Algoritma genetik (genetic algorithms) diadaptasi dari mekanisme evolusi biologis, dikembangkan pertama kali oleh John Holland dari Universitas Michigan (1975). John Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan dalam terminologi genetika. Algoritma genetika adalah simulasi dari proses evolusi Darwin dan operasi genetika kromosom (Kusumadewi, 2003).
Setelah penemuan itu mulai berkembang penelitian-penelitian berbasis Algoritma Genetik (AG) sebagai teknik optimasi. Arif (2003) menggunakan AG sebagai teknik optimasi dalam penjadwalan pasokan larutan nutrisi pada sistem hidroponik substrat tanaman mentimun. Sebelum masuk ke program AG, digunakan program jaringan syaraf tiruan dalam pendugaan hubungan antara parameter input dan output. Penelitian lain yang menggunakan AG sebagai teknik optimasi adalah manajemen transponder satelit komunikasi oleh Simanjuntak (2005), perencanaan golongan pemberian air oleh Soehadi et al. (2006), optimasi sudut atap dan tinggi dinding pada rumah kaca di daerah tropika oleh Sumarni (2007).
Algoritma genetik (genetic algorithms) adalah algoritma pencarian yang didasarkan atas teori seleksi alam yaitu individu yang lebih kuat akan memiliki tingkat bertahan hidup (survive) dan tingkat reproduksi yang lebih tinggi jika dibandingkan dengan individu yang kurang fit di dalam populasinya “survival of the fittest”.
AG di dalam Sumarni (2007) dirumuskan sebagai berikut: populasi terdiri dari sekumpulan individu (kromosom) yang masing-masing mempresentasikan penyelesaian di dalam wilayah solusi untuk suatu permasalahan. Masing-masing kromosom mempunyai nilai fitness yang bersesuaian dengan kelayakan solusi permasalahan. Beberapa individu dalam populasi dengan nilai fitness lebih baik berpeluang untuk bereproduksi, proses ini disebut sebagai seleksi kromosom. Selanjutnya kromosom yang lolos dari seleksi akan mengalami penyilangan (cross over) dan mutasi untuk menghasilkan individu baru (offspring). Agar jumlah individu (popsize) baru sama dengan individu generasi sebelumnya, maka individu dengan nilai
Tidak
fitness rendah dibuang. Generasi berikutnya hanya dipilih yang mempunyai nilai fitness terbaik. Proses ini diulang sampai generasi yang diinginkan atau nilai fungsi fitness yang paling tinggi untuk penyelesaian permasalahan.
Diagram alir AG disajikan di Gambar 4.
Gambar 4 Diagram alir AG
Di dalam proses optimasi, parameter yang digunakan pada AG adalah sebagai berikut: 1) Fungi fitness yang dimiliki oleh masing-masing individu untuk menentukan tingkat kesesuaian individu tersebut dengan kriteria yang dicapai, 2) Jumlah individu (popsize) yang dilibatkan dalam setiap generasi, 3) Probabilistik terjadinya penyilangan (peluang cross over) pada suatu generasi, 4) Peluang terjadi mutasi pada setiap transfer gen, 5) Jumlah generasi yang akan dibentuk yang menentukan lama dari penerapan AG.
Kusumadewi (2003) menyebutkan komponen-komponen utama AG adalah teknik penyandian, prosedur inisiasi, fungsi evaluasi, seleksi, operator genetika dan penentuan parameter. Teknik penyandian meliputi penyandian gen dari kromosom. Gen merupakan bagian dari kromosom yang merupakan perwakilan dari satu variabel atau parameter. Gen dapat direpresentasikan dalam bentuk string bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program atau representasi lainnya yang dapat diimplementasikan untuk operator genetika. Ukuran populasi tergantung pada
masalah yang akan dipecahkan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan kemudian harus dilakukan inisiasi terhadap kromosom yang terdapat pada populasi tersebut.
