SKRIPSI
RIZKY YANDA
081402024
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
RIZKY YANDA 081402024
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER
DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PENERAPAN ALGORITMA GENETIKA DALAM
PENENTUAN TATA LETAK RUANG
Kategori : SKRIPSI
Nama : RIZKY YANDA
Nomor Induk Mahasiswa : 081402024
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Desember 2013 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sarah Purnamawati, ST., M.Sc. Dr. Erna Budhiarti Nababan, M.IT. NIP 19830226 201012 2 003 NIP -
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PENERAPAN ALGORITMA GENETIKA DALAM PENENTUAN TATA LETAK RUANG
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Desember 2013
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terima kasih penulis sampaikan kepada:
1. Kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Ir. M. Yasin dan Ibunda Dr. Hj. Dahniar, M.Kes yang selalu sabar dalam mendidik dan membesarkan penulis. 2. Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing satu dan Ibu Sarah
Purnamawati, ST.,M.Sc selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
3. Ucapan terima kasih juga ditujukan kepada Bapak Syahriol Sitorus, S.Si., M.Si. dan Bapak Baihaqi Siregar, S.Si., M.T. yang telah bersedia menjadi dosen pembanding.
4. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
ABSTRAK
Selama ini pembuatan denah dasar rumah seringkali mengalami kesulitan, terutama untuk memperkirakan tata letak dari setiap ruangan. Algoritma Genetika dapat menghasilkan suatu Tata Letak Ruang yang dipertimbangkan berdasarkan kebutuhan. Dengan adanya sistem ini, pembuatan denah dasar pada sebuah rumah dapat dilakukan secara lebih mudah dan praktis. Secara umum, sistem dapat memberikan sebuah hasil tata letak ruang pada sebuah lahan sesuai dengan yang diharapkan.
APPLICATION OF GENETIC ALGORITHM IN THE DETERMINATION OF ROOM LAYOUT
ABSTRACT
During the making of the basic plan of the home often have difficulty, especially for estimating the layout of each room. Genetic Algorithm can produce a layout that is considered based on space needs. With this system, the ground-plan of making a home can be more convenient and practical. In general, the system can provide a layout results in a land space as expected.
Hal.
Persetujuan i
Pernyataan ii
Ucapan Terima Kasih iii
Abstrak v
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Sistematika Penulisan 3
BAB2 LandasanTeori 5
2.1 Pengenalan Perencanaan Tata Letak Ruang 5
2.1.1 Penentuan Kebutuhan Ruang 5
2.1.2 Perencanaan dan Penataan Ruang 6
2.2 Algoritma Genetika 7
2.2.1 Aplikasi Algoritma Genetika 8
2.2.2 Komponen Algoritma Genetika 10
A. Teknik Pengkodean 10
B. Pengertian Individu 10
C. Membangkitkan Populasi Awal 12
D. Fungsi Fitness 13
E. Seleksi 13
F. Crossover atau Kawin Silang 14
G. Mutasi 16
2.3 Penelitian Sebelumnya 18
BAB3 Analisis dan Perancangan Sistem 21
3.1 Analisis Kinerja Algoritma Genetika 21
3.2 Data yang digunakan 22
3.3.1 Inisialisasi Kromosom 22
3.3.2 Fungsi Fitness 26
3.3.3 Seleksi 29
3.3.4 Crossover 30
3.3.5 Mutasi 45
3.3.6 Proses Output 47
3.4 Perancangan Program 48
3.4.1 Rancangan Struktur Aplikasi 49
3.4.2 Flowchart Diagram 49
3.4.3 Data Flow Diagram 50
3.4.4 Use Case Diagram 56
3.4.5 Rancangan Layar Program 58
BAB 4Implementasi dan Pengujian Sistem 60
4.1 Implementasi Sistem 60
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan 60
4.2 Implementasi Perancangan Antarmuka 60
4.2.1 Halaman Utama 61
4.2.2 Halaman Form Lahan Rumah 61
4.2.3 Halaman Form Garis Sempadan Bangunan (GSB) dan Halaman Rumah 62
4.2.5 Halaman Form Optimizer 62
4.2.6 Halaman Hasil Tata Letak Ruang 63
4.3 Pengujian Sistem 63
4.3.1 Rencana pengujian sistem 63
4.3.2. Kasus dan hasil pengujian sistem 64
4.3.3. Pengujian kinerja sistem 64
BAB 5Kesimpulan dan Saran 72
5.1 Kesimpulan 72
5.2 Saran 72
Daftar Pustaka 73
DAFTAR TABEL
Hal. Table 2.1Penelitian Optimasi Menggunakan Algoritma Genetika 19
Table 3.1.a Range Zona Ruang 23
Table 3.1.b Range Letak Ruang 24
Table 3.2 Inisialisasi Kromosom 25
Table 3.3 Calon Induk Terpilih 26
Table 3.4 Nilai Fitness Area Gen Calon Induk dari setiap Individu 28 Table 3.5 Tabel Fitness Area dan Probabilitas Individu 29
Tabel 4.1 Rencana Pengujian 64
Tabel 4.2 Kasus dan Hasil Pengujian 64
Tabel 4.2 Kasus dan Hasil Pengujian (Lanjutan) 65
DAFTAR GAMBAR
Hal.
Gambar 2.1 Pola Zonasi Ruang 7
Gambar 2.2 Pengkodean dengan Algoritma Genetika 10 Gambar 2.3 Single Point Crossover dengan Representasi Bit 14 Gambar 2.4 Two Point Crossover dengan Representasi Bit 15 Gambar 2.5 Uniform Crossover dengan Representasi Bit 15 Gambar 2.6 Arithmetic Crossover dengan Representasi Bit 15 Gambar 2.7 Crossover dengan Representasi Tree 16 Gambar 2.8 Mutasi Kromosom dengan Representasi Bit 17
Gambar 2.9 Mutasi dalam Representasi Tree 18
Gambar 3.1 Pola Zonasi Ruang Berdasarkan Aktifitas 23 Gambar 3.2 Pola Zonasi Ruang Berdasarkan Hak Akses 23
Gambar 3.3 Matriks Hubungan Antar Ruang 25
Gambar 3.4 Ilustrasi Inisialisasi dan Penempatan Kromosom 26
Gambar 3.5 Skema Crossover 44
Gambar 3.6 Denah Sementara Hasil Crossover 44 Gambar 3.7 Denah Sementara Hasil Crossover 46
Gambar 3.8 Hasil Proses Mutasi 47
Gambar 3.9 Sampel Hasil Akhir Pengurutan Objek Pola Ruang 48
Gambar 3.10 Rancangan Struktur Menu 49
Gambar 3.11 Flowchart Analisis Program 50
Gambar 3.12 Diagram Konteks DFD 51
Gambar 3.13 DFD Level 1 52
Gambar 3.14 DFD Level 1 Proses 2 54
Gambar 3.15 Use Case Diagram untuk Optimizer 56 Gambar 3.16 Rancangan Layar Page Lahan Rumah 58
Gambar 3.17 Rancangan Layar Page GSB 58
Gambar 3.18 Rancangan Layar Menu Optimizer 59
Gambar 4.1 Halaman Utama 61
Gambar 4.2 Halaman Form Lahan Rumah 61
Gambar 4.3 Halaman Form GSB dan Halaman Rumah 62
Gambar 4.4 Halaman Form Optimizer 62
Gambar 4.5 Halaman Hasil Tata Letak Ruang 63
Gambar 4.6 Halaman / Pop-Up About 67
Gambar 4.7 Halaman / Pop-Up Help 67
Gambar 4.8 Halaman Pengisian Form Lahan Rumah 68
Gambar 4.9 Pop-Up Nilai Maksimal Lahan 68
ABSTRAK
Selama ini pembuatan denah dasar rumah seringkali mengalami kesulitan, terutama untuk memperkirakan tata letak dari setiap ruangan. Algoritma Genetika dapat menghasilkan suatu Tata Letak Ruang yang dipertimbangkan berdasarkan kebutuhan. Dengan adanya sistem ini, pembuatan denah dasar pada sebuah rumah dapat dilakukan secara lebih mudah dan praktis. Secara umum, sistem dapat memberikan sebuah hasil tata letak ruang pada sebuah lahan sesuai dengan yang diharapkan.
