ALGORITMA GENETIK

Diah Arifah P., S.Kom, M.T

 KONSEP DASAR

 Konsep dasar yang mengilhami timbulnya algoritma

genetika adalah teori evolusi alam yang dikemukakan
oleh Charles Darwin.
 Algoritma genetika memanfaatkan prinsip proses
evolusi untuk memecahkan suatu permasalahan
optimasi.
Dalam proses evolusi, individu secara terus-menerus
mengalami perubahan gen untuk menyesuaikan dengan
lingkungan hidupnya. “Hanya individu-individu yang
kuat yang mampu bertahan”
 KONSEP DASAR

 Proses seleksi alamiah ini melibatkan perubahan gen

yang terjadi pada individu melalui proses
perkembangbiakan. Dalam algoritma genetika ini,
proses perkembang-biakan ini menjadi proses dasar
yang menjadi perhatian utama, dengan dasar berpikir:
“Bagaimana mendapatkan keturunan yang lebih baik”.
 DEFINISI DALAM ALGORITMA GENETIKA

 Genotype (Gen)
 sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu
dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika,
gen ini bisa berupa nilai biner, float, integer maupun karakter, atau kombinatorial.
 Alle
 nilai dari gen Kromosom, gabungan gen-gen yang membentuk nilai tertentu.
 Individu
 menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang
mungkin dari permasalahan yang diangkat
 Populasi
 merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus
proses evolusi.
 Generasi
 menyatakan satu-satuan siklus proses evolusi.
 Nilai Fitness
 menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan
 HAL-HAL YANG HARUS DIPERHATIKAN DALAM
MENGGUNAKAN GA
 Mendefinisikan individu
 dimana individu menyatakan salah satu solusi (penyelesaian)
yang mungkin dari permasalahan yang diangkat.
 Mendefinisikan nilai fitness
 yang merupakan ukuran baik-tidaknya sebuah individu atau
baik-tidaknya solusi yang didapatkan.
 Menentukan proses pembangkitan populasi awal.
 Hal ini biasanya dilakukan dengan menggunakan
pembangkitan acak seperti random-walk.
 Menentukan proses seleksi yang akan digunakan.
 Menentukan proses perkawinan silang (cross-over) dan
mutasi gen yang akan digunakan.
 DEFINISI INDIVIDU

 Individu bisa dikatakan sama dengan kromosom, yang

merupakan kumpulan gen. Gen ini bisa biner, float, dan
kombinatorial.
 Individu menyatakan salah satu solusi yang mungkin.
Misalkan dalam TSP individu menyatakan jalur yang
ditempuh, dalam penentuan nilai maksimal dari F(x,y)
individu menyatakan nilai (x,y).
 NILAI FITNESS

 Nilai fitness adalah nilai yang menyatakan baik tidaknya

suatu solusi (individu).
 Nilai fitness ini yang dijadikan acuan dalam mencapai
nilai optimal dalam algoritma genetika.
 Algoritma genetika bertujuan mencari individu dengan
nilai fitness yang paling tinggi.
 Dalam TSP, karena TSP bertujuan meminimalkan jarak,
maka nilai fitnessnya adalah inversi dari jarak.
SIKLUS ALGORITMA GENETIKA
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 TEKNIK PENGKODEAN
 Bagaimana mengkodekan gen dari kromosom, dimana
gen merupakan bagian dari kromosom
 Satu gen biasanya akan mewakili satu variabel
 Gen dapat direpresentasikan dalam bentuk : bit,
bilangan real, daftar aturan, elemen permutasi,
elemen program atau representasi lainnya
 Kromosom dapat direpresentasikan :
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 MEMBANGKITKAN POPULASI AWAL
 Membangkitkan populasi awal adalah proses membangkitkan
sejumlah individu secara acak atau melalui prosedur tertentu.
Syarat-syarat yang harus dipenuhi untuk menunjukkan suatu
solusi harus benar-benar diperhatikan Dalam pembangkitan
setiap individunya.
 Dalam TSP, populasi menyatakan sejumlah solusi (jalur) yang
dicari secara acak. Misalkan dalam populasi terdapat 4 individu,
maka contoh populasi awal TSP dengan 7 kota adalah sebagai
berikut:
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 SELEKSI
 Seleksi dilakukan untuk mendapatkancalon induk yang
baik. “Induk yang baik akan menghasilkan keturunan
yang baik”.
 Semakin tinggi nilai fitness suatu individu semakin
besar kemungkinannya untuk terpilih.
 Seleksi dapat dilakukan dengan menggunakan dua
macam teknik, yaitu mesin roullete, dan turnamen.
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 SELEKSI dengan Mesin Roulette
 Cara kerja metode ini adalah :
1. Dihitung nilai fitness dari masing-masing individu (fi, dimana I adalah individu ke-1 s/d n)
2. Dihitung total fitness semua individu
3. Dihitung probabilitas masing-masing individu
4. Dari probabilitas tersebut, dihitung jatah masing-masing individu pada angka 1 sampai
100
5. Dibangkitkan bilangna random antara 1 sampai 100
6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih dalam
proses seleksi
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 CROSS OVER
 Cross Over (Pindah Silang) merupakan salah satu operator
dalam algoritma genetika yang melibatkan dua induk
untuk enghasilkan keturunan yang baru.
 Cross over dilakukan dengan melakukan pertukaran gen
dari dua induk secara acak.
 Proses cross over berfungsi untuk menghasilkan
keturunan dari dua kromosom induk yang dipilih.
 Kromosom anak yang dihasilkan merupakan kombinasi
gen-gen yang dimiliki oleh kromosom induk.
 Metode yang umum digunakan: one-point cross over, n-
point cross over, cycle cross over.
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 CROSS OVER  cycle cross over
 Asumsi, pola dimulai dari posisi 1

