Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi yang lebih baik (survival for the fittest) dan genetika (Goldberg, 989). Metoda tersebut pertama kali dikembangkan oleh John Holland pada pertengahan tahun 970. Metoda algoritma genetik juga merupakan perkembangan dari evolutionary algorithm yang hanya menggunakan prinsip seleksi dan mutasi, sedangkan GA menggunakan prinsip seleksi, cross-over dan mutasi serta beberapa variasi mekanisme yang diinspirasikan oleh alam. Metoda tersebut termasuk kedalam kelompok guided random search. reproduction competition survive selection Gambar II.. Bagan siklus seleksi alam (survival for the fittest). Guided Random Search Simulated Annealing Evolutionary Algorithm Genetic Algorithms xvii
Gambar II.2. Teknik pencarian fungsi obyektif non-linier. Tabel II.. Istilah-istilah dalam seleksi alam dan algoritma genetik Istilah-istilah seleksi alam Istilah-istilah algoritma genetik kromosom string (parameter model) gene karakteristik didalam string locus posisi didalam string allela nilai dari string (0 dan ) genotype struktur string phenotype karakteristik genotype populasi ruang model individu model kromosom terbaik model terbaik tingkat adaptasi kromosom error minimum generasi iterasi II.2 Karakteristik Algoritma Genetik Sebagai salah satu teknik optimasi global dalam pencarian nilai minimum fungsi obyektif non-linier, GA memiliki karakteristik-karakteristik yaitu :. GA bekerja dengan suatu kumpulan parameter model yang dicirikan dengan adanya suatu kode (biasanya digunakan kode string). 2. GA mencari solusi dari suatu populasi (sampel ruang model) yang terdiri dari sekumpulan individu secara bersamaan (paralel) bukan dari satu individu (model). 3. GA menggunakan informasi yang berasal dari suatu nilai fungsi obyektif bukan dari turunan / gradien fungsi obyektif sehingga solusi yang diperoleh konvergen menuju minimum global bukan minimum lokal. 4. GA menggunakan probabilistik dalam pencarian solusi bukan deterministik. 5. Sistem GA memiliki kompleksitas yang tinggi. 6. GA memiliki strategi didalam pencarian solusi optimum yang disebut Multimodal Optimization yang ditunjukkan seperti gambar berikut ini : xviii
Gambar II.3. Strategi pencarian solusi algoritma genetik. Gambar II.4. Fungsi obyektif dengan lebih dari satu nilai minimum. II.3 Proses Algoritma Genetik Adapun tahap-tahap algoritma genetik untuk memperoleh suatu turunan atau solusi yang optimum adalah :. Inisialisasi populasi Sebagai proses awal maka dibangun suatu populasi (ruang model) yang terdiri dari sekumpulan individu (model) secara acak (random). Populasi ini dapat dikategorikan menjadi dua yaitu :. Micro Genetic Algorithm dimana ukuran populasi kecil yaitu berkisar dari 5 hingga 50 populasi (Tian et al, 2005). 2. Macro Genetic Algorithm yaitu ukuran populasi berkisar dari 50 hingga 00 populasi (Tian et al, 2005). xix
Sekumpulan individu dalam suatu populasi biasanya dikodekan sebagai bilangan biner sehingga dapat digambarkan sejumlah bit (binary digit) yang menunjukkan posisi tiap angka, terdiri dari angka 0 dan. Dalam algoritma genetik anggota suatu populasi dipilih berdasarkan fitness-nya dan jumlah populasi dalam suatu generasi dibuat tetap. chromosom 0 0 Allela Gambar II.5. Struktur kromosom (parameter model). Gambar II.6. Sekumpulan individu (populasi). 2. Decoding Setelah dibangun suatu populasi dalam bilangan biner, maka langkah selanjutnya adalah mengkonversi bilangan biner ke bilangan riil. Dalam proses ini tidak hanya sekedar mengkonversi bilangan biner ke riil saja tapi disesuaikan dengan interval suatu harga parameter model yang diinginkan. Misalkan suatu bilangan biner, x dengan panjang bit, m lalu ingin dipetakan kedalam suatu interval [a,b], sehingga : xx