APPLICATION OF GENETIC ALGORITHM IN THE DETERMINATION OF ROOM LAYOUT
ABSTRACT
During the making of the basic plan of the home often have difficulty, especially for estimating the layout of each room. Genetic Algorithm can produce a layout that is considered based on space needs. With this system, the ground-plan of making a home can be more convenient and practical. In general, the system can provide a layout results in a land space as expected.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perencanaan Tata Ruang merupakan suatu langkah maju yang ditempuh untuk perbaikan guna ruang secara terstruktur dengan hasil yang mendekati optimal. Hal ini dilakukan agar masalah yang terjadi selama ini dapat terselesaikan dengan satu solusi terbaik guna membangkitkan keselarasan dari masing-masing ruang yang ada dalam satu denah.
Akan tetapi, permasalahan yang terjadi saat ini adalah terjadinya ketidakteraturan tata ruang, adanya beberapa pengaturan luas ruang, perkiraan kebutuhan dan penurunan kualitas ruang. Penataan ruangan dalam rumah haruslah menguntungkan penghuninya (Budiyono, 2010). Untuk mengatasi masalah ini maka dibutuhkan suatu sistem tatanan ruang yang dapat menghasilkan layout sesuai dengan kebutuhan pengguna. Sehingga metode algoritma genetika dapat dijadikan salah satu alternatif untuk menghasilkan penentuan tata letak ruang.
Penelitian-penelitian yang melibatkan optimasi telah banyak dilakukan, diantaranya oleh Siallagan (2004), Purnomo (2005), Dewi (2009), Abdullah (2009), Prasetio (2010), seiring dengan berkembangnya ilmu pengetahuan, pengembangan dan pengkajian terus dilakukan. Melalui penelitian ini peneliti mengharapkan dapat menghasilkan tata letak ruang yang sesuai dengan kebutuhan.
dalam kehidupan, antar lain mutation, crossover, inheritance dan natural selection. Menggunakan konsep survival of the fittest, Darwin menyatakan bahwa evolusi makhluk hidup terjadi karena adanya seleksi dari alam. Semakin adaptif sifatnya, individu tersebut semakin dapat bertahan dan menghasilkan keturunan. Keturunan yang bertahan dalam proses evolusi memiliki sifat dari induknya, akan tetapi perkawinan antar dua induk dan proses mutasi dapat mengakibatkan perubahan sifat pada keturunan tersebut. Perubahan-perubahan ini diharapkan dapat menghasilkan keturunan yang prima dan dapat bertahan. Dalam penyelesaian masalah, pilihan solusi-solusi diwujudkan dengan keturunan baru dari individu hasil perkawinan dan mutasi. Bila keturunan yang prima dapat dikembangkan, maka solusi yang baik juga dapat diperoleh.
1.2 Rumusan Masalah
Pembangunan denah yang tidak ditata dengan baik dapat mengakibatkan tidak terpenuhinya kebutuhan tiap ruang. Oleh karena itu diperlukan satu pendekatan yang dapat menentukan tata letak ruang pada lahan yang tersedia.
1.3 Batasan Masalah
Permasalahan yang akan diteliti memiliki ruang lingkup yang luas, oleh sebab itu penulis membatasi masalah tersebut sebagai berikut:
1. Perancangan rumah secara detail tidak dibahas, melainkan hanya mencakup tata letak ruang rumah pada tata denah saja.
2. Penulis menekankan pada proses bagaimana Algoritma genetika dalam menyelesaikan masalah perencanaan denah tata ruang ini. Perencanaan tata ruang dilakukan pada rumah dengan satu lantai.
3. Nilai luas lahan maksimum 180m2 dengan x max 12 kotak/meter dan y max 15 kotak/meter.
1.4 Tujuan Penelitian
Tujuan utama dari penelitian ini adalah menggunakan algoritma genetika untuk mendapatkan suatu rancangan denah yang sesuai dengan kebutuhan.
1.5 Manfaat Penelitian
Penelitian ini dilakukan dengan harapan akan memberikan manfaat sebagai berikut :
1. Menjadi alternatif penyelesaian masalah penentuan tata ruang.
2. Menjadi alternatif pembuatan dasar denah pada sebuah rumah. 3. Mengetahui lebih jauh konsep kerja algoritma genetika.
1.6 Sistematika Penulisan
Tugas akhir ini disusun dalam enam bab dengan sistematika penulisan sebagai berikut:
Bab 1 Pendahuluan
Bab pendahuluan ini berisi tentang hal-hal yang mendasari dilakukannya penelitian serta pengidentifikasian masalah penelitian. Bagian-bagian yang terdapat dalam bab pendahuluan ini meliputi latar belakang masalah, perumusan masalah batasan masalah, tujuan penelitian, dan manfaat penelitian.
Bab 2 Tinjauan Pustaka
Tinjauan pustaka menguraikan landasan teori, penelitian terdahulu, kerangka pikir dan hipotesa yang diperoleh dari acuan yang mendasari dalam melakukan kegiatan penelitian pada tugas akhir ini.
Bab 3 Analisis dan Perancangan Sistem
Bab 4 Hasil dan Pembahasan
Pada bab hasil dan pembahasan akan memaparkan hasil terhadap uji coba algoritma yang telah dilakukan dalam meyelesaikan permasalahan penentuan tata ruang.
Bab 5 Kesimpulan dan Saran
BAB 2
TINJAUAN PUSTAKA
2.1Pengenalan Perencanaan Tata Letak Ruang
Perencanaan tata letak adalah satu tahap dalam perencanaan fasilitas yang bertujuan untuk mengembangkan suatu sistem aliran yang efisien dan efektif. Perancangan tata letak merupakan pengaturan tata letak fasilitas-fasilitas operasi dengan memanfaatkan area yang tersedia untuk penentuan letak ruangan. Perancangan tata letak hendaknya fleksibel untukmengantisipasi adanya perubahan permintaan yang akan mengubah tata letak.
Perencanaan tata letak ruang bertujuan untuk menemukan satu set lokasi pada serangkaian kegiatan sehingga tata letak yang dihasilkan memenuhi kedua persyaratan antara aktivitas dan tujuan desain yang nyata, yang biasanya ditentukan oleh sebuah prioritas. Selain itu, nuansa emosional bangunan, aliran ruang, transisi antara ruang, filosofis dan teori desain (misalnya ritme, harmoni, variasi, prioritas, pola, tekstur dan lain-lain) yang dipertimbangkan oleh desainer. Oleh karena itu, jelas bahwa sebuah program komputer saja mungkin tidak cukup untuk menggabungkan banyak aspek desain non-nyata untuk menghasilkan tata letak yang memuaskan. Sebelum munculnya metode yang menggunakan komputer, pendekatan penentuan tata ruang secara luas dianggap sebagai sebuah proses tiga kali lipat: pengumpulan informasi, trial and error desain dan solusi presentasi.
2.1.1 Penentuan Kebutuhan Ruang
mementukan kebutuhan ruang dalam rumah yang akan dibangun sangat mutlak, karena perencanaan yang baik merupakan tahapan awal dan merupakan langkah penting dalam proses untuk mendesain rumah.
Penentuan kebutuhan ruang dalam perencanaan rumah tinggal merupakan langkah pertama yang harus dilakukan agar rumah yang akan dibangun tersebut bisa berfungsi secara maksimal dan memberi kenyamananan terhadap seluruh penghuni. Hal tersebut sangat penting dilakukan, karena penghuni seluruhnya yang bisa memahami kebutuhan ruang.
2.1.2 Perencanaan dan Penataan Ruang
Untuk menciptakan keserasian hubungan dan kesatuan antar ruang dalam rumah, maka perlu dilakukan perencanaan yang matang serta penataan ruang yang sesuai dengan kegiatan dan aktivitas penghuni. Selain itu, penataan ruang juga bisa menciptakan aksesibilitas pencapaian antar ruang yang merata antar ruang yang satu dengan lainnya. Dengan meletakkan ruang-ruang berdasarkan karakter dan fungsinya kemudian ditambah ruang pengikat yang berupa ruang bersama (ruang makan dan ruang keluarga), maka akan menciptakan keserasian antara penghuni dengan ruang-ruang yang dipakai, dan selanjutnya penghuni bisa merasa nyaman dan tenang, serta betah untuk tinggal di dalamnya.
Untuk meningkatkan efisiensi dalam penataan ruang, sebaiknya ruang-ruang yang mempunyai fungsi serupa, misalnya teras dan ruang tamu, ruang keluarga dan ruang makan dapat disatukan atau ditempatkan dalam zona yang sama.
