BAB 4 : IMPLEMENTASI DAN PENGUJIAN
4.3 Tampilan Pengujian Data Penjadwalan
Pengujian data penjadwalan berfungsi untuk mendapatkan hasil penjadwalan dengan algoritma genetika berdasarkan banyak data yang diproses. Tampilan Data Penjadwalan dapat dilihat sebagai berikut:
a. Pengujian dengan 50 Iklan untuk tanggal 12/01/2016
Gambar 4.11 Tampilan Pengujian Penjadwalan 50 Iklan
Pada Gambar 4.13 dilakukan pemrosesan data iklan sebanyak 50 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 1 dan persentase optimum sebanyak 100% pada iterasi ke 4 dengan lama waktu proses 6 detik.
b. Pengujian dengan 100 Iklan untuk tangga 12/01/2015
Pada Gambar 4.14 dilakukan pemrosesan data iklan sebanyak 100 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,95 dan jumlah individu yang optimal sebanyak 93% pada iterasi ke 285 dengan lama waktu proses 12 menit 11 detik.
c. Pengujian dengan 200 Iklan untuk tanggal 13/01/2015
Gambar 4.13 Tampilan Pengujian Penjadwalan 200 Iklan
Pada Gambar 4.15 dilakukan pemrosesan data iklan sebanyak 200 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,94 dan jumlah individu yang optimal sebanyak 88,5% pada iterasi ke 317 dengan lama waktu proses 48 menit 21 detik.
d. Pengujian dengan 250 Iklan untuk tanggal 12/01/2015
Gambar 4.14 Tampilan Pengujian Penjadwalan 250 Iklan
Pada Gambar 4.16 dilakukan pemrosesan data iklan sebanyak 250 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 84% pada iterasi ke 342 dengan lama waktu proses 1 jam 17 menit 55 detik. e. Pengujian dengan 300 Iklan untuk tanggal 12/01/2015
Gambar 4.15 Tampilan Pengujian Penjadwalan 300 Iklan
Pada Gambar 4.17 dilakukan pemrosesan data iklan sebanyak 300 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika
probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 83,33% pada iterasi ke 107 dengan lama waktu proses 32 menit 37 detik. f. Pengujian dengan 350 Iklan untuk tanggal 12/01/2015
Gambar 4.16 Tampilan Pengujian Penjadwalan 350 Iklan
Pada Gambar 4.18 dilakukan pemrosesan data iklan sebanyak 350 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,90 dan jumlah individu yang optimal sebanyak 79,43% pada iterasi ke 382 dengan lama waktu proses 2 jam 33 detik.
g. Pengujian dengan 400 Iklan untuk tanggal 12/01/2015
Pada Gambar 4.19 dilakukan pemrosesan data iklan sebanyak 400 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,88 dan jumlah individu yang optimal sebanyak 76,75% pada iterasi ke 1000 dengan lama waktu proses 5 jam 37 menit 34 detik.
h. Pengujian dengan 450 Iklan untuk tanggal 12/01/2015
Gambar 4.18 Tampilan Pengujian Penjadwalan 450 Iklan
Pada Gambar 4.20 dilakukan pemrosesan data iklan sebanyak 450 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,87 dan jumlah individu yang optimal sebanyak 73,33% pada iterasi ke 1000 dengan lama waktu proses 10 jam 25 menit 59 detik.
i. Pengujian dengan 500 Iklan untuk tanggal 12/01/2015
Gambar 4.19 Tampilan Pengujian Penjadwalan 500 Iklan
Pada Gambar 4.21 dilakukan pemrosesan data iklan sebanyak 500 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,85 dan jumlah individu yang optimal 71% pada iterasi ke 1000 dengan lama waktu proses 7 jam 57 menit 15 detik.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah merancang dan mengaplikasikan perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika, maka diperoleh hasil pengujian adalah sebagai berikut:
a. Algoritma genetika dapat digunakan untuk penjadwalan iklan radio dengan jenis waktu prime maupun regular time.
b. Algoritma genetika sangat dipengaruhi fungsi acak, sehingga tidak selalu hasil yang diperoleh pada suatu proses penjadwalan iklan menghasilkan yang paling optimal.
c. Dengan algoritma genetika program dapat mencari solusi penjadwalan iklan radio dengan waktu yang lebih cepat.
