Analisis Performansi Pada Penerapan Hukum Ketetapan Hardy-Weinberg Dalam Algoritma Genetika
BAB I
PENDAHULUAN
1.1 Latar Belakang
Algoritma genetika adalah salah satu metode metaheuristik yang digunakan untuk
menyelesaikan permasalahan optimasi. Algoritma genetika diciptakan pada tahun 1975
oleh John Holland yang mengemukakan komputasi berbasis evolusi dalam bukunya
yang berjudul “Adaption in Natural and Artificial Intelligence”. Tujuannya adalah
untuk membuat mesin dapat melakukan apa yang alam lakukan. Holland
mengemukakan sebuah algoritma yang memfokuskan diri pada manipulasi string dalam
bentuk binary bit yang diambil dari konsep abstrak dari evolusi alam. Tahapan
algoritma genetika yang dikemukakan dapat direpresentasikan sebagai tahapan
berurutan sebagai bentuk populasi dari kromosom buatan menjadi sebuah populasi baru
(Negnevitsky, 2005).
Algoritma genetika merupakan suatu mekanisme yang dapat melakukan
pencarian dengan meniru sistem seleksi alam dan genetika alamiah. Pengaplikasian
algoritma genetika biasanya menggambarkan proses evolusi, dengan menghasilkan
kromosom-kromosom dari tiap populasi secara acak dan memungkinkan kromosom
tersebut berkembang biak sesuai dengan hukum evolusi yang diharapkan akan dapat
menghasilkan suatu individu yang lebih baik lagi. Setelah didapat suatu individu yang
baru diharapkan individu tersebut dapat menjadi solusi yang baik dari permasalahan
yang dibahas. Sebutan untuk algoritma genetika yang umum digunakan adalah
algoritma genetika umum atau algoritma genetika klasik.
Algoritma genetika dapat digunakan untuk berbagai permasalahan optimasi.
Salah satunya TSP atau Traveling Salesman Problem. TSP atau Traveling Salesman
Problem merupakan persoalan yang memiliki konsep untuk menemukan rute perjalanan
terpendek dalam melewati sejumlah kota dengan jalur dan jarak tertentu sehingga setiap
kota hanya dilewati satu kali saja dan perjalanan berakhir pada kota semula.
Pada penelitian (Al-Dulaimi & Ali, 2008) algoritma genetika digunakan untuk
menyelesaikan permasalahan TSP. Di mana TSP merupakan permasalahan NP-
Universitas Sumatera Utara
2
Complete yang dikodekan dalam bentuk genetik. Algoritma genetika digunakan untuk
menentukan rute optimal dengan menghitung matriks jarak Euclidean antar kota-kota
yang akan dikunjungi dan urutan kota yang dipilih secara acak sebagai populasi awal.
Generasi baru dibuat secara berulang-ulang sampai rute optimal dicapai.
Ahmed (2010) mengembangkan algoritma genetika untuk permasalahan
Traveling Salesman Problem (TSP) menggunakan operator crossover baru yaitu
Sequential Constructive Crossover (SCX) yang menghasilkan solusi berkualitas tinggi.
Di mana operator SCX membangun keturunan dari sepasang induk menggunakan tepi
yang lebih baik atas dasar nilai-nilai yang mungkin ada dalam struktur induk yang
menjaga urutan node dalam kromosom induk.
Menurut Gen & Cheng (1997), algoritma genetika memiliki beberapa kelebihan
yaitu algoritma ini hanya melakukan sedikit perhitungan matematis yang berhubungan
dengan masalah yang ingin diselesaikan. Kemudian operator-operator evolusi yang
digunakan membuat algoritma ini sangat efektif pada pencarian global, dan memiliki
fleksibilitas yang tinggi untuk di-hybrid-kan dengan metode pencarian lainnya agar
lebih efektif.
Selain kelebihan, algoritma genetika juga memiliki kekurangan (Sivanandam &
Deepa, 2008) yaitu permasalahan dalam melakukan identifikasi fungsi fitness,
mendefinisikan suatu permasalahan, terjadinya konvergensi yang prematur, banyaknya
parameter yang akan digunakan seperti jumlah populasi (population size), tingkat
mutasi (mutation rate), tingkat persilangan (crossover rate), metode seleksi, dan yang
terakhir tidak dapat digunakan untuk permasalahan local optima .