Menentukan zonasi ruang merupakan upaya untuk menciptakan komposisi ruang yang menyatu berikut jalur sirkulasi yang tidak cross (terjadi benturan antar penghuni) dalam rumah tinggal dan betul-betul ideal, karena susunan tatana ruang yang tidak sesuai dengan kaidah dan kondisi seta sifat dan karakter penghuni akan berdampak terhadap perubahan pola dan perilaku penghuni rumah.
Ada tiga pengelompokan aktivitas dalam perumahan antara lain: 1. Area Permukiman (Living Area)
Area ini merupakan kelompok ruang yang terdiri atas:
area yang mudah di akses oleh tamu dari arah luar. Pada umumnya ruang tamu ini berada di bagian depan bangunan .
b. Ruang Makan, merupakan tempat untuk makan seluruh anggota keluarga. Sesuai dengan fungsinya , ruang ini sebaiknya di letakkan berdekatan dengan area persiapan makanan (dapur). Biasanya saat makan bersama maka seluruh atau sebagian besar anggota keluarga berkumpul sehingga aktivitas ini juga merupakan sarana interaksi antar anggota keluarga. Karenanya ruang makan sebaiknya dapat menampung dua aktifitas tersebut.
c. Ruang Keluarga, merupakan tempat berkumpul dan berinteraksi antar anggota keliuarga. Di ruang ini sering kali di lakukan aktivitas hiburan dan bersantai, ruang ini merupakan area semi publik dan di rencanakan dengan suasana akrab.
2. Area Peristirahatan (Sleeping Area)
Area ini merupakan kelompok ruang yang terdiri atas:
a. Ruang Tidur, merupakan ruang tempat beristirahat setalah seharian beraktivitas. Karenanya ruang ini harus di rencanakan dengan perlengkapan istirahat dan suasana santai serta tenang, agar penghuni dapat beristirahat dengan yaman. Ruang ini harus di hindarkan dari kebisingan, polusi cukup sinar mataharai dan memiliki sirkulasi udara yang lancar.
b. Kamar mandi, merupakan area untuk membersihkan diri.
3. Area Pelayanan (Service Area)
Area ini merupakan kelompok ruang yang terdiri atas:
a. Dapur, merupakan ruang untuk mempersiapkan makanan, Sirkulasi udara di ruang ini harus di rencanakan dengan baik agar asap yang timbul dari aktivitas memasak dapat secepat mungkin hilang.
b. Ruang Penyimpanan (Gudang), yang disediakan untuk menyimpan berbagi peralatan dan perlengkapan rumah tangga, baik yang belum akan digunakan, maupun yang sudah tidak digunakan lagi.
Berdasarkan pengelompokan aktivitas dalam perumahan, kita dapat menyimpulkan pengelompokan ruang adalah sebagai berikut :
Area Pelayanan Area Pemukiman Area Peristirahatan
Dapur
Garasi
Gudang
Ruang Tamu
Ruang Keluarga
Ruang Dapur
Kamar Tidur Utama
Kamar Mandi
Kamar Tidur Anak
Gambar 2.1 Pola Zonasi Ruang Berdasarkan Aktivitas (Sumber : Suparman, 2012)
Berdasarkan hak akses setiap rumah memiliki 3 pengelompokan antara lain : 1. Area Publik
Pada area publik, aktifitas ruangan tergolong sibuk dan akses ruangan tergolong bebas, tidak ada pembatasan akses sehingga setiap orang dibolehkan mengakses dan menggunakan fungsi ruangan pada area ini.
2. Area Semi Publik
Pada area semi publik, aktifitas ruangan tergolong tidak terlalu sibuk dan akses ruangan tergolong tidak terlalu bebas, ada pembatasan akses namun tidak terlalu kuat sehingga ada batasan akses pada ruangan pada area ini.
3. Area Privat
Pada area privat, aktifitas ruangan tergolong tidak sepi dan akses ruangan tergolong tidak bebas, ada pembatasan akses yang kuat sehingga tidak setiap orang dibolehkan mengakses dan menggunakan fungsi ruangan pada area ini.
2.2Algoritma Genetika
Ide awal algoritma genetika berasal dari teori Charles Darwin tentang evolusi yang
berbasis pada konsep “survival of the fittest” yang menyatakan bahwa evolusi jenis -jenis spesies makhluk hidup dan ekosistemnya terjadi karena seleksi alam. Semakin tinggi kemampuan individu untuk beradaptasi, maka semakin tinggi kemungkinan individu tersebut dapat bertahan dan memiliki keturunan. Keturunan dari individu-individu tersebut akan mewarisi sifat-sifat induknya, dimana sifat-sifat tersebut dapat mengalami perubahan yang disebabkan oleh pencampuran sifat kedua induk maupun proses mutasi.
Algoritma Genetika ditemukan pertama kali pada tahun 1960. Algoritma Genetika merupakan salah satu algoritma pemodelan evolusi (evolutionary modelling) yang dikembangkan oleh John Holland pada dekade 1960 dan 1970-an dengan tujuan memodelkan perkembangan kemampuan adaptasi sebuah sistem. Algoritma genetika diimplementasikan sebagai simulasi yang berawal dari sebuah populasi yang dihasilkan secara random dan terdiri dari kromosom-kromosom, seperti halnya anggota tubuh makhluk hidup dan merepresentasikan solusi dari masalah. Populasi tersebut akan menghasilkan keturunan populasi yang baru dan diharapkan lebih baik dari populasi sebelumnya. Semakin baik kondisi suatu populasi, semakin besar kemungkinan populasi itu untuk dikembangkan menjadi populasi selanjutnya.Kondisi ini diulangi sampai mendapatkan kondisi yang diharapkan, dengan kata lain solusi terbaik sudah diperoleh.
Untaian solusi merupakan analogi sebuah kromosom, dimana setiap kromosom memiliki sebuah nilai fungsi obyektif yang bersesuaian dengan parameter masalah yang disebut nilai fitnes (fitness value). Apabila sebuah kromosom dikatakan unggul berarti memiliki nilai fitness yang tinggi (untuk masalah maksimasi) atau nilai
2.2.1 Aplikasi Algoritma Genetika
Ada 3 keuntungan utama dalam mengaplikasikan Algoritma Genetika pada masalah-masalah optimasi (Sam’ani, 2012) :
1. Algoritma Genetika tidak memerlukan kebutuhan matematis banyak mengenai masalah optimasi.
2. Kemudahan dan kenyamanan pada operator-operator evolusi membuat Algoritma Genetika sangat efektif dalam melakukan pencarian global.
3. Algoritma Genetika menyediakan banyak fleksibelitas untuk digabungkan dengan metode heuristic yang tergantung domain, untuk membuat implementasi yang efisien pada masalah-masalah khusus.
Algoritma genetika telah banyak diaplikasikan untuk penyelesaian masalah dan pemodelan dalam bidang teknologi, bisnis dan entertainment (Sam’ani, 2012) antara lain:
1. Optimasi
Algoritma Genetika untuk optimasi numeric dan optimasi kombinatorial seperti Traveling Salesman Problem (TSP), perancangan Intergrated Circuit
atau IC, job shop scheduling, optimasi video, dan suara. 2. Pemograman otomatis
Algoritma genetika telah digunakan untuk melakukan proses evolusi terhadap program komputer untuk merancang struktur komputasional, seperti cellular automatis dan sorting networks.
3. Machine learning
Algoritma genetika telah berhasil diaplikasikan untuk memprediksi struktur protein. Algoritma genetika juga berhasil diaplikasikan dalam perancangan
neural networks (jaringan syaraf tiruan) untuk melakukan proses evolusi terhadap aturan-aturan pada learning classifier systems atau symbolic prosuction systems. Algoritma genetika juga digunakan untuk mengontrol robot.
4. Model Ekonomi
5. Model Sistem Imunisasi
Algoritma genetika telah berhasil digunakan untuk memodelkan berbagai aspek pada sistem imunisasi alamiah, termasuk somatic mulation selama kehidupan individu dan menentukan keluarga dengan gen ganda (multi -gen families) sepanjang waktu evolusi.
6. Model Ekologis
Algoritma genetika telah berhasil digunakan untuk memodelkan fenomena ekologis seperti host-parasite co-evolutions, simbiosis dan aliran sumber daya dalam ekologi.
7. Interaksi antara Evolusi dan Belajar
Algoritma genetika telah digunakan untuk mempelajari bagaimana proses belajar suatu individu bisa mempengaruhi proses evolusi suatu species dan sebaliknya.
