BAB 4 HASIL DAN PEMBAHASAN
4.6 Hasil Evaluasi Sepuluh Generasi
Hasil perhitungan fitness untuk mendapatkan node-node pada lintasan yang ditentukan dapat dilihat di lampiran. Pada perhitungan ini dilakukan perhitungan dengan target Jumlah Node sebesar 10 dan Jumlah Jarak sebesar 400. Penjelasan tentang langkah-langkah proses untuk mendapatkan nilai fitness terbaik yang mempunyai optimum global juga dapat dilihat di lampiran.
Perhitungan pada sepuluh generasi menghasilkan nilai terbaik yaitu Fitness=1 dimana target yang diperoleh sesuai dengan target yang diinginkan. Populasi yang mempunyai nilai Fitness=1 ada tiga buah antara lain Populasi[0], Populasi[5] dan Populasi[8].
Lintasan pada populasi ini adalah sebagai berikut:
22 - 7 - 19 - 16 - 23 - 2 - 8 - 24 - 18 – 11 – 22
Lintasan tersebut memiliki total jarak sebesar 400. Penggunaan dinamisasi pada mutasi sangat membantuk pencapaian optimum global karena populasi yang memiliki nilai fitness yang lebih mendekati dengan target fitness tidak dilakukan mutasi, sehingga akan mempunyai peluang yang besar untuk memperbaiki nilai gennya pada generasi-generasi selanjutnya. Semakin banyak nilai yang mendekati nilai fitness target maka semakin sedikit pula mutasi yang dilakukan. Proses mutasi dinamis ini sangat mempengaruhi hasil dari proses genetika.
BAB 5 PENUTUP
5.1 Kesimpulan
Proses mutasi dinamis pada Knapsack TSP sangat membantu proses genetika dalam melakukan perbaikan keturunan. Pada mutasi yang bersifat statis, kebutuhan akan mutasi mempunyai nilai yang tetap. Ada kondisi dimana suatu generasi tidak membutuhkan banyak proses mutasi. Jika ini terjadi, maka akan banyak gen-gen yang mendekati nilai target fitness akan tergantikan dengan nilai yang lebih baik. Proses ini akan mempelajari situasi dari suatu generasi. Nilai rentang atau range dapat ditentukan berdasarkan kebutuhan. Proses mutasi dinamis ini dapat membatasi suatu generasi akan termutasi. Jika generasi memiliki banyak fitness yang mendekati nilai sasaran, proses mutasi akan berkurang dan kemungkinan populasi baik yang tergantikan akan lebih sediikit.
5.2 Saran
Pada proses mutasi dinamis ini tidak mempelajari situasi dari generasi-generasi sebelumnya. Sangat diharapkan agar penentuan nilai mutasi menjadi lebih baik.
Metode supervised learning dapat dijadikan suatu metode kombinasi pada penentuan nilai Mutation Rate. Sehingga nilai mutasi dapat mempelajari dari kebiasaan-kebiasaan yang terjadi sebelumnya. Pada penelitian selanjutnya diharapkan agar ada perbaikan penentuan nilai mutasi pada Knapsack TSP ini. Jika pada mutasi dinamis nilai mutasi tergantung dari nilai fitness pada generasi yang sedang berjalan, pada kelanjutan penelitian ini diharapkan nilai mutation rate tergantung dari perhitungan generasi-generasi yang telah terlewati sebelumnya
.
DAFTAR PUSTAKA
Haibo, Z., Liwen, C., Shenyong, G., Jianguo, C., Feng, Y., & Daqing, L. 2011.
Improvement of Genetic Algorithm to the Knapsack Problem. ICAIC. Part I:
202-206
Holland, J. H. 1975. Adaption in Natural and Artificial System: An Introductory Analysis with Application to Biology, Control, and Artificial Intellegence, University of Michigan Press, Ann Arbor, Mich: USA.
Hong, T.P., Wang, H.S., Lin, W.Y., & Lee, W.Y. 2009. Evolution of Appropriate Crossover and Mutation Operators in a Genetic Process. Genetic and Evolutionary Computation Conference, pp. 7 – 17.
Singh, R.P. 2011. Solving 0-1 Knapsack Problem Using Genetic Algorithm. IEEE 3rd International Conference on Communication Software and Networks (ICCSN), pp. 591 – 595.