Variasi genetika pertama kali diperkenalkan didalam bidang biologi, khususnya
untuk bidang mikrobiologi, yang menjadi dasar evolusi suatu makhluk hidup. Variasi
genetika adalah variasi yang dilakukan terhadap gen suatu individu, baik didalam dan
diantara populasi. Gen adalah setiap kode untuk tubuh manusia yang menentukan warna
rambut, warna mata, tinggi badan, dan fitur-fitur genetik lainnya.
Variasi genetik merupakan jalur penting untuk seleksi alam karena menciptakan
kemungkinan-kemungkinan genetik baru dalam dan di antara populasi. Mutasi genetik,
aliran gen, dan kombinasi genetik baru adalah cara-cara untuk meningkatkan variasi
genetik.
Hukum Hardy-Weinberg atau yang sering disebut dengan Hukum Ketetapan
Hardy-Weinberg yang merupakan cabang ilmu dari variasi genetika menyatakan bahwa
Universitas Sumatera Utara
3
frekuensi gen dalam suatu populasi akan tetap konstan, yaitu berada dalam
kesetimbangan dari satu generasi ke generasi berikutnya kecuali apabila terdapat
pengaruh-pengaruh tertentu yang mengganggu kesetimbangan tersebut. Pengaruhpengaruh yang dapat mengganggu kesetimbangan antara lain perkawinan tak acak,
mutasi, seleksi, ukuran populasi terbatas, dan aliran gen (Vogel & Motulsky, 1997).
Dalam penelitian Nowostawski & Poli (1999) dipaparkan mengenai taksonomi
dari algoritma genetika paralel (parallel genetic algorithm) yang memiliki kemampuan
yang lebih baik dari algoritma genetika umum dalam hal kinerja dan skalabilitasnya.
Algoritma genetika paralel hanya cocok untuk permasalahan jaringan komputer
heterogen dan sistem terdistribusi.
Berdasarkan penelitian yang sudah pernah dilakukan oleh penulis lain dan dari
uraian di atas maka penulis tertarik untuk melakukan penelitian bagaimana menerapkan
hukum ketetapan Hardy-Weinberg dari bidang biologi ke dalam algoritma genetika dan
melakukan analisis terhadap performansinya dan membandingkannya dengan algoritma
genetika umum serta melakukan modifikasi terhadap hukum ketetapan HardyWeinberg dengan mutasi rate yang kecil.
1.2 Perumusan Masalah
Banyaknya parameter yang harus digunakan pada algoritma genetika dalam
menentukan solusi dari suatu permasalahan dapat menurunkan performansi dari
algoritma genetika tersebut. Bagaimana jika ditenerapkan hukum ketetapan HardyWeinberg pada algoritma genetika? Apakah terjadi peningkatan performansi
dibandingkan algoritma genetika umum?
1.3 Pembatasan Masalah
Dari perumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
1. Analisis performansi dilakukan dengan membandingkan proses algoritma
genetika umum, algoritma genetika yang menerapkan hukum ketetapan HardyWeinberg dan algoritma genetika yang menerapkan modifikasi dari hukum
ketetapan Hardy-Weinberg.
2. Pengukuran performansi tidak menggunakan big-O.
3. Performansi yang dibahas adalah hasil jarak terpendek dan kecepatan dalam
menghasilkan solusi.
Universitas Sumatera Utara
4
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah menganalisis kinerja Hukum Ketetapan Hardy-Weinberg
yang diterapkan pada algoritma genetika terhadap performansi kecepatan dan nilai jarak
terpendek pada permasalahan TSP.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Melalui penelitian ini penulis memperoleh hasil analisis mengenai performansi
terhadap kecepatan dan nilai jarak terpendek pada penerapan Hukum Ketetapan
Hardy-Weinberg dalam algoritma genetika.
2. Mengetahui lebih mendalam terhadap pengaruh penerapan metode biologi yaitu
hukum ketetapan Hardy-Weinberg kedalam algoritma komputasi yaitu
algoritma genetika.