x = a + desimal(x ) b a (II.) 2 m Contoh : x = 0 dengan panjang bit, m = 3, desimal (x) = 3 ingin dikonversi ke bilangan riil dalam suatu interval [0,20], sehingga : 20 0 x = 0 + 3 2 3 = 4,26 Dari hasil tersebut jelas bahwa hasil konversi berada dalam interval [0,20]. 3. Evaluasi Fitness Setiap individu dalam suatu populasi merupakan kandidat untuk suatu solusi optimum. Nilai fitness dari tiap-tiap individu menggambarkan seberapa besar peluang suatu individu dalam suatu generasi untuk dapat bertahan pada generasi berikutnya. Dalam hal inversi, fitness dinyatakan oleh kesesuaian antara data dan parameter model. 4. Reproduksi Peluang suatu individu untuk dapat bertahan dari suatu generasi ke generasi berikutnya bergantung pada fitness individu tersebut. Individu dengan fitness yang cukup besar memiliki kemungkinan yang lebih besar untuk dapat bereproduksi. Proses seleksi pada dasarnya adalah memilih individu-individu dengan harga fitness yang tinggi dari suatu populasi untuk bereproduksi (menghasilkan turunan). Pada penelitian ini dilakukan teknik seleksi Roulette-Wheel (Proportional Fitness). Fitness terbaik akan memiliki nilai sama dengan. xxi
Individu 4 0,5 0,25 Individu 0,25 Individu 3 0,35 Individu 2 Gambar II.7. Roulette-Wheel selection Tahap-tahap seleksi menggunakan Roulette-Wheel adalah sebagai berikut :. Evaluasi fitness, f i, masing-masing individu dalam suatu populasi. 2. Menghitung probabilitas, p i, tiap-tiap individu. p i = n f i j= f j (II.2) dimana n adalah ukuran populasi dan f j adalah fitness kumulatif/total. 3. Lalu menghitung probabilitas kumulatif tiap-tiap individu, qi q i = p i j= j (II.3) 4. Bangkitkan suatu bilangan acak (random), r [0,]. 5. Jika r < q i, maka yang dipilih adalah individu pertama, x. Jika q i- < r < q i maka pilih individu x i. 6. Langkah 4-5 diulang sebanyak ukuran populasi untuk memperoleh individu-individu yang nantinya akan bereproduksi. Tiap individu yang baik akan mengambil bagian yang lebih besar dibandingkan dengan individu yang memiliki fitness yang kecil dan kemungkinan lebih besar untuk dipilih.. Prinsip seleksi tersebut sesuai dengan survival for the fittest. xxii
5. Cross-Over Cross-over merupakan salah satu operator genetik yang digunakan untuk menggabungkan dua genetik dari sepasang induk dalam suatu generasi. Proses ini identik dengan reproduksi seksual dalam kehidupan. Dalam proses ini sepasang induk dipilih berdasarkan fitness-nya dan turunan (offspring) merupakan hasil penyilangan karakteristik atau parameter induk yang dipilih secara acak. Probabilitas cross-over bernilai 0,4 sampai 0,8 (Coley, 998). Dalam hal inversi proses penyilangan ini merepresentasikan kerja sama individu untuk sampai pada titik lain dalam sampel ruang model secara langsung tanpa melalui pertubasi sedikit demi sedikit. Beberapa teknik cross-over adalah :. Single point cross-over Pada teknik ini dibangkitkan suatu bilangan acak yang menunjukkan posisi bit tempat terjadinya kawin silang. Anak- pada bagian depan mengandung kromosom yang disumbangkan oleh induk- dan bagian belakang berisi kromosom yang disumbangkan oleh induk-2. Begitu pula dengan anak-2, pada bagian depan berisi kromosom yang disumbangkan oleh induk-2 dan bagian belakang berisi kromosom yang disumbagkan oleh induk-. Proses single-point cross-over ditampilkan sebagai berikut : 2 2 2 2 Gambar II.8. Teknik single point cross-over. xxiii
