BAB 1 PENDAHULUAN
1.1Latar Belakang
Algoritma Genetika pada dasarnya ilmu pencarian solusi yang diilhami oleh proses genetika. Karena itu istilah yang digunakan dalam algoritma ini banyak diadaptasi dari ilmu tersebut. Pada algoritma ini, teknik pencarian dilakukan pada mekanisme seleksi alamiah. Dengan kata lain, algoritma genetika merupakan suatu teknik pencarian acak yang mempertahankan sejumlah solusi untuk masalah yang akan ditangani. Dimana poin iteratif baru dalam ruang pencarian yang dihasilkan untuk evaluasi dan opsional dimasukkan ke dalam populasi (Smith, 2002).
Permasalahan umum pada algoritma genetika adalah lokal optimum yang terjadi karena hilangnya perbedaan populasi (population diversity) awal dengan selanjutunya (Zhu & Liu, 2004). Jika perbedaan populasi terlalu kecil maka memungkinkan terjadinya lokal optimum, dan jika terlalu besar maka mengakibatkan lamanya waktu yang dibutuhkan untuk menghasilkan solusi terbaik. Permasalahan ini dapat diselesaikan dengan menambahkan proses elitisme dimana proses ini akan menyelamatkan populasi terbaik pada tiap generasi. Populasi tersebut akan disimpan dan dibandingkan kepada populasi terbaik pada generasi berikutnya. Jika populasi yang dibandingkan lebih baik dari populasi sebelumnya, maka nilai pada populasi elitisme akan digantikan dengan populasi baru. Jika sebaliknya, maka populasi elitisme akan dipertahankan untuk ke generasi berikutnya lagi. Proses ini akan berulang hingga akhir dari generasi.
Algoritma genetika yang dikembangkan untuk permasalahan knapsack problem
dengan menjaga sekumpulan kromosom-kromosom terbaik sehingga perlahan-lahan solusi terbaik dapat dicapai (Haibo et al, 2011). Penentuan jumlah mutasi yang tepat akan memberikan dampak pada cepat tidaknya suatu solusi ditemukan. Mutasi dinamis adalah metode yang dapat diterapkan pada penelitian ini. Pada mutasi ini, tingkat mutasi bergantung pada hasil fitness dari suatu generasi. Semakin banyak
2
fitness yang mendekati kepada nilai solusi, maka semakin sedikit jumlah gen pada tiap populasi yang akan salaing bermutasi dan begitu juga sebaliknya.
Permasalahan Knapsack adalah suatu permasalahan optimasi kombinatorial. Sebagai contoh, diberikan satu set item dengan berat dan nilai, kemudian dilakukan pemilihan dari item-item tersebut untuk dimasukkan ke dalam tas dengan kapasitas terbatas. Jadi, item-item yang dimasukkan beratnya harus lebih kecil atau sama dengn kapasitas dari ransel tersebut, tetapi total nilai sebesar mungkin (Singh, 2011).
Knapsack problem dapat menentukan bobot yang diinginkan pada suatu ruang pencarian. Knapsack sendiri memiliki setidaknya dua parameter sebagai penentu apakah fitness dari suatu populasi mendekati dengan solusi yang ditentukan sebelumnya. Parameter yang dipakai pada penelitian ini adalah jumlah node dan bobot jarak. Jumlah node merupakan jumlah titik koordinat yang akan dilalui sementara bobot jarak adalah jumlah akumulasi jarak antar node hingga kembali ke node asal. Pada algoritma ini diharapkan solusi yang dicapai dapat menghasilkan fitness = 1 atau setidaknya mendekati ke angka tersebut.
Pada kasus Travelling Salesmen Problem, dimana algoritma genetika harus mencari solusi dari semua node yang dilalui dan mencari nilai paling optimal atau jalur terpendek yang dilalui pada lintasan tersebut. Algoritma genetika dapat mencari solusi yang optimal pada setiap generasi yang dilaksanakan tetapi hasil tersebut bukan merupakan jawaban yang paling benar untuk mencari jarak diinginkan.
Berdasarkan penelitan tersebut, maka penulis tertarik untuk melakukan penelitian bagaimana menerapkan teknik mutasi dinamis pada algoritma genetika dan melakukan analisis kinerjanya.
1.2Rumusan Masalah
Masalah lokal optimum pada algoritma genetika umumnya terjadi karena proses genetika itu sendiri dan nilai mutasi yang ditetapkan diawal. Sehingga selalu menjadi salah satu sebab turunnya kinerja dari algoritma genetika.
1.3Batasan Masalah
Berdasarkan perumusan masalah di atas, maka pembatasan yang dilakukan dalam penelitian ini adalah :
3
1. Hanya membahas nilai mutasi pada genetic algorithm.
2. Node pada Knapsack tidak melebihi jumlah node keseluruhan. 3. Menggunakan swap mutation
1.4Tujuan Penelitian
Tujuan penelitian ini adalah untuk memperbaiki cara kerja algoritma gentika dengan menggunakan knapsack problem, agar menghasilkan solusi optimal dari pada jika menggunakan nilai mutasi klasik.
1.5Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah :
1. Dapat mengetahui seberapa besar peningkatan kinerja mutasi dinamis pada algoritma genetika
2. Hasil penelitian ini dapat menjadi rujukan para pembaca untuk mendalami teknik mutasi dinamis.
