Analisis Kinerja Greedy Crossover (Gx) Pada Algoritma Genetika Untuk Rostering
17
BAB 1
PENDAHULUAN
1.2.
Latar Belakang
Algoritma genetika adalah salah satu algoritma pencarian heuristik yang sangat baik
digunakan dalam menyelesaikan berbagai masalah optimasi. Algoritma genetika
merupakan algoritma optimasi yang bekerja berdasarkan atas seleksi dan genetika
alam (Golberg & Richardson, 1997). Algoritma genetika termasuk algoritma yang
cukup sulit karena terdapat berbagai komponen yang harus diterapkan untuk
memenuhi hasil yang optimal dari optimasi tersebut, adapun komponen-komponen
tersebut meliputi populasi awal, fungsi fitness, seleksi, crossover, mutasi, dan
berbagai faktor lainnya. Keseluruhan komponen tersebut saling mempengaruhi antara
satu dengan yang lainnya sebagai satu kesatuan dalam sebuah sistem (Pedro &
Gomez, 2007).
Algoritma genetika merupakan suatu proses pencarian yang heuristik dan acak
sehingga penekanan pemilihan operator yang digunakan sangat menentukan
keberhasilan
algoritma
genetika
dalam
menemukan
solusi
optimum
suatu
masalah yang diberikan. Hal yang harus diperhatikan adalah menghindari
terjadinya konvergensi premature, yaitu mencapai solusi optimum yang belum
waktunya, dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal.
Operator-operator tersebut adalah operator seleksi, crossover dan mutasi (Malhotra et
al. 2011).
Berbagai penelitian telah banyak dilakukan terhadap operator-operator pada
algoritma genetika klasik, salah satu operator tersebut adalah operator crossover atau
pindah silang. Operator crossover ini digunakan untuk menghasilkan kromosom anak.
Otman & Jaafar (2011) melakukan penelitian dengan membandingkan enam metode
crossover pada dataset TSPBERLIN52 yang menyatakan bahwa metode ordered
crossover merupakan metode yang lebih baik dari pada metode crossover klasik.
Penelitian terdahulu yang terkait lainnya menggunakan algoritma genetika yaitu
penelitian yang dilakukan oleh Sallabi & El-Haddad (2009). Mereka melakukan
modifikasi pada metode crossover klasik yang disebut dengan swapped inverted
crossover (SIC), kemudian melakukan multi mutation operation dan terakhir
Universitas Sumatera Utara
18
menambahkan metode partial local mutation operation. Hasil yang diperoleh
menunjukkan peningkatan kinerja algoritma genetika.
Pada kasus rostering operator crossover yang ada pada algoritma genetika klasik
seperti metode one point crossover dan two point crossover dinilai kurang efisien
untuk diterapkan, dimana pada metode crossover ini sebahagian gen pada kromosom
yang satu akan dipertukarkan dengan sebahagian gen pada kromosom yang lainnya
dan pemilihan titik potong dilakukan secara acak (random) pada setiap kromosom.
Hal ini mengingat pada kasus rostering kromosom terdiri dari serangkaian gen yang
tersusun dan saling berkaitan satu dengan lainnya. Dimana dengan menggunakan
metode crossover pada algoritma klasik akan merusak susunan gen dalam sebuah
kromosom yang telah tersusun dengan baik atau sesuai. Ismkhan & Zamanifar (2012)
melakukan penelitian dengan melakukan pengembangan metode greedy crossover
untuk meningkatkan kinerja algoritma genetika. Hasil yang diperoleh menunjukkan
peningkatan kinerja algoritma genetika.
Berdasarkan penelitian diatas penulis tertarik untuk meneliti algoritma genetika
dengan menggunakan metode greedy crossover dalam menyelesaikan masalah
rostering, untuk mencari solusi yang lebih bervariasi dalam meminimalisir kelemahan
yang terdapat pada algoritma genetika tersebut.
1.3. Rumusan Masalah
Salah satu kelemahan yang terdapat pada algoritma genetika adalah sering
menimbulkan efek yang tidak baik berupa konvergensi prematur dalam menemukan
solusi optimal dan sering terjebak pada nilai optimum lokal. Hal tersebut dapat
diakibatkan dari kinerja beberapa operator yang terdapat pada algoritma genetika
diantaranya adalah operator crossover. Pada algoritma genetika klasik operator
crossover bekerja dengan secara acak atau random. Pada permasalahan optimasi yang
cukup sulit kinerja dari operator crossover ini kurang efisien untuk diterapkan. Untuk
itu perlu dianalisis apa yang dapat dilakukan untuk meningkatkan kinerja crossover.
