Kuliah

Kecerdasan Buatan
Pertemuan 10
Algoritma Genetika

Machine Learning Methods

Neural Computing
Inductive Learning
Case-based Reasoning
and Analogical
Reasoning
Genetic Algorithms
Statistical methods
Explanation-based
Learning

Aplikasi

Optimasi
Pemrograman Otomatis
Machine Learning
Model Ekonomi
Model Ekologis
Interaksi antara Evolusi dan Belajar

Pendahuluan
Algoritma Genetika

Evolusi/perkembangan dunia komputer dalam

bidang Artificial Intelligence.
Terinspirasi oleh teori evolusi Darwin
Algoritma pencarian berdasarkan pada mekanisme sistem natural yakni genetika alamiah dan
seleksi alam yang berangkat dari himpunan solusi yang dihasilkan secara acak atau random.

Komponen-komponen
Algoritma Genetika

Skema Pengkodean
Nilai Fitness
Seleksi Orang Tua
Penyilangan atau Crossover
Mutasi
Elitisme
Penggantian Populasi
Algoritma Genetika Standar

Penyilangan atau Crossover

Sebuah kromosom yang mengarah pada solusi

yang bagus bisa diperoleh dari proses memindahsilangkan dua buah kromosom
Penyilangan dua buah kromosom dimaksud untuk menghasilkan kromosom anak atau offspring
Kromosom anak yang terbentuk akan mewarisi
sebagian sifat kromosom induknya.
Pada crossover ada satu parameter yang sangat
penting yaitu peluang crossover pc

Contoh Proses Penyilangan.

Titik Potong

X1

X2

Orang Tua 1

Orang Tua 2

g1

Anak 1

Anak 2

g20

g10 g11

g1

g10 g11

g20

Jika solusi yang dicari adalah X1 = 0 dan X2 = 0, maka kromosom Anak

1 memiliki nilai finess tinggi dan menuju pada solusi yang dicari

Mutasi

Pada mutasi ada satu parameter penting yaitu peluang

(probabilitas) mutasi atau pmut yang menunjukkan
prosentase jumlah total gen pada populasi yang akan
mengalami mutasi.
Untuk semua gen yang ada, jika bilangan ran-dom yang
dibangkitkan kurang dari probabilitas mutasi pmut yang
ditentukan, maka ubah gen tersebut menjadi nilai
kebalikannya.
Biasanya pmut diset sebagai 1/n, n adalah jumlah
gen dalam kromosom.
Dengan pmut sebesar ini berarti mutasi hanya terjadi
pada 1 gen saja.

Contoh Proses Mutasi.

X2

X1
Kromosom
Asal

g1

Hasil mutasi

0
g1

11

11

11

11

g10

0
g10

11
gg20
20

11

11

11

11

11
gg20
20

Bilangan random yang dihasilkan lebih kecil dari probabilitas mutasi pmu
terjadi pada gen g10 sehingga gen g10 berubah dari 1 menjadi 0

Algoritma Genetika Standar

Algoritma Standar terdiri dari :

Satu populasi dengan N kromosom
Binary encoding
Linear fitness ranking
Roulette-wheel selection
Pindah silang satu titik potong

Algoritma Genetika Standar (lanjutan)

Probabilitas pindah silang dan probabilitas

mutasi bernilai tetap selama evolusi
Elitisme, satu atau dua buah kopi dari individu
bernilai fitness tertinggi
Generational replacement. Penggantian semua
individu sekaligus.

Diagram Alir Algoritma Genetika Sederhana

Bangkitkan
Populasi
Awal

Evaluasi
Fungsi
Tujuan

Bangkitkan
Populasi
Baru

Apakah Kriteria
Optimasi
Tercapai ?

Seleksi

Rekombinasi

Mutasi

Individuindividu
Terbaik

Hasil

Sampai Jumpa
di
Pertemuan 13
Selamat Belajar, Semoga
Sukses