d. Hasil pengujian dengan inputan nilai parameter genetika yang sama atau berbeda, proses penjadwalan menghasilkan nilai persentase optimum yang berbeda-beda hal ini disebabkan karena fungsi random.
e. Probablilitas crossover yang digunakan sebesar 70 % dan probabilitas mutasi yang digunakan adalah 10%.
f. Operator genetika yang digunakan dalam penelitian ini adalah crossover satu titik potong, insertion mutation karena lebih sesuai pada representasi kromosom dan inisialisasi populasi pada saat membangkitkan populasi awal. g. Makin besar populasi atau data iklan yang dijadwalkan maka waktu
penjadwalan makin lama ini disebabkan nilai acak akan semakin banyak. 5.2 Saran
Adapun saran-saran yang untuk penelitian maupun pengembangan berikutnya adalah membandingkan keakuratan algoritma genetika dengan algoritma optimasi lainnya seperti algoritma jaringan syaraf tiruan Backpropagation maupun Learning Vector Quantization.
BAB 2
LANDASAN TEORI
2.1 Penjadwalan Iklan
Penjadwalan adalah proses penyusunan menentukan jadwal yang tepat terhadap suatu pekerjaan untuk mencapai suatu tujuan tertentu terhadap sumber daya yang tersedia sesuai dengan constraint yang harus dipenuhi (Soraya, 2007). Penjadwalan iklan adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan pada sela-sela waktu acara dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruang yang tersedia, waktu bebas yang diperlukan dan sejumlah aturan lain yang berkaitan dengan toleransi untuk pemasang iklan.
Periklanan merupakan alat komunikasi untuk menyampaikan pesan mengenai barang-barang, jasa atau ide-ide yang ditujukan kepada khalayak ramai yang merupakan calon pembeli dari produk atau jasa tersebut. Periklanan dapat mempengaruhi konsumen sehingga timbul rasa untuk melakukan pembelian. Jadi periklanan mempunyai peranan penting dalam meningkatkan volume penjualan. Banyak pengertian mengenai periklanan yang dikemukakan oleh para ahli dan kebanyakan orang percaya bahwa periklanan bekerja dengan mengirimkan suatu pesan lewat suatu media cetak maupun elektronika akan diperoleh jumlah konsumen yang cukup besar dalam waktu yang tidak begitu lama. Namun dalam masyarakat yang komunikatif, pesan yang disampaikan oleh media promosi terbentur oleh kesadaran, pengertian dan tindakan konsumen untuk melakukan pembelian. Sehingga perusahaan melaksanakan kegiatan periklanan karena mempunyai peranan yang cukup besar bagi kegiatan penjualan.
Periklanan adalah suatu usaha untuk mempengaruhi konsumen dalam bentuk tulisan, gambar, suara atau kombinasi dari semua yang diarahkan pada masyarakat secara luas. Menurut (Kotler 2006) bahwa periklanan adalah setiap bentuk penyajian dan promosi bukan pribadi yang dibayar mengenai gagasan, barang atau jasa oleh sponsor yang teridentifikasi. Pentingnya media radio siaran sebagai media iklan akan lebih terasa jika menyimak situasinya secara global, peran radio sebagai media iklan memang masih terbatas secara umum, dengan tersedianya sinyal yang kuat, radio dapat mencapai pendengar yang banyak pada jarak yang jauh atau bahkan dalam suatu
wilayah yang luas. Radio merupakan sarana handal untuk menjangkau orang yang mungkin tidak mempunyai akses media yang lain, radio dapat menjangkau orang-orang yang buta huruf yang tidak dapat membaca surat kabar, dan radio merupakan media yang dapat menjangkau hingga kepelosok daerah. Radio berfungsi sebagai sarana informasi, komunikasi, pengetahuan dan pendidikan serta hiburan yang mempunyai peran cukup penting dalam menyampaikan berita tentang perkembangan nasional maupun internasional.
Terkait dengan pangsa pasar dan basis konsumen, merek dengan pangsa pasar yang tinggi pada umumnya membutuhkan anggaran biaya periklanan yang lebih rendah guna mempertahankan posisinya. Itulah kenapa banyak perusahaan atau instansi beriklan melalui media radio, karena radio adalah media auditif yang lebih mudah untuk mengingat apa yang didengar pada setiap kesempatan.