2.2.2 Komponen Algoritma Genetika
Ada beberapa komponen algoritma genetika yang perlu diketahui sebelum pembuatan program diantaranya yaitu:
A. Teknik Pengkodean
Teknik pengkodean adalah bagaimana mengodekan gen dari kromosom, dimana gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variable. Agar dapat diproses melalui algoritma genetik, maka alternatif solusi tersebut harus dikodekan terlebih dahulu kedalam bentuk kromosom. Masing-masing kromosom berisi sejumlah gen yang mengodekan informasi yang disimpan didalam kromosom.
Kromosom
Populasi
M = besar kromosom N = panjang kromosom
Gambar 2.2 Pengkodean dengan Algoritma Genetika
B. Pengertian Individu
Individu menyatakan salah satu solusi yang mungkin. Individu dapat dikatakan sama dengan kromosom, yang merupakan kumpulan gen. Beberapa definisi penting yang perlu diperhatikan dalam membangun penyelesain masalah menggunakan algoritma genetika. Istilah-istilah tersebut dapat disebutkan sebagai berikut (Berlianty & Arifin 2010):
1. Kromosom, merupakan tempat penyimpanan informasi gentika. Di dalam algoritma genetika pada umumnya string dianalogikan sebagai kromosom.
2. Genotype(struktur), kombinasi satu atau beberapa kromosom yang membentuk fungsi kerja suatu organisme. Interaksi sekumpulan kromosom disenut dengan
genotype. Di dalam algoritma gentika struktur dianalogikan sebagai genotype.
3. Phenotype (set parameter), interaksi di dalam struktur terjadi karena adanya proses transformasi kode-kode genetika. Modifikasi ini disebut phenotype. Phenotype
tersebut merupakan representasi set parameter masalah yang sedang dihadapi. Representasi kode dapat berupa numerik atau non numerik.
4. Genes, suatu kromosom yang dibentuk oleh beberapa gen.
5. Alleles (feature value), suatu feature yang memiliki nilai feature tertentu yang disebut dengan allele.
6. Locus (positioning), letak gen dalam suatu kromosom. Setiap featurememiliki urutan posisi di dalam string.
1 1 2 3 … N
2 1 2 3 … N
M-1 1 2 3 … N
Hal-hal yang harus dilakukan dalam Algoritma Genetika yaitu:
1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu baik-tidaknya solusi yang didapat.
3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan digunakan.
Hal penting yang harus diketahui dalam pemakaian Algoritma genetika: 1. Algoritma Genetika adalah algoritma yang dikembangkan dari proses pencarian
solusi menggunakan pencarian acak, ini terlihat pada proses pembangkitan populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak. 2. Algoritma Genetika bekerja dengan bilangan acak pada kromosom awal, sehingga
memungkinkan kromosom terbaik tidak terlibat dalam proses.
3. Algoritma genetika menggunakan pembangkit bilangan random dalam setiap pemilihan kromosom, baik induk, proses persilangan, maupun mutasi.
4. Solusi yang dihasilkan belum tentu merupakan solusi yang optimal, karena sangat dipengaruhi oleh bilangan acak yang dibangkitkan.
C. Membangkitkan Populasi Awal
Kebanyakan metode optimasi klasik memasukkan urutan deterministik dan komputasi berdasarkan gradien atau turunan dengan orde lebih tinggi dari fungsi objektif. Metode ini diterapkan pada titik tunggal dalam space search. Pendekatan point to point ini dapat menyebar pada lokal optimal. Algoritma genetika menampilkan
mutiple directional search dengan menjaga populasi dari solusi potensial (Berlianty & Arifin 2010).
akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal.
Teknik dalam pembangkitan populasi awal ini ada beberapa cara, diantaranya adalah sebagai berikut:
1. Seperti pada metode random seach, pencarian solusi dimulai dari suatu titik uji tertentu. Titik uji tersebut dianggap sebagai alternative solusi yang disebut sebagai populasi.
2. Random Generator
Random generator adalah melibatkan pembangkitan bilangan random untuk nilai setiap gen sesuai dengan representasi kromosom yang digunakan.
3. Pendekatan tertentu (memasukan nilai tertentu kedalam gen)
Cara ini adalah dengan memasukan nilai tertentu kedalam gen dari populasi awal yang dibentuk.
4. Permutasi Gen
Cara ini adalah penggunaan permutasi josephus dalam permasalahan kombinatorial seperti TSP.
D. Fungsi fitness
Suatu individu atau kromosom dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performasinya.Fungsi yang digunakan untuk mengukur nilai kecocokan atau derajat optimalitas suatu kromosom disebut dengan fitness function.Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal solusi yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus penjadwalan perkuliahan semakin kecil jumlah pelanggaran yang dihasilkan maka solusi yang dihsilkan akan semakin baik.
E. Seleksi
Ada beberapa metode seleksi, yaitu: a. Seleksi Roulette Wheel
Model seleksi ini merupakan model yang paling besar variansinya. Munculnya individu superior sering terjadi pada model ini, sehingga perlu strategi lain menangani hal ini.
b. Seleksi Rangking
Seleksi ini memperbaiki proses seleksi yang sebelumnya yaitu roulette wheel
karena pada seleksi tersebut kemungkinan selain satu kromosom mempunyai nilai fitness yang mendominasi hingga 90% bisa terjadi.Sehingga nilai fitness
yang lain akan mempunyai kemungkinan yang sangat kecil untuk terpilih. Seleksi rangking dipakai untuk mengatasi masalah di atas, pertama-tama, diurutkan seluruh kromosom berdasarkan bagus-tidaknya solusi berdasarkan nilai fitness-nya.Setelah diurutkan, kromosom terburuk diberi nilai fitness baru sebesar 1, kromosom kedua terburuk diberi nilai fitness baru sebesar 2, dan seterusnya.Kromosom terbaik diberi nilai fitness baru sebesar n dimana n adalah banyak kromosom dalam suatu populasi.
c. Seleksi Steady State
Metode ini tidak banyak digunakan dalam proses seleksi karena dilakukan dengan mempertahankan individu yang terbaik. Pada setiap generasi, akan dipilih beberapa kromosom-kromosom yang memiliki nilai fitness terburuk akan digantikan dengan offspring yang baru. Sehingga pada generasi selanjutnya akan terdapat beberapa populasi yang dipertahankan.
d. Seleksi Turnamen
Merupakan metode seleksi lainnya yang didasari fenomena alamiah seperti turnamen antar individu dalam populasi.Dilakukan dengan memilih secara acak beberapa kromosom dari populasi. Individu-individu yang terbaik dalam kelompok ini akan diseleksi sebagai induk.
e. Truncation Random
F. Cross-Over atau Kawin Silang
Proses kawin silang adalah salah satu operator penting dalam algoritma genetika, metode dan tipe crossover yang dilakukan tergantung dari encoding dan permasalahan yang diangkat. Ada beberapa cara yang bisa digunakan untuk melakukan crossover
sesuai dengan encodingnya sebagai berikut: a. Binary Encoding
i. Single Point Crossover
Memilih satu titik tertentu, selanjutnya nilai biner sampai titik crossovernya dari induk pertama digunakan dan sisanya dilanjutkan dengan nilai biner dari induk kedua.
Gambar 2.3 Single Point Crossover dengan Representasi Bit
ii. Two Point Crossover
Memilih dua titik tertentu, lalu nilai biner sampai titik crossover pertama pada induk pertama digunakan, dilanjutkan dengan nilai biner dari titik sampai titik kedua dari induk kedua, kemudian sisanya dilanjutkan nilai biner dari titik kedua induk pertama lagi.
Gambar 2.4 Two Point Crossover dengan Representasi Bit
iii. UniformCrossover
Nilai biner yang digunakan dipilih secara random dari kedua induk.
iv. Arithmetic Crossover
Suatu operasi aritmatika digunakan untuk menghasilkan offspring yang baru.
Gambar 2.6 Arithmetic Crossover dengan Representasi Bit
b. Permutation Encoding
Memilih satu titik tertentu, nilai permutation sampai titik crossover. Pada induk pertama digunakan lalu sisanya dilakukan scan terlebih dahulu, jika nilai permutasi pada induk kedua belum ada pada offspring nilai tersebut ditambahkan.
