 : 4 2 3 | 1 6 8 | 7 5
Anak 2 : 3 7 8 | 4 5 6 | 2 1
2.9
Mutasi
Operator mutasi dioperasikan sebagai cara untuk mengembalikan materi genetic yang
hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi
terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi mencegah
kehilangan total materi genetika setelah reproduksi dan pindah silang. Mutasi ini
berperan utuk menggantikan gen yang hilang dari populasi akibat seleksi yang
memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
2.9.1
Mutasi Pengkodean Biner
Mutasi pengkodean biner merupakan operasi yang sangat sederhana. Proses mutasi
pengkodean biner dilakukan dengan cara menginversi nilai bit pada kromosom yang
terpilih secara acak (atau menggunakan skema tertentu) dengan diubah nilainya
menjadi nilai lawannya (0 ke 1, atau 1 ke 0). Sebagai contoh, dapat dilihat pada tabel
2.4:
Universitas Sumatera Utara
18
Tabel 2.4 Contoh Mutasi Pengkodean Biner
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
1000 1111 1011 0110
Kromosom sesudah mutasi
10011 1011 0110
2.9.2
Mutasi Pengkodean Nilai
Mutasi pengkodean nilai adalah proses yang terjadi pada saat pengkodean nilai. Proses
mutasi dalam pengkodean nilai dapat dilakukan dengan cara memilih sembarang
posisi gen pada kromosom, dan nilai yang ada kemudian ditambahkan atau
dikurangkan dengan suatu nilai kecil tertentu yang diambil secara acak. Sebagai
contoh, dapat dilihat pada tabel berikut ini, yaitu nilai riil ditambahkan dan
dikurangkan dengan nilai 0 dan 1.
Tabel 2.5 Contoh Mutasi Pengkodean Nilai
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
1,45 2,67 1,87 2,56
Kromosom sesudah mutasi
1,55 2,67 1,77 2,56
2.9.3
Mutasi Pengkodean Permutasi
Proses mutasi pengkodean permutasi tidak sama halnya dengan proses mutasi yang
dilakukan pada pengkodean biner dengan mengubah langsung bit-bit pada kromosom.
Salah satu cara yang dapat dilakukan adalah dengan memilih dua posisi (locus) dari
kromosom dan kemudian nilainya saling dipertukarkan. Orangtua yang berada
dibawah titik crossover dipertukarkan untuk menghasilkan anak baru. Contoh Mutasi
pada pengkodean permutasi, dapat dilihat pada tabel di berikut ini:
Tabel 2.6 Contoh Mutasi Pengkodean Permutasi
Keadaan Kromosom
Proses Mutasi
Kromosom sebelum mutasi
123456789
Kromosom sesudah mutasi
127465839
Beberapa operator mutasi telah diciptakan untuk representasi permutasi, seperti
metode inversion, insertion, displacement, dan reciprocal exchange mutation.
Universitas Sumatera Utara
19
a. Inversion Mutation
Inversion mutation dilakukan dengan cara memilih substring secara acak kemudian
substring yang terpilih dibalik dan penempatan substring pada posisi yang sama.
Penyisipan tersebut posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada
gambar 2.4 berikut ini:
Gambar 2.4 Contoh Inversion Mutation
b. Insertion Mutation
Insertion Mutation dilakukan dengan cara memilih salah satu gen secara acak
kemudian gen yang terpilih disisipkan ke posisi yang lain. Penyisipan tersebut pada
posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.5 berikut
ini:
Gambar 2.5 Contoh Exchange Mutation
2.9.4
Mutasi Pengkodean Pohon
Mutasi pada pengkodean pohon dilakukan dengan cara mengubah operator ( +, -, *, / )
atau nilai yang terkandung dalam suatu verteks pohon yang dipilih. Atau dapat juga
dilakukan pemulihan dua verteks dari pohon dan saling mempertukarkan operator atau
nilainya. Contoh mutasi dalam pengkodean pohon dapat dilihat pada tabel 2.7:
Universitas Sumatera Utara
20
Tabel 2.7 Contoh Mutasi Pengkodean Pohon
2.10
Meknisme Algoritma Genetika
Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan
secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut
sebagai kromosom, sedangkan kumpulan kromosom tersebut disebut sebagai populasi.
Sebuah kromosom dibentuk dari komponen penyusun disebut dengan gen dan nilainya
dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari
permasalahan yang ingin diselesaikan.
Secara umum blok diagram dari mekanisme kerja algoritma genetika adalah
seperti pada Gambar 2.6.