Universitas Sumatera Utara
PENDAHULUAN
1.1 Latar Belakang
Algoritma genetika adalah salah satu metode metaheuristik yang digunakan untuk
menyelesaikan permasalahan optimasi. Algoritma genetika diciptakan pada tahun 1975
oleh John Holland yang mengemukakan komputasi berbasis evolusi dalam bukunya
yang berjudul “Adaption in Natural and Artificial Intelligence”. Tujuannya adalah
untuk membuat mesin dapat melakukan apa yang alam lakukan. Holland
mengemukakan sebuah algoritma yang memfokuskan diri pada manipulasi string dalam
bentuk binary bit yang diambil dari konsep abstrak dari evolusi alam. Tahapan
algoritma genetika yang dikemukakan dapat direpresentasikan sebagai tahapan
berurutan sebagai bentuk populasi dari kromosom buatan menjadi sebuah populasi baru
(Negnevitsky, 2005).
Algoritma genetika merupakan suatu mekanisme yang dapat melakukan
pencarian dengan meniru sistem seleksi alam dan genetika alamiah. Pengaplikasian
algoritma genetika biasanya menggambarkan proses evolusi, dengan menghasilkan
kromosom-kromosom dari tiap populasi secara acak dan memungkinkan kromosom
tersebut berkembang biak sesuai dengan hukum evolusi yang diharapkan akan dapat
menghasilkan suatu individu yang lebih baik lagi. Setelah didapat suatu individu yang
baru diharapkan individu tersebut dapat menjadi solusi yang baik dari permasalahan
yang dibahas. Sebutan untuk algoritma genetika yang umum digunakan adalah
algoritma genetika umum atau algoritma genetika klasik.
Algoritma genetika dapat digunakan untuk berbagai permasalahan optimasi.
Salah satunya TSP atau Traveling Salesman Problem. TSP atau Traveling Salesman
Problem merupakan persoalan yang memiliki konsep untuk menemukan rute perjalanan
terpendek dalam melewati sejumlah kota dengan jalur dan jarak tertentu sehingga setiap
kota hanya dilewati satu kali saja dan perjalanan berakhir pada kota semula.
Pada penelitian (Al-Dulaimi & Ali, 2008) algoritma genetika digunakan untuk
menyelesaikan permasalahan TSP. Di mana TSP merupakan permasalahan NP-
Universitas Sumatera Utara
2
Complete yang dikodekan dalam bentuk genetik. Algoritma genetika digunakan untuk
menentukan rute optimal dengan menghitung matriks jarak Euclidean antar kota-kota
yang akan dikunjungi dan urutan kota yang dipilih secara acak sebagai populasi awal.
Generasi baru dibuat secara berulang-ulang sampai rute optimal dicapai.
Ahmed (2010) mengembangkan algoritma genetika untuk permasalahan
Traveling Salesman Problem (TSP) menggunakan operator crossover baru yaitu
Sequential Constructive Crossover (SCX) yang menghasilkan solusi berkualitas tinggi.
Di mana operator SCX membangun keturunan dari sepasang induk menggunakan tepi
yang lebih baik atas dasar nilai-nilai yang mungkin ada dalam struktur induk yang
menjaga urutan node dalam kromosom induk.
Menurut Gen & Cheng (1997), algoritma genetika memiliki beberapa kelebihan
yaitu algoritma ini hanya melakukan sedikit perhitungan matematis yang berhubungan
dengan masalah yang ingin diselesaikan. Kemudian operator-operator evolusi yang
digunakan membuat algoritma ini sangat efektif pada pencarian global, dan memiliki
fleksibilitas yang tinggi untuk di-hybrid-kan dengan metode pencarian lainnya agar
lebih efektif.
Selain kelebihan, algoritma genetika juga memiliki kekurangan (Sivanandam &
Deepa, 2008) yaitu permasalahan dalam melakukan identifikasi fungsi fitness,
mendefinisikan suatu permasalahan, terjadinya konvergensi yang prematur, banyaknya
parameter yang akan digunakan seperti jumlah populasi (population size), tingkat
mutasi (mutation rate), tingkat persilangan (crossover rate), metode seleksi, dan yang
terakhir tidak dapat digunakan untuk permasalahan local optima .