(123456789) + (453689721) = (123456 7 89) c. Value Encoding
Semua metode crossover pada binary crossover bisa digunakan. d. Tree Encoding
Memilih satu titik tertentu dari tiap induk, dan menggunakan tree dibawah titik pada induk pertama dan tree dibawah induk kedua.
Gambar 2.7 Crossover dengan Representasi Tree
G. Mutasi
inisialisasi populasi. Beberapa cara operasi mutasi yang diterapkan dalam algoritma genetika, antara lain:
a. Mutasi Kromosom dengan Representasi bit.
Caranya dengan memilih bit dan kemudian dibalikkan, apabilatadinya 0 maka dibalikkan menjadi 1, dan sebaliknya.
Gambar 2.8 Mutasi Kromosom dengan Representasi Bit
b. Mutasi Kromosom dengan Representasi Integer.
Caranya dengan melakukan penukaran urutan dengan memilih dua titik dan menukarkan posisinya.
(1 2 3 4 5 6 7 8 9) => (1 8 3 4 5 6 7 2 9) c. Mutasi Kromosom dengan Representasi Floating Point.
Caranya dengan melakukan penambahan bilangan kecil untuk pengkodean bilangan rill.
(1,43 1,29 4,61 9,01 6,94) => (1,43 1,19 4,51 9,01 6,94) d. Mutasi dalam pengkodean pohon
Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengan cara mengubah operator ( +, -, *, / ) atau nilai yang terkandung dalam suatu verteks pohon yang dipilih.
H. Kondisi Selesai
Jika kondisi telah terpenuhi, maka algoritma genetika akan menghentikan proses pencariannya, tetapi jika belum terpenuhi maka algoritma genetika akan kembali ke evaluasi fitness.
2.3Penelitian Sebelumnya
Tabel 2.1 Penelitian Optimasi Menggunakan Algoritma Genetika
No Judul / Tahun Peneliti Kelebihan / kekurangan 1 Aplikasi Algoritma
Genetika untuk mengahasilkan fitness area
yang cenderung tinggi karena bersifat homogen.
Kekurangan : Penentuan parameter terlalu sedikit 2 Perencanaan Tata
Guna Lahan dengan
Kelebihan : Sistem dapat memudahkan hubungan antar bagian kota
Kekurangan : solusi pada untaian kromosom dapat divisualisasikan dalam bentuk Peta pada Sistem Informasi Geografis.
3 Algortima Genetika untuk Permasalahan Pengaturan Box Pada Kontainer, 2009
Indra Kurnia Dewi Kelebihan : Sistem dapat mengahasilkan fitness area
yang cenderung tinggi karena bersifat homogeny.
Kekurangan: Sistem hanya sedikit parameter optimasi. 4 Decision Suport
System of Optimal Route in Bandung City with Genetic Algorithm, 2010
Kristian Prasetio Kelebihan : Sistem dapat memanfaatkan variabel kecepatan di setiap jalannya yang mempengaruhi waktu tempuh di setiap jalan Kekurangan : -
Ihsan Sani Abdullah Kelebihan : -
Kekurangan :Penetapan parameter soft constraint
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1Analisis Kinerja Algoritma Genetika
Pada penelitian ini akan dilakukan analisis dan perancangan perangkat lunak yang dapat menghasilkan tata ruang rumah dengan menggunakan algoritma genetika.
Proses penentuan tata letak ruang didasarkan pada nilai fitness yang dimilikinya. Penentuan tata letak ruang ini melalui proses crossover dan mutasi yang berusaha untuk menghasilkan nilai fitness yang tertinggi.
3.2Data yang digunakan
Data yang digunakan dalam penelitian ini merupakan data simulasi pada perencanaan Komplek Perumahan Adya Tama di Kota Langsa, Aceh. Data berupa inputan berupa panjang dan lebar sebagai data dalam setiap bidang maupun setting
parameter algoritma genetika yang diinginkan untuk proses pencarian solusi dalam penentuan tata letak ruang.
3.3Proses Algoritma Genetika dalam Penentuan Tata Letak Ruang
Algoritma genetika bekerja dengan menggunakan pendekatan random, sehingga nilai-nilai yang dihasilkan adalah nilai random. Pada kasus penentuan tata ruang dengan model genetika nilai random hanya diberikan pada penentuan gen ruang pada setiap individu, sedangkan nilai luas lahan, arah rumah, lebar jalan dan ukuran halaman, serta ukuran tiap ruang diberikan secara manual. Semakin banyak ruang yang diperlukan maka akan semakin banyak iterasi yang dilakukan. Hal tersebut dikarenakan diperlukan suatu nilai yang sesuai agar mendapatkan kombinasi yang tepat dari variabel ruang. Semakin banyak iterasi yang dilakukan, maka waktu yang dibutuhkan akan semakin lama.
Oleh karena itu maka penyelesaian masalah penentuan tata ruang ini akan diselesaikan melalui dua tahap. Tahap pertama adalah mengkombinasikan gen-gen
pembentuk suatu kromosom. Pada tahap pertama diselesaikan dengan menggunakan algoritma genetika dan tahap ini diselesaikan terlebih dahulu. Tahap kedua adalah menempatkan ruang pada denah yang telah diproses sebelumnya dan pada tahap ini.
3.3.1 Inisialisasi Kromosom
Inisialisasi kromosom direpresentasikan dalam bentuk larik dengan tipe data record yang berisi panjang dan lebar ruang dalam penentuan tata letak ruang. Panjang kromosom adalah sebanyak jumlah ruang yang dilakukan proses penentuan tata letak ruang dalam setiap individu, dalam setiap gen yang berupa ruang mempunyai nilai kriteria penempatan, yaitu kolom ruang dan baris ruang.
diagram berikut. Pola zonasi ruang berdasarkan aktivitas menurut Suparman dapat dilihat pada Gambar 3.1 :
Area Pelayanan Area Pemukiman Area Peristirahatan
Dapur
Garasi
Gudang
Ruang Tamu
Ruang Keluarga
Ruang Dapur
Kamar Tidur Utama
Kamar Mandi
Kamar Tidur Anak
Gambar 3.1 Pola Zonasi Ruang Beradarkan Aktivitas (Sumber : Suparman, 2012)
Berdasarkan arah pencapaian utama dan pengelompokkan hak akses pada setiap rumah memiliki 3 pengelompokan antara lain :
Gambar 3.2 Pola Zonasi Ruang Berdasarkan Hak Akses
Pengklasifikasian zona ruang menggunakan koordinat(x) mempunyai 3 range seperti pada Tabel 3.1a dibawah.
Tabel 3.1.a Range Zona Ruang
Koordinat x Kriteria
1 Privat
2 Semi Privat
3 Publik
Tabel 3.1.b Range Letak Ruang
Koordinat y Kriteria
1 Belakang
2 Tengah
3 Depan
Seperti yang kita ketahui, topologi konstrain memungkingkan menentukan
adjacent antara satu ruang dengan ruang lainnya, pada kasus ini adjacent ditentukan berdasarkan baris susunan ruang. Tidak adanya tumpang tindih antar ruang menjadi tujuan utama, oleh karena itu, diharapkan penentuan tata letak ruang dilakukan berdasarkan pola zonasi sehingga menghasilkan beberapa konstrain berikut ini:
Ruang Tidur Anak berbatasan dengan Ruang Tamu Ruang Tamu berbatasan dengan Garasi
Kamar Mandi berbatasan dengan Ruang Keluarga Ruang Keluarga berbatasan dengan Dapur
Ruang Tidur Utama berbatasan dengan Ruang Makan Ruang Makan berbatasan dengan Gudang
Ruang Tamu, Ruang Keluarga dan Ruang Makan berupa ruang pengikat karena mempunyai sifat semi privat.
Ruang Tidur Anak, Ruang Tidur Utama, dan Kamar Mandi terletak disebelah timur bangunan jika arah rumah menghadap ke arah utara.
Ruang Tidur Anak, Ruang Tidur Utama, dan Kamar Mandi akan bertukar posisi dengan Garasi, Dapur, dan Gudang jika arah rumah berubah menghadap ke selatan.
Setiap ruangan harus berhimpitan. Tidak ada luas bangunan yang terbuang.
Gambar 3.3 Matriks Hubungan Antar Ruang
Luas lahan yang digunakan dalam penentuan tata letak seluas 120m2. Tabel 3.2 dibawah ini merupakan pengelompokan kromosom dengan sample 9 gen
dengan 3 kolom yang merupakan panjang kromosom dan akan ditempatkan dalam 3 baris. Inisialisasi kromosom menggunakan bilangan real untuk mempermudah perhitungan. Parameter yang digunakan yakni panjang ruang dan lebar ruang.