Sivanandam, S.M., & Deepa, S.N. 2008. Introduction to Genetic Algorithm, Springer, Berlin:Germany
Smith, J.E. 2002. Genetic Algorithm. In Horst, R. & Parlados, P. (Eds). Handbook of Global Optimization Volume 2. pp. 275 – 362. Springer Science + Business Media:Boston.
Suyanto. 2014. Artificial Intelligence: Searching, Reasoning, Planning dan Learning.
Informatika: Bandung.
Varnamkhasti, M.J, Lee, L.S, Bakar, M.R.A, & Leong, W.J. 2012. A Genetic Algorithm with Fuzzy Crossover Operator and Probability. Advances in Operations Research Volume 2012 (2012). (Online) http://dx.doi.org/10.1155/2012/956498
Zhu, K. Q. & Liu, Z. 2004. Population Diversity in Permutation – Based Genetic Algorithm. Proceedings 15th European Conference on Machine Learning (ECML), pp. 537 – 547.
40
LAMPIRAN :
DAFTAR PUBLIKASI ILMIAH PENULIS
NO Judul Artikel Penulis
Publikasi (Seminar-Jurnal)
Tahun Tempat
1. Boolean Operator pada Internet
Yumnah Fitriyanna
Waruwu
Prosiding Seminar
Sehari Pascasarjana
Informatika, SENOPATI, 30 Oktober
2015
UNIVERSITAS SUMATERA UTARA, Medan
LAMPIRAN 2 :
42
Hasil : 23 Pos : 18 Count :24 {0 1 4 5 6 7 8 9 10 11 13 14 17 18 19 20 21 22 24 25 26 27 28 29 }
Populasi [0] Jarak : 336 Fitness : 0,0153846153846154 Populasi [1] Jarak : 301 Fitness : 0,01
Populasi [2] Jarak : 417 Fitness : -0,0625
Populasi [3] Jarak : 305 Fitness : 0,0104166666666667 Populasi [4] Jarak : 303 Fitness : 0,0102040816326531 Populasi [5] Jarak : 215 Fitness : 0,00537634408602151 Populasi [6] Jarak : 419 Fitness : -0,0555555555555556 Populasi [7] Jarak : 272 Fitness : 0,00775193798449612 Populasi [8] Jarak : 390 Fitness : 0,0909090909090909 Populasi [9] Jarak : 255 Fitness : 0,00684931506849315
44
Populasi Setelah Seleksi
Populasi [0] Jarak : 336 Fitness : 0,0153846153846154 Populasi [1] Jarak : 262 Fitness : 0,00719424460431655 Populasi [2] Jarak : 262 Fitness : 0,00719424460431655
46
Populasi [3] Jarak : 297 Fitness : 0,00961538461538462 Populasi [4] Jarak : 341 Fitness : 0,0166666666666667 Populasi [5] Jarak : 380 Fitness : 0,0476190476190476 Populasi [6] Jarak : 380 Fitness : 0,0476190476190476 Populasi [7] Jarak : 341 Fitness : 0,0166666666666667 Populasi [8] Jarak : 341 Fitness : 0,0166666666666667 Populasi [9] Jarak : 380 Fitness : 0,0476190476190476 Terbaik di posisi : 9
Populasi [0] Jarak : 392 Fitness : 0,111111111111111 Populasi [1] Jarak : 374 Fitness : 0,037037037037037 Populasi [2] Jarak : 376 Fitness : 0,04
Populasi [3] Jarak : 409 Fitness : -0,125
Populasi [4] Jarak : 339 Fitness : 0,0161290322580645 Populasi [5] Jarak : 418 Fitness : -0,0588235294117647 Populasi [6] Jarak : 307 Fitness : 0,0106382978723404
Populasi [7] Jarak : 382 Fitness : 0,0526315789473684 Populasi [8] Jarak : 294 Fitness : 0,00934579439252336 Populasi [9] Jarak : 395 Fitness : 0,166666666666667
Prob [0] : 0,427784811773972
48
=======================
Populasi [0] Jarak : 392 Fitness : 0,111111111111111 Populasi [1] Jarak : 402 Fitness : -1
Populasi [2] Jarak : 402 Fitness : -1 Populasi [3] Jarak : 402 Fitness : -1
Populasi [4] Jarak : 372 Fitness : 0,0344827586206897 Populasi [5] Jarak : 375 Fitness : 0,0384615384615385 Populasi [6] Jarak : 372 Fitness : 0,0344827586206897 Populasi [7] Jarak : 402 Fitness : -1