Bangkitkan
populasi awal
Evaluasi
fungsi tujuan
Ya
Kriteria
optimasi
tercapai
Individuindividu
terbaik
Tidak
Mulai
Selesai
Seleksi
Bangkitkan
Populasi
awal
Kawin silang
Mutasi
2.11
Gambar 2.6 Meknisme Algoritma Genetika
Parameter – Parameter dalam Algoritma Genetika
Universitas Sumatera Utara
21
Parameter-parameter genetika berperan dalam pengendalian operator-operator
genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma
genetika. (Davis, 1991; Sundhararajan, 1994; Sastry, 2004). Parameter genetika yang
sering digunakan meliputi ukuran populasi (N), probabilitas pindah silang (Pc), dan
probabilitas mutasi (Pm). Pemilihan ukuran populasi yang digunakan tergantung pada
masalah yang akan diselesaikan. Untuk masalah yang lebih kompleks biasanya
diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur
(yang menghasilkan optimum lokal).
Pada tiap generasi, sebanyak Pc * N individu dalam populasi mengalami
pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur
individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan
terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat
dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat
mengakibatkan stagnasi karena rendahnya angka eksplorasi.
Probabilitas mutasi adalah probabilitas di mana setiap posisi bit pada tia string
dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam
satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak
Pm*N*L.
2.12
Parameter Genetik
Pengoperasian algoritma genetika dibutuhkan 3 parameter (Juniawati, 2003) yaitu:
1.
Probabilitas Persilangan (Crossover Probability)
Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak
terjadi crossover maka keturunannya akan sama persis dengan kromosom
orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi
yang lama. Jika probabilitas crossover 100% maka semua keturunannya
dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom
yang baru akan lebih baik.
2.
Probabilitas Mutasi (Mutation Probability)
Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah
kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah
crossover tidak berubah. Jika terjadi mutasi, bagian kromosom akan berubah. Jika
Universitas Sumatera Utara
22
probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada
yang mengalami mutasi.
3.
Ukuran Populasi
Menunjukkan jumlah kromosom yang terdapat dalam populasi. Jika hanya sedikit
kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit
variasi kemungkinan untuk melakukan crossover. Sebaliknya jika terlalu banyak
maka algoritma genetika akan berjalan lambat dalam menemukan solusi.
Ada beberapa rekomendasi parameter yang bisa digunakan, yaitu:
a. Untuk permasalahan yang memilki kawasan solusi cukup besar, De Jong
merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) =
(50;0,6;0,001).
b. Bila rata-rata Fitness setiap generasi digunakan sebagai indikator, maka
Grenfenstette merekomendasikan: (popsize;pc;pm) = (30;0,95;0,01)
c. Bila Fitness dari individu terbaik dipantau pada setiap generasi, maka
usulannya adalah: (popsize;pc;pm) = (80;0,45;0.01).
Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis
permasalahan.
2.13
Penelitian Terdahulu
Penelitian Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 yang berjudul Penerapan
algoritma genetika pada persoalan pedagang keliling (TSP). Pada penelitian ini
dilakukan penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan
oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika
ini menghasilkan solusi yang lebih optimal pada setiap generasinya.
Penelitian Marwana, 2012 yang berjudul Optimasi Penjadwalan Mata Kuliah
Menggunakan Algoritma Genetika Berbasis Permintaan Mahasiswa. Pada penelitian
ini dilakukan penyusunan jadwal mata kuliah menggunakan algoritma genetika.
Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata
kuliah (teori/praktek) yang diambil, kode dan nama mata kuliah yang diambil serta
hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika
sehingga diperoleh optimasi penjadwalan yaitu kondisi di mana terjadi kombinasi
terbaik antara mata kuliah dan waktu luang mahasiswa, serta ketersediaan ruangan
yang terbatas untuk seluruh mata kuliah yang ada. Program aplikasi dapat mencari
Universitas Sumatera Utara
23
solusi penjadwalan pada waktu yang dapat digunakan baik oleh mahasiswa dan
ruangan yang terlibat dalam suatu mata kuliah.