Tabel 3.2 Inisialisasi Kromosom
No Nama Ruang Panjang Lebar
1 Kamar Utama 4 4
2 Kamar Anak 3 4
3 Kamar Mandi 3 3
4 Ruang Tamu 4 3
5 Ruang Keluarga 4 4
6 Ruang Makan 4 3
7 Garasi 4 4
8 Dapur 4 3
9 Gudang 2 2
individu dengan menggunakan nilai masukan yang diberikan oleh user yang ditunjukkan pada gambar 3.2.
Individu 1
Nama Ruang Ruang Tamu R. Keluarga Kamar Mandi
Panjang 4 4 3
Lebar 3 4 3
Individu 2
Nama Ruang Garasi Ruang Makan Gudang
Panjang 4 4 2
Lebar 4 3 2
Individu 3
Nama Ruang Kamar Anak Dapur Kamar Utama
Panjang 3 4 4
Lebar 4 3 4
Gambar 3.4 Ilustrasi Inisialisasi dan Penempatan Kromosom
3.3.2 Fungsi Fitness
Individu-individu dalam populasi telah terbentuk, maka langkah selanjutnyaadalah menghitung nilai fitness setiap individu. Proses seleksi dilakukan dengan cara
random dari gen.
Untuk fitness setiap kromosom dihitung sebagai ruang terbuang yang berada pada bingkai bidang setelah ruang ditempatkan dalam bingkai bidang.
(1)
Dimana y mewakili nilai dari lebar bidang, x mewakili nilai dari panjang bidang dan a adalah luas total dari masing - masing bidang.
Dari gambar 3.1 dan gambar 3.3 dapat dihitung nilai Fitness Area dari tiap gen terpilih dengan menggunakan panjang dan lebar ruang dan membandingkan zona dan letak awal dengan zona dan letak tujuan. Tabel 3.3 berikut ini merupakan
Tabel 3.3 Calon Induk Terpilih
Individu Nama Ruang
1 Ruang Tamu
2 Garasi
3 Kamar Anak
Perhitungan Fitness Ruang Tamu :
Kriteria Awal : Zona Publik dan Letak Tengah Kriteria Tujuan : Zona Semi Publik dan Letak Depan Fitness Area Zona = 1
= 1 – = 1 – 0,5 = 0,5 = 50%
Fitness Area Letak = 1
= 1 – = 1 – 0,45 = 0,55 = 55 %
Fitness Area Ruang Tamu = Fitness Zona + Fitness Letak / 2 = 50 % + 55 % / 2
= 52,5 %
Perhitungan Fitness Garasi :
Kriteria Awal : Zona Publik dan Letak Tengah Kriteria Tujuan : Zona Publik dan Letak Depan Fitness Area Zona = 1
= 1 – = 1 – 1 = 0 = 0%
Fitness Area Letak = 1
= 1 – = 1 – 0,6 = 0,4 = 40 %
Fitness Area Garasi = Fitness Zona + Fitness Letak / 2 = 0 % + 40 % / 2
= 20 %
Perhitungan Fitness Kamar Anak :
Kriteria Awal : Zona Publik dan Letak Belakang Kriteria Tujuan : Zona Privat dan Letak Depan Fitness Area Zona = 1
= 1 – = 1 – 0,25 = 0,75 = 75 %
Fitness Area Letak = 1
Fitness Area Kamar Anak = Fitness Zona + Fitness Letak / 2 = 75 % + 60 % / 2
= 67,5 %
Tabel 3.5 Nilai Fitness Area Gen Calon Induk dari setiap Individu
Individu Nama Ruang Fitness
1 Ruang Tamu 52,5 %
2 Garasi 20 %
3 Kamar Anak 67,5 %
3.3.3 Seleksi
Seleksi mempunyai peranan penting dalam algoritma genetika, karena pada proses ini dipilih induk yang digunakan untuk menghasilkan individu baru. Seleksi yang digunakan adalah seleksi roda roulette (Roulette Wheel Selection). Pada seleksi roda
roulette, semakin tinggi nilai fitnessmaka semakin besar kemungkinan untuk terpilih menjadi induk.Rumus untuk mencari probabilitas adalah sebagai berikut:
P[k] = fitness[k] / total_Fitness (2)
Untuk proses seleksi roulete wheel, kita harus mencari terlebih dahulu nilaikumulatif probabilitasnya. Setelah dihitung cumulative probabilitasnya maka proses seleksi menggunakan roulette wheeldapat dilakukan. Dengan menggunakan tabel 3.4 dapat digambarkan proses seleksi yang terjadipada tiap individu. Metode yang digunakan yakni roulette wheel selection. Pada tabel 3.6 dapat diketahui nilai probabilitas tiap individu.
Tabel 3.6 Tabel Fitness Area dan Probabilitas Individu
Individu Fitness Area Probabilitas
1 52,5 52,5 / 140 = 0,3750
2 20 20 / 140 = 0,1429
3 67,5 67,5 / 140 = 0,4821
Dari probabilitas diatas dapat kita lihat individu ke 2 yang mempunyai
fitness area paling kecil yang merupakan individu yang mempunyai nilai fitness
tertinggi, maka individu tersebut mempunyai probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari individu lainnya. Untuk proses seleksi kita gunakan roulete wheel. Dengan menjumlahkan nilai probabilitas dari tiap individu dapat diketahui nilai comulative probabilitas adalah 1.
3.3.4 Crossover
Crossover (penyilangan) dilakukan antara 2 kromosom untuk menghasilkan kromosom anak (offspring). Kromosom anak yang terbentuk akan mewarisi sebagian sifat kromosom parent. Metode crossover yang paling banyak digunakan adalah crossover satu titik (one-point crossover). Dalam proses ini dilakukan sembarang bilangan secara acak untuk menentukan posisi persilangan. Kemudian menukar bagian kanan dari titik potong dari kedua parent kromosom tersebut untuk menghasilkan kromosom anak.
Pada Gambar 3.3 menggambarkan skema crossover. Pertama mengacak secara random untuk membuat titik potong pada dua buah kromosom parent dan menentukan one cut point. Pada persilangan pertama parent 1 dan parent 2 dan dilanjutkan dengan persilangan berikutnya.
1. Crossover Individu 1 dan 2
Parent 1 Nama Ruang Ruang Tamu
Offspring 1 Nama Ruang Garasi (4x4)
R. Keluarga (4x4)
Kamar Mandi (3x3) Offspring 2 Nama Ruang Ruang Tamu
(4x3)
Ruang Makan (4x3)
Hasil Sementara :
Garasi (4x4) R. Keluarga (4x4) Kamar Mandi (3x3) Ruang Tamu (4x3) Ruang Makan (4x3) Gudang (2x2) Kamar Anak (3x4) Dapur (4x3) Kamar Utama (4x4)
Perhitungan Fitness Garasi :
Kriteria Awal : Zona Publik dan Letak Tengah Kriteria Tujuan : Zona Publik dan Letak Depan
Fitness Area Zona Sebelum Crossover = 1
= 1 – = 1 – 0,5 = 0,5 = 50%
Fitness Area Zona Setelah Crossover = 1
= 1 – = 1 – 1 = 0,0 = 0 %
Fitness Area Letak Sebelum Crossover = 1
= 1 – = 1 – 0,9 = 0,4 = 40 %
Fitness Area Letak Setelah Crossover = 1
= 1 – 1,2
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area terendah.