Prosedur yang dilakukan dalam melakukan evaluasi adalah evaluasi fungsi objektif (fungsi tujuan) dan konversi fungsi objektif ke dalam fungsi fitness. Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang fit. Seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan penyilangan dan bagaimana kromosom anak (offsping) terbentuk dari individu-individu terpilih tersebut.
Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness. Nilai fitness inilah yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya.
Crossover (penyilangan) dilakukan atas dua kromosom untuk menghasilkan kromosom anak. Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom induknya. Peluang penyilangan menunjukkan rasio dari anak yang dihasilkan dalam setiap generasi dengan ukuran populasi. Penyilangan bilangan biner dapat dilakukan dengan pemotongan di satu titik, banyak titik dan seragam dengan posisi penyilangan gen di dalam satu kromosom dilakukan secara acak. Gen ditukar antar kromosom pada titik tersebut untuk menghasilkan anak.
Contoh penyilangan satu titik dengan posisi pemotongan di gen ke-dua adalah sebagai berikut:
Induk 1: 0 1 1 1 0 1 Anak 1: 0 1 1 1 1 0 Induk 2: 1 0 1 1 1 0 Anak 2: 1 0 1 1 0 1
Setelah mengalami penyilangan, pada kromosom anak dapat dilakukan mutasi. Variabel offspring dimutasi dengan menambahkan angka yang sangat kecil dengan probabilitas yang rendah. Peluang mutasi (pm) didefinisikan sebagai persentasi dari jumlah total gen yang mengalami mutasi. Jika peluang mutasi terlalu kecil, banyak gen yang mungkin berguna tidak pernah dievaluasi. Tetapi jika peluang mutasi terlalu besar, maka akan terlalu banyak gangguan acak sehingga anak akan kehilangan kemiripan dari induknya, dan juga algoritma akan kehilangan kemampuan untuk belajar dari histori
pencarian. Mutasi pada bilangan biner dilakukan dengan inversi gen kromosom yaitu mengubah gen yang semula bernilai 0 menjadi 1 dan sebaliknya. Posisi gen yang dimutasi ditentukan secara acak.
Sidharta (2005) menyebutkan bahwa fungsi fitness adalah sebuah nilai yang menentukan apakah string dapat bertahan hidup pada populasi atau tidak.
Parameter genetik yaitu ukuran populasi, jumlah generasi, peluang penyilangan dan peluang mutasi berguna untuk pengendalian operator-operator genetika dan tidak ada aturan yang pasti tentang berapa nilai-nilai ini.
Ukuran populasi kecil berarti hanya tersedia sedikit pilihan untuk penyilangan dan sebagian kecil saja yang dieksplorasi untuk setiap generasinya. Sedangkan bila terlalu besar, kinerja AG menurun. Ukuran populasi yang disarankan antara 20-30, peluang penyilangan berkisar 80-95% dan peluang mutasi kecil berkisar 0.5-1%. Syska (2005) menggunakan ukuran populasi 20, jumlah generasi 100, peluang penyilangan 80% dan peluang mutasi 1%. Arif (2003) menggunakan ukuran populasi 20, jumlah generasi 400, peluang penyilangan 40% dan peluang mutasi 1%. Hasil penjadwalan penyiraman optimum untuk fase vegetatif tanaman mentimun terjadi pada lama penyiraman 240 detik pada selang 240-600 detik, selang penyiraman 3 jam pada selang 3-8 jam dan menghasilkan outflow volume 10.138 ml pada selang 0-140 ml.
Sumarni (2007) menyebutkan karakteristik AG yang membedakan dengan teknik optimasi lainnya adalah: 1) AG bekerja dengan pengkodean himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan, 2) AG melakukan pencarian pada sebuah populasi dari sejumlah individu yang merupakan solusi permasalahan, bukan hanya dari sebuah individu, 3) AG menggunakan informasi fungsi objektif (fitness) sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.
III. METODOLOGI PENELITIAN