Variasi genetika pertama kali diperkenalkan didalam bidang biologi, khususnya
untuk bidang mikrobiologi, yang menjadi dasar evolusi suatu makhluk hidup. Variasi
genetika adalah variasi yang dilakukan terhadap gen suatu individu, baik didalam dan
diantara populasi. Gen adalah setiap kode untuk tubuh manusia yang menentukan warna
rambut, warna mata, tinggi badan, dan fitur-fitur genetik lainnya.
Variasi genetik merupakan jalur penting untuk seleksi alam karena menciptakan
kemungkinan-kemungkinan genetik baru dalam dan di antara populasi. Mutasi genetik,
aliran gen, dan kombinasi genetik baru adalah cara-cara untuk meningkatkan variasi
genetik.
Hukum Hardy-Weinberg atau yang sering disebut dengan Hukum Ketetapan
Hardy-Weinberg yang merupakan cabang ilmu dari variasi genetika menyatakan bahwa
Universitas Sumatera Utara
3
frekuensi gen dalam suatu populasi akan tetap konstan, yaitu berada dalam
kesetimbangan dari satu generasi ke generasi berikutnya kecuali apabila terdapat
pengaruh-pengaruh tertentu yang mengganggu kesetimbangan tersebut. Pengaruhpengaruh yang dapat mengganggu kesetimbangan antara lain perkawinan tak acak,
mutasi, seleksi, ukuran populasi terbatas, dan aliran gen (Vogel & Motulsky, 1997).
Dalam penelitian Nowostawski & Poli (1999) dipaparkan mengenai taksonomi
dari algoritma genetika paralel (parallel genetic algorithm) yang memiliki kemampuan
yang lebih baik dari algoritma genetika umum dalam hal kinerja dan skalabilitasnya.
Algoritma genetika paralel hanya cocok untuk permasalahan jaringan komputer
heterogen dan sistem terdistribusi.
Berdasarkan penelitian yang sudah pernah dilakukan oleh penulis lain dan dari
uraian di atas maka penulis tertarik untuk melakukan penelitian bagaimana menerapkan
hukum ketetapan Hardy-Weinberg dari bidang biologi ke dalam algoritma genetika dan
melakukan analisis terhadap performansinya dan membandingkannya dengan algoritma
genetika umum serta melakukan modifikasi terhadap hukum ketetapan HardyWeinberg dengan mutasi rate yang kecil.
1.2 Perumusan Masalah
Banyaknya parameter yang harus digunakan pada algoritma genetika dalam
menentukan solusi dari suatu permasalahan dapat menurunkan performansi dari
algoritma genetika tersebut. Bagaimana jika ditenerapkan hukum ketetapan HardyWeinberg pada algoritma genetika? Apakah terjadi peningkatan performansi
dibandingkan algoritma genetika umum?
1.3 Pembatasan Masalah
Dari perumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
1. Analisis performansi dilakukan dengan membandingkan proses algoritma
genetika umum, algoritma genetika yang menerapkan hukum ketetapan HardyWeinberg dan algoritma genetika yang menerapkan modifikasi dari hukum
ketetapan Hardy-Weinberg.
2. Pengukuran performansi tidak menggunakan big-O.
3. Performansi yang dibahas adalah hasil jarak terpendek dan kecepatan dalam
menghasilkan solusi.
Universitas Sumatera Utara
4
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah menganalisis kinerja Hukum Ketetapan Hardy-Weinberg
yang diterapkan pada algoritma genetika terhadap performansi kecepatan dan nilai jarak
terpendek pada permasalahan TSP.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Melalui penelitian ini penulis memperoleh hasil analisis mengenai performansi
terhadap kecepatan dan nilai jarak terpendek pada penerapan Hukum Ketetapan
Hardy-Weinberg dalam algoritma genetika.
2. Mengetahui lebih mendalam terhadap pengaruh penerapan metode biologi yaitu
hukum ketetapan Hardy-Weinberg kedalam algoritma komputasi yaitu
algoritma genetika.
Universitas Sumatera Utara