2. Crossover Individu 1 dan 2
Individu 1 Nama Ruang Garasi (4x4)
R. Keluarga (4x4)
Kamar Mandi (3x3) Individu 2 Nama Ruang Ruang Tamu
(4x3)
Ruang Makan (4x3)
Gudang (2x2)
Offspring 1 Nama Ruang Garasi (4x4)
Ruang Tamu (4x3)
Kamar Mandi (3x3) Offspring 2 Nama Ruang R. Keluarga
(4x4)
Garasi (4x4) Ruang Tamu (4x3) Kamar Mandi (3x3) R. Keluarga (4x4) Ruang Makan (4x3) Gudang (2x2) Kamar Anak (3x4) Dapur (4x3) Kamar Utama (4x4)
Perhitungan Fitness Ruang Tamu :
Kriteria Awal : Zona Publik dan Letak Tengah Kriteria Tujuan : Zona Semi Publik dan Letak Depan
Fitness Area Zona Sebelum Crossover = 1
= 1 – 0,5 = 0,5 = 50%
Fitness Area Zona Setelah Crossover = 1
= 1 – = 1 – 1 = 0,0 = 0%
Fitness Area Letak Sebelum Crossover = 1
= 1 – = 1 – 0,45 = 0,55 = 55 %
Fitness Area Letak Setelah Crossover = 1
= 1 – = 1 – 0,9 = 0,1 = 10 %
Fitness Area Ruang Tamu = Fitness Zona + Fitness Letak / 2 = 0 % + 10 % / 2
= 5 %
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi dan Ruang Tamu telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area
3. Crossover Individu 1 dan 3
Offspring 1 Nama Ruang Garasi (4x4)
Ruang Tamu (4x3)
Kamar Anak (3x4)
Offspring 2 Nama Ruang Kamar Mandi (3x3)
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) R. Keluarga (4x3) Ruang Makan (4x3) Gudang (2x2) Kamar Mandi (3x3) Dapur (4x4) Kamar Utama (4x4)
Perhitungan Fitness Kamar Anak :
Kriteria Awal : Zona Publik dan Letak Belakang Kriteria Tujuan : Zona Privat dan Letak Depan
Fitness Area Letak Sebelum Crossover = 1
= 1 – = 1 – 0,4 = 0,6 = 60 %
Fitness Area Letak Setelah Crossover = 1
= 1 –
= 1 – 1,2
= -0,2 = -20 %
Fitness Area Kamar Anak = Fitness Zona + Fitness Letak / 2 = 25 % + -20 % / 2
= 2,5 %
Hasil ini berbeda dengan hasil pengujian dikarenakan pada pengujian nilai panjang dan lebar ruang telah mengalami proses mutasi yang menyebabkan adanya
swap nilai panjang dan lebar sehingga adanya perubahan dalam perhitungan fitness area.
4. Crossover Individu 2 dan 3
Offspring 1 Nama Ruang Dapur (4x3)
Ruang Makan (4x3)
Gudang (2x2) Offspring 2 Nama Ruang Kamar Mandi
(3x3)
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) Ruang Makan (4x3) Gudang (2x2) Kamar Mandi (3x3) R.Keluarga (4x4) Kamar Utama (4x4)
Perhitungan Fitness Dapur :
Kriteria Awal : Zona Semi Publik dan Letak Belakang Kriteria Tujuan : Zona Publik dan Letak Tengah
= 0,0 = 0 %
Fitness Area Letak Sebelum Crossover = 1
= 1 – = 1 – 0,45 = 0,55 = 55 %
Fitness Area Letak Setelah Crossover = 1
= 1 – = 1 – 0,9 = 0,1 = 10 %
Fitness Area Dapur = Fitness Zona + Fitness Letak / 2 = 0 % + 10 % / 2
= 5 %
5. Crossover Individu 2 dan 3
Offspring 1 Nama Ruang Dapur (4x3)
R. Keluarga (4x4)
Gudang (2x2) Offspring 2 Nama Ruang Kamar Mandi
(3x3)
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) R.Keluarga (4x4) Gudang (2x2) Kamar Mandi (3x3) Ruang Makan (4x3) Kamar Utama (4x4)
Perhitungan Fitness Ruang Keluarga :
Kriteria Awal : Zona Semi Publik dan Letak Belakang Kriteria Tujuan : Zona Semi Publik dan Letak Tengah
Fitness Area Letak Sebelum Crossover = 1
Fitness Area Ruang Keluarga = Fitness Zona + Fitness Letak / 2 = 0 % + 10 % / 2
= 5 %
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi, Ruang Tamu, Kamar Anak, Dapur, dan Ruang Keluarga telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area terendah.
6. Crossover Individu 2 dan 3
Parent 1 Nama Ruang Dapur
Offspring 1 Nama Ruang Dapur (4x3)
R. Keluarga (4x4)
Kamar Mandi
(3x3)
Offspring 2 Nama Ruang Gudang (2x2)
Ruang Makan (4x3)
Hasil Sementara :
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) R.Keluarga (4x4) Kamar Mandi (3x3) Gudang (2x2) Ruang Makan (4x3) Kamar Utama (4x4)
Perhitungan Fitness Kamar Mandi :
Kriteria Awal : Zona Publik dan Letak Belakang Kriteria Tujuan : Zona Privat dan Letak Tengah
Fitness Area Zona Sebelum Crossover = 1
= 1 - = 1 – 0,25 = 0,75 = 75 %
Fitness Area Zona Setelah Crossover = 1
= 1 - = 1 – 0,75 = 0,25 = 25 %
Fitness Area Letak Sebelum Crossover = 1
Fitness Area Letak Setelah Crossover = 1
= 1 – = 1 – 0,9 = 0,1 = 10 %
Fitness Area Ruang Kamar Mandi = Fitness Zona + Fitness Letak / 2 = 25 % + 10 % / 2
= 17,5 %
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi, Ruang Tamu, Kamar Anak, Dapur, Ruang Keluarga dan Kamar Mandi telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area terendah.
7. Pengecekan Fitness Area Gudang
Hasil Sementara :
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) R.Keluarga (4x4) Kamar Mandi (3x3) Gudang (2x2) Ruang Makan (4x3) Kamar Utama (4x4)
Perhitungan Fitness Gudang:
Kriteria Awal : Zona Publik dan Letak Belakang Kriteria Tujuan : Zona Publik dan Letak Belakang
Fitness Area Zona = 1
Fitness Area Letak = 1
= 1 – = 1 – 0,67 = 0,33 = 33 %
Fitness Area Gudang = Fitness Zona + Fitness Letak / 2 = 33 % + 33 % / 2
= 33 %
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi, Ruang Tamu, Kamar Anak, Dapur, Ruang Keluarga, Kamar Mandi dan Gudang telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area terendah.
8. Pengecekan Fitness Area Ruang Makan Hasil Sementara :
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) R.Keluarga (4x4) Kamar Mandi (3x3) Gudang (2x2) Ruang Makan (4x3) Kamar Utama (4x4)
Perhitungan Fitness Ruang Makan :
Kriteria Awal : Zona Semi Publik dan Letak Belakang Kriteria Tujuan : Zona Semi Publik dan Letak Belakang
Fitness Area Zona = 1
Fitness Area Letak = 1
= 1 – = 1 – 0,9 = 0,1 = 10 %
Fitness Area Ruang Makan = Fitness Zona + Fitness Letak / 2 = 0 % + 10 % / 2
= 5 %
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi, Ruang Tamu, Kamar Anak, Dapur, Ruang Keluarga, Kamar Mandi, Gudang dan Ruang Makan telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area
terendah.
9. Pengecekan Fitness Area Kamar Utama Hasil Sementara :
Garasi (4x4) Ruang Tamu (4x3) Kamar Anak (3x4) Dapur (4x3) R.Keluarga (4x4) Kamar Mandi (3x3) Gudang (2x2) Ruang Makan (4x3) Kamar Utama (4x4)
Perhitungan Fitness Kamar Utama :
Kriteria Awal : Zona Privat dan Letak Belakang Kriteria Tujuan : Zona Privat dan Letak Belakang
Fitness Area Zona = 1
Fitness Area Letak = 1
= 1 – = 1 – 1,2 = -0,2 = -20 %
Fitness Area Ruang Makan = Fitness Zona + Fitness Letak / 2 = 0 % + -20 % / 2 = -10 %
Gambar 3.5 Skema Crossover
Warna hijau pada tabel Hasil Sementara menunjukkan bahwa Garasi, Ruang Tamu, Kamar Anak, Dapur, Ruang Keluarga, Kamar Mandi, Gudang, Ruang Makan, dan Kamar Utama telah diletakkan pada zona dan letak yang menghasilkan nilai fitness area terendah.
Dari proses crossover diatas dihasilkan denah sementara sebagai berikut :
Keterangan:
CP : Carport GR : Garasi RT : Ruang Tamu KA : Kamar Anak DP : Dapur
RK : Ruang Keluarga KM : Kamar Mandi GD : Gudang RM : Ruang Makan KU : Kamar Utama
Total Fitness Area = 1 = 1
= 1 = 1 – 1,1 = - 0,1 = -10 %
Pada Gambar 3.4 diatas dapat disimpulkan bahwa berlebihnya penggunaan bidang menimbulkan nilai fitness area yang bernilai minus, sehingga tidak terpenuhinya kebutuhan denah, masalah ini dapat diatasi dengan dilakukannya penurunan nilai lebar bidang rumah dengan cara penurunan setiap ruang terpilih dengan membandingkan penggunaan lebar lahan dengan lebar ruang pada setiap individu.
