Faddikha Irza Putra - 10112189

Faddikha Irza Putra - 10112189Kelompok 3 AI-2Nico Rosady - 10112192Kurniawan Ali N - 10112209Penjelasan Optimasi Algoritma Genetika (Genetics Algorithm for Optimization)

Algoritma genetika adalah algoritma pencarian yang menggunakan prinsip seleksi alam dalam ilmu genetika untuk mengembangkan solusi terhadap permasalahan. Algoritma Genetika merupakan kelas algoritma pencarian stokastik berdasarkan evolusi biologi. Ide dasar algoritma genetika adalah mengelola suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Algoritma genetika menawarkan suatu solusi pemecahan masalah yang terbaik, dengan memanfaatkan metode seleksi, crossover, dan mutasi.

Pada tahap awal pencarian algoritma genetik, dimulai dengan populasi yaitu himpunan penyelesaian acak. Populasi ini terdiri dari kromosom-kromosom. Setiap kromosom tersebut merupakan gambaran solusi atas pemecahan masalah. Populasi yang telah dipilih akan menghasilkan keturunan baru yang memiliki sifat lebih baik dari populasi sebelumnya. Populasi yang memiliki sifat yang baik akan mempunyai peluang untuk terus dikembangkan sehingga dapat menghasilkan populasi yang lebih baik lagi selanjutnya. Dengan terus mengulang proses pencarian keturunan, solusi terbaik yang diinginkan dapat dicapai.

Pada pencarian algoritma genetik, terdapat tahapan-tahapan yang dirangkai secara iteratif. Sebelum algoritma genetika dijalankan, harus didefinisikan terlebih dahulu suatu fungsi fitness, yaitu fungsi yang menyatakan tingkat keberhasilan sebuah populasi. Proses seleksi dilakukan dengan menggunakan perhitungan berdasarkan fungsi fitness yang digunakan dalam menentukan populasi yang akan dipertahankan untuk menghasilkan generasi selanjutnya. Sedangkan crossover adalah persilangan atau perkawinan antar kromosom yang berada dalam satu generasi. Kromosom yang terdapat pada populasi selanjutnya mewarisi sifat kedua induknya dan diharapkan bersifat lebih baik dibanding dengan generasi sebelumnya. Adapun Mutasi adalah proses diubahnya satu atau lebih nilai gen kromosom dalam satu populasi. Nilai gen tersebut akan digantikan dengan suatu nilai yang dipilih secara acak. Pada tahap ini, terdapat kemungkinan perubahan sifat di luar sifat induk pada keturunan yang dihasilkan.

Secara sederhana, algoritma umum dari algoritma genetik dapat dirumuskan menjadi beberapa langkah, yaitu:1. Membentuk suatu populasi individual dengan keadaan acak2. Mengevaluasi kecocokan setiap keadaan individual dengan hasil yang diinginkan3. Memilih individual dengan kecocokan yang tertinggi4. Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi5. Mengulangi langkah 2-4 sampai ditemukan individual dengan hasil yang diinginkan

PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA

Distribusi adalah salah satu hal yang penting dalam suatu bidang usaha. Segala upaya diusahakan agar barang cepat sampai pada konsumen dan bisa diterima dengan baik. Terdapat banyak kemungkinan kombinasi jalur distribusi barang melalui darat yang dapat digunakan untuk mengoptimalkan waktu dan biaya perjalanan tersebut. Namun demikian, tidak semua kombinasi jalur distribusi tersebut akan memberikan solusi terbaik. Agar solusi terbaik dapat dicapai, suatu penelitian untuk menentukan jalur distribusi barang melalui jalur darat dilakukan. Untuk mempermudah proses penentuan jalur distribusi barang tersebut didukung dengan pembangunan suatu perangkat lunak dan penentuan rutenya menggunakan algoritma genetika.

Dalam contoh kasus ini terdapat inputan sebanyak 5 kota sebagai kota-kota tujuan distribusi barang dan diasumsikan bahwa kota yang pertama kali diinputkan menjadi kota awal keberangkatan sekaligus juga merupakan kota akhir tujuan dari distribusi barang. Jarak antar kota sudah diketahui di awal dan berikut adalah data jarak antar kota di pulau jawa.

Gambar 1.0 Daftar Jarak Antar Kota di Pulau Jawa

Penggunaan perangkat lunak dalam penentuan rute terpendek ini mengikuti tahapan-tahapan algoritma genetika yang secara umum digambarkan pada diagram dibawah ini :

Penjelasan :1. Di tahap awal pada saat aplikasi dijalankan sudah diketahui kota mana saja yang akan menjadi jalur distribusi barang.2. Pada saat populasi awal dibangkitkan, dilakukan secara random dan hanya satu kali saja sewaktu start pertama kali algoritma genetika. Inisialisasi ini menghasilkan populasi awal dengan jumlah kromosom yang sesuai dengan kita harapkan. Pada contoh kasus ini kita akan membangkita kromosom sebanyak 6 buah. Setelah dibangkitkan akan ada proses menghitung nilai fitness dari masing-masing kromosom.3. Pada saat seleksi digunakan teknik Roullete Wheel digunakan untuk memperoleh kromosom-kromosom yang berkualitas saja.4. Saat masuk tahap crossover akan membentuk kromosom baru hasil dari penyilangan dua kromosom dengan harapan lebih baik dari induknya.5. Pada saat tahapan mutasi dilakukan suatu proses penambahan nilai acak pada variable keturunan.6. Lakukan tahapan Seleksi-Crossover-Mutasi kembali sampai menemukan hasil yang diinginkan.