Analisis Kinerja Greedy Crossover (Gx) Pada Algoritma Genetika Untuk Rostering
10
ABSTRAK
Algoritma Genetika merupakan algoritma pencarian heuristik yang sangat baik
digunakan dalam menyelesaikan masalah optimasi. Pemilihan operator yang
digunakan sangat menentukan keberhasilan algoritma genetika dalam menemukan
solusi yang optimal. Salah satu operator yang sangat berperan dalam algoritma
genetika adalah operator crossover yang berfungsi untuk menghasilkan kromosom
anak. Pada algoritma genetika klasik operator crossover yang biasa digunakan adalah
One Point Crossover dan Two Point Crossover, kedua operator crossover ini bekerja
dengan pemilihan titik potong yang diambil dengan metode acak (random). Pada
penelitian dengan menggunakan jumlah populasi yang besar, metode ini sering
menimbulkan efek yang kurang baik berupa konvergensi prematur dalam menemukan
solusi yang optimal. Pada penelitian ini metode crossover yang akan dianalisis adalah
metode Greedy Crossover (GX) dengan permasalahan yang digunakan adalah
rostering mata pelajaran. Pada metode Greedy Crossover kromosom anak diperoleh
dengan memeriksa setiap gen yang ada pada setiap kromosom induk dengan kriteria
penalty sebagai fungsi kelayakannya. Algoritma genetika akan berhenti jika tidak
ditemukan crash/bentrok atau sejumlah generasi maksimum telah tercapai. Dari hasil
analisis ditemukan bahwa performance dari metode greedy crossover (GX) lebih baik
dibandingkan dengan metode crossover pada algoritma genetika klasik yaitu one point
crossover dan two point crossover.
Kata Kunci : Greedy Crossover, Algoritma genetika, Rostering
Universitas Sumatera Utara
11
ANALYSIS OF THE PERFORMANCE OF GREEDY CROSSOVER (GX)
GENETIC ALGORITHM FOR ROSTERING
ABSTRACT
Genetic Algorithm is a heuristic search algorithm is very well used in solving
optimization problems. Selection of the operator is used to determine the success of
genetic algorithm to find the optimal solution. One operator that was instrumental in
the genetic algorithm is a crossover operator that serves to produce a child
chromosome. In classical genetic algorithm crossover operator used is One Point
Crossover and Two Point Crossover, second crossover operator is working with the
selection of cut point taken randomized (random). In research using a large
population, these methods often cause adverse effects such as premature convergence
in finding the optimal solution. In this study, the crossover method that will be
analyzed is the method Greedy Crossover (GX) to the issues that are used are
rostering subjects. In the method of Greedy Crossovers chromosome child obtained by
examining each of the genes within each chromosome parent with a penalty as a
function of their eligibility criteria. Genetic algorithms will stop if there is not found
crash/conflicting or maximum number of generations has been reached. From the
results of the analysis found that the performance of the method greedy crossover
(GX) is better than the method of classical crossover genetic algorithm that is one
point crossover and two point crossover.
Keywords : Greedy Crossover, Genetic Algorithms, Rostering
Universitas Sumatera Utara
ABSTRAK
Algoritma Genetika merupakan algoritma pencarian heuristik yang sangat baik
digunakan dalam menyelesaikan masalah optimasi. Pemilihan operator yang
digunakan sangat menentukan keberhasilan algoritma genetika dalam menemukan
solusi yang optimal. Salah satu operator yang sangat berperan dalam algoritma
genetika adalah operator crossover yang berfungsi untuk menghasilkan kromosom
anak. Pada algoritma genetika klasik operator crossover yang biasa digunakan adalah
One Point Crossover dan Two Point Crossover, kedua operator crossover ini bekerja
dengan pemilihan titik potong yang diambil dengan metode acak (random). Pada
penelitian dengan menggunakan jumlah populasi yang besar, metode ini sering
menimbulkan efek yang kurang baik berupa konvergensi prematur dalam menemukan
solusi yang optimal. Pada penelitian ini metode crossover yang akan dianalisis adalah
metode Greedy Crossover (GX) dengan permasalahan yang digunakan adalah
rostering mata pelajaran. Pada metode Greedy Crossover kromosom anak diperoleh
dengan memeriksa setiap gen yang ada pada setiap kromosom induk dengan kriteria
penalty sebagai fungsi kelayakannya. Algoritma genetika akan berhenti jika tidak
ditemukan crash/bentrok atau sejumlah generasi maksimum telah tercapai. Dari hasil
analisis ditemukan bahwa performance dari metode greedy crossover (GX) lebih baik
dibandingkan dengan metode crossover pada algoritma genetika klasik yaitu one point
crossover dan two point crossover.
Kata Kunci : Greedy Crossover, Algoritma genetika, Rostering
Universitas Sumatera Utara
11
ANALYSIS OF THE PERFORMANCE OF GREEDY CROSSOVER (GX)
GENETIC ALGORITHM FOR ROSTERING
ABSTRACT
Genetic Algorithm is a heuristic search algorithm is very well used in solving
optimization problems. Selection of the operator is used to determine the success of
genetic algorithm to find the optimal solution. One operator that was instrumental in
the genetic algorithm is a crossover operator that serves to produce a child
chromosome. In classical genetic algorithm crossover operator used is One Point
Crossover and Two Point Crossover, second crossover operator is working with the
selection of cut point taken randomized (random). In research using a large
population, these methods often cause adverse effects such as premature convergence
in finding the optimal solution. In this study, the crossover method that will be
analyzed is the method Greedy Crossover (GX) to the issues that are used are
rostering subjects. In the method of Greedy Crossovers chromosome child obtained by
examining each of the genes within each chromosome parent with a penalty as a
function of their eligibility criteria. Genetic algorithms will stop if there is not found
crash/conflicting or maximum number of generations has been reached. From the
results of the analysis found that the performance of the method greedy crossover
(GX) is better than the method of classical crossover genetic algorithm that is one
point crossover and two point crossover.
Keywords : Greedy Crossover, Genetic Algorithms, Rostering
Universitas Sumatera Utara