Populasi [8] Jarak : 402 Fitness : -1
Populasi [9] Jarak : 360 Fitness : 0,024390243902439 Terbaik di posisi : 0
Populasi [0] Jarak : 392 Fitness : 0,111111111111111 Populasi [1] Jarak : 402 Fitness : -1
Populasi [2] Jarak : 402 Fitness : -1 Populasi [3] Jarak : 402 Fitness : -1
50
Populasi [4] Jarak : 372 Fitness : 0,0344827586206897 Populasi [5] Jarak : 375 Fitness : 0,0384615384615385 Populasi [6] Jarak : 372 Fitness : 0,0344827586206897 Populasi [7] Jarak : 402 Fitness : -1
Populasi [8] Jarak : 402 Fitness : -1
Populasi [9] Jarak : 360 Fitness : 0,024390243902439
Prob [0] : -0,0233570399405836
Bilangan Acak [4] : 0,260770383878038
52
Fitness Setelah Proses Genetika
=======================================
Populasi [0] Jarak : 392 Fitness : 0,111111111111111 Populasi [1] Jarak : 402 Fitness : -1
Populasi [2] Jarak : 402 Fitness : -1
Populasi [3] Jarak : 395 Fitness : 0,166666666666667 Populasi [4] Jarak : 402 Fitness : -1
Populasi [5] Jarak : 395 Fitness : 0,166666666666667 Populasi [6] Jarak : 394 Fitness : 0,142857142857143 Populasi [7] Jarak : 400 Fitness : 1
Populasi [8] Jarak : 400 Fitness : 1
Populasi [9] Jarak : 395 Fitness : 0,166666666666667 Terbaik di posisi : 8
Populasi [3] Jarak : 395 Fitness : 0,166666666666667 Populasi [4] Jarak : 402 Fitness : -1
Populasi [5] Jarak : 395 Fitness : 0,166666666666667 Populasi [6] Jarak : 394 Fitness : 0,142857142857143 Populasi [7] Jarak : 400 Fitness : 1
Populasi [8] Jarak : 400 Fitness : 1
Populasi [9] Jarak : 395 Fitness : 0,166666666666667
Prob [0] : 1,55555555555556
54
Fitness Setelah Proses Genetika
56
Bilangan Acak [3] : 0,403274954950099
58
Populasi [5] Jarak : 398 Fitness : 0,333333333333333 Populasi [6] Jarak : 402 Fitness : -1
Populasi [3] Jarak : 403 Fitness : -0,5 Populasi [4] Jarak : 403 Fitness : -0,5
Populasi [5] Jarak : 398 Fitness : 0,333333333333333 Populasi [6] Jarak : 402 Fitness : -1
60
Fitness Setelah Proses Genetika
=======================================
Populasi [0] Jarak : 400 Fitness : 1 Populasi [1] Jarak : 401 Fitness : ∞
Populasi [2] Jarak : 398 Fitness : 0,333333333333333 Populasi [3] Jarak : 407 Fitness : -0,166666666666667 Populasi [4] Jarak : 401 Fitness : ∞
Populasi [5] Jarak : 398 Fitness : 0,333333333333333 Populasi [6] Jarak : 407 Fitness : -0,166666666666667 Populasi [7] Jarak : 407 Fitness : -0,166666666666667 Populasi [8] Jarak : 391 Fitness : 0,1
Populasi [9] Jarak : 407 Fitness : -0,166666666666667 Terbaik di posisi : 0
Populasi [2] Jarak : 398 Fitness : 0,333333333333333
62
Populasi [3] Jarak : 407 Fitness : -0,166666666666667 Populasi [4] Jarak : 401 Fitness : ∞
Populasi [5] Jarak : 398 Fitness : 0,333333333333333 Populasi [6] Jarak : 407 Fitness : -0,166666666666667 Populasi [7] Jarak : 407 Fitness : -0,166666666666667 Populasi [8] Jarak : 391 Fitness : 0,1
Populasi [9] Jarak : 407 Fitness : -0,166666666666667
Prob [0] : 0
Bilangan Acak [3] : 0,720099233891861
64
Populasi [3] Jarak : 402 Fitness : -1
66
Fitness Setelah Proses Genetika
68
Bilangan Acak [3] : 0,147136231021553