Proses crossover diatas dilakukan secara acak dengan iterasi yang berulang-ulang hingga didapat individu yang terbaik. Setelah crossover antara parent yang menghasilkan offspring yang kemudian dilakukan kembali iterasi dan crossover
seperti yang dijelaskan diatas. Pada crossover ada satu parameter yang sangat penting yaitu peluang crossover (Pc). Peluang crossover menunjukkan rasio dari anak yang dihasilkan dalam setiap generasi dengan ukuran populasi. Misalkan ukuran populasi (popsize=9), sedangkan peluang crossover (Pc=0.66), berarti bahwa diharapkan ada 6 kromosom dari 9 kromosom yang ada pada populasi tersebut akan mengalami crossover.
3.3.5 Mutasi
Setelah melalui proses crossover, pada offspring dapat dilakukan proses mutasi. Mutasi dilakukan dengan cara melakukan perubahan pada sebuah gen atau lebih dari sebuah individu.
Pada kasus ini skema mutasi yang digunakan adalah swapping mutation/mutation exchange. Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh parameter mutation rate (Pm) atau peluang mutasi. Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk dievaluasi. Jika peluang mutasi terlalu kecil, banyak gen yang mungkin berguna tidak pernah dievaluasi. Tetapi bila peluang mutasi ini 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 dilakukan untuk mencegah terjadinya konvergensi prematur. Pada mutasi cara swap (Penukaran) adalah mutasi yang dilakukan dengan menukar langsung nilai dari gen. Pemilihan cara mutasi dilakukan secara random. Namun pada kasus ini pemilihan dilakukan dengan dilakukannya penurunan nilai lebar bidang rumah dengan cara penurunan setiap ruang terpilih dengan membandingkan penggunaan lebar lahan dengan lebar ruang pada setiap individu. Pada kasus ini ruang terpilih adalah Kamar Anak yang akan ditukarkan nilai panjang dengan nilai lebar nya, demikian sebaliknya.
Hasil akhir proses crossover:
Hasil proses swap :
Gambar 3.8 Hasil Proses Mutasi
Total Fitness Area Setelah Mutasi = 1 = 1
= 1 = 1 – 0,95 = 0,05 = 5 %
Dengan didapatnya nilai fitness area setelah mutasi bernilai 5 %, maka dapat disimpulkan bahwa hanya 5 % dari lahan yang terbuang.
3.3.6 Proses Output
5 %
Gambar 3.9 Sampel Hasil Akhir Pengurutan Objek Pola Ruang
Pada output akhir sistem, Carport (CP) yang ditampilkan pada Gambar 3.7 tidak mengalami proses crossover dan mutasi, melainkan dihasilkan secara otomatis dengan menggunakan nilai panjang Garasi (GR) dan menggunakan nilai lebar halaman depan, dengan cara ini dapat dibentuk penghubung antara jalan depan rumah dengan bangunan rumah.
3.4 Perancangan Program
Perancangan sistem bertujuan untuk memenuhi berbagai tuntutan untuk menghasilkan sebuah aplikasi yang dapat memberikan tata ruang dengan pola terbaik. Sistem ini diharapkan memberikan kemudahan bagi penggunanya. Perancangan ini berupa perancangan struktur, use case diagram dan perencanaan
3.4.1 Rancangan Struktur Aplikasi
Gambar 3.10 Rancangan Struktur Menu
Pada rancangan menu diatas dapat disimpulkan bahwa ada 3 tahap input data yang harus dilakukan oleh user untuk mendapatkan sebuah tata letak ruang yaitu tahap pertama merupakan input data lahan yang memungkinkan user untuk memasukkan nilai panjang dan lebar lahan, lebar jalan depan rumah, dan parameter arah rumah, tahap kedua merupakan input data halaman yang memungkinkan user untuk memasukkan nilai panjang dan lebar dari halaman depan dan halaman belakang rumah, dan tahap ketiga merupakan input data ruang yang memungkinkan user untuk memasukkan nilai panjang dan lebar setiap ruang yang telah ditentukan.
Setelah user melalui 3 tahap yang telah disebutkan sebelumnya, maka user
akan memperoleh suatu denah yang merupakan proses tata letak ruang dan mendapatkan nilai fitness area serta nilai permutation rate berdasarkan nilai yang di
input oleh user pada tahapan sebelumnya.
3.4.2 Flowchart Diagram
Pada tahap penjelasan program selanjutnya dengan menggunakan Flowchart Diagram dari proses mulai hingga selesai untuk mendapatkan solusi optimal dapat dilihat ilustrasinya pada Gambar 3.9.
User
Proses Hasil
Input Data Lahan
Input Data Halaman
Input Data Ruangan
Denah Letak Ruang
Fitness Area
Gambar 3.11 Flowchart Analisis Program
3.4.3 Data Flow Diagram
Data Flow Diagram (DFD) adalah alat yang biasa dipakai untuk mendokumentasikan proses dalam system atau sebuah teknik grafis yang menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat data
Mulai
Data Objek Bidang Lahan dan Parameter
Perhitungan Jumlah Room Area
Pembentukan populasi awal
Penyusunan objek dalam bidang
Perhitungan Fitness
NewGen > LastGen
Perhitungan Fitness
Selesai Pembentukan Populasi GA
(Generasi = Generasi + 1)
tidak
bergerak dari input menjadi output. Gambar 3.10 menggambarkan diagram aliran data aliran data system yang akan dibuat.
Gambar 3.12 Diagram Konteks DFD
Berikut ini adalah penjelasan proses DFD level 0 Penentuan Tata Letak Ruang menggunakan Algoritma Genetika :
a. Proses
Nama Proses : Penentuan Tata Letak Ruang menggunakan Algoritma Genetika.
Keterangan : Proses penentuan tata letak ruang berdasarkan pengolahan nilai panjang x lebar tiap data dengan menggunakan Algoritma Genetika.
b. Arus Data
Input : Data panjang x lebar lahan, lebar jalan, dan arah rumah Data panjang x lebar Kamar Utama, Kamar Anak, Kamar Mandi, Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang.
Proses yang ada pada Diagram Konteks diatas dapat dipecah lagi menjadi proses yang lebih lengkap dalam DFD level 1. Diagram untuk DFD level 1 dapat dilihat pada Gambar 3.11.
User
Sistem Tata Letak
Ruang Data Lahan
Data Halaman Data Ruangan
nilai variabel
Gambar 3.13 DFD Level 1
Proses 1
Nama Proses : Data variabel
Input : Data variabel berupa panjang x lebar lahan, lebar jalan, dan arah rumah, data panjang x lebar Kamar Utama, Kamar Anak, Kamar Mandi, Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang.
Output : Detail data variabel Keterangan : Proses input data variabel
Proses 2
Nama Proses : Olah data variabel
Input : Data variabel genetik berupa panjang x lebar lahan, lebar jalan, dan arah rumah, data panjang x lebar Kamar Utama, Kamar Anak,
User 1.0
DataVariabel detail nilai
variabel
hasil optimasi
2.0 Olah Data
Variabel
3.0 Hasil detail nilai
Kamar Mandi, Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang.
Output : Detail data variabel
Keterangan : Proses untuk mengolah data variable
Proses 3
Nama Proses : Hasil
Input : Data variable berupa panjang x lebar lahan, lebar jalan, dan arah rumah, data panjang x lebar Kamar Utama, Kamar Anak, Kamar Mandi, Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang.
Output : Analisis denah menggunakan algoritma genetika
Keterangan : Hasil penentuan tata letak ruang dengan menggunakan algoritma genetika
Gambar 3.14 DFD Level 1 Proses 2
Proses 1
Nama Proses : Inisialisasi Kromosom
Input : Indeks variable Kamar Utama, Kamar Anak, Kamar Mandi, Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang. Output : Data zona dan kriteria Kamar Utama, Kamar Anak, Kamar Mandi,
Ruang Tamu, Ruang Keluarga, Ruang Makan, Garasi Dapur, dan Gudang
Keterangan : Proses penentuan kromosom dalam algoritma genetika.