Radio Suara Medan 94.7 hadir sebagai salah satu media di kota Medan yang memanjakan stakeholder dalam pemenuhan kebutuhan beriklan dan berpromosi, secara umum gambaran singkat tentang Radio Medan dapat dijelaskan dalam uraian singkat berupa karakteristik radio, yaitu: Efficient Value.
Radio adalah media beriklan yang ekonomis dari sisi pembiayaan dan efektif. Flexibility Value. Radio adalah media yang bersifat mobile, karena bisa didengar dalam setiap kesempatan, kapanpun dan di manapun. Real Time Value. Radio adalah media yang paling unggul dalam kecepatan penyampaian informasi, baik dalam penyampaian hiburan dan komersial. Customize Value. Radio adalah media yang mudah untuk mengemas suatu penyampaian pesan dalam bentuk siaran yang variatif dan kreatif sesuai keinginan dan kebutuhan pemasang iklan. Ada beberapa produk iklan yang disajikan oleh Radio Medan dalam memanjakan pemasang iklan, yaitu dalam bentuk:
a. Loose Spot, adalah produk iklan yang dibuat dengan merekam suara orang yang membaca pesan tertentu yang ingin disampaikan dan diperindah lagi dengan musik atau sound effect lainnya, di mana pesan yang disampaikan antara lain adalah jadwal kegiatan, jenis produk yang ditawarkan, info harga hingga bagaimana dan di mana produk tersebut bisa dibeli atau didapatkan oleh konsumen.
b. Kemudian Insert ARP (Kuis) / Sayembara, adalah rangkaian acara yang melibatkan konsumen dan calon konsumen untuk berpartisipasi dalam
permainan atau games yang terkait erat dengan produk yang dipromosikan, dengan jaminan mendapatkan hadiah-hadiah tertentu, dengan keterlibatan ini pemasang iklan jenis ini berharap agar brand-nya diposisikan disekitar nilai-nilai dan kebutuhan sosial.
c. Lalu Time Signal, merupakan jenis iklan tanda waktu pada waktu atau jam tertentu yang dianggap strategis.
Ada pula sponsor program / Talk Show, dalam penerapannya di radio, praktisi radio menamakan program ini sebagai blocking time program, artinya adalah pembelian jam siaran dengan durasi tertentu, untuk diisi dengan program khusus yang dimiliki untuk tujuan kegiatan pemasaran. Jenis produk berupa Live Reportase, jenis produk ini adalah perpaduan antara siaran On-Air maupun Off-Air, di mana pemasang iklan menginginkan produknya lebih dikenal dimasyarakat dalam bentuk event tertentu yang disiarkan secara langsung melalui radio.
Dan yang terakhir adalah Adlibs Radio Program (ARP), merupakan iklan radio berupa teks tertulis (script) dibacakan dan diimprovisasi oleh penyiar radio dalam pola penyampaiannya. Pemasang iklan dimanjakan dengan pilihan waktu tayang iklan yang relatif menguntungkan dengan asumsi bahwa dalam jam tertentu merupakan capaian pendengar dalam jumlah banyak, dan berikut
2.2 Algoritma Genetika
Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960-an d1960-an kemudi1960-an dikemb1960-angk1960-an bersama murid d1960-an rek1960-an kerj1960-anya di Universitas Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke dalam sistem komputer (Fariza, 2006).
Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi yaitu permasalahan-permasalahan yang tak linier (Mitsuo & Runwei, 2000).
Algoritma genetika berbeda dengan teknik konvergensi konvensional yang lebih bersifat deterministik (Gen & Cheng., 1997). Algoritma Genetik memakai
mekanisme seleksi alam dan ilmu genetik sehingga istilah-istilah pada Algoritma Genetik akan bersesuaian dengan istilah-istilah pada seleksi alam dan ilmu genetik. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan Fitness.
Secara umum tahapan proses dari algoritma genetika diperlihatkan pada Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan kedua-duanya atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring (generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan akan lebih baik dalam memperkirakan solusi optimum, proses iterasi kemudian berlanjut sesuai dengan jumlah generasi yang telah ditetapkan.
2.3 Struktur Umum Algoritma Genetika
Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai berikut:
1. Mulai
Proses algoritma genetika dimulai dengan membangun populasi random sebanyak n kromosom (sesuai dengan masalahnya).