Penelitian Samuel dan kawan-kawan, 2005 yang berjudul Penerapan algoritma
genetika untuk Traveling Salesman Problem dengan menggunakan metode order
crossover dan Insertion Mutation. Pada penelitian ini membahas bagaimana algoritma
genetik menyelesaikan TSP dengan menggunakan order crossover sebagai teknik
rekombinasi dan insertion mutation sebagai teknik mutasi yang digunakan pada
algoritma genetik menunjukkan bahwa algoritma genetika dapat digunakan untuk
menyelesaikan masalah optimasi yang kompleks seperti mencari rute paling optimum,
menggunakan beberapa metode seleksi yaitu roulette wheel, elitism dan gabungan
antara metode roulette wheel dan elitism. Ada dua jenis crossover yang digunakan
yaitu one cut point crossover dan two cut point crossover; (Tamilarsi & Kumar 2010)
menemukan sebuah metode baru dalam penyelesaian masalah penjadwalan job shop
menggunakan hybrid Genetic Algorithm (GA) dengan Simulated Annealing (SA);
(Nasution, 2012) analisis penyelesaian TSP menggunakan partially mapped crossover
dengan menentukan nilai probabilitas crossover 20%, 40%, 60%, 80% dan 99%.
(Kusum Deep & Hadush Mebrahtu, 2012) membuat variasi pada partially mapped
crossover dengan menentukan letak kromosom dalam posisi acak. (Alfonsas &,
Bronislovas, 2005). membandingkan 10 operator crossover pada Quadratic
Assignment Problem di mana hasil yang diperoleh menunjukkan bahwa crossover
MPX mampu mendapakan solusi yang lebih baik dibandingkan operator lain yang
telah diuji. (Kusum Deep & Hadush Mebrahtu, 2011) menggabungkan 2 operator
mutasi untuk meningkatkan kerja algoritma genetika untuk meminimumkan cost pada
travelling salesman problem (TSP).
Penelitian Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya
E.R, 2010 yang berjudul Analisis Dan Implementasi Penjadwalan Dengan
Menggunakan Pengembangan Model Crossover Dalam Algoritma Genetika. Pada
penelitian ini terdapat 2 metode yang dikembangkan, pertama dengan memotong gen
hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan
dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak
merusak gen. Hasil analisis terhadap hasil uji coba menunjukan bahwa pengembangan
metode crossover dapat diimplementasikan pada kasus penjadwalan dan terlihat
bahwa metode yang memotong gen hanya pada gen yang bentrok lebih cepat
Universitas Sumatera Utara
24
mencapai nilai terbaik atau mendekati 1 daripada metode yang hanya merandom gen
saja. Dari nilai akhir juga terlihat bahwa metode yang memotong gen pada gen yang
bentrok memiliki nilai akhir lebih baik. Selain itu kedua metode ini mampu
meminimalisir kerusakan pada kromosom hasil dari crossover.
Penelitian Bangun et al, 2012 yang berjudul Penerapan Konsep Algoritma
Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012
di Jurusan Matematika FMIPA UNSRI. Pada penelitian ini, konsep algoritma genetika
diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil
kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh
penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan. Jadwal yang
telah dihasilkan merupakan jadwal yang diperoleh dari kromosom 5 generasi ke-19.
Penelitian Ridha Apriani, 2012 yang berjudul Algoritma genetika untuk
menyelesaikan permasalahan penjadwalan perkuliahan dan praktikum. Pada penelitian
ini
pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih
cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses
penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda.
Penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah
penjadwalan mata kuliah di Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Gadjah Mada dengan menggunakan algoritma genetika. Pada penelitian
ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen,
metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm
umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih
baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar
300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu
dibandingkan dengan jumlah populasi yang lebih sedikit.
Pada penelitian Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011
yang berjudul Application of genetic algorithm Optimized neural network Connection
weights for medical Diagnosis of pima Indians diabetes. Pada penelitian ini dilakukan
hibridisasi algoritma genetika dengan jaringan syaraf tiruan (JST). Jaringan saraf
adalah salah satu dari banyak data mining alat analisis yang dapat digunakan untuk
membuat prediksi data medis. Pemilihan model untuk jaringan saraf memerlukan
berbagai faktor seperti pemilihan optimal jumlah node tersembunyi, pemilihan
Universitas Sumatera Utara
25
variabel input yang relevan dan pemilihan koneksi optimal bobot. Makalah ini
menyajikan penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan
Backpropagation (BP) di mana GA digunakan untuk menginisialisasi dan
mengoptimalkan bobot koneksi pada BP. Fitur signifikan diidentifikasi dengan
menggunakan dua metode Pohon Keputusan. Metode GA CFS digunakan sebagai
masukan untuk model hibrida untuk diagnosa diabetes mellitus. Hasilnya
membuktikan bahwa, GA dioptimalkan dengan algoritma BP dapat mengungguli
pendekatan BP tanpa GAi. Selain hybrid GA-BPN dengan input yang relevan
menyebabkan lebih improvisasi akurasi kategorisasi dibandingkan dengan hasil yang
dihasilkan oleh GA-BPN sendiri dengan beberapa masukan yang berlebihan.