 Salin pekerjaan dari pola ke child

 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 CROSS OVER  cycle cross over
 Lengkapi child dengan pekerjaan yang tidak ada

 Dengan cara yang sama diperoleh offspring2

 Binary encoding Chromosome

( 11, 6, 9 ) 1011 0110 1001

Gene
 Crossover
10011110 10010010
10110010 10111110

 Mutation
10011110 1 0 0 1 1 0 161 0
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 MUTASI
 Proses mutasi berfungsi untuk menghasilkan individu
baru yang mempunyai sifat baru dengan cara
melakukan perubahan pada satu atau lebih gen.
 Jenis mutasi dengan menentukan posisi mutasi:
 Misalkan anak: 12345678, dan dipilih posisi mutasi
pada gen 3 dan 7 akan menghasilkan anak: 12745638
 KOMPONEN-KOMPONEN UTAMA ALGORITMA
GENETIKA
 MUTASI
 Jenis mutasi yang lain:
 ALGORITMA GA

begin genetic algorithm;

generate initial population;
do
{
calculate fitness values;
perform reproduction;
recombine pairs;
apply mutation;
} while stopping criteria not met;
end genetic algorithm.
 CONTOH SOAL

 Memaksimalkan jumlah “1” dalam sederat 5 karakter, dengan

ketentuan :
1. Jumlah individu dalam 1 populasi = 4
2. Panjang kromosom = 5
3. Fungsi fitnes = jumlah gen dengan inputan “1”
4. Individu yang dibangkitkan melalui random adalah :
11001 ; 00001 ; 11111 ; 01110
5. Reproduksi yang dilakukan adalah :
a. Seleksi, dengan metode “ Roulette Wheel Selection”, dimana
dilakukan random sebanyak 4x dengan hasil i1, i3,i3 dan i4
b. Menggunakan “One point cross over”
c. Mutasi yang dilakukan merubah 01 dan 10, mutasi
dilakukan pada gen ke-1 untuk i1 dan gen ke-4 untuk i3
 CONTOH SOAL

 Initial Populasi (Pembangkitan Populasi)

 Secara acak diperoleh :
Individual Kromosom Fitnes
1 11001 3
2 00001 1
3 11111 5
4 01110 3
 CONTOH SOAL

 Seleksi  menggunakan Roulette Wheel Selection

 Secara acak diperoleh :
Individual Kromosom Fitnes
1 11001 3
2 00001 1
3 11111 5
4 01110 3
 CONTOH SOAL

Current Population: Probability of each individual

i1: 11001, 3 being selected:
i2: 00001, 1 prob( i1 ) = 3/12 = 0.25
i3: 11111, 5 prob( i2 ) = 1/12 = 0.08
i4: 01110, 3 prob( i3 ) = 5/12 = 0.42
prob( i4 ) = 3/12 = 0.25
Total Fitness
TF = 3+1+5+3 = 12
 CONTOH SOAL

 CHROMOSOME PAIRING
Current mating Assume:
pool: As a result of the random
drawing
mate 1: 11001 (i1) (mate 1, mate 3)
mate 2: 11111 (i2) and
mate 3: 11111 (i3) (mate 2, mate 4)
mate 4: 01110 (i4) are paired off for
reproduction.

Pairs:
Pair 1: Pair 2:
11001 11111
11111 01110
  CROSS OVER

for pair 1: for pair 2:

cross-over site: 3 cross-over site: 1
110 | 01  11011 1 | 1111  11110
111 | 11  11101 0 | 1110  01111

the new individuals:

i1: 11011 i3: 11110
i2: 11101 i4: 01111
 CONTOH SOAL

 MUTASI

i1: 11011  01011

i3: 11110  11100