2. Populasi Awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
3. Evaluasi Fitness
Pada setiap generasi kromosom-kromosom akan dievaluasi berdasarkan tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan evaluasi Fitness. Proses evaluasi Fitness adalah melakukan evaluasi setiap Fitness f(x) dari setiap kromosom x pada populasi.
4. Pembentukan Generasi Baru
Proses ini dilakukan secara berulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru (offspring) di mana generasi baru merupakan representasi dari solusi baru.
5. Seleksi
Untuk memilih kromosom yang akan tetap dipertahankan untuk generasi selanjutnya maka dilakukan proses seleksi. Proses seleksi dilakukan dengan memilih 2 kromosom parent dari populasi berdasarkan Fitnessnya (semakin besar Fitnessnya, maka semakin besar kemungkinannya untuk terpilih).
6. Crossover
Proses selanjutnya melakukan perkawinan silang sesuai dengan besarnya kemungkinan perkawinan silang, orang tua (parent) yang terpilih disilangkan untuk membentuk anak (offspring). Jika tidak ada crossover, maka anak merupakan salinan dari orang tuanya. Jumlah kromosom dalam populasi yang mengalami perkawinan silang (crossover) ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang (crossover
7. Mutasi
Proses mutasi dilakukan sesuai dengan besarnya kemungkinan mutasi yang telah ditentukan, anak dimutasi pada setiap lokus (posisi pada kromosom). Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang disebut dengan probabilitas mutasi (mutationr probabilit, Pm). Setelah beberapa generasi akan dihasilkan, kromosom-kromosom yang nilai gennya konvergen ke suatu nilai tertentu merupakan solusi optimum yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan.
8. Memenuhi syarat regenerasi
Apabila generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun, apabila generasi baru tidak memenuhi syarat regenerasi, maka proses akan kembali ke evaluasi Fitness.
Parameter yang digunakan dalam algoritma genetika adalah:
1. Fungsi Fitness untuk menentukan tingkat kesesuaian individu tersebut. 2. Populasi jumlah individu pada setiap generasi.
3. Probabilitas terjadinya crossover pada setiap generasi. 4. Probabitas terjadinya mutasi pada setiap generasi. 5. Jumlah generasi yang akan dibentuk.
Golberg (1989) mengemukakan bahwa algoritma genetika mempunyai karakteristik-karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian atau optimasi yang lain, yaitu:
1. Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan bukan parameter itu sendiri.
2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetika informasi fungsi objektif (Fitness), sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.
4. Algoritma genetika menggunakan aturan transisi peluang, bukan aturan-aturan deterministik.
Pada algoritma genetika ini terdapat beberapa definisi penting yang harus dipahami sebelumnya, yaitu:
a. Gen
Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.
b. Kromosom / Individu
Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.
c. Populasi
Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.
d. Fitness
Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan. e. Seleksi
Seleksi merupakan proses untuk mendapatkan calon induk yang baik. f. Crossover
Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.
g. Mutasi
Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu. h. Generasi
Generasi merupakan urutan iterasi di mana beberapa kromosom bergabung. i. Offspring
Offspring merupakan kromosom baru yang dihasilkan.
2.4 Teknik Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetika (Desiani, 2005). Agar dapat diproses melalui algoritma genetika, maka harus dikodekan terlebih dahulu ke dalam bentuk kromosom. Kromosom akan berisi informasi sejumlah gen yang mengkodekan informasi.
Ada beberapa jenis pengkodean yang dapat digunakan dalam algoritma genetika yaitu pengkodean biner (binary encoding), pengkodean nilai (value encoding), pengkodean permutasi (permutation enocding), pengkodean pohon (tree encoding).
2.4.1 Pengkodean Biner
Pengkodean ini merupakan pengkodean yang sering digunakan dan paling sederhana. Pada pengkodean biner setiap kromosom direpresentasikan dalam barisan bit 0 atau 1, seperti dapat dilihat pada tabel 2.1 berikut ini:
Tabel 2.1 Contoh Pengkodean Biner
Kromosom A 10101011010
Kromosom B 11000010111
Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun dengan jumlah nilai-nilai yang mungkin terjadi dalam suatu gen sedikit (0 atau 1). Pengkodean ini sering tidak sesuai untuk beberapa masalah terkadang harus dilakukan pengkoreksian setelah operasi crossover dan mutasi.