2. Multi point cross-over Pada penelitian ini digunakan teknik multi-point cross-over atau one-point cross-over tiap-tiap parameter. Caranya adalah dengan membangkitkan bilangan acak yang menunjukkan posisi bit pada kromosom induk sebanyak n-parameter Turunannya (offspring) adalah terdiri dari anak- yang berisi kromosom yang disumbangkan oleh parameter-n induk- bagian depan dan kromosom yang disumbangkan oleh parameter-n induk-2 bagian belakang. Sedangkan anak-2 berisi kromosom parameter-n induk-2 bagian depan dan kromosom parameter-n induk- bagian belakang. Proses tersebut diulangi sampai n-parameter. Proses cross-over dapat dijelaskan seperti gambar dibawah ini, tanda panah menunjukkan posisi bit terjadinya cross-over tiap-tiap parameter model. Masing-masing induk terdiri dari n-parameter model (par- sampai par-n). posisi bit Induk - par- par-2 par-3 par-n Induk - 2 par- par-2 par-3 par-n Gambar II.9. Proses multipoint cross-over. xxiv
Detail proses one-point cross-over parameter- ditampilkan seperti berikut : posisi bit Induk - 0 0 Induk - 2 0 0 0 0 Anak - 0 0 0 Anak - 2 0 0 0 Gambar II.0. Proses one-point cross-over parameter ke-n. 5. Mutasi Dalam proses seleksi alam, mutasi merupakan proses acak dimana suatu allela dari suatu gen atau kromosom akan diganti dengan yang lainnya. Sedangkan dalam algoritma genetik mutasi merupakan proses dimana suatu parameter induk dapat berubah secara acak agar dapat diperoleh individu yang lebih baik dengan menggunakan probabilitas acak yang kecil, biasanya bernilai 0,00-0, (Coley, 998). Pada umumnya probabilitas mutasi (P m ) dapat diperoleh juga menggunakan rumusan sebagai berikut : P m = P m = L n( L) 2 atau (II.4) (II.5) dimana n adalah ukuran populasi dan L adalah panjang bit (bit length). Proses ini juga berguna untuk mencegah terjadinya premature convergence dari minimum lokal (Peréz-Florez & Schultz, 2002). Proses mutasi dapat dijelaskan seperti gambar berikut ini. xxv
Posisi bit Sebelum mutasi 0 0 0 0 0 Sesudah mutasi 0 0 0 0 Gambar II.. Proses mutasi. II.4 Parameter-parameter Kontrol Algoritma Genetik Beberapa parameter yang mengontrol algortima genetik adalah :. Ukuran populasi Ukuran populasi berpengaruh terhadap waktu komputasi tiap-tiap generasi. Semakin besar ukuran populasi maka waktu komputasi yang dibutuhkan akan semakin lama pula. 2. Probabilitas cross-over (Pc) Meningkatnya harga probabilitas cross-over akan meningkatkan peluang untuk berekombinasi / kawin silang tetapi juga dapat mengacaukan kombinasi yang bagus. Sebaliknya bila harga Pc yang diambil terlalu kecil mengakibatkan semua induk akan langsung kekopi untuk diteruskan ke generasi berikutnya. Hal ini tentu saja solusi yang diperoleh belum tentu merupakan solusi yang terbaik karena pada prinsipnya cross-over digunakan untuk mengambil bagian yang terbaik dari masing-masing induk untuk digabungkan sehingga dihasilkan individu / solusi yang optimum. 3. Probabilitas mutasi (Pm) Nilai probabilitas mutasi yang digunakan biasanya cukup kecil (lebih kecil dari nilai probabilitas cross-over). Hal ini disebabkan meningkatnya harga Pm akan merusak individu dan akan dihasilkan individu yang baru disamping itu pencarian solusi akan menuju kepada metoda random (acak). xxvi
II.5 Diagram Alir Algoritma Genetik Mulai Mencetak populasi secara acak dalam biner Decoding Reproduksi tidak Evaluasi fitness tiap-tiap individu Berhenti? Kawin silang ya Individu / solusi terbaik Mutasi Hasil Siklus generasi Gambar II.2. Diagram alir algoritma genetik. xxvii