1.4. Batasan Masalah
Mengingat begitu luasnya ruang lingkup yang berkaitan dengan Algoritma Genetika
(GA) dan adanya keterbatasan waktu dan pengetahuan peneliti, oleh karena itu untuk
Universitas Sumatera Utara
19
menyajikan hasil penelitian yang efektif dan efisien penulis perlu melakukan
pembatasan masalah penelitian yaitu :
1. Algoritma genetika yang diterapkan adalah algoritma genetika dengan
menggunakan Roulette Wheel selection pada bagian seleksi karena lebih
sederhana dan mudah untuk diterapkan.
2. Penelitian ini akan menganalisis penerapan metode greedy crossover dengan
membandingkan terhadap kinerja operator crossover pada algoritma genetika
klasik seperti one point crossover dan two point crossover.
3. Sebagai contoh kasus data yang digunakan pada penelitian ini adalah data
penjadwalan pada SMP Negeri 5 Pematangsiantar.
1.5.
Tujuan Penelitian
Tujuan dari penulisan penelitian ini adalah untuk menganalisis kinerja dari algoritma
genetika dengan menggunakan metode greedy crossover dan menganalisis perbedaan
hasil rostering pada algoritma genetika dengan metode greedy crossover dan tanpa
menggunakan metode greedy crossover.
1.6. Manfaat Penelitian
Penulisan penelitian ini diharapkan memiliki manfaat sebagai berikut :
1. Menambah pengetahuan bagi peneliti tentang penggunaan dan efektivitas
kinerja dari metode greedy crossover pada algoritma genetika dalam
menyelesaikan masalah rostering.
2. Dapat mengetahui sejauh mana tingkat perbaikan optimasi yang dapat dicapai
dengan menggunakan metode greedy crossover.
3. Hasil penelitian ini dapat menjadi rujukan para pembaca dalam memahami
penggunaan algoritma genetika dan metode greedy crossover.
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.2.
Latar Belakang
Algoritma genetika adalah salah satu algoritma pencarian heuristik yang sangat baik
digunakan dalam menyelesaikan berbagai masalah optimasi. Algoritma genetika
merupakan algoritma optimasi yang bekerja berdasarkan atas seleksi dan genetika
alam (Golberg & Richardson, 1997). Algoritma genetika termasuk algoritma yang
cukup sulit karena terdapat berbagai komponen yang harus diterapkan untuk
memenuhi hasil yang optimal dari optimasi tersebut, adapun komponen-komponen
tersebut meliputi populasi awal, fungsi fitness, seleksi, crossover, mutasi, dan
berbagai faktor lainnya. Keseluruhan komponen tersebut saling mempengaruhi antara
satu dengan yang lainnya sebagai satu kesatuan dalam sebuah sistem (Pedro &
Gomez, 2007).
Algoritma genetika merupakan suatu proses pencarian yang heuristik dan acak
sehingga penekanan pemilihan operator yang digunakan sangat menentukan
keberhasilan
algoritma
genetika
dalam
menemukan
solusi
optimum
suatu
masalah yang diberikan. Hal yang harus diperhatikan adalah menghindari
terjadinya konvergensi premature, yaitu mencapai solusi optimum yang belum
waktunya, dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal.
Operator-operator tersebut adalah operator seleksi, crossover dan mutasi (Malhotra et
al. 2011).
Berbagai penelitian telah banyak dilakukan terhadap operator-operator pada
algoritma genetika klasik, salah satu operator tersebut adalah operator crossover atau
pindah silang. Operator crossover ini digunakan untuk menghasilkan kromosom anak.
Otman & Jaafar (2011) melakukan penelitian dengan membandingkan enam metode
crossover pada dataset TSPBERLIN52 yang menyatakan bahwa metode ordered
crossover merupakan metode yang lebih baik dari pada metode crossover klasik.
