17
BAB 1 PENDAHULUAN
1.2. Latar Belakang
Algoritma genetika adalah salah satu algoritma pencarian heuristik yang sangat baik digunakan dalam menyelesaikan berbagai masalah optimasi. Algoritma genetika merupakan algoritma optimasi yang bekerja berdasarkan atas seleksi dan genetika alam (Golberg & Richardson, 1997). Algoritma genetika termasuk algoritma yang cukup sulit karena terdapat berbagai komponen yang harus diterapkan untuk memenuhi hasil yang optimal dari optimasi tersebut, adapun komponen-komponen tersebut meliputi populasi awal, fungsi fitness, seleksi, crossover, mutasi, dan berbagai faktor lainnya. Keseluruhan komponen tersebut saling mempengaruhi antara satu dengan yang lainnya sebagai satu kesatuan dalam sebuah sistem (Pedro & Gomez, 2007).
Algoritma genetika merupakan suatu proses pencarian yang heuristik dan acak sehingga penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan algoritma genetika dalam menemukan solusi optimum suatu masalah yang diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya, dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal. Operator-operator tersebut adalah operator seleksi, crossover dan mutasi (Malhotra et al. 2011).
Berbagai penelitian telah banyak dilakukan terhadap operator-operator pada algoritma genetika klasik, salah satu operator tersebut adalah operator crossover atau pindah silang. Operator crossover ini digunakan untuk menghasilkan kromosom anak. Otman & Jaafar (2011) melakukan penelitian dengan membandingkan enam metode
crossover pada dataset TSPBERLIN52 yang menyatakan bahwa metode ordered
crossover merupakan metode yang lebih baik dari pada metode crossover klasik.
Penelitian terdahulu yang terkait lainnya menggunakan algoritma genetika yaitu penelitian yang dilakukan oleh Sallabi & El-Haddad (2009). Mereka melakukan modifikasi pada metode crossover klasik yang disebut dengan swapped inverted crossover (SIC), kemudian melakukan multi mutation operation dan terakhir
18
menambahkan metode partial local mutation operation. Hasil yang diperoleh menunjukkan peningkatan kinerja algoritma genetika.
Pada kasus rostering operator crossover yang ada pada algoritma genetika klasik seperti metode one point crossover dan two point crossover dinilai kurang efisien untuk diterapkan, dimana pada metode crossover ini sebahagian gen pada kromosom yang satu akan dipertukarkan dengan sebahagian gen pada kromosom yang lainnya dan pemilihan titik potong dilakukan secara acak (random) pada setiap kromosom. Hal ini mengingat pada kasus rostering kromosom terdiri dari serangkaian gen yang tersusun dan saling berkaitan satu dengan lainnya. Dimana dengan menggunakan metode crossover pada algoritma klasik akan merusak susunan gen dalam sebuah kromosom yang telah tersusun dengan baik atau sesuai. Ismkhan & Zamanifar (2012) melakukan penelitian dengan melakukan pengembangan metode greedy crossover untuk meningkatkan kinerja algoritma genetika. Hasil yang diperoleh menunjukkan peningkatan kinerja algoritma genetika.
Berdasarkan penelitian diatas penulis tertarik untuk meneliti algoritma genetika dengan menggunakan metode greedy crossover dalam menyelesaikan masalah rostering, untuk mencari solusi yang lebih bervariasi dalam meminimalisir kelemahan yang terdapat pada algoritma genetika tersebut.
1.3. Rumusan Masalah
Salah satu kelemahan yang terdapat pada algoritma genetika adalah sering menimbulkan efek yang tidak baik berupa konvergensi prematur dalam menemukan solusi optimal dan sering terjebak pada nilai optimum lokal. Hal tersebut dapat diakibatkan dari kinerja beberapa operator yang terdapat pada algoritma genetika diantaranya adalah operator crossover. Pada algoritma genetika klasik operator crossover bekerja dengan secara acak atau random. Pada permasalahan optimasi yang cukup sulit kinerja dari operator crossover ini kurang efisien untuk diterapkan. Untuk itu perlu dianalisis apa yang dapat dilakukan untuk meningkatkan kinerja crossover.
1.4. Batasan Masalah
Mengingat begitu luasnya ruang lingkup yang berkaitan dengan Algoritma Genetika (GA) dan adanya keterbatasan waktu dan pengetahuan peneliti, oleh karena itu untuk
19
menyajikan hasil penelitian yang efektif dan efisien penulis perlu melakukan pembatasan masalah penelitian yaitu :
1. Algoritma genetika yang diterapkan adalah algoritma genetika dengan menggunakan Roulette Wheel selection pada bagian seleksi karena lebih sederhana dan mudah untuk diterapkan.
2. Penelitian ini akan menganalisis penerapan metode greedy crossover dengan membandingkan terhadap kinerja operator crossover pada algoritma genetika klasik seperti one point crossover dan two point crossover.
3. Sebagai contoh kasus data yang digunakan pada penelitian ini adalah data penjadwalan pada SMP Negeri 5 Pematangsiantar.
1.5. Tujuan Penelitian
Tujuan dari penulisan penelitian ini adalah untuk menganalisis kinerja dari algoritma genetika dengan menggunakan metode greedy crossover dan menganalisis perbedaan hasil rostering pada algoritma genetika dengan metode greedy crossover dan tanpa menggunakan metode greedy crossover.
1.6. Manfaat Penelitian
Penulisan penelitian ini diharapkan memiliki manfaat sebagai berikut :
1. Menambah pengetahuan bagi peneliti tentang penggunaan dan efektivitas kinerja dari metode greedy crossover pada algoritma genetika dalam menyelesaikan masalah rostering.
2. Dapat mengetahui sejauh mana tingkat perbaikan optimasi yang dapat dicapai dengan menggunakan metode greedy crossover.
3. Hasil penelitian ini dapat menjadi rujukan para pembaca dalam memahami penggunaan algoritma genetika dan metode greedy crossover.
