Algoritma genetika merupakan salah satu model soft computing yang sering digunakan dalam menyelesaikan permasalahan optimasi. Dalam algoritma genetika terdapat tiga parameter penting yang harus didefinisikan yaitu ukuran populasi, probabilitas pindah silang, dan probabilitas mutasi. Ketiga parameter ini harus didefinisikan secara hati-hati agar tidak terjadi konvergensi dini atau lokal optimum yaitu dimana individu-individu dalam populasi konvergen pada suatu solusi optimum lokal sehingga hasil paling optimum tidak dapat ditemukan (Suyanto, 2005).
Tidak adanya aturan baku dalam pengaturan nilai dari parameter tersebut membuat kesulitan dalam pemanfaatan algoritma genetika untuk menyelesaikan masalah. Salah satu cara untuk mengatasi kesulitan dalam pengaturan nilai parameter tersebut adalah pemanfaatan algoritma genetika model Population Resizing on Fitness Improvement Fuzzy Evolutionary Algorithm(PRoFIFEA) yaitu dengan memanfaatkan logika fuzzy model Xu untuk penentuan probabilitas pindah silang dan probabilitas mutasi serta teknik Population Resizing on Fitness Improvement Genetic Algorithm (PRoFIGA) untuk penentuan ukuran populasi baru berdasarkan dari perkembangan nilai fitness terbaik untuk digunakan pada generasi berikutnya (Muzid dan Wardoyo, 2013).
Salah satu permasalahan optimasi yang dapat diselesaikan dengan algoritma genetika pencarian rute terpendek atau dikenal dengan Travelling Salesman Problem (TSP) yaitu mencari rute/jalur terpendek dari beberapa kota yang dicari. Penelitian ini memaparkan pemanfaatan Algoritma genetika model PRoFIFEA untuk menyelesaikan permasalahan TSP.
Tidak adanya aturan baku dalam pengaturan nilai dari parameter tersebut membuat kesulitan dalam pemanfaatan algoritma genetika untuk menyelesaikan masalah. Salah satu cara untuk mengatasi kesulitan dalam pengaturan nilai parameter tersebut adalah pemanfaatan algoritma genetika model Population Resizing on Fitness Improvement Fuzzy Evolutionary Algorithm(PRoFIFEA) yaitu dengan memanfaatkan logika fuzzy model Xu untuk penentuan probabilitas pindah silang dan probabilitas mutasi serta teknik Population Resizing on Fitness Improvement Genetic Algorithm (PRoFIGA) untuk penentuan ukuran populasi baru berdasarkan dari perkembangan nilai fitness terbaik untuk digunakan pada generasi berikutnya (Muzid dan Wardoyo, 2013).
Salah satu permasalahan optimasi yang dapat diselesaikan dengan algoritma genetika pencarian rute terpendek atau dikenal dengan Travelling Salesman Problem (TSP) yaitu mencari rute/jalur terpendek dari beberapa kota yang dicari. Penelitian ini memaparkan pemanfaatan Algoritma genetika model PRoFIFEA untuk menyelesaikan permasalahan TSP.
 |
| Foto: Pixabay |
Soft Computing adalah suatu model pendekatan untuk melakukan komputasi dengan meniru akal manusia dan memiliki kemampuan untuk menalar dan belajar pada lingkungan yang penuh dengan ketidakpastian (Jang, dkk, 1997). Soft Computing dimanfaatkan untuk memecahkan masalah dengan menggunakan pendekatan dalam melakukan penalaran. Proses pendekatan tersebut dapat dilakukan dengan fungsional maupun melalui pencarian random.
Beberapa komponen pembentuk soft computing adalah sistem fuzzy, komputasi evolusioner atau algoritma genetika, dan penalaran dengan probabilitas. Penggunaan suatu komponen soft computing dalam penyelesaian masalah dapat menghasilkan suatu hasil yang dapat diterima, akan tetapi belum tentu maksimal (Kusumadewi, 2002). Algoritma genetika adalah model soft computing yang dikenalkan oleh John Holland dari Universitas Michigan pada tahun 1975, dimana algoritma genetika merupakan teknik pencarian heuristik berdasar mekanisme evolusi biologis yang meniru dari teori Darwin dan operasi genetika pada kromosom dan sering digunakan untuk menyelesaikan permasalahan optimasi.
Algoritma genetika terdiri dari enam tahap utama, yaitu:
(1) Representasi kromosom,
(2) Inisialisasi populasi,
(3) Perhitungan fungsi evaluasi,
(4) Proses seleksi,
(5) Operator genetika meliputi operator pindah silang (crossover) dan mutasi serta
(6) Penentuan parameter kontrol algoritma genetika yaitu: ukuran populasi, probabilitas pindah silang, dan probabilitas mutasi.
Karena solusi atau keluaran yang dihasilkan oleh soft computing dalam suatu masalah belum tentu maksimal maka muncul ide-ide untuk menggabungkan antara metode yang ada seperti metode fuzzy evolusi, yaitu gabungan dari metode algoritma genetika dan sistem fuzzy. Dimana parameter-parameter yang biasanya ada dalam algoritma genetika didapatkan dari sistem fuzzy.
Beberapa komponen pembentuk soft computing adalah sistem fuzzy, komputasi evolusioner atau algoritma genetika, dan penalaran dengan probabilitas. Penggunaan suatu komponen soft computing dalam penyelesaian masalah dapat menghasilkan suatu hasil yang dapat diterima, akan tetapi belum tentu maksimal (Kusumadewi, 2002). Algoritma genetika adalah model soft computing yang dikenalkan oleh John Holland dari Universitas Michigan pada tahun 1975, dimana algoritma genetika merupakan teknik pencarian heuristik berdasar mekanisme evolusi biologis yang meniru dari teori Darwin dan operasi genetika pada kromosom dan sering digunakan untuk menyelesaikan permasalahan optimasi.
Algoritma genetika terdiri dari enam tahap utama, yaitu:
(1) Representasi kromosom,
(2) Inisialisasi populasi,
(3) Perhitungan fungsi evaluasi,
(4) Proses seleksi,
(5) Operator genetika meliputi operator pindah silang (crossover) dan mutasi serta
(6) Penentuan parameter kontrol algoritma genetika yaitu: ukuran populasi, probabilitas pindah silang, dan probabilitas mutasi.
Karena solusi atau keluaran yang dihasilkan oleh soft computing dalam suatu masalah belum tentu maksimal maka muncul ide-ide untuk menggabungkan antara metode yang ada seperti metode fuzzy evolusi, yaitu gabungan dari metode algoritma genetika dan sistem fuzzy. Dimana parameter-parameter yang biasanya ada dalam algoritma genetika didapatkan dari sistem fuzzy.
0 Komentar