Genetika

Algoritma genetik adalah suatu algoritma pencarian solusi suatu masalah atau solusi parameter-parameter yang menganalogikan serta menerapkan mekanisme seleksi alam dan manipulasi genetik. Algoritma genetika pertama kali dikembangkan oleh John Holland melalui riset yang dilakukannya bersama rekan koleganya serta mahasiswa di University of Michigan. Pada penerapannya, algoritma genetika bias digunakan untuk mencari solusi berupa optimalisasi terhadap suatu masalah atau parameter. Di dalam bukunya Adaption in Natural and Artificial System yang di publikasikan pada tahun 1975, disebutkan bahwa algoritma genetika mampu untuk melakukan optimalisasi parameter secara lebih efisien di bandingkan dengan algoritma yang lain.


Konsep Dasar Algoritma Genetika

Algoritma genetika adalah suatu bentuk analogi dari Teori Evolusi Darwin dan Prinsip genetika dalam ilmu biologi. Teori ini menerangkan bahwa evolusi disebabkan adanya variasi genetik dan proses seleksi alam pada setiap generasi yang muncul. Seleksi alam dapat diartikan sebagai seleksi terhadap individu – individu yang hidup di alam atau lingkungannya. Hanya individu – individu yang memiliki kecocokan (fitness) terhadap lingkungannya yang dapat menyesuaikan diri untuk bertahan hidup dan bergenerasi, sedangkan yang tidak akan musnah terseleksi. Individu – individu yang akan mendominasi suatu populasi adalah mutlak bergantung pada lingkungan yang mempengaruhinya. Berdasarkan fakta inilah maka dapat disimpulkan bahwa : “ individu – individu yang terbaik atau unggul dapat diperoleh dengan menciptakan suatu lingkungan yang sesuai ditambah dengan terjadinya evolusi terhadap individu – individu didalamnya”



Pengkodean (Coding)

Pengkodean merupakan hal penting di dalam algoritma genetika. Hal ini disebabkan karena pengkodean berarti merepresentasikan atau mengkodekan parameter ke dalam gen – gen, dalamhal ini karakter – karakter hingga membentuk suatu string.



Inisialisasi

Langkah pertama dalam proses algoritma genetik adalah inisialisasi. Insialisasi dilakukan untuk memvalidasikan nilai – nilai seperti jumlah untaian parameter, probabilitas kawin silang, probabilitas mutasi, lebar karakter/bit parameter, jumlah populasi awal, dan lain – lain.



Fungsi Obyektif

Fungsi obyektif merupakan formulasi dari masalah yang akan dipecahkan. Fungsi inimenggambarkan seberapa bagus suatu untaianmampu memecahkan permasalahan yang ada.



Nilai Ketahanan (Fitnes Value)

Nilai ketahanan adalah suatu nilai yang dikembalikan oleh fungsi obyektif dari permasalahan yang ada. Nilai ini dapatdigambarkan sebagai pengukuran keuntungan(profit) yang ingin dimaksimalkan atau pengukuran biaya (cost) yang akan diminimalkan.



Operator – Operator Algoritma Genetika

Operasi – operasi yang dilakukan pada algoritma genetik cukup sederhana, hanya melibatkan operasi penduplikasian untaian, pemotongan untaian menjadi beberapa subuntaian dan pemindahan posisi sub untaian dari suatu untaian ke untaian yang lain. Operasi – operasi ini bekerja berdasarkan operator dasar dan digunakan untuk memanipulasi untaian. Operator – operator tersebut adalah operator reproduksi, operator kawin silang dan operator mutasi.




Faktor Kondisi Penghenti

Ada lima kondisi yang dapat digunakan untuk menghentikan pencarian oleh algoritma genetika :

· Generation : algoritma genetika akan berhenti ketika mencapai jumlah generasi yang telah ditentukan.

· Time limit : algoritma genetika akan berhenti ketika mencapai waktu yang telah ditentukan

· Fitness limit : algoritma akan berhenti ketika mencapai nilai fitness yang diinginkan.

· Stall generation : algoritma gentika akan berhenti, apabila pada satu range generasi tidak ada peningkatan nilai fitness

· Stall time limit : algoritma genetika akan berhenti bila pada satu range waktu tidak ada peningkatan nilai fitness