Penelitian terdahulu yang terkait lainnya menggunakan algoritma genetika yaitu
penelitian yang dilakukan oleh Sallabi & El-Haddad (2009). Mereka melakukan
modifikasi pada metode crossover klasik yang disebut dengan swapped inverted
crossover (SIC), kemudian melakukan multi mutation operation dan terakhir
Universitas Sumatera Utara
18
menambahkan metode partial local mutation operation. Hasil yang diperoleh
menunjukkan peningkatan kinerja algoritma genetika.
Pada kasus rostering operator crossover yang ada pada algoritma genetika klasik
seperti metode one point crossover dan two point crossover dinilai kurang efisien
untuk diterapkan, dimana pada metode crossover ini sebahagian gen pada kromosom
yang satu akan dipertukarkan dengan sebahagian gen pada kromosom yang lainnya
dan pemilihan titik potong dilakukan secara acak (random) pada setiap kromosom.
Hal ini mengingat pada kasus rostering kromosom terdiri dari serangkaian gen yang
tersusun dan saling berkaitan satu dengan lainnya. Dimana dengan menggunakan
metode crossover pada algoritma klasik akan merusak susunan gen dalam sebuah
kromosom yang telah tersusun dengan baik atau sesuai. Ismkhan & Zamanifar (2012)
melakukan penelitian dengan melakukan pengembangan metode greedy crossover
untuk meningkatkan kinerja algoritma genetika. Hasil yang diperoleh menunjukkan
peningkatan kinerja algoritma genetika.
Berdasarkan penelitian diatas penulis tertarik untuk meneliti algoritma genetika
dengan menggunakan metode greedy crossover dalam menyelesaikan masalah
rostering, untuk mencari solusi yang lebih bervariasi dalam meminimalisir kelemahan
yang terdapat pada algoritma genetika tersebut.
1.3. Rumusan Masalah
Salah satu kelemahan yang terdapat pada algoritma genetika adalah sering
menimbulkan efek yang tidak baik berupa konvergensi prematur dalam menemukan
solusi optimal dan sering terjebak pada nilai optimum lokal. Hal tersebut dapat
diakibatkan dari kinerja beberapa operator yang terdapat pada algoritma genetika
diantaranya adalah operator crossover. Pada algoritma genetika klasik operator
crossover bekerja dengan secara acak atau random. Pada permasalahan optimasi yang
cukup sulit kinerja dari operator crossover ini kurang efisien untuk diterapkan. Untuk
itu perlu dianalisis apa yang dapat dilakukan untuk meningkatkan kinerja crossover.
1.4. Batasan Masalah
Mengingat begitu luasnya ruang lingkup yang berkaitan dengan Algoritma Genetika
(GA) dan adanya keterbatasan waktu dan pengetahuan peneliti, oleh karena itu untuk
Universitas Sumatera Utara
19
menyajikan hasil penelitian yang efektif dan efisien penulis perlu melakukan
pembatasan masalah penelitian yaitu :
1. Algoritma genetika yang diterapkan adalah algoritma genetika dengan
menggunakan Roulette Wheel selection pada bagian seleksi karena lebih
sederhana dan mudah untuk diterapkan.
2. Penelitian ini akan menganalisis penerapan metode greedy crossover dengan
membandingkan terhadap kinerja operator crossover pada algoritma genetika
klasik seperti one point crossover dan two point crossover.
3. Sebagai contoh kasus data yang digunakan pada penelitian ini adalah data
penjadwalan pada SMP Negeri 5 Pematangsiantar.
1.5.
Tujuan Penelitian
Tujuan dari penulisan penelitian ini adalah untuk menganalisis kinerja dari algoritma
genetika dengan menggunakan metode greedy crossover dan menganalisis perbedaan
hasil rostering pada algoritma genetika dengan metode greedy crossover dan tanpa
menggunakan metode greedy crossover.
1.6. Manfaat Penelitian
Penulisan penelitian ini diharapkan memiliki manfaat sebagai berikut :
1. Menambah pengetahuan bagi peneliti tentang penggunaan dan efektivitas
kinerja dari metode greedy crossover pada algoritma genetika dalam
menyelesaikan masalah rostering.
2. Dapat mengetahui sejauh mana tingkat perbaikan optimasi yang dapat dicapai
dengan menggunakan metode greedy crossover.
3. Hasil penelitian ini dapat menjadi rujukan para pembaca dalam memahami
penggunaan algoritma genetika dan metode greedy crossover.
Universitas Sumatera Utara