2.4.2 Pengkodean Nilai
Didalam pengkodean nilai setiap kromosom adalah string dari suatu nilai di mana nilai yang dikodekan langsung merupakan representasi dari masalah seperti bilangan bulat, desimal ataupun karakter. Contoh pengkodean ini dapat dilihat pada tabel 2.2 pada halaman 13.
Tabel 2.2 Contoh Pengkodean Nilai
Kromosom A 1.345, 4.534, 7.654, 8.789
Kromosom B ABC, ADC, CBC, BCA
Kromosom C 1, 3, 4, 7, 5
Kromosom D Forward, backward, right, left 2.4.3 Pengkodean Pohon
Pengkodean pohon digunakan untuk menyusun program atau ekspresi didalam algoritma genetika. Dalam pengkodean pohon ini, setiap kromosom dinyatakan sebagai sebuah pohon dari setiap objek, seperti fungsi atau perintah dalam bahasa pemograman. Pengkodean pohon sangat baik dalam pembangunan sebuah program. Bahasa pemrograman LISP biasanya sering menggunakan pengkodean pohon, karena program didalamnya dapat direpresentasikan ke dalam bentuk ini, dan dapat dengan mudah di parse menjadi sebuah pohon, sehingga crossover dan mutasi dapat dilakukan dengan lebih mudah. Contoh pengkodean pohon dapat dilihat pada gambar dibawah ini: (*(-(ab))(+(*(CD))(/(EF))))
Gambar 2.3 Pengkodean Pohon 2.4.4 Pengkodean Permutasi
Pengkodean permutasi adalah pengkodean yang digunakan dalam masalah pengurutan data (ordering problem), seperti masalah wiraniaga (travelling salessman problem), atau masalah pengurutan tugas (task ordering problem). Pada pengkodean ini setiap kromosom merupakan barisan angka yang merepresentasikan angka dalam urutan. Pengkodean ini berguna untuk masalah ordering, bahkan beberapa korelasi terhadap
kromosom harus dilakukan untuk menjaga konsistensi representasi kromosom setelah proses crossover dan mutasi. Sebagai contoh, dapat dilihat pada tabel 2.3 berikut ini:
Tabel 2.3 Contoh Pengkodean Permutasi
Kromosom A 2 6 7 5 1 3 4 9 8 10
Kromosom B 10 5 4 9 7 1 3 2 6 8
2.5 Membangkitkan Populasi Awal dan Kromosom
Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu atau kromosom secara acak atau melalui prosedur tertentu. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan waktu ke arah konvergensi akan lebih lama (Goldberg, 1989).
2.6 Evaluasi Fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Didalam evolusi alam, individu yang bernilai Fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai Fitness rendah akan mati. 2.7 Seleksi
Dalam proses reproduksi setiap individu populasi pada suatu generasi diseleksi berdasarkan nilai Fitness-nya untuk bereproduksi guna menghasilkan keturunan. Probabilitas terpilihnya suatu individu untuk bereproduksi adalah sebesar nilai Fitness individu tersebut dibagi dengan jumlah nilai Fitness seluruh individu dalam pupulasi (Davis, 1991). Proses seleksi memiliki beberapa jenis metode, berikut ini adalah beberapa metode seleksi yang sering digunakan yaitu:
2.7.1 Seleksi Roda Roulette (Roulete Wheel Selection)
Metode seleksi roda roulette merupakan metode seleksi yang paling sederhana. Metode ini juga sering dikenal dengan nama stochastic sampling with replacement. Pada metode ini cara kerja seleksi berdasarkan nilai Fitness dari tiap individu, jadi individu yang memiliki nilai Fitness terbaik mempunyai kesempatan lebih besar untuk terpilih sebagai orang tua.
Langkah-langkah seleksi roulette wheel:
1. Dihitung nilai Fitness masing-masing individu (fi di mana i adalah individu ke 1 s/d ke-n )
2. Dihitung total Fitness semua individu ,
3. Dihitung Fitness relatif masing-masing individu
4. Dari Fitness relatif tersebut, dihitung Fitness kumulatifnya. 5. Dibangkitkan nilai random
6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih dalam proses seleksi