Pada penelitian Indira K & Kanmani, 2012 yang berjudul Performance
Analysis of Genetic Algorithm for Mining Association Rules. Pada penelitian ini aturan
asosiasi (AR) mining adalah tugas data mining yang mencoba untuk menemukan
pola-pola yang menarik atau hubungan antar data dalam database besar. Algoritma
genetika (GA) berdasarkan prinsip evolusi telah menemukan dasar yang kuat dalam
AR datamining. Makalah ini menganalisis kinerja GA di mining AR secara efektif
berdasarkan variasi dan modifikasi dalam parameter GA. Algoritma genetik telah
terbukti menghasilkan hasil yang lebih akurat bila dibandingkan dengan metode
formal lain yang tersedia. Kebugaran fungsi, tingkat Crossover, dan tingkat mutasi
parameter terbukti menjadi parameter utama yang terlibat dalam pelaksanaan
algoritma genetika. Variasi dan modifikasi diperkenalkan di parameter utama GA
yang ditemukan memiliki dampak yang lebih besar meningkatkan akurasi dari sistem
cukup. kecepatan dari sistem ini ditemukan untuk meningkatkan seleksi dan
mengapdate fungsi yang diubah.
Universitas Sumatera Utara
26
Tabel 2.8 Penelitian Terdahulu
No.
Nama dan Tahun
Metode
Keterangan
1
Aulia Fitrah, Achmad
Zaky, Fitrasani, 2012
Algoritma
Genetika
Penyelesaian TSP
menggunakan algoritma
genetika. Solusi yang
dihasilkan oleh algoritma ini
belum merupakan solusi paling
optimal namun algoritma
genetika ini menghasilkan
solusi yang lebih optimal pada
setiap generasinya
2
Marwana, 2012
Algoritma
Genetika
Proses penelitian menggunakan
data input berupa mahasiswa
dengan jumlah mata kuliah
(teori/praktek) yang diambil,
kode dan nama mata kuliah
yang diambil serta hari dan sesi
jadwal yang bisa, kemudian
diolah menggunakan algoritma
genetika
3
Samuel dan kawankawan, 2005
Algoritma
Genetika
penyelesaian masalah
penjadwalan job shop
menggunakan hybrid Genetic
Algorithm (GA) dengan
Simulated Annealing (SA)
4
Made Darma Yunantara, I
Gede Santi Astawa, Ngr.
Agus Sanjaya E.R, 2010
Algoritma
Genetika
Menggunakan 2 metode yang
dikembangkan, pertama
dengan memotong gen hanya
pada gen yang mengalami
bentrok, dan yang kedua
merandom gen yang akan
dipotong. Gen dipotong secara
utuh tidak memotong ditengah
gen, sehingga tidak merusak
gen
5
Bangun et al, 2012
Algoritma
Genetika
Konsep algoritma genetika
diaplikasikan pada proses
penjadwalan kegiatan
perkuliahan semester ganjil
kurikulum 2012 di Jurusan
Matematika FMIPA UNSRI.
Hasil proses diperoleh
penjadwalan yang memenuhi
kondisi dan syarat yang telah
ditentukan
Universitas Sumatera Utara
27
Tabel 2.9 Penelitian Terdahulu (Lanjutan)
No.
Nama dan Tahun
6 Ridha Apriani, 2012
Metode
Keterangan
Algoritma
Genetika
Algoritma Genetika digunakan
untuk pencarian solusi
penjadwalan perkuliahan dan
praktikum dengan waktu yang
lebih cepat
7
Justina Adamanti, 2002
Algoritma
Genetika
Pada penelitian ini diperoleh
hasil uji parameter, metode
seleksi terbaik adalah seleksi
turnamen, metode perkawinan
silang terbaik adalah
perkawinan silang banyak titik,
tanpa elitsm umumnya lebih
cepat menyelesaikan
penjadwalan dan jumlah
populasi yang lebih baik dalam
menyelesaikan permasalahan
penjadwalan mata kuliah.
8
Karegowda, A. G.,
Manjunath, A.S. &
Jayaram, M.A., 2011
Algoritma
Genetika
penerapan model hibrida yang
mengintegrasikan Algoritma
Genetika dan Backpropagation
(BP) di mana GA digunakan
untuk menginisialisasi dan
mengoptimalkan bobot koneksi
pada BP
9
Indira K & Kanmani,
2012
Algoritma
Genetika
Algoritma Genetika digunakan
dalam data mining untuk
menemukan pola-pola yang
menarik atau hubungan antar
data dalam database besar
Universitas Sumatera Utara